CN116226410A - 一种知识元联结学习者状态的教学评估与反馈方法及系统 - Google Patents
一种知识元联结学习者状态的教学评估与反馈方法及系统 Download PDFInfo
- Publication number
- CN116226410A CN116226410A CN202310507596.3A CN202310507596A CN116226410A CN 116226410 A CN116226410 A CN 116226410A CN 202310507596 A CN202310507596 A CN 202310507596A CN 116226410 A CN116226410 A CN 116226410A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- learner
- learning
- elements
- knowledge elements
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000002372 labelling Methods 0.000 claims abstract description 56
- 238000003062 neural network model Methods 0.000 claims abstract description 51
- 230000000875 corresponding effect Effects 0.000 claims description 43
- 239000013598 vector Substances 0.000 claims description 28
- 230000002457 bidirectional effect Effects 0.000 claims description 14
- 230000008451 emotion Effects 0.000 claims description 14
- 230000004424 eye movement Effects 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 9
- 230000006998 cognitive state Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000019771 cognition Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000009411 base construction Methods 0.000 claims description 3
- 238000003058 natural language processing Methods 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000037007 arousal Effects 0.000 description 4
- 230000001149 cognitive effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013210 evaluation model Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 230000004630 mental health Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 206010034719 Personality change Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种知识元联结学习者状态的教学评估与反馈方法及系统,涉及电子信息领域。包括获取课程学习视频内容对应的知识元和学习状态;构建存储知识元与学习状态的知识库;搭建混合神经网络模型对知识库中的知识元进行实体定义和标注;对标注结果进行分析计算,得到不同知识元之间的关系度量值,对不同知识元之间的关系进行分类,并找到与分类结果对应的关系,将不同知识元之间的关系存储到数据库中;将知识元的时间戳与学习者学习状态的时间戳对齐,实现知识元与学习状态的关联;创建课程学习情况知识图谱;基于课程学习情况知识图谱对学习者学习情况进行评估。采用本发明的方法进行教学评价更加真实、科学、客观、精准。
Description
技术领域
本发明属于电子信息技术领域,尤其涉及一种知识元联结学习者状态的教学评估与反馈方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
传统教学评价往往由教师采用一把“标尺”丈量所有学生的知识能力水平,评价方式主观、单一,缺乏过程性数据的支持以及过程性数据的处理挖掘能力,未能形成课堂教学环境下学生学习状态和学习效果的科学模型,无法实现对个体能力、认知水平、人格特质、心理健康等更全面客观精准的评估。
发明内容
为克服上述现有技术的不足,本发明提供了一种知识元联结学习者状态的教学评估与反馈方法及系统,提高了教学评价精准性,解决现有教学评价结果欠精准的问题。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
