CN115309258B - 智能导学方法、装置和电子设备 - Google Patents
智能导学方法、装置和电子设备 Download PDFInfo
- Publication number
- CN115309258B CN115309258B CN202210594903.1A CN202210594903A CN115309258B CN 115309258 B CN115309258 B CN 115309258B CN 202210594903 A CN202210594903 A CN 202210594903A CN 115309258 B CN115309258 B CN 115309258B
- Authority
- CN
- China
- Prior art keywords
- learning
- target
- data
- intelligent
- target object
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 98
- 230000002452 interceptive effect Effects 0.000 claims abstract description 108
- 230000009471 action Effects 0.000 claims abstract description 40
- 230000000704 physical effect Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 63
- 230000006399 behavior Effects 0.000 claims description 57
- 230000033001 locomotion Effects 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 38
- 230000001149 cognitive effect Effects 0.000 claims description 31
- 230000003542 behavioural effect Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 230000004424 eye movement Effects 0.000 claims description 15
- 239000002243 precursor Substances 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 210000004556 brain Anatomy 0.000 claims description 4
- 238000000605 extraction Methods 0.000 description 18
- 238000013480 data collection Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 230000003993 interaction Effects 0.000 description 11
- 230000009897 systematic effect Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000013500 data storage Methods 0.000 description 9
- 238000012800 visualization Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012351 Integrated analysis Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 206010048909 Boredom Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Computer Interaction (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)
- User Interface Of Digital Computer (AREA)
Abstract
本发明提供一种智能导学方法、装置和电子设备，涉及智能教学技术领域。该方法包括：在提供智能导学时，针对沉浸式学习环境中的待学习任务，采集目标对象学习过程中的生理数据、身体动作数据、以及与沉浸式学习环境间的交互操作数据；并根据生理数据、身体动作数据、以及交互操作数据，确定目标对象对应的目标智能导学策略，再控制沉浸式学习环境通过目标智能导学策略，为目标对象提供智能导学，实现了针对沉浸式学习环境，可以结合目标对象自身情况，有针对性地为目标对象提供智能导学。
Description
技术领域
本发明涉及智能教学技术领域，尤其涉及一种智能导学方法、装置和电子设备。
背景技术
在传统的导学系统中，为了辅助学习者更好地进行知识学习，通常是通过测试试卷获取学习者的考试成绩，并基于考试成绩了解学习者知识的掌握情况，从而为学习者提供导学策略。
然而，测试试卷存在着明显的局限性，无法全面的反应学习者对知识的掌握情况，从而无法有针对性地为学习者提供导学策略。因此，智能导学系统应运而生，所谓智能导学，是指借助人工智能技术，让计算机扮演虚拟导师向学习者传授知识，提供学习指导的适应性学习支持。智能导学系统通常包括沉浸式学习环境和非沉浸式学习环境，学习者通过沉浸式学习环境学习时，由于其脸部的上半部分被遮挡，可供采集的信息有限，因此，针对该沉浸式学习环境，如何结合学习者自身情况，有针对性地对学习者提供智能导学是本领域技术人员亟待解决的问题。
发明内容
本发明提供一种智能导学方法、装置和电子设备，针对沉浸式学习环境，可以结合目标对象自身情况，有针对性地为目标对象提供智能导学。
本发明提供一种智能导学方法，包括：
针对沉浸式学习环境中的待学习任务，采集目标对象学习过程中的生理数据、身体动作数据、以及与所述沉浸式学习环境间的交互操作数据。
根据所述生理数据、所述身体动作数据、以及所述交互操作数据，确定所述目标对象对应的目标智能导学策略。
控制所述沉浸式学习环境通过所述目标智能导学策略，为所述目标对象提供智能导学。
根据本发明提供的一种智能导学方法，所述根据所述生理数据、所述身体动作数据、以及所述交互操作数据，确定所述目标对象对应的目标智能导学策略，包括：
根据所述生理数据、所述身体动作数据、以及所述交互操作数据，确定目标特征值；其中，所述目标特征值用于指示所述目标对象对所述待学习任务的认知负荷程度。
根据所述目标特征值，确定所述目标对象对应的所述目标智能导学策略。
根据本发明提供的一种智能导学方法，根据所述生理数据、所述身体动作数据、以及所述交互操作数据，确定目标特征值，包括：
提取所述生理数据对应的生理特征，所述身体动作数据对应的行为特征，以及所述交互操作数据对应的期望学习路径特征。
根据所述生理特征、所述行为特征以及所述期望学习路径特征，确定所述目标特征值。
根据本发明提供的一种智能导学方法，所述根据所述生理特征、所述行为特征以及所述期望学习路径特征，确定所述目标特征值，包括：
对所述生理特征、所述行为特征以及所述期望学习路径特征进行归一化处理，得到目标生理特征、目标行为特征以及目标期望学习路径特征。
根据所述目标生理特征、所述目标行为特征以及所述目标期望学习路径特征，确定所述目标特征值。
