CN114998071A - 一种航空管制模拟训练智能教学方法和系统 - Google Patents

一种航空管制模拟训练智能教学方法和系统 Download PDF

Info

Publication number
CN114998071A
CN114998071A CN202210929822.2A CN202210929822A CN114998071A CN 114998071 A CN114998071 A CN 114998071A CN 202210929822 A CN202210929822 A CN 202210929822A CN 114998071 A CN114998071 A CN 114998071A
Authority
CN
China
Prior art keywords
matrix
student
training
knowledge points
students
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.)
Granted
Application number
CN202210929822.2A
Other languages
English (en)
Other versions
CN114998071B (zh
Inventor
王家隆
周漩
王玉柱
卢爽
张竹君
李成功
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.)
CETC 15 Research Institute
Original Assignee
CETC 15 Research Institute
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
Application filed by CETC 15 Research Institute filed Critical CETC 15 Research Institute
Priority to CN202210929822.2A priority Critical patent/CN114998071B/zh
Publication of CN114998071A publication Critical patent/CN114998071A/zh
Application granted granted Critical
Publication of CN114998071B publication Critical patent/CN114998071B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G09B9/00—Simulators for teaching or training purposes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Strategic Management (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种航空管制模拟训练智能教学方法和系统。其中，方法包括：根据教学需求提炼出重要的管制考核知识点，并将训练想定进行知识点关联标记，建立基础的管制知识图谱，即Q矩阵，从而实现主观评估方法的数字化和量化，为评估提供更加有力的客观依据。为实现1对1的个性化教学以及智试题推荐，本发明参考了人工智能在教育领域的研究成果，采用认知诊断方法对学员进行认知诊断分析，建立学员的认知模型。最后，本发明提出了一种试题推荐方法，其将结合学员的认知模型以及数据库中的知识图谱，预测学员的得分情况，并基于得分预测进行合理的试题推荐。

Description

一种航空管制模拟训练智能教学方法和系统
技术领域
本发明属于航空管制模拟训练教学领域，尤其涉及一种航空管制模拟训练智能教学方法和系统。
背景技术
目前，国内高校使用航空管制模拟训练系统对学员进行管制技能方面的上机教学培训。教学系统一般会根据学员在上机过程中的实施指挥情况，自动采集训练过程数据，并根据内置的评估指标及评判规则对学员进行业务技能和知识掌握情况的考核分析，最终单向输出评估结果。
教学系统现存以下问题：1、目前，管制人员的培训考核机制缺乏一定的客观性，其仍采用教员主观打分方式。而且，最终的得分无法直观展示出培训人员对于管制技能的掌握情况；2、现有教学系统不具备智能教学特征。一方面是指，训练想定仍采用人工编辑方式，且想定编辑过程较为繁琐，这样使得教员的工作量没有被减少反而增加。另一方面则是指，教学内容呈现出僵硬化，系统不能根据培训人员的实际掌握情况而自动生成具有针对性的训练想定。
发明内容
为解决上述技术问题，本发明提出一种航空管制模拟训练智能教学方法和系统的技术方案，以解决上述技术问题。
本发明第一方面公开了一种航空管制模拟训练智能教学方法，所述方法包括：
步骤S1、建立试题库和知识点的关联矩阵：根据训练想定和知识点的匹配情况，得到知识点为矩阵的列，训练想定为矩阵的行的关联矩阵，即试题库Q矩阵；所述关联矩阵的元素表示训练想定包含知识点的比重；
步骤S2、建立学员认知诊断模型：利用所述关联矩阵和学员的得分矩阵，得到学员预估成绩与真实成绩的平均误差代价函数，求解所述平均误差代价函数，得到学员对知识点的学习权重矩阵，即认知诊断模型矩阵；
步骤S3、根据学员个性学习状态和学员之间的共性学习状态预测学员的作答情况；
步骤S4、根据学员潜在作答情况，向不同的学员推荐个性化试题。
根据本发明第一方面的方法，在所述步骤S1中，所述知识点包括：各机型开车时间、各机型暖机时间、滑行间隔标准、跑道间隔标准、飞行水平/垂直安全间隔标准、标准飞行指挥用语、转场飞行规则、进出空域规则、降落方法、出航方法和调配方法；
所述试题库Q矩阵是一种元素取0~1的分数向量矩阵，所述试题库Q矩阵的元素取值越大说明训练想定包含知识点的比重高。
根据本发明第一方面的方法，在所述步骤S2中，所述利用所述关联矩阵和学员的得分矩阵，得到学员预估成绩与真实成绩的平均误差代价函数的方法包括：
Figure 532859DEST_PATH_IMAGE001
其中，
Figure 723669DEST_PATH_IMAGE002
表示第χ个学员
Figure 790720DEST_PATH_IMAGE003
；
Figure 321058DEST_PATH_IMAGE004
表示第χ个学员
Figure 870988DEST_PATH_IMAGE003
预估成绩与真实成绩的平均误差代价函数；
m为训练想定个数；
n为知识点个数；