本发明第一方面提供了一种知识元联结学习者状态的教学评估与反馈方法。
一种知识元联结学习者状态的教学评估与反馈方法,包括以下步骤:
构建存储知识元与学习状态的知识库,所述知识库中包括知识元、相应的视频ID、知识元的时间戳以及视频ID、学习者相应的学习状态、学习者学习状态的时间戳;
利用混合神经网络模型对知识库中的知识元进行实体定义和标注,得到标注结果;
对混合神经网络模型输出的标注结果进行分析计算,确定不同知识元之间的关系类型,将不同知识元之间的关系数据存储到数据库中;
将知识元的时间戳与学习者学习状态的时间戳对齐,实现知识元与学习状态的关联;将知识元作为实体,与知识元关联后的学习状态、混合神经网络模型输出的标注结果作为知识元的实体属性,共同存储在数据库中;
基于数据库中的知识元、与知识元关联后的学习状态、混合神经网络模型输出的标注结果、不同知识元之间的关系数据,创建课程学习情况知识图谱;
基于课程学习情况知识图谱对学习者学习情况进行评估。
优选的,构建存储知识元与学习状态的知识库,具体包括:
获取课程学习视频内容,将视频内容拆分成多个片段,通过人工标注的方式将每个片段对应一个或多个知识元,得到所有的知识元,将每个视频的知识元与知识元相应的视频ID和时间戳关联起来,将知识元、相应的视频ID和时间戳存储在第一数据集中;
获取正在观看视频的学习者的学习状态,当学习者观看视频时,记录当前的视频ID、学习者相应的学习状态和时间戳,将当前的视频ID、学习者相应的学习状态和时间戳存储在第二数据集中;
将第一数据集和第二数据集的内容存入知识库中。
优选的,获取正在观看视频的学习者的学习状态,具体包括:
通过摄像头、眼动仪对正在观看视频的学习者的表情、眼动数据进行实时采集,通过VR设备对学习者动作数据进行实时采集,通过录音设备对学习者语言进行实时采集,得到学习者的情感状态;
通过线上教学平台收集学习者学习的知识点内容、帮助需求与掌握程度,获取学习者的认知状态;
通过学习者的情感状态和认知状态,得到学习者的学习状态。
优选的,利用混合神经网络模型对知识库中的知识元进行实体定义和标注,得到标注结果,具体包括:
搭建包含输入层、双向LSTM层、聚合层和分类层的混合神经网络模型;
将知识元输入至输入层中,利用自然语言处理中的词嵌入技术将知识元的具体内容转换为一个个词向量组成的向量序列;
将向量序列输入至包含正向LSTM单元和反向LSTM单元的双向LSTM层中,在每个时间步上使用正向LSTM单元和反向LSTM单元学习向量序列中的上下文信息;
利用聚合层将双向LSTM层所有位置上的隐状态进行平均,作为整个句子的表示,得到句子的语义向量;
在分类层中引入命名实体识别和术语分类模块,将语义向量输入至分类层中,通过句子语义向量对知识元中的实体和术语进行分类或识别,进而对知识元进行实体定义和标注,得到标注结果。
优选的,预设知识元关系库,定义知识元之间可能存在的多种关系,每个对关系的描述均包含关系类型和每个关系类型对应的多个不同知识元关系度量值的范围;
对混合神经网络模型输出的标注结果进行分析计算,得到不同知识元之间的关系度量值,将关系度量值与知识元关系库中每个关系类型对应的不同知识元关系度量值的范围进行对比,确定不同知识元之间的关系类型,将不同知识元之间的关系数据存储到数据库中。
优选的,对混合神经网络模型输出的标注结果进行相关性计算,得到不同知识元之间的相关系数,将不同知识元之间的相关系数作为关系度量值。
优选的,将知识元的时间戳与学习者学习状态的时间戳对齐,实现知识元与学习状态的关联,具体包括:
将第一数据集和第二数据集中的时间戳与视频ID相结合,得到唯一标识符,基于唯一标识符,将知识元与学习状态进行关联。
优选的,基于数据库中的知识元、与知识元关联后的学习状态、不同知识元之间的关系数据,创建课程学习情况知识图谱,具体包括:
将知识元作为节点、不同知识元之间的关系数据作为节点之间的边,以与知识元关联后的学习状态、混合神经网络模型输出的标注结果作为节点的属性,由此构成课程学习情况知识图谱。
优选的,基于课程学习情况知识图谱对学习者学习情况进行评估,具体包括:
根据课程学习情况知识图谱对学习者学习效率、知识掌握程度、学习情况进行综合评估与反馈,得到学习者个体的评估结果;
获取多个学习者个体的评估结果,将多个学习者个体的评估结果进行平均,得到学习者群体的评估结果。
本发明第二方面提供了一种知识元联结学习者状态的教学评估与反馈系统。
一种知识元联结学习者状态的教学评估与反馈系统,包括:
知识库构建模块,被配置为:构建存储知识元与学习状态的知识库,所述知识库中包括知识元、相应的视频ID、知识元的时间戳以及视频ID、学习者相应的学习状态、学习者学习状态的时间戳;
神经网络模型搭建模块,被配置为:利用混合神经网络模型对知识库中的知识元进行实体定义和标注,得到标注结果;
关系度量值计算模块,被配置为:对混合神经网络模型输出的标注结果进行分析计算,确定不同知识元之间的关系类型,将不同知识元之间的关系数据存储到数据库中;
关联模块,被配置为:将知识元的时间戳与学习者学习状态的时间戳对齐,实现知识元与学习状态的关联;将知识元作为实体,与知识元关联后的学习状态、混合神经网络模型输出的标注结果作为知识元的实体属性,共同存储在数据库中;