根据本发明提供的一种智能导学方法，所述根据所述目标特征值，确定所述目标对象对应的目标智能导学策略，包括：
若所述目标特征值大于或等于第一阈值，且小于或等于第二阈值，则所述目标智能导学策略为智能问答策略。
若所述目标特征值小于所述第一阈值，或者大于所述第二阈值，且小于或等于第三阈值，则所述目标智能导学策略为知识导航及学习路径推荐策略。
若所述目标特征值大于或等于所述第一阈值，则所述目标智能导学策略为疲劳预警策略。
根据本发明提供的一种智能导学方法，在所述目标智能导学策略为知识导航及学习路径推荐策略的情况下，所述方法还包括：
根据所述生理数据、所述身体动作数据、以及所述交互操作数据确定所述目标对象的学习风格，并根据所述交互操作数据，确定所述目标对象的学习习惯。
根据所述学习风格和所述学习习惯确定对应的目标智能导学资源，并根据所述待学习任务的掌握情况从所述目标智能导学资源中确定目标学习任务。
向所述目标对象推送所述目标学习任务。
根据本发明提供的一种智能导学方法，所述根据所述待学习任务的掌握情况从所述目标智能导学资源中确定目标学习任务，包括：
根据所述待学习任务的掌握情况构建对应的目标矩阵；其中，目标矩阵中包括第一元素和第二元素，所述第一元素用于指示所述待学习任务的内容已掌握，所述第二元素用于指示所述待学习任务的内容未掌握。
根据未掌握内容在知识图谱中的位置，确定与所述未掌握内容相关的前驱内容和后延内容，所述前驱内容和所述后延内容为所述目标学习任务。
根据本发明提供的一种智能导学方法，所述方法还包括：
根据所述目标对象针对所述待学习任务的学习情况数据，生成对应的学习情况报告；其中，所述学习情况数据包括所述生理数据、所述身体动作数据、所述交互操作数据、所述待学习任务的掌握情况以及所述待学习任务中未掌握内容对应的智能导学策略中的至少一种。
可视化所述学习情况报告。
本发明还提供一种智能导学装置，包括：
采集单元，用于针对沉浸式学习环境中的待学习任务，采集目标对象学习过程中的生理数据、身体动作数据、以及与所述沉浸式学习环境间的交互操作数据。
第一处理单元，用于根据所述生理数据、所述身体动作数据、以及所述交互操作数据，确定所述目标对象对应的目标智能导学策略。
控制单元，用于控制所述沉浸式学习环境通过所述目标智能导学策略，为所述目标对象提供智能导学。
根据本发明提供的一种智能导学装置，所述第一处理单元，具体用于根据所述生理数据、所述身体动作数据、以及所述交互操作数据，确定目标特征值；并根据所述目标特征值，确定所述目标对象对应的所述目标智能导学策略；其中，所述目标特征值用于指示所述目标对象对所述待学习任务的认知负荷程度。
根据本发明提供的一种智能导学装置，所述第一处理单元，具体用于提取所述生理数据对应的生理特征，所述身体动作数据对应的行为特征，以及所述交互操作数据对应的期望学习路径特征；并根据所述生理特征、所述行为特征以及所述期望学习路径特征，确定所述目标特征值。
根据本发明提供的一种智能导学装置，所述第一处理单元，具体用于对所述生理特征、所述行为特征以及所述期望学习路径特征进行归一化处理，得到目标生理特征、目标行为特征以及目标期望学习路径特征；并根据所述目标生理特征、所述目标行为特征以及所述目标期望学习路径特征，确定所述目标特征值。
根据本发明提供的一种智能导学装置，若所述目标特征值大于或等于第一阈值，且小于或等于第二阈值，则所述目标智能导学策略为智能问答策略。
若所述目标特征值小于所述第一阈值，或者大于所述第二阈值，且小于或等于第三阈值，则所述目标智能导学策略为知识导航及学习路径推荐策略。
若所述目标特征值大于或等于所述第一阈值，则所述目标智能导学策略为疲劳预警策略。
根据本发明提供的一种智能导学装置，在所述目标智能导学策略为知识导航及学习路径推荐策略的情况下，所述装置还包括第二处理单元和发送单元。
所述第二处理单元，用于根据所述生理数据、所述身体动作数据、以及所述交互操作数据确定所述目标对象的学习风格，并根据所述交互操作数据，确定所述目标对象的学习习惯；根据所述学习风格和所述学习习惯确定对应的目标智能导学资源，并根据所述待学习任务的掌握情况从所述目标智能导学资源中确定目标学习任务。
所述发送单元，用于向所述目标对象推送所述目标学习任务。
根据本发明提供的一种智能导学装置，所述第二处理单元，具体用于根据所述待学习任务的掌握情况构建对应的目标矩阵；根据未掌握内容在知识图谱中的位置，确定与所述未掌握内容相关的前驱内容和后延内容，所述前驱内容和所述后延内容为所述目标学习任务；其中，目标矩阵中包括第一元素和第二元素，所述第一元素用于指示所述待学习任务的内容已掌握，所述第二元素用于指示所述待学习任务的内容未掌握。
根据本发明提供的一种智能导学装置，所述装置还包括第三处理单元和可视化单元。
所述第三处理单元，用于根据所述目标对象针对所述待学习任务的学习情况数据，生成对应的学习情况报告；其中，所述学习情况数据包括所述生理数据、所述身体动作数据、所述交互操作数据、所述待学习任务的掌握情况以及所述待学习任务中未掌握内容对应的智能导学策略中的至少一种。
所述可视化单元，用于可视化所述学习情况报告。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的智能导学方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的智能导学方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的智能导学方法。
本发明提供的智能导学方法、装置和电子设备，在提供智能导学时，针对沉浸式学习环境中的待学习任务，采集目标对象学习过程中的生理数据、身体动作数据、以及与沉浸式学习环境间的交互操作数据；并根据生理数据、身体动作数据、以及交互操作数据，确定目标对象对应的目标智能导学策略，再控制沉浸式学习环境通过目标智能导学策略，为目标对象提供智能导学。这样结合目标对象的学习过程中的生理数据、身体动作数据、以及与沉浸式学习环境间的交互操作数据，共同为目标对象提供智能导学，实现了针对沉浸式学习环境，可以结合目标对象自身情况，有针对性地为目标对象提供智能导学。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明提供的智能导学方法的流程示意图之一；
图2为本发明提供的沉浸式学习环境的示意图；
图3为本发明提供的生理数据采集处理子系统的示意图；
图4为本发明提供的行为数据采集处理子系统的示意图；
图5为本发明提供的交互操作数据采集处理子系统的示意图；
图6为本发明提供的智能导学子系统的示意图；
图7为本发明提供的智能导学方法的流程示意图之二；
图8为本发明提供的智能导学装置的结构示意图；
图9示例了一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
在本发明的实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A，B可以是单数或者复数。在本发明的文字描述中，字符“/”一般表示前后关联对象是一种“或”的关系。
本发明实施例提供的技术方案可以应用于智能教学场景中，尤其是智能导学场景中。所谓智能导学，是一种借助人工智能技术，让计算机扮演虚拟导师向学习者传授知识，提供学习指导的适应性学习支持。智能导学环境通常包括沉浸式学习环境和非沉浸式学习环境，学习者通过沉浸式学习环境学习时，由于其脸部的上半部分被遮挡，可供采集的信息有限，因此，针对沉浸式学习环境，目前如何提供智能导学的研究较少。