Figure 876991DEST_PATH_IMAGE005
为超参数；
Figure 373831DEST_PATH_IMAGE006
表示第χ个学员
Figure 820993DEST_PATH_IMAGE002
对第j个知识点的学习权重值；
T表示转置；
Figure 745087DEST_PATH_IMAGE007
表示训练想定包含第j个知识点的比重，即关联矩阵中的元素；
Figure 769543DEST_PATH_IMAGE008
表示第χ个学员
Figure 788184DEST_PATH_IMAGE003
对第l种训练想定中获得的分数。
根据本发明第一方面的方法，在所述步骤S2中，所述求解所述平均误差代价函数的方法包括：
根据所述平均误差代价函数符合凸函数特点，利用梯度下降算法求解所述平均误差代价函数，得到学员对每个知识点的学习权重。
根据本发明第一方面的方法，在所述步骤S3中，所述根据学员个性学习状态和学员之间的共性学习状态预测学员的作答情况的方法包括：
Figure 89852DEST_PATH_IMAGE009
其中，
Figure 184847DEST_PATH_IMAGE010
表示学员的作答情况；
Figure 509649DEST_PATH_IMAGE011
表示总体平均得分；
Figure 145030DEST_PATH_IMAGE012
表示学员个性学习状态；
Figure 894680DEST_PATH_IMAGE013
表示特定学员𝑆𝑢的潜在特征向量；
Figure 144265DEST_PATH_IMAGE014
表示特定训练想定练习v的潜在特征向量；
Figure 612155DEST_PATH_IMAGE015
表示学员的个性学习状态和学员之间共性的学习状态的比例参数，超参数。
根据本发明第一方面的方法，在所述步骤S3中，所述学员个性学习状态
Figure 192172DEST_PATH_IMAGE012
的求取方法包括：从学员认知诊断模型矩阵θ中提取的特征向量，将作为概率矩阵分解的先验信息：
Figure 858646DEST_PATH_IMAGE016
其中，
Figure 295443DEST_PATH_IMAGE017
表示学员𝑆𝑢的学习得分先验程度，认知诊断模型矩阵θ第u行的平均值；
Figure 375264DEST_PATH_IMAGE018
表示训练想定练习v的先验得分程度，认知诊断模型矩阵θ第v列的平均值；
Figure 290130DEST_PATH_IMAGE019
表示诊断模型矩阵θ的第u行的第i个元素；
V为第u行元素的总数；
Figure 624159DEST_PATH_IMAGE020
表示诊断模型矩阵θ的第v列的第i个元素；
U为第v列元素的总数。
根据本发明第一方面的方法，在所述步骤S3中，所述特定学员𝑆𝑢的潜在特征向量
Figure 481126DEST_PATH_IMAGE021
和特定训练想定练习v的潜在特征向量
Figure 2237DEST_PATH_IMAGE022
的求取方法包括：
利用概率矩阵分解法将学员的得分矩阵分解成学员的特征矩阵M和训练想定练习的特征矩阵N，从而得到所述特定学员𝑆𝑢的潜在特征向量
Figure 986373DEST_PATH_IMAGE021
和特定训练想定练习v的潜在特征向量
Figure 893018DEST_PATH_IMAGE014
。
本发明第二方面公开了一种航空管制模拟训练智能教学系统，所述系统包括：
第一处理模块，被配置为，建立试题库和知识点的关联矩阵：根据训练想定和知识点的匹配情况，得到知识点为矩阵的列，训练想定为矩阵的行的关联矩阵，即试题库Q矩阵；所述关联矩阵的元素表示训练想定包含知识点的比重；
第二处理模块，被配置为，建立学员认知诊断模型：利用所述关联矩阵和学员的得分矩阵，得到学员预估成绩与真实成绩的平均误差代价函数，求解所述平均误差代价函数，得到学员对知识点的学习权重矩阵，即认知诊断模型矩阵；
第三处理模块，被配置为，根据学员个性学习状态和学员之间的共性学习状态预测学员的作答情况；
第四处理模块，被配置为，根据学员潜在作答情况，向不同的学员推荐个性化试题。
根据本发明第二方面的系统，第一处理模块，被配置为，所述知识点包括：各机型开车时间、各机型暖机时间、滑行间隔标准、跑道间隔标准、飞行水平/垂直安全间隔标准、标准飞行指挥用语、转场飞行规则、进出空域规则、降落方法、出航方法和调配方法；
所述试题库Q矩阵是一种元素取0~1的分数向量矩阵，所述试题库Q矩阵的元素取值越大说明训练想定包含知识点的比重高。
根据本发明第二方面的系统，第二处理模块，被配置为，所述利用所述关联矩阵和学员的得分矩阵，得到学员预估成绩与真实成绩的平均误差代价函数包括：
Figure 406039DEST_PATH_IMAGE001
其中，
Figure 945605DEST_PATH_IMAGE002
表示第χ个学员
Figure 123646DEST_PATH_IMAGE002
；
Figure 908235DEST_PATH_IMAGE004
表示第χ个学员
Figure 654474DEST_PATH_IMAGE002
预估成绩与真实成绩的平均误差代价函数；
m为训练想定个数；
n为知识点个数；
Figure 602707DEST_PATH_IMAGE005
为超参数；
Figure 663067DEST_PATH_IMAGE006
表示第χ个学员
Figure 91774DEST_PATH_IMAGE002
对第j个知识点的学习权重值；
T表示转置；
Figure 8915DEST_PATH_IMAGE007
表示训练想定包含第j个知识点的比重，即关联矩阵中的元素；
Figure 991914DEST_PATH_IMAGE023
表示第χ个学员
Figure 652703DEST_PATH_IMAGE002
对第l种训练想定中获得的分数。
根据本发明第二方面的系统，第二处理模块，被配置为，所述求解所述平均误差代价函数包括：
根据所述平均误差代价函数符合凸函数特点，利用梯度下降算法求解所述平均误差代价函数，得到学员对每个知识点的学习权重。
根据本发明第二方面的系统，第三处理模块，被配置为，所述根据学员个性学习状态和学员之间的共性学习状态预测学员的作答情况包括：
Figure 44239DEST_PATH_IMAGE009
其中，
Figure 335543DEST_PATH_IMAGE010
表示学员的作答情况；
Figure 868155DEST_PATH_IMAGE011
表示总体平均得分；
Figure 926110DEST_PATH_IMAGE012