知识图谱创建模块,被配置为:基于数据库中的知识元、与知识元关联后的学习状态、混合神经网络模型输出的标注结果、不同知识元之间的关系数据,创建课程学习情况知识图谱;
评估模块,被配置为:基于课程学习情况知识图谱对学习者学习情况进行评估。
以上一个或多个技术方案存在以下有益效果:
本发明在课堂教学评估方面,现有研究方法存在数据来源和评价指标较单一,评估模式和关注点较片面,对学习情感和认知状态评估结果偏差较大等不足。本发明提出了一种知识元联结学习者状态的教学评估与反馈方法及系统,具有数据源多样、评价过程科学可解释、评估结果精准且易于反馈优化的优势。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为第一个实施例知识元与学习者学习状态的关联流程图。
图2为第一个实施例学习者评估分析与反馈流程图。
图3为第一个实施例混合神经网络模型结构图。
图4为第二个实施例的系统结构图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
本发明提出的总体思路:
知识元是指不可再分割的具有完备知识表达的知识单位。本发明提出了一种知识元联结学习者状态的教学评估与反馈方法及系统,在课堂流媒体环境中,基于物联网和人工智能等技术,以及眼动仪、脑电仪等智能感知设备,能够对复杂的教学过程进行实时监测与记录,并形成语言、文字、图像、视频等跨模态数据。基于跨模态学习分析技术,在领域知识元提取与知识图谱构建基础上,对课堂流媒体数据进行协同解析,从而挖掘和还原课堂跨模态、伴随性的流媒体所隐含的课堂教与学过程信息,进一步揭示教与学过程信息与课堂教育质量存在隐性关联的科学模型,构建崭新的课堂教与学评估模型。这种评价方式更加全面、科学,在很大程度上能够扭转“唯分数”的不科学教育评价导向,避免教学评价的短视化和应试化,以评价为导向优化教学方式,提升课堂教学质量,将更多焦点放在学生的创新思维和能力、综合素质、人格与心理健康上,遵循教育规律促进学生全面健康发展。
实施例一
本实施例公开了一种知识元联结学习者状态的教学评估与反馈方法。
一种知识元联结学习者状态的教学评估与反馈方法,包括以下步骤:
获取课程学习视频内容,通过人工标注的方式将课程学习视频内容对应到知识元,将每个视频的知识元与知识元相应的视频ID和时间戳关联起来,将知识元、相应的视频ID和时间戳存储在第一数据集中;
获取正在观看视频的学习者的学习状态,当学习者观看视频时,记录当前的视频ID、学习者相应的学习状态和时间戳,将当前的视频ID、学习者相应的学习状态和时间戳存储在第二数据集中;
构建存储知识元与学习状态的知识库,所述知识库包含第一数据集和第二数据集中的内容;
搭建包含输入层、双向LSTM层、聚合层和分类层的混合神经网络模型,利用混合神经网络模型对知识库中的知识元进行实体定义和标注,得到标注结果;
预设知识元关系库,定义知识元之间可能存在的多种关系,每个对关系的描述均包含关系类型和每个关系类型对应的多个不同知识元关系度量值的范围;
对混合神经网络模型输出的标注结果进行分析计算,得到不同知识元之间的关系度量值,将关系度量值与知识元关系库中每个关系类型对应的不同知识元关系度量值的范围进行对比,确定不同知识元之间的关系类型,将不同知识元之间的关系存储到数据库中;
将知识元的时间戳与学习者学习状态的时间戳对齐,实现知识元与学习状态的关联;将知识元作为实体,与知识元关联后的学习状态、混合神经网络模型输出的标注结果作为知识元的实体属性,共同存储在数据库中;
基于数据库中的知识元、与知识元关联后的学习状态、混合神经网络模型输出的标注结果、不同知识元之间的关系数据,创建课程学习情况知识图谱;
基于课程学习情况知识图谱对学习者学习情况进行评估。
具体的,如图1所示:
获取课程学习视频内容,通过人工标注的方式将课程学习视频内容对应到知识元,具体包括:
获取课程学习视频内容,将视频内容拆分成多个片段,通过人工标注的方式将每个片段对应一个或多个知识元,得到所有的知识元。
获取正在观看视频的学习者的学习状态,具体包括:
通过摄像头、眼动仪对正在观看视频的学习者的表情、眼动数据进行实时采集,通过VR设备对学习者动作数据进行实时采集,通过录音设备对学习者语言进行实时采集,得到学习者的情感状态;
通过线上教学平台收集学习者学习的知识点内容、帮助需求与掌握程度,获取学习者的认知状态;
通过学习者的情感状态和认知状态,得到学习者的学习状态。
学习者的学习状态分为情感状态与认知状态,根据情感状态识别框架的维度划分可知,唤醒维度的识别是通过对学习者眼部动作来识别,如瞳孔的放大、缩小以及眼睛区域面积变化等,而兴趣维度、愉快维度的判断同样与眼部动作与面目动作相关。在新型课堂的教学情境中,若要及时获取学习者的情感状态,则需要在课堂中应用相应的电子设备来实现,如摄像头、眼动仪对学习表情、眼动数据的采集,VR设备对学习者动作数据的捕捉,以及录音设备对学习者语言的记录等。认知状态维度包括知识点内容、帮助需求与掌握程度,线上教学平台能够记录学生学习的知识内容,并能够对学习者具体操作数据如是否寻求了帮助以及参与讨论的情况等进行收集,以实现对学习者的认知维度相关数据的收集。