其中，沉浸式学习环境是一种基于虚拟现实(Virtual Reality，VR)、增强现实(Augmented Reality，AR)、扩展现实(EXtended Reality，XR)工具，感知学习情景、识别学习者的学习行为等特征，提供合适学习资源、记录学习过程和评测学习成果的在线学习场所。
基于上述提到的沉浸式学习环境，为了有针对性地为学习者提供智能导学策略，考虑到学习者在学习过程中的生理数据、身体动作数据、以及与沉浸式学习环境间的交互操作数据，能够较好地反应学习者对待学习任务中知识的掌握情况、学习者的心理素质和认知负载，因此，本发明实施例提供了一种智能导学方法，针对沉浸式学习环境，在进行智能导学时，可以先采集学习者学习过程中的生理数据、身体动作数据、以及与沉浸式学习环境间的交互操作数据，并结合生理数据、身体动作数据、以及与沉浸式学习环境间的交互操作数据共同确定学习者对应的智能导学策略，从而实现了针对沉浸式学习环境，可以结合目标对象自身情况，有针对性地为目标对象提供智能导学。
示例地，生理数据可以包括：脑电数据、心率数据以及眼动数据等生理数据，具体可以根据实际需要进行设置。
示例地，身体动作数据可以包括：躯体数据、表情数据以及手势数据等身体动作数据，具体可以根据实际需要进行设置。
示例地，与沉浸式学习环境间的交互操作数据可以包括：点击操作数据、抓取操作数据、连接操作数据、装配操作数据、以及视觉关注点移动数据等交互操作数据，具体可以根据实际需要进行设置。
下面，将通过具体的实施例对本发明提供的智能导学方法进行详细地说明。可以理解的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明提供的智能导学方法的流程示意图之一，该智能导学方法可以由软件和/或硬件装置执行。示例的，请参见图1所示，该智能导学方法可以包括：
S101、针对沉浸式学习环境中的待学习任务，采集目标对象学习过程中的生理数据、身体动作数据、以及与沉浸式学习环境间的交互操作数据。
针对沉浸式学习环境，为了较好地实现智能导学，本发明实施例提供了一种沉浸式学习环境，目标对象可以通过有线网络或无线网络的形式，注册后登录沉浸式学习环境的用户端，沉浸式学习环境的用户端会对登录数据进行储存，用于该目标对象的身份识别。目标对象需要佩戴特定的教学设备用以采集数据，例如用以采集心率数据的手环、提供虚拟现实环境的智能眼镜等。示例地，可参见图2所示，图2为本发明提供的沉浸式学习环境的示意图，该沉浸式学习环境中可以包括生理数据采集处理子系统、行为数据采集处理子系统、交互操作数据采集处理子系统、以及智能导学子系统。
其中，生理数据采集处理子系统，主要采集并处理目标对象的生理数据。以生理数据包括脑电数据、心率数据以及眼动数据为例，可以通过对应的脑电设备、心率设备以及眼动设备进行采集；并根据脑电数据、心率数据以及眼动数据分析得到用于描述目标对象心理状态的心理特征。示例地，心理状态可以包括专注、疲劳、或者厌倦等，具体可以根据实际需要进行设置。
行为数据采集处理子系统，主要用于采集并处理目标对象的宏观的身体动作数据。以身体动作数据包括躯体数据、表情数据以及手势数据为例，可以通过外置摄像头以及交互设备进行采集；并根据躯体数据、表情数据以及手势数据分析得到用于描述目标对象身体动作的行为特征。
交互操作数据采集处理子系统，主要用于采集并处理目标对象与沉浸式学习环境间的交互操作数据，交互操作数据主要表现在学习过程中关注知识的迁移。以交互操作数据包括点击操作数据、抓取操作数据、连接操作数据、装配操作数据、以及视觉关注点移动数据为例，可以通过对应的电子设备进行采集；并在这些数据的基础上，结合待学习任务对应的知识图谱，解析学习过程交互行为，并基于学习过程交互行为估计目标对象对相关知识点的熟练程度，再根据相关知识点的熟练程度推理预测目标对象想要学习的知识点，从而得到用于描述目标对象期望学习路径的期望学习路径特征。
下面，将结合上述图2所示的生理数据采集处理子系统、行为信息采集处理子系统、以及交互操作数据采集处理子系统，分别对如何采集目标对象学习过程中的生理数据、身体动作数据、以及与沉浸式学习环境间的交互操作数据进行详细描述。
通过生理数据采集处理子系统采集并处理目标对象的生理数据时，示例地，可参见图3所示，图3为本发明提供的生理数据采集处理子系统的示意图，该生理数据采集处理子系统可以包括生理数据采集单元、生理数据采集计时单元、生理特征提取单元、以及生理数据储存单元。
其中，生理数据采集单元，主要用于采集目标对象的生理数据。以生理数据包括脑电数据、心率数据以及眼动数据为例，该脑电数据、心率数据以及眼动数据可以理解为原始采集到的脑电数据、心率数据以及眼动数据。
示例地，生理数据采集单元采集目标对象的脑电数据、心率数据以及眼动数据时，可以直接通过对应的脑电设备、心率设备以及眼动设备采集脑电数据、心率数据以及眼动数据；也可以从其他电子设备接收脑电数据、心率数据以及眼动数据，也可以通过其他方式采集脑电数据、心率数据以及眼动数据，具体可以根据实际需要进行设置，在此，对于脑电数据、心率数据以及眼动数据的采集方式，本发明实施例不做具体限制。
生理数据采集计时单元，不仅用于同步生理数据采集处理子系统、行为信息采集处理子系统、以及交互操作数据采集处理子系统间的时钟，使得该三种采集处理子系统可以相同时间段的数据；而且还用于设置或控制生理数据的采集时间段，例如采集时间段为30秒，则对应采集30秒的脑电数据、心率数据以及眼动数据。其中，采集时间段的时长可以根据实际需要进行设置，在此，对于采集时间段的时长，本发明实施例不做具体限制。
生理特征提取单元，主要用于分析目标对象的生理数据，提取用于描述目标对象心理状态的心理特征。
示例地，生理特征提取单元提取目标对象心理状态的心理特征时，以生理数据包括脑电数据为例，可以分析脑电频率属于alpha波、Beta波、Gamma波等六种频段中的哪种类型，假设目标对象的脑电频率属于Beta波，对应目标对象心理状态为专注状态，再提取用于描述专注状态的心理特征。
生理数据储存单元，主要用于存储带有时间标签的目标对象的生理数据、以及对应的心理特征，并生成对应的日志文件以记录完整的生理过程数据。
结合上述描述，可以看出，通过生理数据采集处理子系统中的生理数据采集单元、生理数据采集计时单元、生理特征提取单元、以及生理数据储存单元，不仅可以采集到目标对象的生理数据，而且还可以进一步对生理数据进行分析，提取出用于描述目标对象心理状态的心理特征。
通过行为数据采集处理子系统采集并处理目标对象的宏观的身体动作数据时，示例地，可参见图4所示，图4为本发明提供的行为数据采集处理子系统的示意图，该行为数据采集处理子系统可以包括行为数据采集单元、行为数据采集计时单元、行为特征提取单元、以及行为数据储存单元。
其中，行为数据采集单元，主要用于采集目标对象的宏观的身体动作数据。以目标对象的宏观的身体动作数据包括躯体数据、表情数据以及手势数据为例，该躯体数据、表情数据以及手势数据可以理解为原始采集到的躯体数据、表情数据以及手势数据。
示例地，行为数据采集单元采集目标对象的躯体数据、表情数据以及手势数据时，可以直接通过对应的外置摄像头以及交互设备采集躯体数据、表情数据以及手势数据；也可以从其他电子设备接收躯体数据、表情数据以及手势数据，也可以通过其他方式采集躯体数据、表情数据以及手势数据，具体可以根据实际需要进行设置，在此，对于躯体数据、表情数据以及手势数据的采集方式，本发明实施例不做具体限制。
行为数据采集计时单元，不仅用于同步生理数据采集处理子系统、行为信息采集处理子系统、以及交互操作数据采集处理子系统间的时钟，使得该三种采集处理子系统可以相同时间段的数据；而且还用于设置或控制行为数据的采集时间段，例如采集时间段为30秒，则对应采集30秒的躯体数据、表情数据以及手势数据。其中，采集时间段的时长可以根据实际需要进行设置，在此，对于采集时间段的时长，本发明实施例不做具体限制。
