CN114676295A - 基于ai的个性化教学方法、装置、设备及可读存储介质 - Google Patents
基于ai的个性化教学方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN114676295A CN114676295A CN202210159678.9A CN202210159678A CN114676295A CN 114676295 A CN114676295 A CN 114676295A CN 202210159678 A CN202210159678 A CN 202210159678A CN 114676295 A CN114676295 A CN 114676295A
- Authority
- CN
- China
- Prior art keywords
- learning
- identification model
- student
- personality
- personalized
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000004891 communication Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Technology (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于AI的个性化教学方法、装置、设备及可读存储介质,该方法包括步骤:获取学生的学习轨迹,并获取学习个性识别模型;输入所述学习轨迹至所述学习个性识别模型,得到学习个性识别结果;其中,所述学习个性识别模型是基于预设训练数据集对未训练学习个性识别模型进行迭代训练后得到的;基于所述学习个性识别结果,确定所述学生的个性化学习素材。本申请通过训练后准确性较高的学习个性识别模型来识别学习轨迹,得到学习个性识别结果,从而根据学习个性识别结果,确定适合该学生的个性化学习素材,进而提高学生在通过学习素材进行学习时的学习效率。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种基于AI的个性化教学方法、装置、设备及可读存储介质。
背景技术
目前,在教学过程中,在为学生提供学习素材时,是通过教师的教学经验来为学生提供的。
然而,不同的学生有不同的学习特点,教师统一提供的学习素材并不是符合每一个学生使用的需求的,因此,导致学生在使用不符合使用需求的学习素材进行学习时,学习效率较低。
发明内容
本申请的主要目的在于提供一种基于AI的个性化教学方法、装置、设备及可读存储介质,旨在解决现有的如何提高学生在通过学习素材进行学习时的学习效率的技术问题。
为实现上述目的,本申请提供一种基于AI的个性化教学方法,所述基于AI的个性化教学方法包括:
获取学生的学习轨迹,并获取学习个性识别模型;
输入所述学习轨迹至所述学习个性识别模型,得到学习个性识别结果;其中,所述学习个性识别模型是基于预设训练数据集对未训练学习个性识别模型进行迭代训练后得到的;
基于所述学习个性识别结果,确定所述学生的个性化学习素材。
可选地,所述基于所述学习个性识别结果,确定所述学生的个性化学习素材之后,包括:
获取所述个性化学习素材的素材特征;
基于所述素材特征,确定与所述个性化学习素材的相关度大于或等于预设相关度的第一相关学习素材;
向所述学生推荐所述第一相关学习素材。
可选地,所述向所述学生推荐所述第一相关学习素材之前,包括:
向所述学生推荐同样包含所述素材特征的第二相关学习素材;
所述向所述学生推荐所述第一相关学习素材,包括:
在推荐所述第二相关学习素材达到预设次数后,才向所述学生推荐所述第一相关学习素材。
可选地,所述获取学生的学习轨迹,包括:
获取学生在学习时所使用的学习素材对应的学习轨迹。
可选地,所述获取学生在学习时所使用的学习素材对应的学习轨迹,包括:
获取学生在学习时所使用的学习素材对应的科目,以及获取所述学生在学习每个科目时所花费的时间;
基于所述科目和所述时间,确定所述学生的学习轨迹。
可选地,所述获取学生在学习时所使用的学习素材对应的学习轨迹,包括:
获取学生在学习时所使用的学习素材对应的科目,以及获取所述学生在学习每个科目时所使用的学习素材的点击次数;
基于所述科目和所述点击次数,确定所述学生的学习轨迹。
可选地,所述获取学习个性识别模型之前,包括:
获取预设训练数据集和待训练学习个性识别模型;
