CN114730529A - 学习效果推定装置、学习效果推定方法以及程序 - Google Patents

学习效果推定装置、学习效果推定方法以及程序 Download PDF

Info

Publication number
CN114730529A
CN114730529A CN202080077903.3A CN202080077903A CN114730529A CN 114730529 A CN114730529 A CN 114730529A CN 202080077903 A CN202080077903 A CN 202080077903A CN 114730529 A CN114730529 A CN 114730529A
Authority
CN
China
Prior art keywords
data
learning
category
user
degree
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
Application number
CN202080077903.3A
Other languages
English (en)
Inventor
渡边淳
上田伦也
樱井敏之
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Z Association Of Co ltd
Original Assignee
Z Association Of Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from JP2019203782A external-priority patent/JP6832410B1/ja
Priority claimed from JP2020006241A external-priority patent/JP6903177B1/ja
Application filed by Z Association Of Co ltd filed Critical Z Association Of Co ltd
Publication of CN114730529A publication Critical patent/CN114730529A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
    • G09B7/04—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student characterised by modifying the teaching programme in response to a wrong answer, e.g. repeating the question, supplying a further explanation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

提供能够反映人类理解事物的机制的各个方面来推定用户的学习效果的学习效果推定装置。包括：模型存储部，存储模型，该模型将被分配按学习目的种类的用户的学习结果的数据即学习数据作为输入，并基于学习数据来生成用户的每个种类的正解概率；正解概率生成部，向模型输入学习数据，以生成每个种类的正解概率；正解概率数据库，按照每个用户积蓄正解概率的时间序列数据；以及理解度置信度生成部，获取指定用于推定规定的所述用户的学习效果的所述种类的范围的数据即范围数据，生成基于规定的用户的范围数据内的正解概率的理解度、以及理解度的时间序列数据的变动越大则成为越小的值的置信度，并与种类建立对应地进行输出。