行为特征提取单元，主要用于分析目标对象的身体动作数据，得到用于描述目标对象身体动作的行为特征。
示例地，行为特征提取单元提取目标对象身体动作的行为特征时，可以基于集成学习算法和决策树等算法对目标对象的身体动作数据进行识别，以提取用于描述目标对象身体动作的行为特征。
行为数据储存单元，主要用于存储带有时间标签的目标对象的身体动作数据、以及对应的行为特征，并生成对应的日志文件以记录完整的身体动作过程数据。
结合上述描述，可以看出，通过行为数据采集处理子系统中的行为数据采集单元、行为数据采集计时单元、行为特征提取单元、以及行为数据储存单元，不仅可以采集到目标对象的身体动作数据，而且还可以进一步对身体动作数据进行识别，提取出用于描述目标对象身体动作的行为特征。
通过交互操作数据采集处理子系统采集并处理目标对象与沉浸式学习环境间的交互操作数据时，示例地，可参见图5所示，图5为本发明提供的交互操作数据采集处理子系统的示意图，该交互操作数据采集处理子系统可以包括行为交互操作数据采集单元、交互操作数据采集计时单元、期望学习路径特征提取单元、以及交互操作数据储存单元。
其中，交互操作数据采集单元，主要用于采集目标对象与沉浸式学习环境间的交互操作数据。以目标对象与沉浸式学习环境间的交互操作数据包括点击操作数据、抓取操作数据、连接操作数据、装配操作数据、以及视觉关注点移动数据为例，该点击操作数据、抓取操作数据、连接操作数据、装配操作数据、以及视觉关注点移动数据可以理解为原始采集到的点击操作数据、抓取操作数据、连接操作数据、装配操作数据、以及视觉关注点移动数据。
示例地，交互操作数据采集单元采集目标对象的点击操作数据、抓取操作数据、连接操作数据、装配操作数据、以及视觉关注点移动数据时，可以直接通过对应的采集设备采集点击操作数据、抓取操作数据、连接操作数据、装配操作数据、以及视觉关注点移动数据；也可以从其他电子设备接收点击操作数据、抓取操作数据、连接操作数据、装配操作数据、以及视觉关注点移动数据，也可以通过其他方式采集点击操作数据、抓取操作数据、连接操作数据、装配操作数据、以及视觉关注点移动数据，具体可以根据实际需要进行设置，在此，对于点击操作数据、抓取操作数据、连接操作数据、装配操作数据、以及视觉关注点移动数据的采集方式，本发明实施例不做具体限制。
交互操作数据采集计时单元，不仅用于同步生理数据采集处理子系统、行为信息采集处理子系统、以及交互操作数据采集处理子系统间的时钟，使得该三种采集处理子系统可以相同时间段的数据；而且还用于设置或控制交互操作数据的采集时间段，例如采集时间段为30秒，则对应采集30秒的点击操作数据、抓取操作数据、连接操作数据、装配操作数据、以及视觉关注点移动数据。其中，采集时间段的时长可以根据实际需要进行设置，在此，对于采集时间段的时长，本发明实施例不做具体限制。
期望学习路径特征提取单元，主要用于分析目标对象与沉浸式学习环境间的交互操作数据，得到用于描述目标对象期望学习路径的期望学习路径特征。
示例地，期望学习路径特征提取单元提取用于描述目标对象期望学习路径的期望学习路径特征时，可以结合待学习任务对应的知识图谱，解析学习过程交互行为，并基于学习过程交互行为估计目标对象对相关知识点的熟练程度，再根据相关知识点的熟练程度推理预测目标对象想要学习的知识点，从而得到用于描述目标对象期望学习路径的期望学习路径特征。
交互操作数据储存单元，主要用于存储带有时间标签的目标对象与沉浸式学习环境间的交互操作数据、以及对应的期望学习路径特征，并生成对应的日志文件以记录完整的交互操作过程数据。
结合上述描述，可以看出，通过交互操作数据采集处理子系统中的行为交互操作数据采集单元、交互操作数据采集计时单元、期望学习路径特征提取单元、以及交互操作数据储存单元，不仅可以采集到与沉浸式学习环境间的交互操作数据，而且还可以进一步对交互操作数据进行识别，提取出用于描述目标对象期望学习路径的期望学习路径特征。
结合上述S101中的描述，在分别获取到生理数据、身体动作数据、以及交互操作数据之后，就可以根据生理数据、身体动作数据、以及交互操作数据共同确定目标对象对应的目标智能导学策略，即执行下述S102，从而通过该智能导学策略，有针对性地为目标对象提供智能导学。
S102、根据生理数据、身体动作数据、以及交互操作数据，确定目标对象对应的目标智能导学策略。
示例地，根据生理数据、身体动作数据、以及交互操作数据，确定目标对象对应的目标智能导学策略时，可以先根据生理数据、身体动作数据、以及交互操作数据，确定目标特征值；其中，目标特征值用于指示目标对象对待学习任务的认知负荷程度；再根据目标特征值，确定目标对象对应的目标智能导学策略。
上述操作中，根据生理数据、身体动作数据、以及交互操作数据，确定目标特征值时，示例地，可以先提取生理数据对应的生理特征，身体动作数据对应的行为特征，以及交互操作数据对应的期望学习路径特征；并根据生理特征、行为特征以及期望学习路径特征，确定目标特征值。
需要说明的是，在该S102中，提取生理数据对应的生理特征时，可以通过上述S101中生理特征提取单元实现，具体可参见上述生理特征提取单元提取心理特征的相关描述，在此，本发明实施例不再进行赘述。类似的，在该S102中，提取身体动作数据对应的行为特征时，可以通过上述S102中行为特征提取单元实现，具体可参见上述行为特征提取单元提取行为特征的相关描述，在此，本发明实施例不再进行赘述。类似的，提取交互操作数据对应的期望学习路径特征时，可以通过上述S102中期望学习路径特征提取单元实现，具体可参见上述期望学习路径特征提取单元提取期望学习路径特征的相关描述，在此，本发明实施例不再进行赘述。
分别提取出生理特征、行为特征以及期望学习路径特征，为了更好地基于生理特征、行为特征以及期望学习路径特征，确定用于指示目标对象认知负荷程度的目标特征值，示例地，可以先对生理特征、行为特征以及期望学习路径特征进行归一化处理，得到归一化后的目标生理特征、目标行为特征以及目标期望学习路径特征；再根据目标生理特征、目标行为特征以及目标期望学习路径特征，确定目标特征值，这样可以提高确定出的目标特征值的准确度，使得后续基于目标特征值为目标对象提供智能导学时，可以进一步提高智能导学的准确性。
示例地，在本发明实施例中，根据目标生理特征、目标行为特征以及目标期望学习路径特征，确定用于指示目标对象认知负荷程度的目标特征值，并根据目标特征值，确定目标对象对应的目标智能导学策的操作，可以通过沉浸式学习环境中的智能导学子系统实现。示例地，可参见图6所示，图6为本发明提供的智能导学子系统的示意图，智能导学子系统可以包括认知负荷程度判别单元、智能问答单元、路径推荐单元、以及疲劳预警单元。
其中，认知负荷程度判别单元，主要用于根据目标生理特征、目标行为特征以及目标期望学习路径特征，确定用于指示目标对象认知负荷程度的目标特征值；并根据量化得到的目标特征值，自动判别目标对象认知负荷值对应的目标智能导学策，可以包括三种情况，分别为：
在一种情况下，若目标特征值大于或等于第一阈值，且小于或等于第二阈值，则目标智能导学策略为智能问答策略。其中，第一阈值小于第二阈值。
在该种情况下，可以理解为认知负荷在合理范围内，对于目标对象而言，学习任务难度相对较小，未超出目标对象的学习能力，在该种情况下，对应的目标智能导学策略可以确定为智能问答策略；后续可以启动智能问答单元，基于自然语言处理技术通过对话的方式对目标对象进行智能导学。
在另一种情况下，若目标特征值小于第一阈值，或者大于第二阈值，且小于或等于第三阈值，则目标智能导学策略为知识导航及学习路径推荐策略。其中，第二阈值小于第三阈值。