基于所述预设训练数据集对所述待训练学习个性识别模型进行迭代训练,得到更新后的待训练学习个性识别模型,并确定所述更新后的待训练学习个性识别模型是否满足预设迭代结束条件;
若所述更新后的待训练学习个性识别模型满足所述预设迭代结束条件,则将所述更新后的待训练学习个性识别模型作为所述学习个性识别模型;
若所述更新后的待训练学习个性识别模型未满足所述迭代结束条件,则返回基于所述预设训练数据集对所述待训练学习个性识别模型进行迭代训练步骤,直至所述更新后的待训练学习个性识别模型满足所述迭代结束条件。
此外,为实现上述目的,本申请还提供一种基于AI的个性化教学装置,所述基于AI的个性化教学装置包括:
第一获取模块,用于获取学生的学习轨迹,并获取学习个性识别模型;
输入模块,用于输入所述学习轨迹至所述学习个性识别模型,得到学习个性识别结果;其中,所述学习个性识别模型是基于预设训练数据集对未训练学习个性识别模型进行迭代训练后得到的;
第一确定模块,用于基于所述学习个性识别结果,确定所述学生的个性化学习素材。
可选地,所述基于AI的个性化教学装置还包括:
第二获取模块,用于获取所述个性化学习素材的素材特征;
第二确定模块,用于基于所述素材特征,确定与所述个性化学习素材的相关度大于或等于预设相关度的第一相关学习素材;
第一推荐模块,用于向所述学生推荐所述第一相关学习素材。
可选地,所述基于AI的个性化教学装置还包括:
第二推荐模块,用于向所述学生推荐同样包含所述素材特征的第二相关学习素材;
所述第一推荐模块还用于:
在推荐所述第二相关学习素材达到预设次数后,才向所述学生推荐所述第一相关学习素材。
可选地,所述第一获取模块还用于:
获取学生在学习时所使用的学习素材对应的学习轨迹。
可选地,所述第一获取模块还用于:
获取学生在学习时所使用的学习素材对应的科目,以及获取所述学生在学习每个科目时所花费的时间;
基于所述科目和所述时间,确定所述学生的学习轨迹。
可选地,所述第一获取模块还用于:
获取学生在学习时所使用的学习素材对应的科目,以及获取所述学生在学习每个科目时所使用的学习素材的点击次数;
基于所述科目和所述点击次数,确定所述学生的学习轨迹。
可选地,所述基于AI的个性化教学装置还包括:
第三获取模块,用于获取预设训练数据集和待训练学习个性识别模型;
训练模块,用于基于所述预设训练数据集对所述待训练学习个性识别模型进行迭代训练,得到更新后的待训练学习个性识别模型,并确定所述更新后的待训练学习个性识别模型是否满足预设迭代结束条件;若所述更新后的待训练学习个性识别模型满足所述预设迭代结束条件,则将所述更新后的待训练学习个性识别模型作为所述学习个性识别模型;若所述更新后的待训练学习个性识别模型未满足所述迭代结束条件,则返回基于所述预设训练数据集对所述待训练学习个性识别模型进行迭代训练步骤,直至所述更新后的待训练学习个性识别模型满足所述迭代结束条件。
此外,为实现上述目的,本申请还提供一种基于AI的个性化教学设备,所述基于AI的个性化教学设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的基于AI的个性化教学程序,所述基于AI的个性化教学程序被所述处理器执行时实现如上所述的基于AI的个性化教学方法的步骤。
此外,为实现上述目的,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有基于AI的个性化教学程序,所述基于AI的个性化教学程序被处理器执行时实现如上所述的基于AI的个性化教学方法的步骤。
与现有技术中,教师统一提供的学习素材并不是符合每一个学生使用的需求的,导致学生在使用不符合使用需求的学习素材进行学习时,学习效率较低相比,本申请通过获取学生的学习轨迹,并获取学习个性识别模型;输入所述学习轨迹至所述学习个性识别模型,得到学习个性识别结果;其中,所述学习个性识别模型是基于预设训练数据集对未训练学习个性识别模型进行迭代训练后得到的;基于所述学习个性识别结果,确定所述学生的个性化学习素材。本申请通过训练后准确性较高的学习个性识别模型来识别学习轨迹,得到学习个性识别结果,从而根据学习个性识别结果,确定适合该学生的个性化学习素材,进而提高学生在通过学习素材进行学习时的学习效率。
附图说明
图1是本申请基于AI的个性化教学方法第一实施例的流程示意图;
图2是本申请实施例方案涉及的硬件运行环境的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供一种基于AI的个性化教学方法,参照图1,图1为本申请基于AI的个性化教学方法第一实施例的流程示意图。