Description

学习效果推定装置、学习效果推定方法以及程序
技术领域
本发明涉及推定用户的学习效果的学习效果推定装置、学习效果推定方法以及程序。
背景技术
已知自动形成基于学力效果测定的学习计划并能够在线进行该学习的在线学习系统(专利文献1)。
专利文献1的在线学习系统具备经由因特网与在线学习服务器连接的多个学习者终端。在线学习服务器根据来自各学习者终端的请求以将用于所请求的科目的学习效果测定的问题分为多个测定项目和各项目的每个项目的测定领域的单位得到的问题提供给请求终端。若将学习者从提供了问题的终端已解答的问题的解答发送至服务器，则服务器按照测定项目中的所有测定领域的每个测定领域对解答进行评分，并且按照各测定项目和各项目中的所有测定领域的每个测定领域，将评分结果转换为多个阶段的评价值，并将评价值提示给学习者终端。服务器基于该评价值将按照各测定项目中的每个测定领域将从在线学习服务器提供的该科目的学习文本中的应学习的各领域的内容和应学习的时间提示给该学习者终端。
根据专利文献1的在线学习系统，对于划分从服务器应考的科目的所有范围得到的多个测定项目中的多个测定领域，能够通过评价值将用户的实现度提示给学习者终端。另外，能够将基于评价值在按照各测定领域的每个测定领域而从在线学习服务器被提供到终端的文本上应学习的单元内容和该内容所需的时间提示给学习者终端。
【先行技术文献】
【专利文献】
专利文献1：日本特开2012－208143号公报
发明内容
发明所要解决的课题
专利文献1的在线学习系统仅是将为了测定学习效果而出题的问题的评分结果置换为评价值，无法反映人类理解事物的机制的各个方面。
因此，在本发明中，提供能够反映人类理解事物的机制的各个方面来推定用户的学习效果的学习效果推定装置。
本发明的学习效果推定装置包括模型存储部、正解概率生成部、正解概率数据库以及理解度置信度生成部。
模型存储部存储模型，该模型将被分配按学习目的种类的用户的学习结果的数据即学习数据作为输入，基于学习数据来生成用户的每个种类的正解概率。正解概率生成部向模型输入学习数据，以生成每个种类的正解概率。正解概率数据库按照每个用户积蓄正解概率的时间序列数据。理解度置信度生成部获取指定用于推定规定的用户的学习效果的种类的范围的数据即范围数据，生成基于规定的用户的范围数据内的正解概率的理解度、以及理解度的时间序列数据的变动越大则成为越小的值的置信度，并与种类建立对应地进行输出。
发明效果
根据本发明的学习效果推定装置，能够反映人类理解事物的机制的各个方面来推定用户的学习效果。
附图说明
图1是表示实施例1的学习效果推定装置的结构的框图。
图2是表示实施例1的学习效果推定装置的动作的流程图。
图3是对学习数据的种类进行说明的图。
图4是表示种类的相关关系的例子的图。
图5是表示有相关的种类的正解概率同时变动的例子的图。
图6是表示种类的先行后续关系的例子的图。
图7是表示在学习数据(内容)中所指定的种类的例子的图。
图8表示正解概率(理解度)的时间序列数据的例子，图8A是表示变动较大的例子的图，图8B、图8C是表示变动较少的例子的图。
图9是表示种类集合和目标种类的例子的图。
图10是对基于理解度和置信度的情况划分的例子进行说明的图。
图11是表示理想的训练数据和实际的训练数据的例子的图。
图12是表示正解概率在低于1的值p饱和的例子的图。
图13是表示插入虚拟数据所生成的修正训练数据的例子的图。
图14是表示反映没有解答问题的期间的训练数据的例子的图。
图15是表示计算机的功能构成例的图。
具体实施方式
以下，详细地对本发明的实施方式进行说明。此外，对具有相同的功能的构成部标注相同的符号，并省略重复说明。
【实施例1】
以下，参照图1，对实施例1的学习效果推定装置的结构进行说明。如该图所示，本实施例的学习效果推定装置1包括：学习数据获取部11、正解概率生成部12、模型存储部12A、正解概率数据库12B、范围数据获取部13、理解度置信度生成部14、推荐生成部15。此外，如该图中虚线所示，推荐生成部15不是必需的构成要件，可以根据情况而省略。
以下，以下参照图2，对各构成要件的详细动作进行说明。
＜学习数据获取部11＞
学习数据获取部11获取学习数据(S11)。学习数据是指用户学习内容时的学习结果、学习状况的数据，预先对内容、学习数据分配按学习目的种类(以下，仅称为种类)。
[内容、学习数据]
如图3所示，可以在内容中设置课程、自适应这两个种类。课程例如能够包含场景、练习问题等。自适应例如能够包括演习问题等。
场景表示通过读、听、参照图、观看视频等问题演习以外的形式学会知识的种类的内容(教材)。场景的学习数据典型是指表示读完场景、听讲完成、阅览完成等学习结果的数据(标志)、表示进行学习的时间、场所等学习状况的数据。除此以外，还可以将场景的读解、听讲、阅览的次数或频率作为场景的学习数据。
练习问题典型地意味着在场景与场景之间插入或者在场景的后面插入、询问之前的场景的理解度的基本的例题等。练习问题的学习数据典型是练习问题的实施、实施的次数、频率、正确和错误、正确回答率、得分、错误回答的内容等表示学习结果的数据、进行学习的时间、场所等表示学习状况的数据。
演习问题典型地意味着以测试形式出题的问题组等。演习问题的学习数据典型是演习问题的实施、实施的次数、频率、正确和错误、正确回答率、得分、错误回答的内容等表示学习结果的数据、进行学习的时间、场所等表示学习状况的数据。另外，也可以将模拟考试的成绩数据用作演习问题的学习数据。
[种类]
种类表示对用户的学习内容进行细分化而定义的学习目的。例如将“能够解1次方程式”定义为种类01，将“能够解联立方程”定义为种类02等。另外，也可以对上述进一步进行细分化，例如定义“能够使用移项来解1次方程式”、“能够解有括弧的1次方程式”、“能够解系数包含分数/小数的1次方程式”这样的种类。
两个种类的正解概率(或者理解度)有时根据情况而具有密切的相关性。例如，在有关三角函数的sinθ、cosθ的基本性质的正解概率(或者理解度)较高的情况下，可以说作为相同的三角函数的tanθ的基本性质的正解概率(或者理解度)趋于变高，可以说它们具有密切的相关性。图4表示种类的相关关系的例子。在该图的例子中，种类01与种类02以及种类03强相关。另外，虽然不如种类02、03那样，但种类04与种类01弱相关。另外，种类05与种类01无相关。例如在用户正在学习种类01的情况下，种类01的正解概率(或者理解度)当然根据学习结果而变动。此时，即使种类02、03、04是未学习的，但由于与种类01有相关，所以种类02、03，04的正解概率(或者理解度)也根据种类01的学习结果而变动。此时，与种类01不无相关的种类05的正解概率(或者理解度)没有变动。
例如，如图5所例示那样，考虑如下那样的事件：通过学习种类01，种类01的正解概率上升0.20的情况下，与种类01强相关的种类02、03的正解概率上升0.10，与种类01弱相关的种类04的正解概率上升0.05。