在该种情况下，可以理解为认知负荷偏高，对于目标对象而言，学习任务难度相对较大，超出了目标对象的学习能力，在该种情况下，对应的目标智能导学策略为学习路径推荐策略；对应的，后续可以启动路径推荐单元，重新为目标对象规划和推荐学习路径，从而达到更好的智能导学效果。
在又一种情况下，若目标特征值大于或等于第一阈值，则目标智能导学策略为疲劳预警策略。
在该种情况下，可以理解为认知负荷异常，对于目标对象而言，学习任务难度过大，超出了目标对象的学习能力，目标对象处于过度疲劳状态或困惑状态，在该种情况下，对应的目标智能导学策略学习疲劳预警策略；对应的，后续可以启动疲劳预警单元，对处于疲劳状态的目标对象以语音提示、弹窗警告等手段提示目标对象休息。
示例地，根据目标生理特征、目标行为特征以及目标期望学习路径特征，确定目标特征值时，可以采用例如层次分析法、灰色关联度分析法、模糊综合评价法计算量化后的用于指示目标对象认知负荷程度的目标特征值。
智能问答单元，主要用于基于自然语言处理技术通过对话的方式对目标对象进行智能导学，帮助目标对象更好地掌握待学习任务中的知识点。
路径推荐单元，主要用于重新为目标对象规划和推荐学习路径，帮助认知负荷过高的目标对象导航至相对容易的知识点，或者，帮助认知负荷过低的目标对象导航至相对进阶的知识点，从而达到更好的智能导学效果。
启动疲劳预警单元，主要用于对处于疲劳状态的目标对象以语音提示、弹窗警告等手段提示目标对象休息。
在根据生理数据、身体动作数据、以及交互操作数据，确定目标对象对应的目标智能导学策略后，就可以控制沉浸式学习环境通过目标智能导学策略，为目标对象提供智能导学，即执行下述S103：
S103、控制沉浸式学习环境通过目标智能导学策略，为目标对象提供智能导学。
可以看出，本发明实施例中，在提供智能导学时，针对沉浸式学习环境中的待学习任务，采集目标对象学习过程中的生理数据、身体动作数据、以及与沉浸式学习环境间的交互操作数据；并根据生理数据、身体动作数据、以及交互操作数据，确定目标对象对应的目标智能导学策略，再控制沉浸式学习环境通过目标智能导学策略，为目标对象提供智能导学，这样结合目标对象的学习过程中的生理数据、身体动作数据、以及与沉浸式学习环境间的交互操作数据，共同为目标对象提供智能导学，实现了针对沉浸式学习环境，可以结合目标对象自身情况，有针对性地为目标对象提供智能导学。
此外，基于上述图1所示的实施例，在结合目标对象的学习过程中的生理数据、身体动作数据、以及与沉浸式学习环境间的交互操作数据这三种不同维度的数据，确定目标智能导学策略为知识导航及学习路径推荐策略的情况下，还可以进一步根据生理数据、身体动作数据、以及交互操作数据分析目标对象的学习风格和学习习惯，再基于目标对象的学习风格和学习习惯，有针对性地为目标对象推送个性化的目标学习任务。
示例地，在根据生理数据、身体动作数据、以及交互操作数据，分析目标对象的学习风格和学习习惯，并为目标对象定制个性化的学习任务时，可以通过个性优化单元实现，即综合分析子系统还包括个性优化单元。示例地，请参见图7所示，图7为本发明提供的智能导学方法的流程示意图之二，该智能导学方法可以包括：
S701、根据生理数据、身体动作数据、以及交互操作数据确定目标对象的学习风格，并根据交互操作数据确定目标对象的学习习惯。
示例地，学习风格可以包括认知风格和意愿风格。示例地，认知风格可以包括沉思风格、冲动型风格以及中间型风格；意愿风格可以包括自我驱动型风格、被动型风格、以及中间型风格，具体可以根据实际需要进行划分，在此，本发明实施例只是以这几种风格为例进行说明，但并不代表本发明实施例仅局限于此。
示例地，学习习惯可以包括系统性学习习惯、中间型学习习惯以及非系统性学习习惯，具体可以根据实际需要进行划分，在此，本发明实施例只是以这几种风格为例进行说明，但并不代表本发明实施例仅局限于此。
其中，系统性学习习惯是指从知识点的整体介绍开始、系统地、有逻辑地学习知识的学习习惯；非系统性学习习惯反之。
示例地，根据生理数据、身体动作数据、以及交互操作数据确定目标对象的学习风格中的意愿风格时，可以先根据学习过程中的生理数据、身体动作数据、以及交互操作数据融合得到目标对象的专注度，再根据目标对象的专注度确定目标对象的意愿风格。
示例地，根据学习过程中的生理数据、身体动作数据、以及交互操作数据融合得到目标对象的专注度时，可以通过眼动数据中目标对象的瞳孔直径、脑电数据中的α波和β波的频率、身体动作数据中的正常坐姿占比，基于BP(back propagation)神经网络或者决策树方法可以推理得到目标对象的专注度。进一步地，根据目标对象的专注度确定目标对象的意愿风格时，若专注度大于第一设定值，则确定目标对象的意愿风格为自我驱动型风格；若专注度小于第一设定值，且大于第二设定值，则确定目标对象的意愿风格为中间型风格；若专注度小于第二设定值，则确定目标对象的意愿风格为被动型风格。其中，第一设定值和第二设定值均通过历史统计数据获得。
示例地，根据生理数据、身体动作数据、以及交互操作数据确定目标对象的学习风格中的认知风格时，同样可以先根据学习过程中的生理数据、身体动作数据、以及交互操作数据融合得到目标对象的专注度，其获取方法可参见上述相关描述，在此，本发明实施例不再进行赘述。在获取到目标对象的专注度后，可以结合测试过程的正确率确定目标对象的学习风格中的认知风格。
示例地，根据目标对象的专注度和测试过程的正确率，确定目标对象的学习风格中的认知风格时，若专注度和测试过程的正确率均大于各自对应的第三设定值，则确定目标对象的认知风格为沉思风格；若专注度和测试过程的正确率均小于各自对应的第四设定值，则确定目标对象的认知风格为冲动型风格；若专注度和测试过程的正确率均小于各自对应的第三设定值，且大于各自对应的第四设定值，则确定目标对象的认知风格为中间型风格。其中，第三设定值大于第四设定值。
示例地，根据交互操作数据，确定目标对象的学习习惯时，可以根据学习过程中页面的鼠标点击顺序和预设的系统性学习习惯页面的鼠标点击顺序推理其学习习惯。
示例地，根据学习过程中页面的鼠标点击顺序和预设的系统性学习习惯页面的鼠标点击顺序推理其学习习惯时，可以学习过程中页面的鼠标点击顺序和预设的系统性学习习惯页面的鼠标点击顺序之间的距离，若距离小于第五设定值，则确定目标对象的学习习惯为系统性学习习惯；若距离大于第五设定值，且小于第六设定值，则确定目标对象的学习习惯为中间型学习习惯；若距离大于第六设定值，则确定目标对象的学习习惯为非系统性学习习惯。其中，第五设定值和第六设定值均通过历史统计数据获得。
在分别确定出目标对象的学习风格和学习习惯后，就可以执行下述S702：
S702、根据学习风格和学习习惯确定对应的目标智能导学资源，并根据待学习任务的掌握情况从目标智能导学资源中确定目标学习任务。
示例地，学习资源可以包括科普性资料，中间型资源、以及专业性资源，具体可以根据实际需要进行划分，在此，本发明实施例只是学习资源包括科普性资料，中间型资源、以及专业性资源为例进行说明，但并不代表本发明实施例仅局限于此。
示例地，根据学习风格和学习习惯确定对应的目标智能导学资源时，当学习习惯为系统性学习习惯，学习风格中的认知风格为沉思风格、意愿风格为自我驱动型风格时，对应的目标智能导学资源可以为专业性资源；当学习习惯为分散性学习习惯，学习风格中的认知风格为中间型风格、意愿风格也为中间型风格时，对应的目标智能导学资源可以为中间型资源；当学习习惯为分散性学习习惯，学习风格中的认知风格为冲动型风格、意愿风格为外在影响型风格时，对应的目标智能导学资源可以为科普性资源；具体可以根据实际需要进行设置，在此，本发明实施例只是以此为例进行说明，但并不代表本发明仅局限于此。