本申请实施例提供了基于AI的个性化教学方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。基于AI的个性化教学方法可应用于终端或服务器中。为了便于描述,以下省略执行主体描述基于AI的个性化教学方法的各个步骤。基于AI的个性化教学方法包括:
步骤S10,获取学生的学习轨迹,并获取学习个性识别模型。
在本实施例中,学习轨迹为学生在学习时使用学习素材的轨迹,包括所使用的学习素材的名称、使用学习素材时的时间和所使用过的学习素材的学习顺序,即学习轨迹记录了学生在学习时使用学习素材的过程。
步骤S20,输入所述学习轨迹至所述学习个性识别模型,得到学习个性识别结果;其中,所述学习个性识别模型是基于预设训练数据集对未训练学习个性识别模型进行迭代训练后得到的。
在本实施例中,学习个性识别模型可以由分类算法(例如随机森林算法、朴素贝叶斯算法等)实现,也可以由CNN(Convolutional Neural Networks,卷积神经网络)、DNN(Deep Neural Networks,深度神经网络)等神经网络算法实现,以学习个性识别模型通过随机森林算法实现为例,随机森林是由随机的方式建立的森林,该森林由多棵决策树组成,各决策树之间没有关联,在学习轨迹输入随机森林后,各决策树分别独立对该学习轨迹进行分类,之后根据各种学习个性对应的概率来确定学习个性识别结果。例如在学习轨迹输入随机森林后,学习个性1对应的概率为80%、学习个性2对应的概率为20%,由此可确定学习个性1对应的概率大于学习个性2对应的概率,即学习个性识别结果为学习个性1。
进一步地,所述获取学习个性识别模型之前,包括:
步骤a,获取预设训练数据集和待训练学习个性识别模型。
在本实施例中,获取预设训练数据集和待训练学习个性识别模型,也就是未训练好的模型。
步骤b,基于所述预设训练数据集对所述待训练学习个性识别模型进行迭代训练,得到更新后的待训练学习个性识别模型,并确定所述更新后的待训练学习个性识别模型是否满足预设迭代结束条件;若所述更新后的待训练学习个性识别模型满足所述预设迭代结束条件,则将所述更新后的待训练学习个性识别模型作为所述学习个性识别模型;若所述更新后的待训练学习个性识别模型未满足所述迭代结束条件,则返回基于所述预设训练数据集对所述待训练学习个性识别模型进行迭代训练步骤,直至所述更新后的待训练学习个性识别模型满足所述迭代结束条件。
在本实施例中,基于预设训练数据集对待训练学习个性识别模型进行迭代训练,得到更新后的待训练学习个性识别模型,并确定更新后的待训练学习个性识别模型是否满足预设迭代结束条件;若更新后的待训练学习个性识别模型满足预设迭代结束条件,则将更新后的待训练学习个性识别模型作为学习个性识别模型;若更新后的待训练学习个性识别模型未满足迭代结束条件,则继续对更新后的待训练学习个性识别模型进行迭代训练更新,直至更新后的待训练学习个性识别模型满足迭代结束条件。
具体地,通过从学习轨迹样本数据库中获取预设训练数据集,并通过预设训练数据集对待训练学习个性识别模型进行迭代训练,以得到更新后的待训练学习个性识别模型,其中,学习轨迹样本数据库中存储有若干标注好的样本学习轨迹。每次得到更新后的待训练学习个性识别模型之后,都确定该更新后的待训练学习个性识别模型是否满足预设迭代结束条件,若更新后的待训练学习个性识别模型满足预设迭代结束条件,则迭代结束,并将最后一个更新后的待训练学习个性识别模型作为学习个性识别模型;若更新后的待训练学习个性识别模型未满足迭代结束条件,则说明更新后的待训练学习个性识别模型还不满足使用条件,并继续对更新后的待训练学习个性识别模型进行迭代训练更新,直至更新后的待训练学习个性识别模型满足迭代结束条件为止。
需要说明的是,迭代训练为多次通过样本学习轨迹对待训练学习个性识别模型进行训练的过程,一般地,由待训练学习个性识别模型得到学习个性识别模型都需要经过多轮的训练更新。需要说明的是,预设迭代结束条件为输入待训练学习个性识别模型或更新后的待训练学习个性识别模型为模型预测准确率达到预设准确率阈值时,迭代结束。
需要说明的是,除预设训练数据集之外,模型训练过程中还需要使用到测试数据集,同样地,测试数据集来自于学习轨迹样本数据库,其中,预设训练数据集与测试数据集之间的数据量成一定比例,例如10:1。