[种类的先行后续关系]
也可以在种类间定义先行后续关系。先行后续关系是指定义种类的推荐学习顺序的参数。更详细而言，先行后续关系是指以在先行学习某个种类的情况下，后续学习的种类的学习效果变高的方式决定的加权参数。例如在上述的例子中，在先行学习种类“sinθ、cosθ的基本性质”的情况下，作为后续的种类，如果选择种类“tanθ的基本性质”，则预计学习效果变高。
例如在图6的例子中，在种类01先行的情况下，作为后续的种类，如果选择具有加权参数＝0.8的种类02，则预计学习效果变高。同样地，在种类02先行的情况下，作为后续的种类，如果选择具有加权参数＝0.8的种类03，则预计学习效果变高。此外，在图6中，在所有种类中，作为表示也包含顺序的所有学习的关系性的连续值，也可以定义种类间的关系性。
[在内容中所指定的种类的数量]
对各内容赋予至少一个种类。也可以对内容赋予2个以上的种类。在图7的例子中，对内容＿0101赋予种类01、02，对内容＿0102赋予种类01，对内容＿0201赋予种类02、03、04。
＜模型存储部12A＞
模型存储部12A存储将学习数据作为输入，并基于学习数据来生成用户的每个种类的正解概率的模型(DKT模型)。
[DKT模型]
DKT是Deep Knowledge Tracing的缩写。Deep Knowledge Tracing是指使用神经网络(Deep Learning)对学习者(用户)获得知识的机制进行模型化的技术。
DKT模型使用大量收集的训练数据，通过有监督学习进行最优化。训练数据一般具备矢量和标签的组，但本实施例的DKT模型的情况下，例如作为使用于矢量、标签的学习数据，能够使用对应的种类中的演习问题、模拟考试的问题的正确和错误信息等。由于通过DKT模型学习种类间的相关关系，所以即使在仅将处于DKT模型的教科的一部分的种类的学习数据作为输入的情况下，也推定该教科的所有种类的正解概率并输出。
＜正解概率生成部12＞
正解概率生成部12向DKT模型输入学习数据，生成每个种类的正解概率(S12)。
＜正解概率数据库12B＞
正解概率数据库12B按照每个用户、每个种类积蓄在步骤S12中生成的正解概率的时间序列数据。图8A、图8B、图8C表示正解概率(理解度)的时间序列数据的例子。图8A表示变动较大的例子。图表的横轴可以是问题数(记载为问)，也可以是天数(记载为DAY)。图表的纵轴是正解概率(或者后述的理解度)。图8A例如相当于以下的事件等：参与课程的学习到问4或者DAY4，将到问4或者DAY4为止的学习数据依次输入至DKT模型，由此正解概率暂时上升，但从问5或者DAY5开始自适应的学习的结果是，演习问题的正确回答率不佳，将问5或者DAY5以下的学习数据依次输入至DKT模型，由此正解概率暂时下降的事件等。图8B例如相当于相当于以下的事件等：继续到问1～问8或者DAY1～DAY8，参与自适应的学习，依次将学习数据输入至DKT模型，从而正解概率仅一点点地上升。图8C例如相当于以下的事件等：通过课程的学习参与到问2或者DAY2，将到问2或者DAY2的学习数据依次输入至DKT模型，正解概率缓慢地上升，从问3或者DAY3参与自适应的学习，将学习数据依次输入至DKT模型，由此正解概率缓慢上升。
＜范围数据获取部13＞
范围数据获取部13获取范围数据，该范围数据是指定用于推定规定的用户的学习效果的种类的范围的数据(S13)。例如，规定的用户是想要推定学校的中间、期末测试的出题范围的学习效果的情况下，该用户将在中间、期末测试所指定的出题范围替换为种类，将替换的种类全部指定(输入)为范围数据。另外，在规定的用户想要关于高校应考的数量学推定学习效果的情况下，该用户将中学1年生～中学3年生学习的数学的种类全部作为范围数据来指定(输入)。
关于范围数据的获取，规定的用户将教科书的页数、单元名等数据输入至范围数据获取部13，范围数据获取部13也可以将这些数据替换为种类，获取范围数据。
＜理解度置信度生成部14＞
理解度置信度生成部14获取步骤S13中的范围数据，生成基于规定的用户的范围数据内的正解概率(例如最近的数据)的理解度、以及理解度的时间序列数据的变动越大则成为越小的值的置信度，并与种类建立对应地进行输出(S14)。例如，理解度置信度生成部14也可以将范围数据内的各种类的最近的正解概率作为各种类的理解度输出。另外，例如，如果正解概率为恒定值以下，则视为该用户不理解该种类，理解度置信度生成部14将理解度可以设为0。另外，例如，如果正解概率超过恒定值，则理解度置信度生成部14可以将使正解概率增加α倍并减去β而修正后的值设为理解度。
由于考虑到理解度的时间序列数据的变动，所以在理解度的时间序列数据的数据数小于规定的阈值的情况下，理解度置信度生成部14也能够将置信度设定为规定值(优选设为较小的值)。另外，在理解度低到认为在该种类以及相关的种类中尚未开始学习(未学习)的情况下、即理解度小于预先设定的阈值(优选设为较小的值)的情况下，即使理解度稳定，也能够将置信度设定为规定值(优选设为较小的值)。
也可以基于与上述不同的定义来生成并输出理解度。例如，对定义为种类属于任意的种类集合，在每个种类集合中各存在一个目标种类的情况进行考虑。
例如，如图9所示，假设在种类01、02、03属于第一种类集合5－1，种类04、05属于第二种类集合5－2，将第一种类集合5－1的目标种类设为种类03，将第二种类集合5－2的目标种类设为种类05。例如，在定期试验的试验范围中，在将多个单元(例如，矢量和复素数的单元)设为出题范围的情况下，如果在各种类集合中包含各单元的种类，对与各单元对应的各种类集合设定目标种类，则是优选的。
在该情况下，理解度置信度生成部14生成范围数据内所包含的目标种类的正解概率作为对应的种类集合整体的理解度，基于种类集合整体的理解度来生成种类集合整体的置信度，则优选。
另外，即使在一个种类集合中存在2个以上的目标种类，该情况下，可以将存在2个以上的目标种类的正解概率的平均值等设为种类集合整体的理解度。
＜推荐生成部15＞
推荐生成部15生成将属于和理解度与规定的第一阈值的大小关系、以及置信度与规定的第二阈值的大小关系相应的情况划分中的至少任意一个情况划分的种类作为规定的用户的下次学习的推荐目标的信息即推荐，并输出(S15)。
例如如图10所示，如果情况划分为在理解度超过第一阈值T1且置信度超过第二阈值T2的情况(1)、理解度超过第一阈值T1且置信度为第二阈值T2以下的情况(2)、理解度为第一阈值T1以下且置信度超过第二阈值T2的情况(3)、理解度为第一阈值T1以下且置信度为第二阈值T2以下的情况(4)这4个模式，则优选。此外，在该图中，即使将理解度＞T1设为理解度≥T1，将理解度≤T1设为理解度＜T1，将置信度＞T2设为置信度≥T2，将置信度≤T2设为置信度＜T2，也进行同样的情况划分。