示例地，根据待学习任务的掌握情况从目标智能导学资源中确定目标学习任务时，可以先根据待学习任务的掌握情况构建对应的目标矩阵；其中，目标矩阵中包括第一元素和第二元素，第一元素用于指示待学习任务的内容已掌握，第二元素用于指示待学习任务的内容未掌握；再根据未掌握内容在知识图谱中的位置，确定与未掌握内容相关的前驱内容和后延内容，前驱内容和后延内容为目标学习任务。
示例地，第一元素可以为1，“1”表示待学习任务的内容已掌握，第二元素可以为0，“0”待学习任务的内容未掌握，目标矩阵是一个表示学习者对知识的熟练度的矩阵。
示例地，根据未掌握内容在知识图谱中的位置，确定与未掌握内容相关的前驱内容和后延内容时，可以采用协同过滤算法，确定与未掌握内容相关的前驱内容和后延内容，该前驱内容和后延内容可以理解为与未掌握内容关联类似的内容，并将这些前驱内容和后延内容作为目标学习任务，并在下次学习中推荐给目标对象，从而达到巩固提升的目的。
S703、向目标对象推送目标学习任务。
可以看出，本发明实施例提供的智能导学方法，可以根据交互操作数据，确定目标对象的学习风格和学习习惯；并根据学习风格和学习习惯确定对应的目标智能导学资源，并根据待学习任务的掌握情况从目标智能导学资源中确定目标学习任务；再向目标对象推送目标学习任务。这样结合目标对象的学习过程中的生理数据、身体动作数据、以及与沉浸式学习环境间的交互操作数据，融合得到目标对象的认知负荷程度，并在目标对象的认知负荷的基础上，结合学习风格和学习习惯有针对性地为目标对象制定并推送个性化的目标学习任务，提高了推送的学习任务的精准度。
基于上述任一实施例，在结合目标对象的学习过程中的生理数据、身体动作数据、以及与沉浸式学习环境间的交互操作数据，为目标对象提供智能导学的基础上，还可以进一步生成目标对象的学习情况报告，并可视化学习者的学习情况报告，这样可以协助教师了解学习者的学习状况、掌握学习者综合能力信息、从而为调整教学方案提供了可靠数据。
示例地，在生成目标对象的学习情况报告，并可视化学习者的学习情况报告时，可以通过综合分析子系统实现，即图2所示的沉浸式学习环境还包括综合分析子系统，该综合分析子系统可以包括数据综合储存单元和学情可视化单元。
其中，数据综合存储单元，主要用于在目标对象完成一个阶段性学习后，整合存储目标对象针对待学习任务的学习情况数据；其中，学习情况数据包括生理数据、身体动作数据、交互操作数据、待学习任务的掌握情况以及待学习任务中未掌握内容对应的智能导学策略中的至少一种。
学情可视化单元，主要用于根据目标对象针对待学习任务的学习情况数据，生成对应的学习情况报告，并可视化学习者的学习情况报告，以协助教师了解学习者的学习状况、掌握学习者综合能力信息、从而为调整教学方案提供了可靠数据。
示例地，可视化学习者的学习情况报告时，可以通过人工智能语言Python和结构化查询语言(Structured Query Language，SQL)，对学习情况数据进行处理，生成有可视化图形、图表的学习情况报告。此外，目标对象、家长、教师或其他有访问权限的用户均可以登录沉浸式学习环境查看、下载学习情况报告。
可以看出，本发明实施例提供的智能导学方法，不仅可以结合目标对象的学习过程中的生理数据、身体动作数据、以及与沉浸式学习环境间的交互操作数据，有针对性地为目标对象提供智能导学，而且可以进一步根据目标对象针对待学习任务的学习情况数据，生成对应的学习情况报告，并可视化学习者的学习情况报告，以协助教师了解学习者的学习状况、掌握学习者综合能力信息、从而为调整教学方案提供了可靠数据。
下面对本发明提供的智能导学装置进行描述，下文描述的智能导学装置与上文描述的智能导学方法可相互对应参照。
图8为本发明提供的智能导学装置80的结构示意图，示例的，请参见图8所示，该智能导学装置80可以包括：
采集单元801，用于针对沉浸式学习环境中的待学习任务，采集目标对象学习过程中的生理数据、身体动作数据、以及与沉浸式学习环境间的交互操作数据。
第一处理单元802，用于根据生理数据、身体动作数据、以及交互操作数据，确定目标对象对应的目标智能导学策略。
控制单元803，用于控制沉浸式学习环境通过目标智能导学策略，为目标对象提供智能导学。
可选地，第一处理单元802，具体用于根据生理数据、身体动作数据、以及交互操作数据，确定目标特征值；并根据目标特征值，确定目标对象对应的目标智能导学策略；其中，目标特征值用于指示目标对象对待学习任务的认知负荷程度。
可选地，第一处理单元802，具体用于提取生理数据对应的生理特征，身体动作数据对应的行为特征，以及交互操作数据对应的期望学习路径特征；并根据生理特征、行为特征以及期望学习路径特征，确定目标特征值。
可选地，第一处理单元802，具体用于对生理特征、行为特征以及期望学习路径特征进行归一化处理，得到目标生理特征、目标行为特征以及目标期望学习路径特征；并根据目标生理特征、目标行为特征以及目标期望学习路径特征，确定目标特征值。
可选地，若目标特征值大于或等于第一阈值，且小于或等于第二阈值，则目标智能导学策略为智能问答策略；若目标特征值小于第一阈值，或者大于第二阈值，且小于或等于第三阈值，则目标智能导学策略为知识导航及学习路径推荐策略；若目标特征值大于或等于第一阈值，则目标智能导学策略为疲劳预警策略。
可选地，智能导学装置80还包括第二处理单元和发送单元。
第二处理单元，用于根据生理数据、身体动作数据、以及交互操作数据确定目标对象的学习风格，并根据交互操作数据，确定目标对象的学习习惯；根据学习风格和学习习惯确定对应的目标智能导学资源，并根据待学习任务的掌握情况从目标智能导学资源中确定目标学习任务。
发送单元，用于向目标对象推送目标学习任务。
可选地，第二处理单元，具体用于根据待学习任务的掌握情况构建对应的目标矩阵；根据未掌握内容在知识图谱中的位置，确定与未掌握内容相关的前驱内容和后延内容，前驱内容和后延内容为目标学习任务；其中，目标矩阵中包括第一元素和第二元素，第一元素用于指示待学习任务的内容已掌握，第二元素用于指示待学习任务的内容未掌握。
可选地，智能导学装置80还包括第三处理单元和可视化单元。
第三处理单元，用于根据目标对象针对待学习任务的学习情况数据，生成对应的学习情况报告；其中，学习情况数据包括生理数据、身体动作数据、交互操作数据、待学习任务的掌握情况以及待学习任务中未掌握内容对应的智能导学策略中的至少一种。
可视化单元，用于可视化学习情况报告。
本发明实施例提供的智能导学装置80，可以执行上述任一实施例中智能导学方法的技术方案，其实现原理以及有益效果与智能导学方法的实现原理及有益效果类似，可参见智能导学方法的实现原理及有益效果，此处不再进行赘述。
图9示例了一种电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令，以执行智能导学方法，该方法包括：针对沉浸式学习环境中的待学习任务，采集目标对象学习过程中的生理数据、身体动作数据、以及与沉浸式学习环境间的交互操作数据；根据生理数据、身体动作数据、以及交互操作数据，确定目标对象对应的目标智能导学策略；控制沉浸式学习环境通过目标智能导学策略，为目标对象提供智能导学。
此外，上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的智能导学方法，该方法包括：针对沉浸式学习环境中的待学习任务，采集目标对象学习过程中的生理数据、身体动作数据、以及与沉浸式学习环境间的交互操作数据；根据生理数据、身体动作数据、以及交互操作数据，确定目标对象对应的目标智能导学策略；控制沉浸式学习环境通过目标智能导学策略，为目标对象提供智能导学。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的智能导学方法，该方法包括：针对沉浸式学习环境中的待学习任务，采集目标对象学习过程中的生理数据、身体动作数据、以及与沉浸式学习环境间的交互操作数据；根据生理数据、身体动作数据、以及交互操作数据，确定目标对象对应的目标智能导学策略；控制沉浸式学习环境通过目标智能导学策略，为目标对象提供智能导学。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种智能导学方法，其特征在于，包括：