需要说明的是,对于迭代训练过程,为提高学习个性识别模型的敏感度,可以对待训练学习个性识别模型进行多次训练,具体地,迭代训练过程由多次训练和多次测试组成,例如训练10次后测试1次并循环训练和测试的过程,直至迭代结束。
步骤S30,基于所述学习个性识别结果,确定所述学生的个性化学习素材。
学习个性识别结果为学生学习时的学习个性的体现,不同的学习个性均有与之对应的个性化学习素材,即得到学习个性识别结果后即可确定个性化学习素材,从而将此个性化学习素材推荐给学生学习,以满足学生的学习个性对应的学习需求。
进一步地,所述基于所述学习个性识别结果,确定所述学生的个性化学习素材之后,包括:
步骤c,获取所述个性化学习素材的素材特征;
步骤d,基于所述素材特征,确定与所述个性化学习素材的相关度大于或等于预设相关度的第一相关学习素材;
步骤e,向所述学生推荐所述第一相关学习素材。
素材特征能够表征个性化学习素材的类型,例如个性化学习素材分为文学类、科学类等时,素材特征为文学类或科学类等。目前的推荐机制为直接推荐相同的素材特征的其他学习素材,然而继续向学生推荐相同的素材特征的其他学习素材,可能并不是学生所希望的,因为学生已经通过相同的学习素材学习到了。或许学生更想了解当前学习素材的延伸(即相似但不相同的学习素材),而不是仅继续学习相同的素材特征的学习素材,使得推荐的学习素材更满足学生的学习需求。
预设相关度可以在使用时根据需要具体设置,本实施例不作具体限定。可以理解,相关度为1时,为完全相关,预设相关度小于1。在相关度大于或等于预设相关度但小于1时,第一相关学习素材的素材特征不完全与个性化学习素材的素材特征相同但相关;在相关度小于或等于预设相关度时,第一相关学习素材的素材特征与个性化学习素材的素材特征不相关。
进一步地,所述向所述学生推荐所述第一相关学习素材之前,包括:
步骤f,向所述学生推荐同样包含所述素材特征的第二相关学习素材。
在本实施例中,考虑到学生可能仅通过个性化学习素材还未能对相关知识理解透彻,因此,可以在向学生推荐所述第一相关学习素材之前,先推荐一些同样包含个性化学习素材的素材特征的第二相关学习素材。
所述向所述学生推荐所述第一相关学习素材,包括:
步骤e1,在推荐所述第二相关学习素材达到预设次数后,才向所述学生推荐所述第一相关学习素材。
在本实施例中,推荐一些第二相关学习素材达到预设次数后,才推荐第一相关学习素材,预设次数可以在使用时根据需要具体设置,本实施例不作具体限定。
进一步地,所述获取学生的学习轨迹,包括:
步骤g,获取学生在学习时所使用的学习素材对应的学习轨迹。
在本实施例中,学习轨迹是学生在使用学习素材时产生的。
进一步地,所述获取学生在学习时所使用的学习素材对应的学习轨迹,包括:
步骤g1,获取学生在学习时所使用的学习素材对应的科目,以及获取所述学生在学习每个科目时所花费的时间;
步骤g2,基于所述科目和所述时间,确定所述学生的学习轨迹。
在本实施例中,通过学生在学习每个科目的学习素材时的时间,按时间先后的顺序进行排序,得到学习轨迹。例如学习轨迹为学生在11月2号-11月4号学习了材料力学、在11月5号学习了高等数学等。
进一步地,所述获取学生在学习时所使用的学习素材对应的学习轨迹,包括:
步骤g3,获取学生在学习时所使用的学习素材对应的科目,以及获取所述学生在学习每个科目时所使用的学习素材的点击次数;
步骤g4,基于所述科目和所述点击次数,确定所述学生的学习轨迹。
在本实施例中,通过学生在学习每个科目的学习素材时所使用的学习素材的点击次数,按点击次数由多至少的顺序对每个科目对应的点击次数进行排序,得到学习轨迹。例如学习轨迹为学生学习材料力学时,点击材料力学对应的学习素材的点集次数为10次,学习高等数学时,点集高等数学对应的学习素材的点集次数为6次等。
与现有技术中,教师统一提供的学习素材并不是符合每一个学生使用的需求的,导致学生在使用不符合使用需求的学习素材进行学习时,学习效率较低相比,本申请通过获取学生的学习轨迹,并获取学习个性识别模型;输入所述学习轨迹至所述学习个性识别模型,得到学习个性识别结果;其中,所述学习个性识别模型是基于预设训练数据集对未训练学习个性识别模型进行迭代训练后得到的;基于所述学习个性识别结果,确定所述学生的个性化学习素材。本申请通过训练后准确性较高的学习个性识别模型来识别学习轨迹,得到学习个性识别结果,从而根据学习个性识别结果,确定适合该学生的个性化学习素材,进而提高学生在通过学习素材进行学习时的学习效率。
此外,本申请还提供一种基于AI的个性化教学装置,所述基于AI的个性化教学装置包括:
第一获取模块,用于获取学生的学习轨迹,并获取学习个性识别模型;
输入模块,用于输入所述学习轨迹至所述学习个性识别模型,得到学习个性识别结果;其中,所述学习个性识别模型是基于预设训练数据集对未训练学习个性识别模型进行迭代训练后得到的;
第一确定模块,用于基于所述学习个性识别结果,确定所述学生的个性化学习素材。
可选地,所述基于AI的个性化教学装置还包括:
第二获取模块,用于获取所述个性化学习素材的素材特征;
第二确定模块,用于基于所述素材特征,确定与所述个性化学习素材的相关度大于或等于预设相关度的第一相关学习素材;
第一推荐模块,用于向所述学生推荐所述第一相关学习素材。
可选地,所述基于AI的个性化教学装置还包括:
第二推荐模块,用于向所述学生推荐同样包含所述素材特征的第二相关学习素材;
所述第一推荐模块还用于:
在推荐所述第二相关学习素材达到预设次数后,才向所述学生推荐所述第一相关学习素材。
可选地,所述第一获取模块还用于:
获取学生在学习时所使用的学习素材对应的学习轨迹。
可选地,所述第一获取模块还用于:
获取学生在学习时所使用的学习素材对应的科目,以及获取所述学生在学习每个科目时所花费的时间;
基于所述科目和所述时间,确定所述学生的学习轨迹。
可选地,所述第一获取模块还用于:
获取学生在学习时所使用的学习素材对应的科目,以及获取所述学生在学习每个科目时所使用的学习素材的点击次数;
基于所述科目和所述点击次数,确定所述学生的学习轨迹。
可选地,所述基于AI的个性化教学装置还包括:
第三获取模块,用于获取预设训练数据集和待训练学习个性识别模型;
训练模块,用于基于所述预设训练数据集对所述待训练学习个性识别模型进行迭代训练,得到更新后的待训练学习个性识别模型,并确定所述更新后的待训练学习个性识别模型是否满足预设迭代结束条件;若所述更新后的待训练学习个性识别模型满足所述预设迭代结束条件,则将所述更新后的待训练学习个性识别模型作为所述学习个性识别模型;若所述更新后的待训练学习个性识别模型未满足所述迭代结束条件,则返回基于所述预设训练数据集对所述待训练学习个性识别模型进行迭代训练步骤,直至所述更新后的待训练学习个性识别模型满足所述迭代结束条件。
本申请基于AI的个性化教学装置具体实施方式与上述基于AI的个性化教学方法各实施例基本相同,在此不再赘述。
此外,本申请还提供一种基于AI的个性化教学设备。如图2所示,图2是本申请实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是,图2即可为基于AI的个性化教学设备的硬件运行环境的结构示意图。
如图2所示,该基于AI的个性化教学设备可以包括:处理器1001,例如CPU,存储器1005,用户接口1003,网络接口1004,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,基于AI的个性化教学设备还可以包括RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。
本领域技术人员可以理解,图2中示出的基于AI的个性化教学设备结构并不构成对基于AI的个性化教学设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图2所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于AI的个性化教学程序。其中,操作系统是管理和控制基于AI的个性化教学设备硬件和软件资源的程序,支持基于AI的个性化教学程序以及其它软件或程序的运行。
在图2所示的基于AI的个性化教学设备中,用户接口1003主要用于连接终端,与终端进行数据通信,如接收终端发送的请求;网络接口1004主要用于后台服务器,与后台服务器进行数据通信;处理器1001可以用于调用存储器1005中存储的基于AI的个性化教学程序,并执行如上所述的基于AI的个性化教学方法的步骤。
本申请基于AI的个性化教学设备具体实施方式与上述基于AI的个性化教学方法各实施例基本相同,在此不再赘述。
此外,本申请实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有基于AI的个性化教学程序,所述基于AI的个性化教学程序被处理器执行时实现如上所述的基于AI的个性化教学方法的步骤。