表示学员个性学习状态；
Figure 860568DEST_PATH_IMAGE013
表示特定学员𝑆𝑢的潜在特征向量；
Figure 57194DEST_PATH_IMAGE014
表示特定训练想定练习v的潜在特征向量；
Figure 280365DEST_PATH_IMAGE015
表示学员的个性学习状态和学员之间共性的学习状态的比例参数，超参数。
根据本发明第二方面的系统，第三理模块，被配置为，所述学员个性学习状态
Figure 548535DEST_PATH_IMAGE012
的求取包括：从学员认知诊断模型矩阵θ中提取的特征向量，将作为概率矩阵分解的先验信息：
Figure 524450DEST_PATH_IMAGE016
其中，
Figure 360819DEST_PATH_IMAGE017
表示学员𝑆𝑢的学习得分先验程度，认知诊断模型矩阵θ第u行的平均值；
Figure 54975DEST_PATH_IMAGE018
表示训练想定练习v的先验得分程度，认知诊断模型矩阵θ第v列的平均值；
Figure 64519DEST_PATH_IMAGE019
表示诊断模型矩阵θ的第u行的第i个元素；
V为第u行元素的总数；
Figure 707990DEST_PATH_IMAGE020
表示诊断模型矩阵θ的第v列的第i个元素；
U为第v列元素的总数。
根据本发明第二方面的系统，第三处理模块，被配置为，所述特定学员𝑆𝑢的潜在特征向量
Figure 964528DEST_PATH_IMAGE021
和特定训练想定练习v的潜在特征向量
Figure 896712DEST_PATH_IMAGE022
的求取包括：
利用概率矩阵分解法将学员的得分矩阵分解成学员的特征矩阵M和训练想定练习的特征矩阵N，从而得到所述特定学员𝑆𝑢的潜在特征向量
Figure 444368DEST_PATH_IMAGE021
和特定训练想定练习v的潜在特征向量
Figure 145607DEST_PATH_IMAGE014
。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本申请第一方面中任一项的一种航空管制模拟训练智能教学方法中的步骤。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本申请第一方面中任一项的一种航空管制模拟训练智能教学方法中的步骤。
本发明提出的方案，为航空管制的教学内容建立系统性的知识图谱。同时，在培训过程中，能够通过学员认知诊断模型更加准确地获取学员对知识点的掌握程度，并且系统能够智能结合学员自身学习情况的个性以及学员之间学习情况的学习状态，为学员推荐合适难度的个性化训练想定练习，帮助其弥补薄弱的知识点。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的一种航空管制模拟训练智能教学方法的流程图；
图2为根据本发明实施例的航空管制模拟训练智能教学方法的具体流程图；
图3为根据本发明实施例的学员认知诊断流程图；
图4为根据本发明实施例的学员成绩概率矩阵分解的流程图；
图5为根据本发明实施例的学员认知概率矩阵分解的流程图；
图6为根据本发明实施例的得分预测的流程图；
图7为根据本发明实施例的一种航空管制模拟训练智能教学系统的结构图；
图8为根据本发明实施例的一种电子设备的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明第一方面公开了一种航空管制模拟训练智能教学方法。图1为根据本发明实施例的一种航空管制模拟训练智能教学方法的流程图，如图1和图2所示，所述方法包括：
步骤S1、建立试题库和知识点的关联矩阵：根据训练想定和知识点的匹配情况，得到知识点为矩阵的列，训练想定为矩阵的行的关联矩阵，即试题库Q矩阵；所述关联矩阵的元素表示训练想定包含知识点的比重；
步骤S2、建立学员认知诊断模型：利用所述关联矩阵和学员的得分矩阵，得到学员预估成绩与真实成绩的平均误差代价函数，求解所述平均误差代价函数，得到学员对知识点的学习权重矩阵，即认知诊断模型矩阵；
步骤S3、根据学员个性学习状态和学员之间的共性学习状态预测学员的作答情况；
步骤S4、根据学员潜在作答情况，向不同的学员推荐个性化试题。
在步骤S1，建立试题库和知识点的关联矩阵：根据训练想定和知识点的匹配情况，得到知识点为矩阵的列，训练想定为矩阵的行的关联矩阵，即试题库Q矩阵；所述关联矩阵的元素表示训练想定包含知识点的比重。
在一些实施例中，在所述步骤S1中，所述知识点包括：各机型开车时间、各机型暖机时间、滑行间隔标准、跑道间隔标准、飞行水平/垂直安全间隔标准、标准飞行指挥用语、转场飞行规则、进出空域规则、降落方法、出航方法和调配方法；
所述试题库Q矩阵是一种元素取0~1的分数向量矩阵，所述试题库Q矩阵的元素取值越大说明训练想定包含知识点的比重高。
具体地，基于管制业务特点以及教学任务需求，按照起飞阶段、训练阶段和着陆阶段对知识点进行归纳分类，知识点包括：各机型开车时间、各机型暖机时间、滑行间隔标准、跑道间隔标准、飞行水平/垂直安全间隔标准、标准飞行指挥用语、转场飞行规则、进出空域规则、降落方法、出航方法、调配方法等。系统提供试题库，试题库由训练想定组成，每个训练想定包含多个飞行计划，一个训练想定可以包含多个知识点。系统根据训练想定和知识点的匹配情况，最终形成试题库与知识点的关联矩阵，其中知识点为矩阵的列，训练想定为矩阵的行，该矩阵称之为试题库Q矩阵。 Q矩阵是一种元素取0~1的分数向量矩阵。例如，若矩阵的第i行的第j列取值不为0，则说明第i个训练想定包含知识点j，且取值越大说明知识点比重高，否则该值为0。试题库Q矩阵是后续获取学员认知诊断模型的基础。
在步骤S2，建立学员认知诊断模型：利用所述关联矩阵和学员的得分矩阵，得到学员预估成绩与真实成绩的平均误差代价函数，求解所述平均误差代价函数，得到学员对知识点的学习权重矩阵，即认知诊断模型矩阵。
在一些实施例中，在所述步骤S2中，所述利用所述关联矩阵和学员的得分矩阵，得到学员预估成绩与真实成绩的平均误差代价函数的方法包括：
Figure 182834DEST_PATH_IMAGE001
其中，
Figure 992527DEST_PATH_IMAGE024
表示第χ个学员
Figure 140611DEST_PATH_IMAGE002
；
Figure 211204DEST_PATH_IMAGE004
表示第χ个学员
Figure 357015DEST_PATH_IMAGE002
预估成绩与真实成绩的平均误差代价函数；
m为训练想定个数；
n为知识点个数；