针对沉浸式学习环境中的待学习任务，采集目标对象学习过程中的生理数据、身体动作数据、以及与所述沉浸式学习环境间的交互操作数据；
根据所述生理数据、所述身体动作数据、以及所述交互操作数据，确定所述目标对象对应的目标智能导学策略；
控制所述沉浸式学习环境通过所述目标智能导学策略，为所述目标对象提供智能导学；
所述根据所述生理数据、所述身体动作数据、以及所述交互操作数据，确定所述目标对象对应的目标智能导学策略，包括：
根据所述生理数据、所述身体动作数据、以及所述交互操作数据，确定目标特征值；其中，所述目标特征值用于指示所述目标对象对所述待学习任务的认知负荷程度；生理数据包括脑电数据、心率数据以及眼动数据；身体动作数据包括躯体数据、表情数据以及手势数据；交互操作数据包括点击操作数据、抓取操作数据、连接操作数据、装配操作数据、以及视觉关注点移动数据；
根据所述目标特征值，确定所述目标对象对应的所述目标智能导学策略；
所述根据所述目标特征值，确定所述目标对象对应的目标智能导学策略，包括：
若所述目标特征值大于或等于第一阈值，且小于或等于第二阈值，则所述目标智能导学策略为智能问答策略；
若所述目标特征值小于所述第一阈值，或者大于所述第二阈值，且小于或等于第三阈值，则所述目标智能导学策略为知识导航及学习路径推荐策略；
若所述目标特征值大于或等于所述第一阈值，则所述目标智能导学策略为疲劳预警策略；
在所述目标智能导学策略为知识导航及学习路径推荐策略的情况下，所述方法还包括：
根据所述生理数据、所述身体动作数据、以及所述交互操作数据确定所述目标对象的学习风格，并根据所述交互操作数据，确定所述目标对象的学习习惯；
根据所述学习风格和所述学习习惯确定对应的目标智能导学资源，并根据所述待学习任务的掌握情况从所述目标智能导学资源中确定目标学习任务；
向所述目标对象推送所述目标学习任务。
2.根据权利要求1所述的智能导学方法，其特征在于，根据所述生理数据、所述身体动作数据、以及所述交互操作数据，确定目标特征值，包括：
提取所述生理数据对应的生理特征，所述身体动作数据对应的行为特征，以及所述交互操作数据对应的期望学习路径特征；
根据所述生理特征、所述行为特征以及所述期望学习路径特征，确定所述目标特征值。
3.根据权利要求2所述的智能导学方法，其特征在于，所述根据所述生理特征、所述行为特征以及所述期望学习路径特征，确定所述目标特征值，包括：
对所述生理特征、所述行为特征以及所述期望学习路径特征进行归一化处理，得到目标生理特征、目标行为特征以及目标期望学习路径特征；
根据所述目标生理特征、所述目标行为特征以及所述目标期望学习路径特征，确定所述目标特征值。
4.根据权利要求1所述的智能导学方法，其特征在于，所述根据所述待学习任务的掌握情况从所述目标智能导学资源中确定目标学习任务，包括：
根据所述待学习任务的掌握情况构建对应的目标矩阵；其中，目标矩阵中包括第一元素和第二元素，所述第一元素用于指示所述待学习任务的内容已掌握，所述第二元素用于指示所述待学习任务的内容未掌握；
根据未掌握内容在知识图谱中的位置，确定与所述未掌握内容相关的前驱内容和后延内容，所述前驱内容和所述后延内容为所述目标学习任务。
5.根据权利要求1-3任一项所述的智能导学方法，其特征在于，所述方法还包括：
根据所述目标对象针对所述待学习任务的学习情况数据，生成对应的学习情况报告；其中，所述学习情况数据包括所述生理数据、所述身体动作数据、所述交互操作数据、所述待学习任务的掌握情况以及所述待学习任务中未掌握内容对应的智能导学策略中的至少一种；
可视化所述学习情况报告。
6.一种智能导学装置，其特征在于，包括：
采集单元，用于针对沉浸式学习环境中的待学习任务，采集目标对象学习过程中的生理数据、身体动作数据、以及与所述沉浸式学习环境间的交互操作数据；
第一处理单元，用于根据所述生理数据、所述身体动作数据、以及所述交互操作数据，确定所述目标对象对应的目标智能导学策略；
控制单元，用于控制所述沉浸式学习环境通过所述目标智能导学策略，为所述目标对象提供智能导学；
第一处理单元，具体用于根据生理数据、身体动作数据、以及交互操作数据，确定目标特征值；并根据目标特征值，确定目标对象对应的目标智能导学策略；其中，目标特征值用于指示目标对象对待学习任务的认知负荷程度；生理数据包括脑电数据、心率数据以及眼动数据；身体动作数据包括躯体数据、表情数据以及手势数据；交互操作数据包括点击操作数据、抓取操作数据、连接操作数据、装配操作数据、以及视觉关注点移动数据；
若目标特征值大于或等于第一阈值，且小于或等于第二阈值，则目标智能导学策略为智能问答策略；若目标特征值小于第一阈值，或者大于第二阈值，且小于或等于第三阈值，则目标智能导学策略为知识导航及学习路径推荐策略；若目标特征值大于或等于第一阈值，则目标智能导学策略为疲劳预警策略；
在所述目标智能导学策略为知识导航及学习路径推荐策略的情况下，所述智能导学装置还包括第二处理单元和发送单元：
第二处理单元，用于根据所述生理数据、所述身体动作数据、以及所述交互操作数据确定所述目标对象的学习风格，并根据所述交互操作数据，确定所述目标对象的学习习惯；根据所述学习风格和所述学习习惯确定对应的目标智能导学资源，并根据所述待学习任务的掌握情况从所述目标智能导学资源中确定目标学习任务；
发送单元，用于向所述目标对象推送所述目标学习任务。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的智能导学方法。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的智能导学方法。
9.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的智能导学方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210594903.1A CN115309258B (zh) | 2022-05-27 | 2022-05-27 | 智能导学方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210594903.1A CN115309258B (zh) | 2022-05-27 | 2022-05-27 | 智能导学方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115309258A CN115309258A (zh) | 2022-11-08 |
| CN115309258B true CN115309258B (zh) | 2024-03-15 |
Family
ID=83855057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210594903.1A Active CN115309258B (zh) | 2022-05-27 | 2022-05-27 | 智能导学方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115309258B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109885595A (zh) * | 2019-01-17 | 2019-06-14 | 平安城市建设科技(深圳)有限公司 | 基于人工智能的课程推荐方法、装置、设备及存储介质 |