该图的例子中的情况1是该种类中的用户的理解度超过预先设定的水准(T1，例如T1＝0.90)，该种类中的置信度也超过预先设定的水准(T2，例如T2＝0.90)的情况。理解度较高意味着该种类中的用户的正解概率较高，置信度较高如图8B所例示那样意味着理解度的时间序列数据的变动较小。因此，用户能够在该种类中稳定地取得高得分的程度的习熟度高，能够判断为用户的学习充分的可能性较高。
该图的例子的情况2是虽然该种类中的用户的理解度超过预先设定的水准(T1)，但该种类中的置信度为预先设定的水准(T2)以下的情况。典型地，考虑到虽然在该种类中的最近的学习数据中标记较高的正解概率，但如果观察该种类中的过去的理解度的时间序列数据，则存在正解概率较低的时期，变动较大的情况下等。
该图的例中的情况3是该种类中的用户的理解度为预先设定的水准(T1)以下，而该种类中的置信度超过预先设定的水准(T2)的情况。典型地，可以考虑通过推进与该种类相关的其它的种类的学习，从而该种类的理解度上升某种程度，通过在更稳定的情况下开展该种类的学习，从而该种类的理解度稳定的情况等。在这样的情况下，为了进一步提升理解度，需要开展该种类的学习，稳定地标记高得分。
该图的例子中的情况4是该种类中的用户的理解度为预先设定的水准(T1)以下，且该种类中的置信度也为预先设定的水准(T2)以下的情况。典型地，可以考虑理解度低到认为在该种类以及相关的种类中未开始学习(未学习)的情况下，将置信度设定为规定的较小的值的情况。另外，如图8A所例示那样，可以考虑课程学习等进步某种程度，在最近的自适应学习中得分变低，由此最近的理解度降低较大，理解度的时间序列数据的变动较大(即，置信度较低)情况下等。
例如，推荐生成部15也可以生成将符合情况4的种类作为该用户的下次学习的推荐目标的信息即推荐，并输出。推荐生成部15例如也可以将符合情况4的种类作为最推荐的目标，将符合情况3的种类作为第二推荐的目标，将符合情况2的种类作为第三推荐的目标，生成推荐并输出。
并不限于上述的例子，推荐生成部15也可以按照各种基准生成推荐。例如，推荐生成部15也可以将范围数据内理解度接近0.5的种类作为推荐的目标而生成推荐并输出。另外，例如，推荐生成部15也可以将最近的学习数据中具有连续错误回答N次(N为2以上的任意的整数)的设问的种类作为推荐的目标而生成推荐并输出。
另外，推荐生成部15也可以在先行的种类的理解度以及置信度超过规定的阈值的情况(1)，将基于预先决定的先行后续关系(参照图6的例子)的后续的种类作为下次学习的推荐目标，在基于预先决定的先行后续关系的后续的种类的理解度为规定的阈值以下，置信度超过规定的阈值的情况(3)，将先行的种类作为下次学习的推荐目标而生成推荐并输出。
例如在图9所示的种类集合中，也可以在先行的种类01的理解度以及置信度符合情况1时，将后续的种类02作为下次学习的推荐目标而生成推荐，在后续的种类02的理解度以及置信度符合情况3时，将先行的种类01作为下次学习的推荐目标而生成推荐并输出。
推荐生成部15基于先行后续关系进行动作，由此能够防止将内容上与先行学习的种类相距甚远的种类作为下次学习的推荐目标。
另外，例如，如图9所示，在设定种类集合和目标种类，且在范围数据内包含多个种类集合的情况下，推荐生成部15也可以按规定的概率产生指定多个种类集合中的未学习的种类集合的标志，并生成将标志指定的种类集合内的任意的种类作为规定的用户的下次学习的推荐目标的信息即推荐，并输出。
推荐生成部15也可以通过将多个上述的推荐生成规则组合使用来生成推荐。
另外，推荐生成部15也可以根据范围数据内的各种类的理解度、置信度来预测学习结束日，并判定所预测的学习结束日是否赶得上预先设定的期限，并将判定结果作为进展度进行输出。进展度例如可以设为表示根据理解度置信度生成部14生成的理解度的时间序列数据来推定未来的理解度的变化，在预先设定的期限之前，是否推定为理解度超过预先设定的阈值的指标。
根据本实施例的学习效果推定装置1，由于基于通过使用利用了神经网络(DeepLearning)的DKT模型而生成的正解概率来定义理解度和置信度这两个参数，所以能够基于这两个参数，反映人类理解事物的机制的各个方面，来推定用户的学习效果。
[DKT模型输出的正解概率的饱和]
在将练习问题、演习问题的正确和错误信息用作训练数据的矢量、标签的情况下，学习的DKT模型有可能产生偏差。例如，如图11所示，假设与某个种类有关的学习能够区分为状态1(关于该种类的理解不充分的状态)、状态2(在对该种类理解的过程中试行错误的状态)、状态3(对该种类充分理解的状态)的情况下，如图11的“理想的数据”的表所示那样，获取较多状态3的数据并用作训练数据对DKT模型的学习来说可以说是理想的。然而，实际上如该图的“实际的数据”的表所示那样，大多数情况下只获得一点点的状态3的数据。
认为这是由于在用户学习某个种类时，获得对该种类加深理解这样的“反应”的时机(timing)往往是在进入状态3之后不久。在该情况下，用户不重复状态3中的问题演习，而转移至其它种类的学习的可能性较高，作为训练数据获得的数据如该图的“实际的数据”的表所示那样，只包含状态3。
若基于这样的训练数据进行DKT模型的学习，则如图12所示，作为某个种类的学习数据，即使大量输入正确回答该种类的练习问题、演习问题的数据，该用户的该种类中的正解概率也不会接近1，产生在规定的值p(＜1)饱和的现象。例如p≒0.7左右。以应对该课题为目的，以下公开三个方法。
《方法1：正解概率，理解度的修正》
例如，正解概率生成部12也可以向DKT模型输入学习数据，以生成每个种类的正解概率，并输出在所生成的正解概率加上规定的值α得到的修正正解概率。例如可以设定为α＝0.3。
另外，例如，正解概率生成部12也可以输出在生成的正解概率乘以规定的值α得到的修正正解概率。该情况下，例如可以设定为α＝1.4。
也可以不修正正解概率，而修正理解度。该情况下，理解度置信度生成部14也可以生成基于步骤S13中的范围数据内的正解概率的理解度、以及基于理解度的置信度，并输出在所生成的理解度加上规定的值β得到的修正理解度、以及置信度。
另外，理解度置信度生成部14也可以将理解度不作为数值而作为标签输出。例如，理解度置信度生成部14生成基于正解概率的值所属的范围而生成的标签即理解度(参照表1的例子)、以及理解度(标签)的时间序列数据的变动越大则成为越小的值的置信度，并与种类建立对应地输出。
【表1】
Figure BDA0003634079690000111
《方法2：虚拟数据的插入》
也可以在DKT模型的训练数据中插入虚拟数据。例如如图13所示，也可以生成在训练数据的状态3(数据编号11、12)之后插入模拟状态3的虚拟数据(数据编号d1、d2、…、d6)进行修正后的修正训练数据，并通过修正训练数据来学习DKT模型。插入的虚拟数据的量是任意的。由此，由于训练数据接近图11所示的理想的数据，所以能够防止DKT模型输出的正解概率在规定的值p(＜1)饱和的现象。