Figure 263791DEST_PATH_IMAGE005
为超参数；
Figure 136938DEST_PATH_IMAGE006
表示第χ个学员
Figure 812770DEST_PATH_IMAGE002
对第j个知识点的学习权重值；
T表示转置；
Figure 191799DEST_PATH_IMAGE007
表示训练想定包含第j个知识点的比重，即关联矩阵中的元素；
Figure 789133DEST_PATH_IMAGE023
表示第χ个学员
Figure 279020DEST_PATH_IMAGE002
对第l种训练想定中获得的分数。
所述求解所述平均误差代价函数的方法包括：
根据所述平均误差代价函数符合凸函数特点，利用梯度下降算法求解所述平均误差代价函数，得到学员对每个知识点的学习权重。
具体地，如图3所示，为获得学员对每个知识点的掌握情况，首先要获得学员在每次训练中的得分矩阵。然后，利用试题库Q矩阵和学员的得分矩阵，运用梯度下降算法求出学员与知识点的权重矩阵。如表1所示, 表格的左半部分是每个学员对应每种训练想定的得分矩阵，其中S n 表示第n个学员对象，k n 表示第n种训练想定，
Figure 606096DEST_PATH_IMAGE025
表示第n个学员在第n种训练想定中获得的分数。而表1右半部分是最终需要求解的结果，即每个学员对应不同知识点的学习权重，其中Z n 为第n个知识点。每种训练想定的总成绩是一样的，包含的每个知识点分数可能不同，权重的大小意味着学员对该知识点掌握程度的多少，权重越大说明学员对该知识点掌握的越好。
表1
Figure 483923DEST_PATH_IMAGE026
学员S n 对第Z n 个知识点的得分权重设为变量θ nn ，对所有知识点的得分权重向量设为θ nx ={θ n1 ，θ n2 ，θ n3 ，… ,θ nn }。设αnx={αn1，αn2，αn3，…，αnn}，αnx表示第kn类型训练想定的知识点的分数向量，即训练想定的特征向量。学员Sn对第kn种训练想定的预测得分为 (θ nx ) T ∙αnx。如下计算：
Figure 162029DEST_PATH_IMAGE027
将预测得分减去学员的实际得分
Figure 111399DEST_PATH_IMAGE025
，可得出一个线性回归误差代价方程式。
设学员S1在k1训练想定的误差代价函数为：
Figure 292982DEST_PATH_IMAGE028
同理，学员S1在k2训练想定的误差代价函数为：
Figure 13813DEST_PATH_IMAGE029
因此，第χ个学员
Figure 303849DEST_PATH_IMAGE002
预估成绩与真实成绩的平均误差代价函数为：
Figure 73222DEST_PATH_IMAGE030
其中，
Figure 843732DEST_PATH_IMAGE024
表示第χ个学员
Figure 735464DEST_PATH_IMAGE002
；
Figure 60266DEST_PATH_IMAGE004
表示第χ个学员
Figure 85860DEST_PATH_IMAGE002
预估成绩与真实成绩的平均误差代价函数；
m为训练想定个数；
n为知识点个数；
Figure 710876DEST_PATH_IMAGE005
为超参数；
Figure 773510DEST_PATH_IMAGE006
表示第χ个学员
Figure 834876DEST_PATH_IMAGE002
对第j个知识点的学习权重值；
T表示转置；
Figure 8368DEST_PATH_IMAGE007
表示训练想定包含第j个知识点的比重，即关联矩阵中的元素；
Figure 487891DEST_PATH_IMAGE031
表示第χ个学员
Figure 314902DEST_PATH_IMAGE002
对第l种训练想定中获得的分数。
根据所述平均误差代价函数符合凸函数特点，利用梯度下降算法求解所述平均误差代价函数，得到学员对每个知识点的学习权重。
在步骤S3，根据学员个性学习状态和学员之间的共性学习状态预测学员的作答情况。
在一些实施例中，在所述步骤S3中，所述根据学员个性学习状态和学员之间的共性学习状态预测学员的作答情况的方法包括：
Figure 676613DEST_PATH_IMAGE009
其中，
Figure 591480DEST_PATH_IMAGE010
表示学员的作答情况；
Figure 925509DEST_PATH_IMAGE032
表示总体平均得分；
Figure 329945DEST_PATH_IMAGE012
表示学员个性学习状态；
Figure 772428DEST_PATH_IMAGE021
表示特定学员𝑆𝑢的潜在特征向量；
Figure 5832DEST_PATH_IMAGE014
表示特定训练想定练习v的潜在特征向量；
Figure 991106DEST_PATH_IMAGE015
表示学员的个性学习状态和学员之间共性的学习状态的比例参数，超参数。
所述学员个性学习状态
Figure 769706DEST_PATH_IMAGE033
的求取方法包括：从学员认知诊断模型矩阵θ中提取的特征向量，将作为概率矩阵分解的先验信息：
Figure 230643DEST_PATH_IMAGE016
其中，
Figure 752891DEST_PATH_IMAGE017
表示学员𝑆𝑢的学习得分先验程度，认知诊断模型矩阵θ第u行的平均值；
Figure 858251DEST_PATH_IMAGE018
表示训练想定练习v的先验得分程度，认知诊断模型矩阵θ第v列的平均值；
Figure 807752DEST_PATH_IMAGE019
表示诊断模型矩阵θ的第u行的第i个元素；
V为第u行元素的总数；
Figure 569035DEST_PATH_IMAGE020
表示诊断模型矩阵θ的第v列的第i个元素；
U为第v列元素的总数。
所述特定学员𝑆𝑢的潜在特征向量
Figure 816345DEST_PATH_IMAGE021
和特定训练想定练习v的潜在特征向量
Figure 776211DEST_PATH_IMAGE022
的求取方法包括：
利用概率矩阵分解法将学员的得分矩阵分解成学员的特征矩阵M和训练想定练习的特征矩阵N，从而得到所述特定学员𝑆𝑢的潜在特征向量
Figure 162193DEST_PATH_IMAGE021
和特定训练想定练习v的潜在特征向量
Figure 394460DEST_PATH_IMAGE014
。
具体地，如图6所示，在预测学员的作答情况时，本方案提出的预测模型，不仅考虑了学员个性学习状态，还将学员之间的共性学习状态考虑其中。学员的作答情况为：