| CN114119932A (zh) * | 2021-10-14 | 2022-03-01 | 中国科学院自动化研究所 | Vr教学方法、装置、电子设备、存储介质和程序产品 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10115038B2 (en) * | 2016-07-15 | 2018-10-30 | EdTech Learning LLC | Method for adaptive learning utilizing facial recognition |
-
2022
- 2022-05-27 CN CN202210594903.1A patent/CN115309258B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109885595A (zh) * | 2019-01-17 | 2019-06-14 | 平安城市建设科技(深圳)有限公司 | 基于人工智能的课程推荐方法、装置、设备及存储介质 |
| CN114119932A (zh) * | 2021-10-14 | 2022-03-01 | 中国科学院自动化研究所 | Vr教学方法、装置、电子设备、存储介质和程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115309258A (zh) | 2022-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dewan et al. | Engagement detection in online learning: a review | |
| Järvelä et al. | Bridging learning sciences, machine learning and affective computing for understanding cognition and affect in collaborative learning | |
| Wendemuth et al. | A companion technology for cognitive technical systems | |
| Al-Hmouz et al. | Modeling and simulation of an adaptive neuro-fuzzy inference system (ANFIS) for mobile learning | |
| Kidd | Knowledge acquisition: An introductory framework | |
| Mareschal et al. | Computational modeling in developmental psychology | |
| Crowder et al. | Artificial cognition architectures | |
| CN110291542B (zh) | 主要原因估计装置、主要原因估计系统以及主要原因估计方法 | |
| CN117064388A (zh) | 基于情绪识别实现精神障碍评估分析的系统 | |
| US11928163B2 (en) | Apparatus, method and computer program for creating digital memories for a particular person | |
| Durães et al. | Modelling a smart environment for nonintrusive analysis of attention in the workplace | |
| CN117438047A (zh) | 心理咨询模型训练和心理咨询处理方法、装置及电子设备 | |
| Kraaij et al. | Personalized support for well-being at work: an overview of the SWELL project | |
| Kumar et al. | Analysis of machine learning algorithms for facial expression recognition | |
| EP4332849A1 (en) | A method performed by an information processing device, a program product, and a system for acquiring artificial intelligence from processing context related operational, human bio-signal and human conduct data | |
| CN115309258B (zh) | 智能导学方法、装置和电子设备 | |
| US20230306232A1 (en) | Apparatus, method and computer program for developing a behaviour tool to estimate a behaviour of a person | |
| Bitkina et al. | User stress in artificial intelligence: modeling in case of system failure | |
| Mansoori et al. | A Systematic Survey on Computational agents for Mental Health Aid | |
| Meineri et al. | How the psychological theory of action identification can offer new advances for research in cognitive engineering | |
| Tou et al. | Individualized Electrode Subset Improves the Calibration Accuracy of an EEG P300-design Brain-Computer Interface for People with Severe Cerebral Palsy | |
| Abascal et al. | Personalizing the User Interface for People with Disabilities. | |
| Fofanah et al. | Adaptive Neuro-Fuzzy Inference System with Non-Linear Regression Model for Online Learning Framework | |
| Salous | User modeling for adaptation of cognitive systems | |
| Taheri | Multimodal Multisensor attention modelling |
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 |