如图1所示,在学习者观看教学视频时,通过摄像头采集学习者的表情数据、通过眼动仪采集眼动数据、VR设备采集动作数据、通过线上教学平台记录学习者行为数据与学习内容。在学习者的认知状态中,通过线上教学平台获取学习者的学习内容和学习者是否需要帮助的情况,基于知识元的知识追踪技术,得到学习者的知识掌握程度;学习者的情感状态包括唤醒维度、兴趣维度和愉快维度,唤醒维度包括紧张、睡眠等状态,兴趣维度包括感兴趣和不感兴趣等状态,愉快维度包括愉快、不愉快等状态。
在对认知状态的采集中,学习者的语言通过回答问题、小组活动、朗读、讨论等活动获得;学习者的动作通过测试、观察、倾听等活动获得。
之后将课程知识元与学习者学习状态进行关系联结,得到课程知识元与学习者学习状态的关联。
进一步的,如图3所示,搭建包含输入层、双向LSTM层、聚合层和分类层的混合神经网络模型,利用混合神经网络模型对知识库中的知识元进行实体定义和标注,具体包括:
将知识元输入至输入层中,利用自然语言处理中的词嵌入技术将知识元的具体内容转换为一个个词向量组成的向量序列;
将向量序列输入至包含正向LSTM单元和反向LSTM单元的双向LSTM层中,在每个时间步上使用正向LSTM单元和反向LSTM单元学习向量序列中的上下文信息;
利用聚合层将双向LSTM层所有位置上的隐状态进行平均,作为整个句子的表示,得到句子的语义向量;
在分类层中引入命名实体识别和术语分类模块,将语义向量输入至分类层中,通过句子语义向量对知识元中的实体和术语进行分类或识别,进而对知识元进行实体定义和标注,得到标注结果。
在本实施例中,将知识库中知识元的具体描述转变为词向量序列,利用混合神经网络实现知识元的特征识别。其中,混合神经网络的关键是双向LSTM编码层,该层由命名实体识别模块和术语分类模块共享。通过多层的双向LSTM将词向量序列转化为一个表示整个句子语义的向量后,输入至命名实体识别模块中,命名实体识别模块包括全连接层和CRF层,全连接层是一个常见的神经网络层,用于学习输入特征与标签之间的复杂非线性关系。全连接层将共享双向LSTM编码层输出语义向量序列作为输入,通过一系列的全连接操作将其转换为一个新的表示(标签),以更好地捕捉输入中的关键特征。CRF层即条件随机场层,用于对全连接层的输出进行标签预测。它考虑了标签之间的相关性和上下文信息,并利用条件概率模型来计算最可能的标签序列,并使用BILOS编码来表示命名实体的开始、内部、外部和单独的位置,得到每个单词的知识元实体标签。术语分类模块包括池化和全连接层以及分类层,在术语分类模块中,将双向LSTM编码层的输出通过池化和全连接层进行压缩,再输入分类层进行术语分类。分类层的输出采用sigmoid激活函数输出每个类别的概率分布。
之后,将命名实体识别模块输出的每个单词对应的标签和术语分类模块输出的术语类别的概率分布共同输入至混合层中,混合层会将命名实体识别模块和术语分类模块的输出进行特征融合(向量拼接),并生成一个新的向量序列作为下一层(输出层)的输入,以实现对知识元的特征识别和分类,之后通过输出层输出。
进一步的,还包括对混合神经网络模型进行训练,具体为:
获取多个知识元,通过人工标注的方式得到每个知识元对应的属性,将多个知识元及对应的属性构造为训练集;
利用训练集对混合神经网络模型进行训练,以学习知识元的特征和知识元对应的属性;使用二元交叉熵损失函数计算混合神经网络模型的损失,并通过反向传播和Adam优化器来更新模型参数。
二元交叉熵损失函数,具体为:
其中,BCELoss函数的输出是损失值;n表示训练集中的样本数量,每个样本是一个知识元及其属性;而i表示样本的索引或编号;表示标签值;/>表示标签值/>的概率(sigmoid函数的输出);/>为以e为底的自然对数(ln)函数;/>表示以e为底的自然对数(ln)函数应用在预测值/>上的结果。这种对数变换的目的是为了将概率值映射到一个更便于计算和优化的范围。在二元交叉熵损失函数中,将预测值/>应用对数函数后,得到/>。将/>作为损失函数的一部分,可以使优化过程更加稳定和有效。
训练集除了知识元的具体内容外,还包括了人工标注的知识的属性。比如A知识元属于操作性知识,B知识元属于陈述性知识。操作性知识和陈述性知识就是知识元的属性。
通过这些信息训练混合神经网络模型,使得后续只需要将知识元输入到其中,它就能分析出知识元的相应属性。
进一步的,对混合神经网络模型输出的标注结果进行相关性计算,得到不同知识元之间的相关系数,将不同知识元之间的相关系数作为关系度量值。
在本实施例中,根据对混合神经网络模型输出的标注结果进行分析,获取知识元之间的关系度量值,并根据关系度量值在知识元关系库中找到其对应的关系,具体包含以下步骤:
查询数据:使用SQL查询语句从MySQL数据库中提取知识元数据;
数据分析:使用Python的pandas、numpy等库,对数据进行分析,计算出不同知识元之间的关系度量值,如Pearson相关系数、Jaccard相似性等;
关系分类:根据计算得到的关系度量值,将知识元之间的关系进行分类;并将分析得到的知识元之间的关系存储到MySQL中。
进一步的,将知识元的时间戳与学习者学习状态的时间戳对齐,实现知识元与学习状态的关联,具体包括:
将第一数据集和第二数据集中的时间戳与视频ID相结合,得到唯一标识符,基于唯一标识符,将知识元与学习状态进行关联。
将每个视频的知识元标识符与相应的视频ID和具体的时间戳关联起来,并将这些数据存储在一个数据集中。
学习者的数据分为知识元内容与学习状态两部分,当学生在观看视频时,记录当前视频的ID以及相应的学习状态数据和时间戳,并将这些数据存储在另一个学习状态的数据集中,其中学习状态数据所对应的视频ID和时间戳会被结合起来作为一个数据;
最后,使用时间戳与视频ID结合得到的唯一标识符将学习状态数据和知识元数据进行关联,以便下游任务中分析和理解学生在学习特定知识元时的学习状态。
进一步的,基于数据库中的知识元、与知识元关联后的学习状态、不同知识元之间的关系数据,创建课程学习情况知识图谱,具体包括:
将知识元作为节点、不同知识元之间的关系数据作为节点之间的边,以与知识元关联后的学习状态、混合神经网络模型输出的标注结果作为节点的属性,由此构成课程学习情况知识图谱。
使用圆表示一个节点,并且可以向里面添加键值对形式的数据,键值对就是属性,也就是与知识元关联后的学习状态和混合神经网络模型输出的标注结果。
在本实施例中,根据MySQL中知识元及其之间的关系数据,利用Neo4j创建课程学习情况知识图谱,具体包括:
在Neo4j中创建知识元节点:可以通过Cypher语言编写查询语句来批量创建知识元节点,每个节点包含该知识元的学习状态作为其属性信息;
在Neo4j中创建知识元之间的关系:可以通过Cypher语言编写查询语句来创建知识元之间的关系。
进一步的,基于课程学习情况知识图谱对学习者学习情况进行评估,具体包括:
根据课程学习情况知识图谱对学习者学习效率、知识掌握程度、学习情况进行综合评估与反馈,得到学习者个体的评估结果;
获取多个学习者个体的评估结果,将多个学习者个体的评估结果进行平均,得到学习者群体的评估结果。
为了更好的进行评估,本实施例中提供了教学评估模型,教学评估模型分为个体模型和群体模型:
个体模型是按照课程学习情况知识图谱,绘制出学习者的各类知识掌握情况;群体模型是个体模型的均值表现。比对个体模型和群体模型,可以向个体提出具体到知识元细粒度的反馈信息。
如图2所示,学习者评估模型包括个体模型和群体模型。个体模型是对个体学习者进行的知识掌握程度、个体学习进度、认知水平和情绪状态的评估;群体模型是对群体学习者的课程进度、整体知识掌握程度、平均认知水平、整体情绪状态的评估。其中,认知水平包括学习者的注意水平、判断水平、记忆水平,情绪状态包括学习者的唤醒状态、愉快状态和感兴趣状态。通过学习者评估模型实现对学习者个体和群体的认知诊断和可视化分析,得到学习者个体和群体的课程完成情况评估信息、知识掌握进度评估信息、学习状态评估信息,基于学习者个体和群体的课程完成情况评估信息、知识掌握进度评估信息、学习状态评估信息,向个体进行信息的反馈优化。
更为具体的,基于学习者学习情况的知识图谱,可以为学习者提供个性化的学习路径和反馈,从而帮助学习者更好地掌握知识点。
根据课程学习情况知识图谱可进行的评价方法如下:
知识点掌握度评价:根据学习者在知识图谱上学习的知识元数量和各个知识元的学习状态,计算出其对不同知识点的掌握程度。同时,也可以利用知识图谱中不同知识元之间的关联关系,评估学习者在相关知识元之间的理解程度。
学习效率评价:根据学习者在知识图谱上的学习路径和学习时长,评估其学习效率和学习速度。同时,也可以比较学习者与其他同学的学习效率和学习速度,给出相应的反馈和建议。
学习情绪评价:根据学习者在知识图谱上的学习行为和面部表情信息,评估其在进行不同知识元学习时的学习态度和学习动机。此外,学生对同一个知识元的学习次数,以及每次学习同一个知识元时学习状态的变量来评价学生的学习情绪变化以及态度变化。
实施例二
本实施例公开了一种知识元联结学习者状态的教学评估与反馈系统。
如图4所示,一种知识元联结学习者状态的教学评估与反馈系统,包括:
知识库构建模块,被配置为:构建存储知识元与学习状态的知识库,所述知识库中包括知识元、相应的视频ID、知识元的时间戳以及视频ID、学习者相应的学习状态、学习者学习状态的时间戳;
神经网络模型搭建模块,被配置为:利用混合神经网络模型对知识库中的知识元进行实体定义和标注,得到标注结果;
关系度量值计算模块,被配置为:对混合神经网络模型输出的标注结果进行分析计算,确定不同知识元之间的关系类型,将不同知识元之间的关系数据存储到数据库中;
关联模块,被配置为:将知识元的时间戳与学习者学习状态的时间戳对齐,实现知识元与学习状态的关联;将知识元作为实体,与知识元关联后的学习状态、混合神经网络模型输出的标注结果作为知识元的实体属性,共同存储在数据库中;
知识图谱创建模块,被配置为:基于数据库中的知识元、与知识元关联后的学习状态、混合神经网络模型输出的标注结果、不同知识元之间的关系数据,创建课程学习情况知识图谱;
评估模块,被配置为:基于课程学习情况知识图谱对学习者学习情况进行评估。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种知识元联结学习者状态的教学评估与反馈方法,其特征在于,包括以下步骤:
构建存储知识元与学习状态的知识库,所述知识库中包括知识元、相应的视频ID、知识元的时间戳以及视频ID、学习者相应的学习状态、学习者学习状态的时间戳;
利用混合神经网络模型对知识库中的知识元进行实体定义和标注,得到标注结果;
对混合神经网络模型输出的标注结果进行分析计算,确定不同知识元之间的关系类型,将不同知识元之间的关系数据存储到数据库中;
将知识元的时间戳与学习者学习状态的时间戳对齐,实现知识元与学习状态的关联;将知识元作为实体,与知识元关联后的学习状态、混合神经网络模型输出的标注结果作为知识元的实体属性,共同存储在数据库中;
基于数据库中的知识元、与知识元关联后的学习状态、混合神经网络模型输出的标注结果、不同知识元之间的关系数据,创建课程学习情况知识图谱;
基于课程学习情况知识图谱对学习者学习情况进行评估。
2.如权利要求1所述的知识元联结学习者状态的教学评估与反馈方法,其特征在于,构建存储知识元与学习状态的知识库,具体包括:
获取课程学习视频内容,将视频内容拆分成多个片段,通过人工标注的方式将每个片段对应一个或多个知识元,得到所有的知识元,将每个视频的知识元与知识元相应的视频ID和时间戳关联起来,将知识元、相应的视频ID和时间戳存储在第一数据集中;
获取正在观看视频的学习者的学习状态,当学习者观看视频时,记录当前的视频ID、学习者相应的学习状态和时间戳,将当前的视频ID、学习者相应的学习状态和时间戳存储在第二数据集中;
将第一数据集和第二数据集的内容存入知识库中。
3.如权利要求2所述的知识元联结学习者状态的教学评估与反馈方法,其特征在于,获取正在观看视频的学习者的学习状态,具体包括:
通过摄像头、眼动仪对正在观看视频的学习者的表情、眼动数据进行实时采集,通过VR设备对学习者动作数据进行实时采集,通过录音设备对学习者语言进行实时采集,得到学习者的情感状态;
通过线上教学平台收集学习者学习的知识点内容、帮助需求与掌握程度,获取学习者的认知状态;
通过学习者的情感状态和认知状态,得到学习者的学习状态。
4.如权利要求2所述的知识元联结学习者状态的教学评估与反馈方法,其特征在于,利用混合神经网络模型对知识库中的知识元进行实体定义和标注,得到标注结果,具体包括:
搭建包含输入层、双向LSTM层、聚合层和分类层的混合神经网络模型;
将知识元输入至输入层中,利用自然语言处理中的词嵌入技术将知识元的具体内容转换为一个个词向量组成的向量序列;
将向量序列输入至包含正向LSTM单元和反向LSTM单元的双向LSTM层中,在每个时间步上使用正向LSTM单元和反向LSTM单元学习向量序列中的上下文信息;
利用聚合层将双向LSTM层所有位置上的隐状态进行平均,作为整个句子的表示,得到句子的语义向量;
在分类层中引入命名实体识别和术语分类模块,将语义向量输入至分类层中,通过句子语义向量对知识元中的实体和术语进行分类或识别,进而对知识元进行实体定义和标注,得到标注结果。
5.如权利要求1所述的知识元联结学习者状态的教学评估与反馈方法,其特征在于,预设知识元关系库,定义知识元之间可能存在的多种关系,每个对关系的描述均包含关系类型和每个关系类型对应的多个不同知识元关系度量值的范围;
对混合神经网络模型输出的标注结果进行分析计算,得到不同知识元之间的关系度量值,将关系度量值与知识元关系库中每个关系类型对应的不同知识元关系度量值的范围进行对比,确定不同知识元之间的关系类型,将不同知识元之间的关系数据存储到数据库中。
6.如权利要求5所述的知识元联结学习者状态的教学评估与反馈方法,其特征在于,对混合神经网络模型输出的标注结果进行相关性计算,得到不同知识元之间的相关系数,将不同知识元之间的相关系数作为关系度量值。
7.如权利要求2所述的知识元联结学习者状态的教学评估与反馈方法,其特征在于,将知识元的时间戳与学习者学习状态的时间戳对齐,实现知识元与学习状态的关联,具体包括:
将第一数据集和第二数据集中的时间戳与视频ID相结合,得到唯一标识符,基于唯一标识符,将知识元与学习状态进行关联。
8.如权利要求1所述的知识元联结学习者状态的教学评估与反馈方法,其特征在于,基于数据库中的知识元、与知识元关联后的学习状态、不同知识元之间的关系数据,创建课程学习情况知识图谱,具体包括:
将知识元作为节点、不同知识元之间的关系数据作为节点之间的边,以与知识元关联后的学习状态、混合神经网络模型输出的标注结果作为节点的属性,由此构成课程学习情况知识图谱。
9.如权利要求1所述的知识元联结学习者状态的教学评估与反馈方法,其特征在于,基于课程学习情况知识图谱对学习者学习情况进行评估,具体包括:
根据课程学习情况知识图谱对学习者学习效率、知识掌握程度、学习情况进行综合评估与反馈,得到学习者个体的评估结果;
获取多个学习者个体的评估结果,将多个学习者个体的评估结果进行平均,得到学习者群体的评估结果。
10.一种知识元联结学习者状态的教学评估与反馈系统,其特征在于:包括:
知识库构建模块,被配置为:构建存储知识元与学习状态的知识库,所述知识库中包括知识元、相应的视频ID、知识元的时间戳以及视频ID、学习者相应的学习状态、学习者学习状态的时间戳;
神经网络模型搭建模块,被配置为:利用混合神经网络模型对知识库中的知识元进行实体定义和标注,得到标注结果;
关系度量值计算模块,被配置为:对混合神经网络模型输出的标注结果进行分析计算,确定不同知识元之间的关系类型,将不同知识元之间的关系数据存储到数据库中;
关联模块,被配置为:将知识元的时间戳与学习者学习状态的时间戳对齐,实现知识元与学习状态的关联;将知识元作为实体,与知识元关联后的学习状态、混合神经网络模型输出的标注结果作为知识元的实体属性,共同存储在数据库中;
知识图谱创建模块,被配置为:基于数据库中的知识元、与知识元关联后的学习状态、混合神经网络模型输出的标注结果、不同知识元之间的关系数据,创建课程学习情况知识图谱;
评估模块,被配置为:基于课程学习情况知识图谱对学习者学习情况进行评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310507596.3A CN116226410B (zh) | 2023-05-08 | 2023-05-08 | 一种知识元联结学习者状态的教学评估与反馈方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310507596.3A CN116226410B (zh) | 2023-05-08 | 2023-05-08 | 一种知识元联结学习者状态的教学评估与反馈方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116226410A true CN116226410A (zh) | 2023-06-06 |
CN116226410B CN116226410B (zh) | 2023-07-04 |
Family
ID=86587649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310507596.3A Active CN116226410B (zh) | 2023-05-08 | 2023-05-08 | 一种知识元联结学习者状态的教学评估与反馈方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116226410B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556965A (zh) * | 2023-12-11 | 2024-02-13 | 深圳市二一教育科技有限责任公司 | 基于智慧作业平台的教学课程优化方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009053303A (ja) * | 2007-08-24 | 2009-03-12 | Nippon Telegr & Teleph Corp <Ntt> | 議論知識グラフ構築方法、議論知識グラフ構築装置、議論知識グラフ構築プログラムおよびそのプログラムを記録した記録媒体 |
CN111930960A (zh) * | 2020-07-30 | 2020-11-13 | 国家电网有限公司 | 一种基于知识图谱技术的光传送网知识的测试方法 |
CN113127731A (zh) * | 2021-03-16 | 2021-07-16 | 西安理工大学 | 一种基于知识图谱的个性化试题推荐方法 |
CN113807519A (zh) * | 2021-08-30 | 2021-12-17 | 华中师范大学 | 一种融入教学反馈与习得理解的知识图谱构建方法 |
-
2023
- 2023-05-08 CN CN202310507596.3A patent/CN116226410B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009053303A (ja) * | 2007-08-24 | 2009-03-12 | Nippon Telegr & Teleph Corp <Ntt> | 議論知識グラフ構築方法、議論知識グラフ構築装置、議論知識グラフ構築プログラムおよびそのプログラムを記録した記録媒体 |
CN111930960A (zh) * | 2020-07-30 | 2020-11-13 | 国家电网有限公司 | 一种基于知识图谱技术的光传送网知识的测试方法 |
CN113127731A (zh) * | 2021-03-16 | 2021-07-16 | 西安理工大学 | 一种基于知识图谱的个性化试题推荐方法 |
CN113807519A (zh) * | 2021-08-30 | 2021-12-17 | 华中师范大学 | 一种融入教学反馈与习得理解的知识图谱构建方法 |
Non-Patent Citations (2)
Title |
---|
刘凤娟等: "基于知识图谱的个性化学习模型与支持机制研究", 中国电化教育, pages 75 - 81 * |
胡钦太等: "深度学习支持下多模态学习行为可解释性分析研究", 电化教育研究, pages 77 - 83 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556965A (zh) * | 2023-12-11 | 2024-02-13 | 深圳市二一教育科技有限责任公司 | 基于智慧作业平台的教学课程优化方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116226410B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Maldonado-Mahauad et al. | Mining theory-based patterns from Big data: Identifying self-regulated learning strategies in Massive Open Online Courses | |
Amrieh et al. | Mining educational data to predict student’s academic performance using ensemble methods | |
Mueen et al. | Modeling and predicting students’ academic performance using data mining techniques | |
CN107230174B (zh) | 一种基于网络的在线互动学习系统和方法 | |
Dutt et al. | Clustering algorithms applied in educational data mining | |
Peña-Ayala | Educational data mining: A survey and a data mining-based analysis of recent works | |
Blikstein | Multimodal learning analytics | |
Kumari et al. | An efficient use of ensemble methods to predict students academic performance | |
Alblawi et al. | Big data and learning analytics in higher education: Demystifying variety, acquisition, storage, NLP and analytics | |
Sorour et al. | Comment data mining to estimate student performance considering consecutive lessons | |
CN112069970B (zh) | 课堂教学事件分析方法及装置 | |
Qi et al. | Evaluating on-line courses via reviews mining | |
Maraza-Quispe et al. | A predictive model implemented in knime based on learning analytics for timely decision making in virtual learning environments | |
CN116226410B (zh) | 一种知识元联结学习者状态的教学评估与反馈方法及系统 | |
CN115455186A (zh) | 一种基于多模型的学情分析方法 | |
Kour et al. | Analysis of student performance using Machine learning Algorithms | |
Rathi et al. | Analysis of user’s learning styles and academic emotions through web usage mining | |
Huizhong et al. | Research on the automation integration terminal of the education management platform based on big data analysis | |
CN113934846A (zh) | 一种联合行为-情感-时序的在线论坛主题建模方法 | |
Wu et al. | A Comprehensive Exploration of Personalized Learning in Smart Education: From Student Modeling to Personalized Recommendations | |
Moon et al. | Rich representations for analyzing learning trajectories: Systematic review on sequential data analytics in game-based learning research | |
Bütüner et al. | Estimation of the Academic Performance of Students in Distance Education Using Data Mining Methods | |
Guo et al. | Artificial intelligence in education research during 2013–2023: A review based on bibliometric analysis | |
Chamorro-Atalaya et al. | Supervised learning using support vector machine applied to sentiment analysis of teacher performance satisfaction | |
Terzieva et al. | Conceptual model of intelligent educational system and the need of big data analytics |
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 |