Figure 258511DEST_PATH_IMAGE009
其中，
Figure 541725DEST_PATH_IMAGE010
表示学员的作答情况；
Figure 98608DEST_PATH_IMAGE032
表示总体平均得分；
Figure 83750DEST_PATH_IMAGE012
表示学员个性学习状态；
Figure 485913DEST_PATH_IMAGE021
表示特定学员𝑆𝑢的潜在特征向量；
Figure 420371DEST_PATH_IMAGE014
表示特定训练想定练习v的潜在特征向量；
Figure 85838DEST_PATH_IMAGE034
表示学员的个性学习状态和学员之间共性的学习状态的比例参数，超参数。在预测学员的作答情况
Figure 105747DEST_PATH_IMAGE010
时，学员的个性学习状态和学员之间共性的学习状态所占的比例由参数ρ进行调节，ρ∈[0，1]。ρ越大，则表示预测结果受共性学习状态影响更多；ρ越小，则表示预测结果受个性学习状态影响更多。尤其，当ρ=0时，不引入学员的个性化学习状态。
M u 和N V 别表示特定学员𝑆𝑢和想定练习v的潜在特征向量来刻画学员和想定练习低维空间下的表现。
如图5所示，所述学员个性学习状态
Figure 498551DEST_PATH_IMAGE012
的求取方法包括：从学员认知诊断模型矩阵θ中提取的特征向量，将作为概率矩阵分解的先验信息：
Figure 490778DEST_PATH_IMAGE016
其中，
Figure 638731DEST_PATH_IMAGE017
表示学员𝑆𝑢的学习得分先验程度，体现了学员之间知识点掌握程度的差异，认知诊断模型矩阵θ第u行的平均值；
Figure 83619DEST_PATH_IMAGE018
表示训练想定练习v的先验得分程度，体现了想定练习之间难易程度的差异，认知诊断模型矩阵θ第v列的平均值；
Figure 624322DEST_PATH_IMAGE019
表示诊断模型矩阵θ的第u行的第i个元素；
V为第u行元素的总数；
Figure 923585DEST_PATH_IMAGE020
表示诊断模型矩阵θ的第v列的第i个元素；
U为第v列元素的总数;
Figure 930855DEST_PATH_IMAGE017
和
Figure 925356DEST_PATH_IMAGE035
可以真实地反映学员个性学习状态，为之后的工作的基础。
如图4所示，所述特定学员𝑆𝑢的潜在特征向量
Figure 4171DEST_PATH_IMAGE021
和特定训练想定练习v的潜在特征向量
Figure 970990DEST_PATH_IMAGE014
的求取方法包括：
利用概率矩阵分解法将学员的得分矩阵分解成学员的特征矩阵M和训练想定练习的特征矩阵N，其中，
Figure 132850DEST_PATH_IMAGE036
从而得到所述特定学员𝑆𝑢的潜在特征向量
Figure 552330DEST_PATH_IMAGE021
和特定训练想定练习v的潜在特征向量
Figure 700414DEST_PATH_IMAGE022
。
学员想定练习得分R满足条件分布如下式所示：
Figure 505428DEST_PATH_IMAGE037
其中，N(x|μ,σ2)是均值为μ、方差为σ2的高斯分布概率密度函数。同时，概率矩阵分解PMF假设学员和想定练习的特征向量满足均值为0的高斯分布：
Figure 713555DEST_PATH_IMAGE038
通过贝叶斯推论，学员和想定练习的特征向量的后验概率推导如下：
Figure 620332DEST_PATH_IMAGE039
通过上式可以通过学员的得分矩阵分解得到学员和想定练习的低维潜在特征向量。
在步骤S4，根据学员潜在作答情况，向不同的学员推荐个性化试题。
具体地，在已知学员潜在作答情况后，试题推荐技术根据学员潜在作答情况，向不同的学员推荐个性化试题。在试题推荐方法中，推荐试题的难度可以根据用户需求进行设定。试题难度指试题相对于学员的难度，以学员Sn通过训练想定练习kv的概率作为训练想定练习kv对于学员Sn的难度Dnv，即
Figure 900003DEST_PATH_IMAGE040
在进行试题推荐时，设定推荐试题难度范围β1、β2（β1<β2）作为推荐试题难度边界，试题推荐方法可以根据学员的潜在作答情况，向学员Sn从待推荐想定练习中向其推荐通过概率在β1到β2之间的想定练习。例如：将参数β1设定为0.3、参数β2设定为0.5时，试题推荐方法可以从所有待推荐的想定练习中找到对于该学员通过概率在0.3~0.5之间的想定练习进行推荐。
综上，本发明提出的方案能够为航空管制的教学内容建立系统性的知识图谱。同时，在培训过程中，能够通过学员认知诊断模型更加准确地获取学员对知识点的掌握程度，并且系统能够智能结合学员自身学习情况的个性以及学员之间学习情况的学习状态，为学员推荐合适难度的个性化训练想定练习，帮助其弥补薄弱的知识点。
本发明第二方面公开了一种航空管制模拟训练智能教学系统。图7为根据本发明实施例的一种航空管制模拟训练智能教学系统的结构图；如图7所示，所述系统100包括：
第一处理模块101，被配置为，建立试题库和知识点的关联矩阵：根据训练想定和知识点的匹配情况，得到知识点为矩阵的列，训练想定为矩阵的行的关联矩阵，即试题库Q矩阵；所述关联矩阵的元素表示训练想定包含知识点的比重；
第二处理模块102，被配置为，建立学员认知诊断模型：利用所述关联矩阵和学员的得分矩阵，得到学员预估成绩与真实成绩的平均误差代价函数，求解所述平均误差代价函数，得到学员对知识点的学习权重矩阵，即认知诊断模型矩阵；
第三处理模块103，被配置为，根据学员个性学习状态和学员之间的共性学习状态预测学员的作答情况；
第四处理模块104，被配置为，根据学员潜在作答情况，向不同的学员推荐个性化试题。
根据本发明第二方面的系统，第一处理模块101，被配置为，所述知识点包括：各机型开车时间、各机型暖机时间、滑行间隔标准、跑道间隔标准、飞行水平/垂直安全间隔标准、标准飞行指挥用语、转场飞行规则、进出空域规则、降落方法、出航方法和调配方法；
所述试题库Q矩阵是一种元素取0~1的分数向量矩阵，所述试题库Q矩阵的元素取值越大说明训练想定包含知识点的比重高。
根据本发明第二方面的系统，第二处理模块102，被配置为，所述利用所述关联矩阵和学员的得分矩阵，得到学员预估成绩与真实成绩的平均误差代价函数包括：
Figure 638152DEST_PATH_IMAGE001
其中，