《方法3：损失函数的修正》
通过学习DKT模型时的、在损失函数设置修正项，从而也可以修正DKT模型。DKT模型的损失函数L例如为平均平方误差的情况下由以下的式子表示。
【式1】
Figure BDA0003634079690000112
n为数据数，yi为实值，y^i为预测值。
平均绝对误差的损失函数L由以下的式子表示。
【式2】
Figure BDA0003634079690000113
例如，对于某个模拟考试的问题1～7，为了将问题1～6作为训练数据的矢量来处理，而如以下那样获得以问题1～6的正确和错误信息一致的方式提取的多个用户的问题1～7的正确回答、错误回答。
【表2】
Figure BDA0003634079690000121
将模拟考试的问题1～6的正确和错误信息作为矢量，将模拟考试的问题7的正解概率设为标签的情况下，相当于实值yi是是标签、即问题7的正解概率(＝0.6)。预测值y^i是基于上述矢量、标签所学习的DKT模型输出的问题7的正解概率。
例如以式(1)的损失函数为基础追加修正项，并作为式(1a)。
【式3】
Figure BDA0003634079690000122
此处，st是在第t个数据为正确回答的情况下成为1，在为错误回答的情况下成为0的参数。因此sn-2sn-1sn相当于若连续正确回答数据数n的训练数据中的最近的3问(第n-2个、第n-1个、第n个训练数据)则成为值1，在除此以外的情况下成为0的参数。p是DKT模型生成的正解概率，修正项是它们的积乘以-1得到的。因此，在最近的3问全部是正确回答的情况下，修正项成为-p，模型预计的正解概率p越大则损失函数L越小。这样，能够修正DKT模型，以使得最近的正确回答率越高则预测的正解概率p越高。此外，修正项并不限于与最近的3问有关的项。例如也可以设为与最近的2问或最近的5问有关的项。
[包括没有解开问题的期间的学习]
例如如图14所示，在插入没有解开问题的期间(－)的情况下、和不是那样的情况下，输入至实施例1的DKT模型的训练数据没有不同。
即，在将图14的数据用作训练数据的情况下，使用“xoooxxxoxooo”，没有考虑到未解开问题的期间的长度等。因此，如该图所示，在训练数据中，不仅正确和错误信息，还设为具有表示从解之前的问题到解该问题为止的时间间隔的时间段信息(time span)作为参数的数据，并将该数据用作训练数据，从而能够考虑未解开问题的期间(－)给正解概率带来的影响(例如忘却曲线)。
＜补记＞
本发明的装置例如作为单一的硬件实体，具有：能够连接键盘等的获取部、能够连接液晶显示器等的输出部、能够连接可与硬件实体的外部进行通信的通信装置(例如通信电缆)的通信部、CPU(中央处理单元(Central Processing Unit)，也可以具有高速缓存或寄存器等)、作为存储器的RAM或ROM、作为硬盘的外部存储装置、以及总线，该总线被连接为能够实现这些获取部、输出部、通信部、CPU、RAM、ROM、外部存储装置之间的数据的交互。此外，根据需要，也可以在硬件实体中设置能够读写CD-ROM等存储介质的装置(驱动器)等。作为具有这种硬件资源的物理实体，有通用计算机等。
在硬件实体的外部存储装置中，存储有用于实现上述的功能所需的程序以及在该程序的处理中所需的数据等(不限于外部存储装置，例如也可以设为存储在作为读取程序专用存储装置的ROM中)。此外，通过这些程序的处理而得到的数据等适当地被存储于RAM或外部存储装置等。
在硬件实体中，被存储于外部存储装置(或者ROM等)的各程序以及该各程序的处理所需的数据根据需要而被读取到存储器中，由CPU适当地解释执行/处理。其结果，CPU实现规定的功能(表示为上述…部、…单元等的各结构要件)。
本发明不限于上述实施方式，能够在不脱离本发明的宗旨的范围内适当地变更。此外，上述实施方式中说明的处理不仅按照记载的顺序而以时序执行，也可以根据执行处理的装置的处理能力或需要并行地或个别地执行。
如上所述，在通过计算机实现上述实施方式中说明的硬件实体(本发明的装置)中的处理功能的情况下，硬件实体应具有的功能的处理内容由程序来记述。然后，通过在计算机上执行该程序，从而在计算机上实现上述硬件实体中的处理功能。
上述的各种的处理能够通过使图15所示的计算机的记录部10020读入执行上述方法的各步骤的程序，使控制部10010、获取部10030、输出部10040等进行动作来实施。
记述了该处理内容的程序可以预先存储在计算机可读取的存储介质中。作为计算机可读取的存储介质，例如可以是磁存储装置、光盘、光磁存储介质、半导体存储器等。具体地，例如，能够将硬盘装置、软盘、磁带等作为磁存储装置使用，能够将DVD(DigitalVersatile Disc，数字多功能盘)、DVD-RAM(Random Access Memory，随机存取存储器)、CD-ROM(Compact Disc Read Only Memory，光盘只读存储器)、CD-R(Recordable，可刻录)/RW(ReWritable，可覆写)等作为光盘使用，能够将MO(Magneto-Optical disc，磁光盘)等作为光磁存储介质使用，能够将EEP-ROM(Electronically Erasable and Programmable-ReadOnly Memory，电子可擦除可编程只读存储器)等作为半导体存储器使用。
另外，该程序的流通例如通过销售、转让、出借记录有该程序的DVD、CD-ROM等便携式存储介质来进行。进而，也可以构成为将该程序保存在服务器计算机的存储装置中，经由网络从服务器计算机向其他计算机传输该程序，从而使该程序流通该程序的流通。
执行这种程序的计算机例如首先将存储在便携式存储介质中的程序或从服务器计算机传送的程序暂时保存在自己的存储装置中。然后，在执行处理时，该计算机读取保存在自己的存储介质中的程序，并执行按照读取到的程序的处理。另外，作为该程序的另一执行方式，计算机也可以从便携式存储介质直接读取程序，执行按照该程序的处理，进一步地，每当程序从服务器计算机传送到该计算机时都可以依次按照所接收的程序执行处理。此外，也可以构成为，不从服务器计算机向该计算机传送程序，而仅通过执行指示和结果取得来实现处理功能，通过所谓的ASP(Application Service Provider，应用服务提供商)型的服务来执行上述处理。另外，在本方式的程序中，设为包含作为供电子计算机的处理使用的信息的、遵照程序的信息(不是对计算机的直接指令，但具有规定计算机的处理的性质的数据等)。
另外，在该方式中，设为通过在计算机上执行规定的程序来构成硬件实体，但是也可以设为仅在硬件上实现这些处理内容的至少一部分。