本申请计算机可读存储介质具体实施方式与上述基于AI的个性化教学方法各实施例基本相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,设备,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于AI的个性化教学方法,其特征在于,所述基于AI的个性化教学方法包括:
获取学生的学习轨迹,并获取学习个性识别模型;
输入所述学习轨迹至所述学习个性识别模型,得到学习个性识别结果;其中,所述学习个性识别模型是基于预设训练数据集对未训练学习个性识别模型进行迭代训练后得到的;
基于所述学习个性识别结果,确定所述学生的个性化学习素材。
2.如权利要求1所述的方法,其特征在于,所述基于所述学习个性识别结果,确定所述学生的个性化学习素材之后,包括:
获取所述个性化学习素材的素材特征;
基于所述素材特征,确定与所述个性化学习素材的相关度大于或等于预设相关度的第一相关学习素材;
向所述学生推荐所述第一相关学习素材。
3.如权利要求2所述的方法,其特征在于,所述向所述学生推荐所述第一相关学习素材之前,包括:
向所述学生推荐同样包含所述素材特征的第二相关学习素材;
所述向所述学生推荐所述第一相关学习素材,包括:
在推荐所述第二相关学习素材达到预设次数后,才向所述学生推荐所述第一相关学习素材。
4.如权利要求1所述的方法,其特征在于,所述获取学生的学习轨迹,包括:
获取学生在学习时所使用的学习素材对应的学习轨迹。
5.如权利要求4所述的方法,其特征在于,所述获取学生在学习时所使用的学习素材对应的学习轨迹,包括:
获取学生在学习时所使用的学习素材对应的科目,以及获取所述学生在学习每个科目时所花费的时间;
基于所述科目和所述时间,确定所述学生的学习轨迹。
6.如权利要求4所述的方法,其特征在于,所述获取学生在学习时所使用的学习素材对应的学习轨迹,包括:
获取学生在学习时所使用的学习素材对应的科目,以及获取所述学生在学习每个科目时所使用的学习素材的点击次数;
基于所述科目和所述点击次数,确定所述学生的学习轨迹。
7.如权利要求1所述的方法,其特征在于,所述获取学习个性识别模型之前,包括:
获取预设训练数据集和待训练学习个性识别模型;
基于所述预设训练数据集对所述待训练学习个性识别模型进行迭代训练,得到更新后的待训练学习个性识别模型,并确定所述更新后的待训练学习个性识别模型是否满足预设迭代结束条件;
若所述更新后的待训练学习个性识别模型满足所述预设迭代结束条件,则将所述更新后的待训练学习个性识别模型作为所述学习个性识别模型;
若所述更新后的待训练学习个性识别模型未满足所述迭代结束条件,则返回基于所述预设训练数据集对所述待训练学习个性识别模型进行迭代训练步骤,直至所述更新后的待训练学习个性识别模型满足所述迭代结束条件。
8.一种基于AI的个性化教学装置,其特征在于,所述基于AI的个性化教学装置包括:
第一获取模块,用于获取学生的学习轨迹,并获取学习个性识别模型;
输入模块,用于输入所述学习轨迹至所述学习个性识别模型,得到学习个性识别结果;其中,所述学习个性识别模型是基于预设训练数据集对未训练学习个性识别模型进行迭代训练后得到的;
第一确定模块,用于基于所述学习个性识别结果,确定所述学生的个性化学习素材。
9.一种基于AI的个性化教学设备,其特征在于,所述基于AI的个性化教学设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的基于AI的个性化教学程序,所述基于AI的个性化教学程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于AI的个性化教学方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于AI的个性化教学程序,所述基于AI的个性化教学程序被处理器执行时实现如权利要求1至7中任一项所述的基于AI的个性化教学方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210159678.9A CN114676295A (zh) | 2022-02-21 | 2022-02-21 | 基于ai的个性化教学方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210159678.9A CN114676295A (zh) | 2022-02-21 | 2022-02-21 | 基于ai的个性化教学方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114676295A true CN114676295A (zh) | 2022-06-28 |