Figure 954864DEST_PATH_IMAGE002
表示第χ个学员
Figure 348936DEST_PATH_IMAGE002
；
Figure 838823DEST_PATH_IMAGE004
表示第χ个学员
Figure 290533DEST_PATH_IMAGE002
预估成绩与真实成绩的平均误差代价函数；
m为训练想定个数；
n为知识点个数；
Figure 43726DEST_PATH_IMAGE005
为超参数；
Figure 721832DEST_PATH_IMAGE006
表示第χ个学员
Figure 467940DEST_PATH_IMAGE002
对第j个知识点的学习权重值；
T表示转置；
Figure 852785DEST_PATH_IMAGE007
表示训练想定包含第j个知识点的比重，即关联矩阵中的元素；
Figure 308037DEST_PATH_IMAGE023
表示第χ个学员
Figure 66914DEST_PATH_IMAGE002
对第l种训练想定中获得的分数。
根据本发明第二方面的系统，第二处理模块102，被配置为，所述求解所述平均误差代价函数包括：
根据所述平均误差代价函数符合凸函数特点，利用梯度下降算法求解所述平均误差代价函数，得到学员对每个知识点的学习权重。
根据本发明第二方面的系统，第三处理模块103，被配置为，所述根据学员个性学习状态和学员之间的共性学习状态预测学员的作答情况包括：
Figure 898604DEST_PATH_IMAGE009
其中，
Figure 669114DEST_PATH_IMAGE010
表示学员的作答情况；
Figure 232950DEST_PATH_IMAGE011
表示总体平均得分；
Figure 627195DEST_PATH_IMAGE012
表示学员个性学习状态；
Figure 934680DEST_PATH_IMAGE013
表示特定学员𝑆𝑢的潜在特征向量；
Figure 28538DEST_PATH_IMAGE014
表示特定训练想定练习v的潜在特征向量；
Figure 543702DEST_PATH_IMAGE015
表示学员的个性学习状态和学员之间共性的学习状态的比例参数，超参数。
根据本发明第二方面的系统，第三理模块103，被配置为，所述学员个性学习状态
Figure 418117DEST_PATH_IMAGE033
的求取方法包括：从学员认知诊断模型矩阵θ中提取的特征向量，将作为概率矩阵分解的先验信息：
Figure 794871DEST_PATH_IMAGE016
其中，
Figure 461345DEST_PATH_IMAGE017
表示学员𝑆𝑢的学习得分先验程度，认知诊断模型矩阵θ第u行的平均值；
Figure 694880DEST_PATH_IMAGE018
表示训练想定练习v的先验得分程度，认知诊断模型矩阵θ第v列的平均值；
Figure 259854DEST_PATH_IMAGE019
表示诊断模型矩阵θ的第u行的第i个元素；
V为第u行元素的总数；
Figure 174720DEST_PATH_IMAGE020
表示诊断模型矩阵θ的第v列的第i个元素；
U为第v列元素的总数。
根据本发明第二方面的系统，第三处理模块103，被配置为，所述特定学员𝑆𝑢的潜在特征向量
Figure 774329DEST_PATH_IMAGE021
和特定训练想定练习v的潜在特征向量
Figure 913186DEST_PATH_IMAGE022
的求取方法包括：
利用概率矩阵分解法将学员的得分矩阵分解成学员的特征矩阵M和训练想定练习的特征矩阵N，从而得到所述特定学员𝑆𝑢的潜在特征向量
Figure 949144DEST_PATH_IMAGE021
和特定训练想定练习v的潜在特征向量
Figure 402122DEST_PATH_IMAGE014
。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本发明公开第一方面中任一项的一种航空管制模拟训练智能教学方法中的步骤。
图8为根据本发明实施例的一种电子设备的结构图，如图8所示，电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、近场通信（NFC）或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请的技术方案相关的部分的结构图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本发明公开第一方面中任一项的一种航空管制模拟训练智能教学方法中的步骤。
请注意，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种航空管制模拟训练智能教学方法，其特征在于，所述方法包括：
步骤S1、建立试题库和知识点的关联矩阵：根据训练想定和知识点的匹配情况，得到知识点为矩阵的列，训练想定为矩阵的行的关联矩阵，即试题库Q矩阵；所述关联矩阵的元素表示训练想定包含知识点的比重；
步骤S2、建立学员认知诊断模型：利用所述关联矩阵和学员的得分矩阵，得到学员预估成绩与真实成绩的平均误差代价函数，求解所述平均误差代价函数，得到学员对知识点的学习权重矩阵，即认知诊断模型矩阵；
步骤S3、根据学员个性学习状态和学员之间的共性学习状态预测学员的作答情况；
步骤S4、根据学员潜在作答情况，向不同的学员推荐个性化试题。
2.根据权利要求1所述的一种航空管制模拟训练智能教学方法，其特征在于，在所述步骤S1中，所述知识点包括：各机型开车时间、各机型暖机时间、滑行间隔标准、跑道间隔标准、飞行水平/垂直安全间隔标准、标准飞行指挥用语、转场飞行规则、进出空域规则、降落方法、出航方法和调配方法；
所述试题库Q矩阵是一种元素取0~1的分数向量矩阵，所述试题库Q矩阵的元素取值越大说明训练想定包含知识点的比重高。
3.根据权利要求1所述的一种航空管制模拟训练智能教学方法，其特征在于，在所述步骤S2中，所述利用所述关联矩阵和学员的得分矩阵，得到学员预估成绩与真实成绩的平均误差代价函数的方法包括：
Figure DEST_PATH_IMAGE001
其中，
Sχ表示第χ个学员Sχ；
J(Sχ)表示第χ个学员Sχ预估成绩与真实成绩的平均误差代价函数；
m为训练想定个数；
n为知识点个数；
θ0为超参数；
Figure 167172DEST_PATH_IMAGE002
表示第χ个学员Sχ对第j个知识点的学习权重值；
T表示转置；
αχj表示训练想定包含第j个知识点的比重，即关联矩阵中的元素；
gχl表示第χ个学员Sχ对第l种训练想定中获得的分数。
4.根据权利要求3所述的一种航空管制模拟训练智能教学方法，其特征在于，在所述步骤S2中，所述求解所述平均误差代价函数的方法包括：
根据所述平均误差代价函数符合凸函数特点，利用梯度下降算法求解所述平均误差代价函数，得到学员对每个知识点的学习权重。
5.根据权利要求1所述的一种航空管制模拟训练智能教学方法，其特征在于，在所述步骤S3中，所述根据学员个性学习状态和学员之间的共性学习状态预测学员的作答情况的方法包括：
Figure 615471DEST_PATH_IMAGE003
其中，
ηuv表示学员的作答情况；
μ表示总体平均得分；
buv表示学员个性学习状态；
Mu表示特定学员𝑆𝑢的潜在特征向量；
Nv表示特定训练想定练习v的潜在特征向量；
ρ表示学员的个性学习状态和学员之间共性的学习状态的比例参数，超参数。
6.根据权利要求5所述的一种航空管制模拟训练智能教学方法，其特征在于，在所述步骤S3中，所述学员个性学习状态buv的求取方法包括：从学员认知诊断模型矩阵θ中提取的特征向量，将作为概率矩阵分解的先验信息：
Figure 51000DEST_PATH_IMAGE004
其中，
bu表示学员𝑆𝑢的学习得分先验程度，认知诊断模型矩阵θ第u行的平均值；
bv表示训练想定练习v的先验得分程度，认知诊断模型矩阵θ第v列的平均值；
θui表示诊断模型矩阵θ的第u行的第i个元素；
V为第u行元素的总数；
θiv表示诊断模型矩阵θ的第v列的第i个元素；
U为第v列元素的总数。
7.根据权利要求5所述的一种航空管制模拟训练智能教学方法，其特征在于，在所述步骤S3中，所述特定学员𝑆𝑢的潜在特征向量Mu和特定训练想定练习v的潜在特征向量Nv的求取方法包括：
利用概率矩阵分解法将学员的得分矩阵分解成学员的特征矩阵M和训练想定练习的特征矩阵N，从而得到所述特定学员𝑆𝑢的潜在特征向量Mu和特定训练想定练习v的潜在特征向量Nv 。
8.一种用于航空管制模拟训练智能教学系统，其特征在于，所述系统包括：
第一处理模块，被配置为，建立试题库和知识点的关联矩阵：根据训练想定和知识点的匹配情况，得到知识点为矩阵的列，训练想定为矩阵的行的关联矩阵，即试题库Q矩阵；所述关联矩阵的元素表示训练想定包含知识点的比重；
第二处理模块，被配置为，建立学员认知诊断模型：利用所述关联矩阵和学员的得分矩阵，得到学员预估成绩与真实成绩的平均误差代价函数，求解所述平均误差代价函数，得到学员对知识点的学习权重矩阵，即认知诊断模型矩阵；
第三处理模块，被配置为，根据学员个性学习状态和学员之间的共性学习状态预测学员的作答情况；
第四处理模块，被配置为，根据学员潜在作答情况，向不同的学员推荐个性化试题。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现权利要求1至7中任一项所述的一种航空管制模拟训练智能教学方法中的步骤。
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计算机程序，所述计算机程序被处理器执行时，实现权利要求1至7中任一项所述的一种航空管制模拟训练智能教学方法中的步骤。
CN202210929822.2A 2022-08-04 2022-08-04 一种航空管制模拟训练智能教学方法和系统 Active CN114998071B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210929822.2A CN114998071B (zh) 2022-08-04 2022-08-04 一种航空管制模拟训练智能教学方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210929822.2A CN114998071B (zh) 2022-08-04 2022-08-04 一种航空管制模拟训练智能教学方法和系统

Publications (2)

Publication Number Publication Date
CN114998071A true CN114998071A (zh) 2022-09-02
CN114998071B CN114998071B (zh) 2022-10-25

Family

ID=83023053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210929822.2A Active CN114998071B (zh) 2022-08-04 2022-08-04 一种航空管制模拟训练智能教学方法和系统

Country Status (1)

Country Link
CN (1) CN114998071B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117784984A (zh) * 2023-12-29 2024-03-29 广州工程技术职业学院 基于航空物流的交互式教学方法及装置、设备、存储介质
CN117350695B (zh) * 2023-12-04 2024-05-07 四川省农业农村人才发展服务中心 一种基于云平台的农业技术培训方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110264091A (zh) * 2019-06-24 2019-09-20 中国科学技术大学 学生认知诊断方法
CN110516116A (zh) * 2019-08-27 2019-11-29 华中师范大学 一种多步分层的学习者认知水平挖掘方法及系统
CN110570705A (zh) * 2019-08-01 2019-12-13 中国人民解放军91977部队 基于自适应分组的多航管模拟系统联合训练方法
CN113657723A (zh) * 2021-07-26 2021-11-16 弘成科技发展有限公司 知识点掌握情况诊断方法、试题推荐方法及装置
CN113673773A (zh) * 2021-08-25 2021-11-19 山东科技大学 一种融合知识背景和学习时间预测的学习路径推荐方法
CN114201684A (zh) * 2021-12-15 2022-03-18 中山大学 一种基于知识图谱的自适应学习资源推荐方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110264091A (zh) * 2019-06-24 2019-09-20 中国科学技术大学 学生认知诊断方法
CN110570705A (zh) * 2019-08-01 2019-12-13 中国人民解放军91977部队 基于自适应分组的多航管模拟系统联合训练方法
CN110516116A (zh) * 2019-08-27 2019-11-29 华中师范大学 一种多步分层的学习者认知水平挖掘方法及系统
CN113657723A (zh) * 2021-07-26 2021-11-16 弘成科技发展有限公司 知识点掌握情况诊断方法、试题推荐方法及装置
CN113673773A (zh) * 2021-08-25 2021-11-19 山东科技大学 一种融合知识背景和学习时间预测的学习路径推荐方法
CN114201684A (zh) * 2021-12-15 2022-03-18 中山大学 一种基于知识图谱的自适应学习资源推荐方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117350695B (zh) * 2023-12-04 2024-05-07 四川省农业农村人才发展服务中心 一种基于云平台的农业技术培训方法和系统
CN117784984A (zh) * 2023-12-29 2024-03-29 广州工程技术职业学院 基于航空物流的交互式教学方法及装置、设备、存储介质

Also Published As

Publication number Publication date
CN114998071B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN114998071B (zh) 一种航空管制模拟训练智能教学方法和系统
JP6960688B2 (ja) 学習効率に基づいて個人カスタマイズ型教育コンテンツを提供するための機械学習方法、装置及びコンピュータプログラム
CN110378818A (zh) 基于难度的个性化习题推荐方法、系统及介质
Kravchenko et al. Knowledge management based on multi-agent simulation in informational systems
CN108228674B (zh) 一种基于dkt的信息处理方法及装置
CN110516116A (zh) 一种多步分层的学习者认知水平挖掘方法及系统
CN111159419B (zh) 基于图卷积的知识追踪数据处理方法、系统和存储介质
Fratamico et al. Applying a framework for student modeling in exploratory learning environments: Comparing data representation granularity to handle environment complexity
Cunningham Assumptions underlying the use of different types of simulations
Conejo et al. An empirical study on the quantitative notion of task difficulty
Salekhova et al. The Principles of Designing an Expert System in Teaching Mathematics.
Mohammad et al. Clustering of slow learners behavior for discovery of optimal patterns of learning
Billard et al. Using Bayesian methods and simulator data to model lifeboat coxswain performance
Fedeli Intelligent tutoring systems: a short history and new challenges
Wang [Retracted] Computer‐Aided College English Teaching System Based on Virtual Reality and Artificial Intelligence
CN116521997A (zh) 一种基于强化学习的个性化学习路径推荐方法
Cabada et al. Intelligent tutoring system with affective learning for mathematics
Araya et al. Context-Based personalized predictors of the length of written responses to open-ended questions of elementary school students
CN115205072A (zh) 一种面向长周期测评的认知诊断方法
Pérez et al. Reinforcement learning for estimating student proficiency in math word problems
Lee et al. Prescribing deep attentive score prediction attracts improved student engagement
Mahmoud A multiagents based intelligent tutoring system for teaching Arabic grammar
Valen-Dacanay et al. Exploring The Learning Analytics Of Skill-Based Course Using Machine Learning Classification Models
Shuib et al. Elman neural network trained by using artificial bee colony for the classification of learning style based on students preferences
Liao et al. Predicting learners' multi-question performance based on neural networks

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
GR01 Patent grant
GR01 Patent grant