Claims (24)

1.一种学习效果推定装置，包括：
模型存储部，存储模型，所述模型将被分配按学习目的种类的用户的学习结果的数据即学习数据作为输入，基于所述学习数据来生成所述用户的每个所述种类的正解概率；
正解概率生成部，向所述模型输入所述学习数据，以生成每个所述种类的所述正解概率；
正解概率数据库，按照每个所述用户积蓄所述正解概率的时间序列数据；以及
理解度置信度生成部，获取指定用于推定规定的所述用户的学习效果的所述种类的范围的数据即范围数据，生成基于规定的所述用户的所述范围数据内的所述正解概率的理解度、以及所述理解度的时间序列数据的变动越大则成为越小的值的置信度，并与所述种类建立对应地进行输出。
2.根据权利要求1所述的学习效果推定装置，其中，
包括推荐生成部，该推荐生成部生成将属于与所述理解度和规定的第一阈值的大小关系以及所述置信度和规定的第二阈值的大小关系相应的情况划分中的至少任意一个情况划分的种类，作为规定的所述用户的下次学习的推荐目标的信息即推荐并进行输出。
3.根据权利要求1所述的学习效果推定装置，其中，
包括推荐生成部，该推荐生成部生成进展度并输出。
4.根据权利要求1所述的学习效果推定装置，其中，
所述种类属于至少一个任意的种类集合，在所述种类集合的每个种类集合中存在一个或者多个目标种类，
所述理解度置信度生成部生成所述范围数据内所包含的所述目标种类的所述正解概率作为对应的所述种类集合整体的理解度，并基于所述种类集合整体的理解度来生成所述种类集合整体的置信度。
5.根据权利要求1所述的学习效果推定装置，其中，
所述范围数据是基于所述用户输入的所述种类而获取、或者是将所述用户输入的数据转换为所述种类基于转换后的所述种类而获取。
6.根据权利要求2所述的学习效果推定装置，其中，
所述推荐生成部基于先行后续关系来生成所述推荐，所述先行后续关系是定义预先决定的种类的推荐学习顺序的参数。
7.根据权利要求3所述的学习效果推定装置，其中，
包括推荐生成部，该推荐生成部在所述范围数据内包含多个所述种类集合的情况下，按规定的概率指定多个所述种类集合中的未学习的所述种类集合，生成将所指定的所述种类集合内的任意的种类作为规定的所述用户的下次学习的推荐目标的信息即推荐，并进行输出。
8.一种学习效果推定装置，包括：
模型存储部，存储模型，所述模型将被分配按学习目的种类的用户的学习结果的数据即学习数据作为输入，基于所述学习数据来生成所述用户的每个所述种类的正解概率；
正解概率生成部，向所述模型输入所述学习数据，以生成每个所述种类的所述正解概率，并输出在所生成的所述正解概率加上规定的值得到的修正正解概率；
正解概率数据库，按照每个所述用户积蓄所述修正正解概率的时间序列数据；以及
理解度置信度生成部，获取指定用于推定规定的所述用户的学习效果的所述种类的范围的数据即范围数据，生成基于规定的所述用户的所述范围数据内的所述修正正解概率的理解度、以及所述理解度的时间序列数据的变动越大则成为越小的值的置信度，并与所述种类建立对应地进行输出。
9.一种学习效果推定装置，包括：
模型存储部，存储模型，所述模型将被分配按学习目的种类的用户的学习结果的数据即学习数据作为输入，基于所述学习数据来生成所述用户的每个所述种类的正解概率；
正解概率生成部，向所述模型输入所述学习数据，以生成每个所述种类的所述正解概率；
正解概率数据库，按照每个所述用户积蓄所述正解概率的时间序列数据；以及
理解度置信度生成部，获取指定用于推定规定的所述用户的学习效果的所述种类的范围的数据即范围数据，生成基于规定的所述用户的所述范围数据内的所述正解概率的理解度、以及所述理解度的时间序列数据的变动越大则成为越小的值的置信度，并将在所生成的所述理解度加上规定的值得到的修正理解度和所述置信度与所述种类建立对应地进行输出。
10.一种学习效果推定装置，包括：
模型存储部，存储模型，所述模型将被分配按学习目的种类的用户的学习结果的数据即学习数据作为输入，基于所述学习数据来生成所述用户的每个所述种类的正解概率；
正解概率生成部，向所述模型输入所述学习数据，以生成每个所述种类的所述正解概率；
正解概率数据库，按照每个所述用户积蓄所述正解概率的时间序列数据；以及
理解度置信度生成部，获取指定用于推定规定的所述用户的学习效果的所述种类的范围的数据即范围数据，生成基于规定的所述用户的所述范围数据内的所述正解概率的值属于的范围所生成的标签即理解度、以及所述理解度的时间序列数据的变动越大则成为越小的值的置信度，并与所述种类建立对应地进行输出。
11.一种学习效果推定装置，包括：
模型存储部，存储模型，所述模型将被分配按学习目的种类的用户的学习结果的数据即学习数据作为输入，基于所述学习数据来生成所述用户的每个所述种类的正解概率，并且通过将模拟用户对该种类充分理解的状态的虚拟数据插入该种类的训练数据进行修正后的修正训练数据进行学习；
正解概率生成部，向所述模型输入所述学习数据，以生成每个所述种类的所述正解概率；
正解概率数据库，按照每个所述用户积蓄所述正解概率的时间序列数据；以及
理解度置信度生成部，获取指定用于推定规定的所述用户的学习效果的所述种类的范围的数据即范围数据，生成基于规定的所述用户的所述范围数据内的所述正解概率的理解度、以及所述理解度的时间序列数据的变动越大则成为越小的值的置信度，并与所述种类建立对应地进行输出。
12.一种学习效果推定装置，包括：
模型存储部，模型存储部，存储模型，所述模型将被分配按学习目的种类的用户的学习结果的数据即学习数据作为输入，基于所述学习数据来生成所述用户的每个所述种类的正解概率，并且在该模型的损失函数中加入参数与该模型生成的正解概率的积乘以－1得到的修正项而被学习，其中，若最近的问题连续正确回答规定量，则所述参数成为值1，而在除此以外的情况下所述参数成为值0；
正解概率生成部，向所述模型输入所述学习数据，以生成每个所述种类的所述正解概率；
正解概率数据库，按照每个所述用户积蓄所述正解概率的时间序列数据；以及
理解度置信度生成部，获取指定用于推定规定的所述用户的学习效果的所述种类的范围的数据即范围数据，生成基于规定的所述用户的所述范围数据内的所述正解概率的理解度、以及所述理解度的时间序列数据的变动越大则成为越小的值的置信度，并与所述种类建立对应地进行输出。
13.一种学习效果推定装置，包括：
模型存储部，存储模型，所述模型将被分配按学习目的种类的用户的学习结果的数据即学习数据作为输入，基于所述学习数据来生成所述用户的每个所述种类的正解概率，所述模型除了正确和错误信息之外，还基于具有表示从解之前的问题到解该问题为止的时间间隔的时间段信息作为参数的训练数据而被学习；
正解概率生成部，向所述模型输入所述学习数据，以生成每个所述种类的所述正解概率；
正解概率数据库，按照每个所述用户积蓄所述正解概率的时间序列数据；以及
理解度置信度生成部，获取指定用于推定规定的所述用户的学习效果的所述种类的范围的数据即范围数据，生成基于规定的所述用户的所述范围数据内的所述正解概率的理解度、以及所述理解度的时间序列数据的变动越大则成为越小的值的置信度，并与所述种类建立对应地进行输出。
14.一种学习效果推定方法，包括：
存储模型，所述模型将被分配按学习目的种类的用户的学习结果的数据即学习数据作为输入，基于所述学习数据来生成所述用户的每个所述种类的正解概率的步骤；
向所述模型输入所述学习数据，以生成每个所述种类的所述正解概率的步骤；
按照每个所述用户积蓄所述正解概率的时间序列数据的步骤；以及
获取指定用于推定规定的所述用户的学习效果的所述种类的范围的数据即范围数据，生成基于规定的所述用户的所述范围数据内的所述正解概率的理解度、以及所述理解度的时间序列数据的变动越大则成为越小的值的置信度，并与所述种类建立对应地进行输出的步骤。
15.根据权利要求14所述的学习效果推定方法，其中，
包括：生成将属于与所述理解度和规定的第一阈值的大小关系以及所述置信度和规定的第二阈值的大小关系相应的情况划分中的至少任意一个情况划分的种类，作为规定的所述用户的下次学习的推荐目标的信息即推荐并进行输出的步骤。
16.根据权利要求14所述的学习效果推定方法，其中，
所述种类属于至少一个任意的种类集合，在所述种类集合的每个种类集合中存在一个或者多个目标种类，
生成所述范围数据内所包含的所述目标种类的所述正解概率作为对应的所述种类集合整体的理解度，并基于所述种类集合整体的理解度来生成所述种类集合整体的置信度。
17.根据权利要求16所述的学习效果推定方法，其中，
包括：在所述范围数据内包含多个所述种类集合的情况下，按规定的概率指定多个所述种类集合中的未学习的所述种类集合，生成将所指定的所述种类集合内的任意的种类作为规定的所述用户的下次学习的推荐目标的信息即推荐，并进行输出的步骤。
18.一种学习效果推定方法，包括：
存储模型，所述模型将被分配按学习目的种类的用户的学习结果的数据即学习数据作为输入，基于所述学习数据来生成所述用户的每个所述种类的正解概率的步骤；
向所述模型输入所述学习数据，以生成每个所述种类的所述正解概率，并输出在所生成的所述正解概率加上规定的值得到的修正正解概率的步骤；
按照每个所述用户积蓄所述修正正解概率的时间序列数据的步骤；以及
获取指定用于推定规定的所述用户的学习效果的所述种类的范围的数据即范围数据，生成基于规定的所述用户的所述范围数据内的所述修正正解概率的理解度、以及所述理解度的时间序列数据的变动越大则成为越小的值的置信度，并与所述种类建立对应地进行输出的步骤。
19.一种学习效果推定方法，包括：
存储模型，所述模型将被分配按学习目的种类的用户的学习结果的数据即学习数据作为输入，基于所述学习数据来生成所述用户的每个所述种类的正解概率的步骤；
向所述模型输入所述学习数据，以生成每个所述种类的所述正解概率的步骤；
按照每个所述用户积蓄所述正解概率的时间序列数据的步骤；以及
获取指定用于推定规定的所述用户的学习效果的所述种类的范围的数据即范围数据，生成基于规定的所述用户的所述范围数据内的所述正解概率的理解度、以及所述理解度的时间序列数据的变动越大则成为越小的值的置信度，并将在所生成的所述理解度加上规定的值得到的修正理解度和所述置信度与所述种类建立对应地进行输出的步骤。
20.一种学习效果推定方法，包括：
存储模型，所述模型将被分配按学习目的种类的用户的学习结果的数据即学习数据作为输入，基于所述学习数据来生成所述用户的每个所述种类的正解概率的步骤；
向所述模型输入所述学习数据，以生成每个所述种类的所述正解概率的步骤；
按照每个所述用户积蓄所述正解概率的时间序列数据的步骤；以及
获取指定用于推定规定的所述用户的学习效果的所述种类的范围的数据即范围数据，生成基于规定的所述用户的所述范围数据内的所述正解概率的值属于的范围所生成的标签即理解度、以及所述理解度的时间序列数据的变动越大则成为越小的值的置信度，并与所述种类建立对应地进行输出的步骤。
21.一种学习效果推定方法，包括：
存储模型，所述模型将被分配按学习目的种类的用户的学习结果的数据即学习数据作为输入，基于所述学习数据来生成所述用户的每个所述种类的正解概率，并且通过将模拟用户对该种类充分理解的状态的虚拟数据插入该种类的训练数据进行修正后的修正训练数据进行学习的步骤；
向所述模型输入所述学习数据，以生成每个所述种类的所述正解概率的步骤；
按照每个所述用户积蓄所述正解概率的时间序列数据的步骤；以及
获取指定用于推定规定的所述用户的学习效果的所述种类的范围的数据即范围数据，生成基于规定的所述用户的所述范围数据内的所述正解概率的理解度、以及所述理解度的时间序列数据的变动越大则成为越小的值的置信度，并与所述种类建立对应地进行输出的步骤。
22.一种学习效果推定方法，包括：
模型存储部，存储模型，所述模型将被分配按学习目的种类的用户的学习结果的数据即学习数据作为输入，基于所述学习数据来生成所述用户的每个所述种类的正解概率，并且在该模型的损失函数中加入参数与该模型生成的正解概率的积乘以－1得到的修正项而被学习，其中，若最近的问题连续正确回答规定量，则所述参数成为值1，而在除此以外的情况下所述参数成为值0的步骤；
向所述模型输入所述学习数据，以生成每个所述种类的所述正解概率的步骤；
按照每个所述用户积蓄所述正解概率的时间序列数据的步骤；以及
获取指定用于推定规定的所述用户的学习效果的所述种类的范围的数据即范围数据，生成基于规定的所述用户的所述范围数据内的所述正解概率的理解度、以及所述理解度的时间序列数据的变动越大则成为越小的值的置信度，并与所述种类建立对应地进行输出的步骤。
23.一种学习效果推定方法，包括：
存储模型，所述模型将被分配按学习目的种类的用户的学习结果的数据即学习数据作为输入，基于所述学习数据来生成所述用户的每个所述种类的正解概率，所述模型除了正确和错误信息之外，还基于具有表示从解之前的问题到解该问题为止的时间间隔的时间段信息作为参数的训练数据而被学习的步骤；
向所述模型输入所述学习数据，以生成每个所述种类的所述正解概率的步骤；
按照每个所述用户积蓄所述正解概率的时间序列数据的步骤；以及
获取指定用于推定规定的所述用户的学习效果的所述种类的范围的数据即范围数据，生成基于规定的所述用户的所述范围数据内的所述正解概率的理解度、以及所述理解度的时间序列数据的变动越大则成为越小的值的置信度，并与所述种类建立对应地进行输出的步骤。
24.一种程序，使计算机作为权利要求1～13中任一项所述的学习效果推定装置发挥功能。
CN202080077903.3A 2019-11-11 2020-10-30 学习效果推定装置、学习效果推定方法以及程序 Pending CN114730529A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
JP2019203782A JP6832410B1 (ja) 2019-11-11 2019-11-11 学習効果推定装置、学習効果推定方法、プログラム
JP2019-203782 2019-11-11
JP2020006241A JP6903177B1 (ja) 2020-01-17 2020-01-17 学習効果推定装置、学習効果推定方法、プログラム
JP2020-006241 2020-01-17
PCT/JP2020/040868 WO2021095571A1 (ja) 2019-11-11 2020-10-30 学習効果推定装置、学習効果推定方法、プログラム

Publications (1)

Publication Number Publication Date
CN114730529A true CN114730529A (zh) 2022-07-08

Family

ID=75912320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080077903.3A Pending CN114730529A (zh) 2019-11-11 2020-10-30 学习效果推定装置、学习效果推定方法以及程序

Country Status (5)

Country Link
US (1) US20220398496A1 (zh)
EP (1) EP4060645A4 (zh)
KR (1) KR102635769B1 (zh)
CN (1) CN114730529A (zh)
WO (1) WO2021095571A1 (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005215023A (ja) * 2004-01-27 2005-08-11 Recruit Management Solutions Co Ltd テスト実施システムおよびテスト実施方法
JP2005352877A (ja) * 2004-06-11 2005-12-22 Mitsubishi Electric Corp ナビゲーションシステムおよびその操作方法理解支援方法
JP2012093599A (ja) * 2010-10-28 2012-05-17 Planexus Co Ltd 学習支援装置、システム、方法、およびプログラム
CN102956126A (zh) * 2011-08-22 2013-03-06 日立民用电子株式会社 学习支持系统以及学习支持方法
US20130124550A1 (en) * 2010-05-04 2013-05-16 Volkswagen Ag Method and apparatus for operating a user interface
CN106960245A (zh) * 2017-02-24 2017-07-18 中国科学院计算技术研究所 一种基于认知过程链的个体知识评价方法及系统
CN107122452A (zh) * 2017-04-26 2017-09-01 中国科学技术大学 时序化的学生认知诊断方法
CN107977708A (zh) * 2017-11-24 2018-05-01 重庆科技学院 面向个性化学习方案推荐的学生dna身份信息定义方法
US20180151084A1 (en) * 2016-11-30 2018-05-31 Electronics And Telecommunications Research Institute Apparatus and method for providing personalized adaptive e-learning
US20180350257A1 (en) * 2017-05-31 2018-12-06 Fujitsu Limited Information processing apparatus, method and non-transitory computer-readable storage medium
US20190088154A1 (en) * 2016-05-16 2019-03-21 Z-Kai Inc. Learning assistance system, learning assistance method, and learner terminal
CN109978739A (zh) * 2019-03-22 2019-07-05 上海乂学教育科技有限公司 基于知识点掌握程度的自适应学习方法及计算机系统
CN110110899A (zh) * 2019-04-11 2019-08-09 北京作业盒子科技有限公司 知识掌握度的预测方法、自适应学习方法及电子设备
JP2019144504A (ja) * 2018-02-23 2019-08-29 日本電信電話株式会社 学習スケジュール生成装置、方法およびプログラム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03125179A (ja) * 1989-10-09 1991-05-28 Fujitsu Ltd 学習者理解度診断処理方式
JP2012208143A (ja) 2011-03-29 2012-10-25 Hideki Aikawa オンライン学習システム
KR101333129B1 (ko) * 2013-03-08 2013-11-26 충남대학교산학협력단 기초학력 향상도 평가 시스템
KR101745874B1 (ko) * 2016-02-29 2017-06-12 고려대학교 산학협력단 학습코스 자동 생성 방법 및 시스템
KR102371927B1 (ko) * 2019-10-17 2022-03-11 (주)유밥 학습 콘텐츠 추천 방법 및 장치

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005215023A (ja) * 2004-01-27 2005-08-11 Recruit Management Solutions Co Ltd テスト実施システムおよびテスト実施方法
JP2005352877A (ja) * 2004-06-11 2005-12-22 Mitsubishi Electric Corp ナビゲーションシステムおよびその操作方法理解支援方法
US20130124550A1 (en) * 2010-05-04 2013-05-16 Volkswagen Ag Method and apparatus for operating a user interface
JP2012093599A (ja) * 2010-10-28 2012-05-17 Planexus Co Ltd 学習支援装置、システム、方法、およびプログラム
CN102956126A (zh) * 2011-08-22 2013-03-06 日立民用电子株式会社 学习支持系统以及学习支持方法
US20190088154A1 (en) * 2016-05-16 2019-03-21 Z-Kai Inc. Learning assistance system, learning assistance method, and learner terminal
US20180151084A1 (en) * 2016-11-30 2018-05-31 Electronics And Telecommunications Research Institute Apparatus and method for providing personalized adaptive e-learning
CN106960245A (zh) * 2017-02-24 2017-07-18 中国科学院计算技术研究所 一种基于认知过程链的个体知识评价方法及系统
CN107122452A (zh) * 2017-04-26 2017-09-01 中国科学技术大学 时序化的学生认知诊断方法
US20180350257A1 (en) * 2017-05-31 2018-12-06 Fujitsu Limited Information processing apparatus, method and non-transitory computer-readable storage medium
CN107977708A (zh) * 2017-11-24 2018-05-01 重庆科技学院 面向个性化学习方案推荐的学生dna身份信息定义方法
JP2019144504A (ja) * 2018-02-23 2019-08-29 日本電信電話株式会社 学習スケジュール生成装置、方法およびプログラム
CN109978739A (zh) * 2019-03-22 2019-07-05 上海乂学教育科技有限公司 基于知识点掌握程度的自适应学习方法及计算机系统
CN110110899A (zh) * 2019-04-11 2019-08-09 北京作业盒子科技有限公司 知识掌握度的预测方法、自适应学习方法及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DONG, Y: ""The Evidence of Different Learning Environment Learning Effects on Vocabulary Size and Reading Comprehension"", 《FRONTIERS IN PSYCHOLOGY》, 31 December 2018 (2018-12-31), pages 1 - 11 *
李程跃: ""上海市某高校卫生管理专业研究生新生培训制度效果评价"", 《医学与社会》, vol. 03, no. 31, 31 December 2018 (2018-12-31), pages 80 - 83 *

Also Published As

Publication number Publication date
EP4060645A4 (en) 2023-11-29
EP4060645A1 (en) 2022-09-21
US20220398496A1 (en) 2022-12-15
KR102635769B1 (ko) 2024-02-13
WO2021095571A1 (ja) 2021-05-20
KR20220070321A (ko) 2022-05-30

Similar Documents

Publication Publication Date Title
CN110941723A (zh) 一种知识图谱的构建方法、系统及存储介质
CN110389969A (zh) 提供定制的学习内容的系统和方法
CN110991195B (zh) 机器翻译模型训练方法、装置及存储介质
CN111179675A (zh) 个性化练习题推荐方法、系统、计算机设备以及存储介质
CN111680216B (zh) 一种试题推荐方法、系统、介质及设备
Benedetto et al. On the application of transformers for estimating the difficulty of multiple-choice questions from text
CN116383481B (zh) 一种基于学生画像的个性化试题推荐方法及系统
JP6832410B1 (ja) 学習効果推定装置、学習効果推定方法、プログラム
CN116340624A (zh) 自适应学习信息推荐方法、装置、设备及存储介质
CN114254122A (zh) 测试题的生成方法、装置、电子设备和可读存储介质
Kuk et al. The design of the personal enemy-MIMLebot as an intelligent agent in a game-based learning environment
CN114730529A (zh) 学习效果推定装置、学习效果推定方法以及程序
JP6903177B1 (ja) 学習効果推定装置、学習効果推定方法、プログラム
JP7090188B2 (ja) 学習効果推定装置、学習効果推定方法、プログラム
Leitão et al. New metrics for learning evaluation in digital education platforms
Leonov et al. Neural Networks for a Priori Estimates of the Student's Outcomes in Mirera
Rushkin et al. Modelling and using response times in online courses
KR20210105272A (ko) 교육적 요소를 예측하는 사전학습 모델링 시스템 및 방법
Friend et al. A Framework for Revision of MOOC Formative Assessments
JP2018163181A (ja) 教材提案装置、教材提案方法、およびプログラム
CN112256743B (zh) 一种自适应出题方法、设备及存储介质
KR102590244B1 (ko) 교육적 요소를 예측하는 사전학습 모델링 시스템 및 방법
Sadler et al. Item Response Theory and Fisher Information for Small Tests
Park Using Multiple Regression to Ascertain Group Differences in the Relationship of Predictors to a Criterion: Ethnic Group Differences in the Relationship between Course-Taking and Achievement in Mathematics
CN115936059A (zh) 计算机自适应测验方法、系统、电子设备及存储介质

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