Family
ID=82072164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210159678.9A Pending CN114676295A (zh) | 2022-02-21 | 2022-02-21 | 基于ai的个性化教学方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114676295A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117499748A (zh) * | 2023-11-02 | 2024-02-02 | 江苏濠汉信息技术有限公司 | 一种基于边缘计算的课堂教学互动方法及系统 |
-
2022
- 2022-02-21 CN CN202210159678.9A patent/CN114676295A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117499748A (zh) * | 2023-11-02 | 2024-02-02 | 江苏濠汉信息技术有限公司 | 一种基于边缘计算的课堂教学互动方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188331B (zh) | 模型训练方法、对话系统评价方法、装置、设备及存储介质 | |
CN109471915B (zh) | 一种文本评价方法、装置、设备以及可读存储介质 | |
CN110362667B (zh) | 智能客服方法、装置、设备及可读存储介质 | |
CN108170853B (zh) | 一种聊天语料自清洗方法、装置和用户终端 | |
KR20200014510A (ko) | 기계 학습 기반의 예측 서비스 제공 방법 및 그 장치 | |
CN111275133B (zh) | 分类模型的融合方法、装置及存储介质 | |
CN111368045B (zh) | 用户意图识别方法、装置、设备及计算机可读存储介质 | |
US20190156231A1 (en) | User segmentation using predictive model interpretation | |
CN111291823A (zh) | 分类模型的融合方法、装置、电子设备及存储介质 | |
CN111192170B (zh) | 题目推送方法、装置、设备和计算机可读存储介质 | |
CN112287965A (zh) | 图像质量检测模型训练方法、装置和计算机设备 | |
CN114676295A (zh) | 基于ai的个性化教学方法、装置、设备及可读存储介质 | |
CN112036146A (zh) | 一种评语生成方法、装置、终端设备及存储介质 | |
CN110609947A (zh) | 智能学习系统的学习内容推荐方法、终端及存储介质 | |
CN113378067B (zh) | 基于用户挖掘的消息推荐方法、设备、介质 | |
CN113901837A (zh) | 一种意图理解方法、装置、设备及存储介质 | |
CN117744754A (zh) | 大语言模型任务处理方法、装置、设备及介质 | |
CN117520497A (zh) | 大模型交互处理方法、系统、终端、设备及介质 | |
CN111950852A (zh) | 一种用户行为分析与指导方法、装置、电子设备和可读存储装置 | |
CN116228361A (zh) | 基于特征匹配的课程推荐方法、装置、设备和存储介质 | |
KR102500433B1 (ko) | 소프트웨어의 품질보증을 위한 테스트 케이스 자동생성 방법, 장치 및 컴퓨터프로그램 | |
CN111046156A (zh) | 奖励数据的确定方法、装置和服务器 | |
CN111680148B (zh) | 针对用户问句进行智能应答的方法和装置 | |
CN115129971A (zh) | 基于能力评估数据的课程推荐方法、设备及可读存储介质 | |
CN114595829A (zh) | 情报分析方法、装置、介质、电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |