CN116362426A - 基于人工智能和深度学习的学习行为预测管理系统和方法 - Google Patents
基于人工智能和深度学习的学习行为预测管理系统和方法 Download PDFInfo
- Publication number
- CN116362426A CN116362426A CN202310637223.8A CN202310637223A CN116362426A CN 116362426 A CN116362426 A CN 116362426A CN 202310637223 A CN202310637223 A CN 202310637223A CN 116362426 A CN116362426 A CN 116362426A
- Authority
- CN
- China
- Prior art keywords
- learning
- student
- information
- content
- recommendation
- 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
- 230000013016 learning Effects 0.000 title claims abstract description 569
- 238000000034 method Methods 0.000 title claims abstract description 91
- 230000006399 behavior Effects 0.000 title claims abstract description 43
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 15
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 113
- 238000007405 data analysis Methods 0.000 claims abstract description 84
- 230000008569 process Effects 0.000 claims abstract description 74
- 238000013136 deep learning model Methods 0.000 claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000007726 management method Methods 0.000 claims description 103
- 230000003068 static effect Effects 0.000 claims description 38
- 238000012544 monitoring process Methods 0.000 claims description 31
- 238000004891 communication Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 230000003203 everyday effect Effects 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 description 27
- 230000006870 function Effects 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013523 data management Methods 0.000 description 4
- 230000008713 feedback mechanism Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000031836 visual learning Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Educational Technology (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出了基于人工智能和深度学习的学习行为预测管理系统和方法。所述学习行为预测管理系统包括:学习终端,用于针对学生用户的教材需求提供电子教材,并对学生用户在学习过程中产生的学习数据信息进行管理;数据分析处理端,用于根据学生用户的学习内容进行分析处理,并根据学习内容向学生用户进行关联学习内容推荐和学习结果测评;学习服务端,用于对学习终端和数据分析处理端在运行过程中产生的数据进行存储,并且实时对数据分析处理端的深度学习模型进行更新及训练处理。所述方法包括与所述系统模块对应的步骤。
Description
技术领域
本发明提出了基于人工智能和深度学习的学习行为预测管理系统和方法,属于学习信息管理技术领域。
背景技术
在当今信息时代,教育、培训和在线学习等领域蓬勃发展,学习者的个性化需求和学习行为分析成为关注的焦点。然而,传统的学习管理方式难以满足学习者的个性化需求,缺乏对学习行为的深入理解和预测能力。因此,本发明基于人工智能和深度学习技术,提出了一种学习行为预测管理系统和方法,以改善学习者的学习效果和体验。
发明内容
本发明提供了基于人工智能和深度学习的学习行为预测管理系统和方法,旨在利用先进的技术手段对学习者的行为进行预测和管理,从而提供个性化的学习支持和推荐,解决现有技术中的学习管理系统中缺少个性化推荐及推荐准确性较低的问题,所采取的技术方案如下:
基于人工智能和深度学习的学习行为预测管理系统,所述学习行为预测管理系统包括:
学习终端,用于针对学生用户的教材需求提供电子教材,并对学生用户在学习过程中产生的学习数据信息进行管理;
数据分析处理端,用于根据学生用户的学习内容进行分析处理,并根据学习内容向学生用户进行关联学习内容推荐和学习结果测评;
学习服务端,用于对学习终端和数据分析处理端在运行过程中产生的数据进行存储,并且实时对数据分析处理端的深度学习模型进行更新及训练处理。
进一步地,所述学习终端包括:
电子教材交互模块,用于实时监测是否接收到用户输入的教材请求信息,根据教材请求信息中的教材名称从数据库中调取对应的电子教材文件;
作业和考试管理模块,用于根据学生用户每日产生的作业计划和学期考试计划,对学生的作业信息和考试信息进行管理;
个人学习档案管理模块,用于针对学生用户的个人档案信息进行信息管理;
疑难问题互动交流模块,用于针对学生用户产生的疑难问题进行互动交流处理;
资源查询模块,用于实时监测学生用户输入的资源查询指令,根据学生用户的资源查询指令在数据库或互联网数据搜索中调取与所述查询内容相符的资源信息。
进一步地,所述数据分析处理端包括:
学情数据处理模块,用于实时获取学生用户在使用所述学习行为预测管理系统过程中产生的学习情况数据信息,并对所述学习情况数据信息按照信息类型进行分类;其中,所述信息类型包括学科学习信息、资料查询信息和资料调取信息;
学习内容推荐模块,用于对学生用户的学科学习信息、资料查询信息和资料调取信息进行分析,获取推荐内容,并将所述推荐内容推送至学生用户;
学习结果测评模块,用于实时监测学生用户是否完成一个学习任务,在一个学习任务完成后通过测试方式对学生用户的当前完成的学习任务进行测评,并获得学习测评结果。
进一步地,所述学习内容推荐模块包括:
静态特征提取模块,用于提取学生用户在学习过程中产生的静态个性化特征,其中,所述静态个性化特征包括学习偏好、学习能力和时长以及和学习风格;
动态特征提取模块,用于提取学生用户在学习过程中产生的动态个性化特征,其中,所述动态个性化特征包括学习速度、错误率和学习问题解决效率;
推荐模块,用于将学生用户的静态个性化特征和动态个性化特征作为输入量输入至深度学习模型,输出与所述输入量对应的推荐结果,并将所述推荐结果发送至学生用户。
进一步地,所述学习服务端包括
数据存储模块,用于对学习终端和数据分析处理端在运行过程中产生的数据进行存储;
推荐反馈获取模块,用于实时监测学生用户对于推荐内容的选择结果,并根据选择结果获取个性有效推荐参数;其中,所述个性有效推荐参数通过如下公式获取:
其中,U表示个性有效推荐参数;U 01、U 02和U 03分别表示第一因数参数、第二因数参数和第三因数参数;λ1、λ2和λ3分别表示第一因数参数、第二因数参数和第三因数参数的权重系数;N表示总推荐次数;N 1表示每次推荐的推荐内容中出现被学生用户对推荐内容进行点击的推荐次数;N 0表示在被学生用户对推荐内容进行点击的推荐次数中出现学生用于选中推荐内容的推荐次数;M表示第i次推荐内容中所包含的推荐项目数量;M 0i 表示第i次推荐内容中所包含的没有被学生用户进行点击的推荐项目数量;D 0表示学生用户的总点击量;D 0j 表示第i次推荐内容中的第j个推荐项目的学生用户点击次数;D表示第i次推荐内容中的学生用户的总点击次数;U m 表示第二因数参数对应的预设的基准参数常数;D si 表示第i次推荐内容中学生用户点击后阅读超过30s的项目数量;D i 表示第i次推荐内容中的学生用户点击的总项目数量;D m 表示第i次推荐内容中学生用户点击后阅读超过30s的项目中被学生选中的项目数量;
更新判断模块,用于判断所述个性有效推荐参数是否低于预设的参数阈值,如果所述个性有效推荐参数低于预设的参数阈值,则对数据分析处理端中的学习内容推荐模块所包含的深度学习模型进行更新和重新训练。
基于人工智能和深度学习的学习行为预测管理方法,所述学习行为预测管理方法包括:
针对学生用户的教材需求提供电子教材,并对学生用户在学习过程中产生的学习数据信息进行管理;
根据学生用户的学习内容进行分析处理,并根据学习内容向学生用户进行关联学习内容推荐和学习结果测评;
对学习终端和数据分析处理端在运行过程中产生的数据进行存储,并且实时对数据分析处理端的深度学习模型进行更新及训练处理。
进一步地,所述针对学生用户的教材需求提供电子教材,并对学生用户在学习过程中产生的学习数据信息进行管理包括:
实时监测是否接收到用户输入的教材请求信息,根据教材请求信息中的教材名称从数据库中调取对应的电子教材文件;
根据学生用户每日产生的作业计划和学期考试计划,对学生的作业信息和考试信息进行管理;
针对学生用户的个人档案信息进行信息管理;
针对学生用户产生的疑难问题进行互动交流处理;
实时监测学生用户输入的资源查询指令,根据学生用户的资源查询指令在数据库或互联网数据搜索中调取与所述查询内容相符的资源信息。
进一步地,所述根据学生用户的学习内容进行分析处理,并根据学习内容向学生用户进行关联学习内容推荐和学习结果测评包括:
实时获取学生用户在使用所述学习行为预测管理系统过程中产生的学习情况数据信息,并对所述学习情况数据信息按照信息类型进行分类;其中,所述信息类型包括学科学习信息、资料查询信息和资料调取信息;
对学生用户的学科学习信息、资料查询信息和资料调取信息进行分析,获取推荐内容,并将所述推荐内容推送至学生用户;
实时监测学生用户是否完成一个学习任务,在一个学习任务完成后通过测试方式对学生用户的当前完成的学习任务进行测评,并获得学习测评结果。
进一步地,所述对学生用户的学科学习信息、资料查询信息和资料调取信息进行分析,获取推荐内容,并将所述推荐内容推送至学生用户包括:
提取学生用户在学习过程中产生的静态个性化特征,其中,所述静态个性化特征包括学习偏好、学习能力和时长以及和学习风格,
提取学生用户在学习过程中产生的动态个性化特征,其中,所述动态个性化特征包括学习速度、错误率和学习问题解决效率;
将学生用户的静态个性化特征和动态个性化特征作为输入量输入至深度学习模型,输出与所述输入量对应的推荐结果,并将所述推荐结果发送至学生用户。
进一步地,所述对学习终端和数据分析处理端在运行过程中产生的数据进行存储,并且实时对数据分析处理端的深度学习模型进行更新及训练处理包括
对学习终端和数据分析处理端在运行过程中产生的数据进行存储;
实时监测学生用户对于推荐内容的选择结果,并根据选择结果获取个性有效推荐参数;其中,所述个性有效推荐参数通过如下公式获取:
其中,U表示个性有效推荐参数;U 01、U 02和U 03分别表示第一因数参数、第二因数参数和第三因数参数;λ1、λ2和λ3分别表示第一因数参数、第二因数参数和第三因数参数的权重系数;N表示总推荐次数;N 1表示每次推荐的推荐内容中出现被学生用户对推荐内容进行点击的推荐次数;N 0表示在被学生用户对推荐内容进行点击的推荐次数中出现学生用于选中推荐内容的推荐次数;M表示第i次推荐内容中所包含的推荐项目数量;M 0i 表示第i次推荐内容中所包含的没有被学生用户进行点击的推荐项目数量;D 0表示学生用户的总点击量;D 0j 表示第i次推荐内容中的第j个推荐项目的学生用户点击次数;D表示第i次推荐内容中的学生用户的总点击次数;U m 表示第二因数参数对应的预设的基准参数常数;D si 表示第i次推荐内容中学生用户点击后阅读超过30s的项目数量;D i 表示第i次推荐内容中的学生用户点击的总项目数量;D m 表示第i次推荐内容中学生用户点击后阅读超过30s的项目中被学生选中的项目数量;
判断所述个性有效推荐参数是否低于预设的参数阈值,如果所述个性有效推荐参数低于预设的参数阈值,则对数据分析处理端中的学习内容推荐模块所包含的深度学习模型进行更新和重新训练。
本发明有益效果:
本发明提出的基于人工智能和深度学习的学习行为预测管理系统和方法的学习终端根据学生用户的教材需求提供电子教材,并根据学习者的兴趣和能力水平进行个性化推荐,提高学习效果。数据分析处理端根据学生用户的学习内容进行分析处理,并向学生用户推荐与其学习内容相关的学习资源,促进关联学习。同时,数据分析处理端能够对学生用户的学习结果进行测评,帮助学生用户了解自己的学习成绩和进步情况,为进一步的学习提供参考。并且,学习服务端实时对数据分析处理端的深度学习模型进行更新和训练,提升学习系统的预测和管理能力,保持学习系统的高效性。通过上述功能提高整个预测管理系统的学习管理的准确性和预测推荐的准确性,进一步提高学习管理效率,同时通过个性化模型的更新和重训不断优化和提高学习管理及预测推荐的精准性。
附图说明
图1为本发明所述系统的系统框图;
图2为本发明所述方法的流程图一;
图3为本发明所述方法的流程图二;
图4为本发明所述方法的流程图三。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提出了基于人工智能和深度学习的学习行为预测管理系统,如图1所示,所述学习行为预测管理系统包括:
学习终端,用于针对学生用户的教材需求提供电子教材,并对学生用户在学习过程中产生的学习数据信息进行管理;
数据分析处理端,用于根据学生用户的学习内容进行分析处理,并根据学习内容向学生用户进行关联学习内容推荐和学习结果测评;
学习服务端,用于对学习终端和数据分析处理端在运行过程中产生的数据进行存储,并且实时对数据分析处理端的深度学习模型进行更新及训练处理。
上述技术方案的工作原理为:首先,通过学习终端针对学生用户的教材需求提供电子教材,并对学生用户在学习过程中产生的学习数据信息进行管理;其中,所述学习数据信息包括作业及考试信息、学习档案信息疑难问题信息;
然后,利用数据分析处理端根据学生用户的学习内容进行分析处理,并根据学习内容向学生用户进行关联学习内容推荐和学习结果测评;
最后,通过学习服务端对学习终端和数据分析处理端在运行过程中产生的数据进行存储,并且实时对数据分析处理端的深度学习模型进行更新及训练处理。
具体的,学习终端通过智能算法和用户反馈机制,提供符合学生用户的学习需求和兴趣的电子教材。评估指标可以包括推荐准确率、召回率和覆盖率等,以衡量系统对学生用户需求的理解和个性化推荐的准确性。学习终端是否能够满足学生用户的期望和需求,可以通过用户调查、反馈意见等方式进行评估。
数据分析处理端通过对学生用户的学习行为、学习进度等数据进行深入分析,生成学习模式和学习特征。评估指标可以包括学习行为模式预测准确率、知识点掌握程度分析准确率等,以衡量系统对学生用户学习行为的准确分析能力。同时,数据分析处理端根据学生用户的学习内容进行关联学习内容的推荐。评估指标可以包括推荐准确率、推荐多样性和用户反馈等,以衡量系统对学习内容关联性的准确度和推荐效果。另一方面,数据分析处理端对学生用户的学习结果进行测评,评估指标可以包括学习成绩预测准确率、学习进步评估准确率等,以衡量系统对学生学习结果的准确预测和评估能力。
学习服务端对学习终端和数据分析处理端产生的数据进行存储和管理。评估指标可以包括数据处理速度、存储容量和数据可靠性等,以衡量系统对大量学习数据的高效管理和保护能力。学习服务端实时对数据分析处理端的深度学习模型进行更新和训练。评估指标可以包括模同时,型更新速度、模型训练准确率和模型泛化能力等,以衡量系统对深度学习模型的高效更新和训练能力
上述技术方案的效果为:本实施例提供学习终端旨在为学生用户提供电子教材,并针对他们的教材需求进行个性化推荐。学习终端通过智能算法和用户反馈机制,能够准确理解学生用户的学习需求,提供符合其学习兴趣和能力水平的电子教材,从而提高学习的效果和效率。数据分析处理端能够根据学生用户的学习内容进行深入的分析处理。通过对学习者的学习行为、学习进度、知识点掌握情况等数据信息的分析,数据分析处理端能够生成学习者的学习模式和学习特征,并基于此为学生用户提供个性化的学习内容推荐和学习结果测评。通过精确的数据分析处理,学生用户可以获得与其学习目标和学习能力相匹配的学习资源,提高学习效果。所述学习服务端负责存储学习终端和数据分析处理端在运行过程中产生的数据,并实时对数据分析处理端的深度学习模型进行更新和训练处理。学习服务端通过对大量学习数据的积累和深度学习模型的不断训练,能够提升学习系统的预测和管理能力。学习服务端还提供数据管理和存储功能,确保学习数据的安全性和可访问性。
同时,本实施例提出的基于人工智能和深度学习的学习行为预测管理系统的学习终端根据学生用户的教材需求提供电子教材,并根据学习者的兴趣和能力水平进行个性化推荐,提高学习效果。数据分析处理端根据学生用户的学习内容进行分析处理,并向学生用户推荐与其学习内容相关的学习资源,促进关联学习。同时,数据分析处理端能够对学生用户的学习结果进行测评,帮助学生用户了解自己的学习成绩和进步情况,为进一步的学习提供参考。并且,学习服务端实时对数据分析处理端的深度学习模型进行更新和训练,提升学习系统的预测和管理能力,保持学习系统的高效性。通过上述功能提高整个预测管理系统的学习管理的准确性和预测推荐的准确性,进一步提高学习管理效率,同时通过个性化模型的更新和重训不断优化和提高学习管理及预测推荐的精准性。
本发明的一个实施例,所述学习终端包括:
电子教材交互模块,用于实时监测是否接收到用户输入的教材请求信息,根据教材请求信息中的教材名称从数据库中调取对应的电子教材文件;
作业和考试管理模块,用于根据学生用户每日产生的作业计划和学期考试计划,对学生的作业信息和考试信息进行管理;
个人学习档案管理模块,用于针对学生用户的个人档案信息进行信息管理;
疑难问题互动交流模块,用于针对学生用户产生的疑难问题进行互动交流处理;
资源查询模块,用于实时监测学生用户输入的资源查询指令,根据学生用户的资源查询指令在数据库或互联网数据搜索中调取与所述查询内容相符的资源信息。
上述技术方案的工作原理为:首先,通过电子教材交互模块实时监测是否接收到用户输入的教材请求信息,根据教材请求信息中的教材名称从数据库中调取对应的电子教材文件;
具体的,实时监测是否接收到用户输入的教材请求信息,根据教材请求信息中的教材名称从数据库中调取与所述教材名称相同或相似的候选名称,形成教材目录进行展示;同时,实时接收学生用户针对教材目录的选择信息,根据接收到学生用户的选择信息从数据库中调取与选择信息相应的电子教材文件;
然后,利用作业和考试管理模块根据学生用户每日产生的作业计划和学期考试计划,对学生的作业信息和考试信息进行管理;
具体的,实时获取学生当日受教过程所产生的作业任务数据和作业时间要求数据,并根据所述作业时间要求数据实时监控学生用户是否完成当日作业任务,并对学生用户当日产生的完成和正在处理的作业任务进行实时的任务信息存储,并根据学科进行作业分类管理;同时,根据教师用户输入的学期考试计划实时监控考试时间,并对接收到的学生用户对应的考试信息进行管理,其中,所述考试信息包括考试成绩,试卷内容信息和错题信息;
之后,采用个人学习档案管理模块针对学生用户的个人档案信息进行信息管理;
随后,利用疑难问题互动交流模块针对学生用户产生的疑难问题进行互动交流处理;
具体的,实时接收学生用户标记的疑难问题对所述标记的疑难问题进行记录,并根据所述学生用户标记的疑难问题提示学生用户是否进行共享交流;如果接受到学生用户发送的共享交流确认指令,则将所述疑难问题共享至学生用户的学习关联人,并在接收到学习关联人对于疑难问题的解析信息后,将所述疑难问题对应的解析信息反馈给学生用户;其中,所述学习关联人是学生用户自设的关联人,包括但不限制于同学和老师。
最后,通过资源查询模块实时监测学生用户输入的资源查询指令,根据学生用户的资源查询指令在数据库或互联网数据搜索中调取与所述查询内容相符的资源信息。
上述技术方案的效果为:上述技术方案提供了即时获取电子教材的功能,使学生能够方便地访问所需的教材,无需依赖传统的纸质教材,提高了教学效率和便捷性。集中管理学生的作业和考试,提供了个性化的计划和提醒功能,帮助学生更好地组织学习时间和完成任务,提高学习效果和管理效率。同时,学生可以记录和查看自己的学习成绩、学习历史、学习目标等信息。技术效果在于提供了学生学习过程的可追溯性和个性化的学习管理功能,学生可以更好地了解自己的学习情况,制定合适的学习策略。同时,监测学生用户输入的资源查询指令,并根据指令从数据库或互联网搜索相符的资源信息拓宽了学习资源的获取渠道,提高了学习的质量和广度。上述技术方案通过电子教材获取、作业和考试管理、学习档案管理、问题交流和资源查询等模块,提供了一套综合的学习管理系统,有效段提高学生学习的效率,并且提高学生学习信息的管理效率、管理便捷性以及信息管理的全面性。
本发明的一个实施例,所述数据分析处理端包括:
学情数据处理模块,用于实时获取学生用户在使用所述学习行为预测管理系统过程中产生的学习情况数据信息,并对所述学习情况数据信息按照信息类型进行分类;其中,所述信息类型包括学科学习信息、资料查询信息和资料调取信息;
学习内容推荐模块,用于对学生用户的学科学习信息、资料查询信息和资料调取信息进行分析,获取推荐内容,并将所述推荐内容推送至学生用户;
学习结果测评模块,用于实时监测学生用户是否完成一个学习任务,在一个学习任务完成后通过测试方式对学生用户的当前完成的学习任务进行测评,并获得学习测评结果。
上述技术方案的工作原理为:首先,通过学情数据处理模块实时获取学生用户在使用所述学习行为预测管理系统过程中产生的学习情况数据信息,并对所述学习情况数据信息按照信息类型进行分类;其中,所述信息类型包括学科学习信息、资料查询信息和资料调取信息;
然后,利用学习内容推荐模块对学生用户的学科学习信息、资料查询信息和资料调取信息进行分析,获取推荐内容,并将所述推荐内容推送至学生用户;
之后,采用学习结果测评模块实时监测学生用户是否完成一个学习任务,在一个学习任务完成后通过测试方式对学生用户的当前完成的学习任务进行测评,并获得学习测评结果。
上述技术方案的效果为:通过上述方式能够有效提高数据管理和数据推荐的准确性,并且,上述技术方案通过学情数据处理、学习内容推荐和学习结果测评等模块,提供了一个学习行为预测管理系统。利用学习情况数据的实时处理和分析,为学生提供个性化的学习资源推荐,并通过学习结果测评来评估学生的学习成果。这样的系统能够提高学生学习的个性化和针对性,帮助他们更有效地学习和提升自己的能力。另一方面,通过上述方式能够最大限度提高学生学习质量管理效率。
本发明的一个实施例,所述学习内容推荐模块包括:
静态特征提取模块,用于提取学生用户在学习过程中产生的静态个性化特征,其中,所述静态个性化特征包括学习偏好、学习能力和时长以及和学习风格;
动态特征提取模块,用于提取学生用户在学习过程中产生的动态个性化特征,其中,所述动态个性化特征包括学习速度、错误率和学习问题解决效率;推荐模块,用于将学生用户的静态个性化特征和动态个性化特征作为输入量输入至深度学习模型,输出与所述输入量对应的推荐结果,并将所述推荐结果发送至学生用户。
上述技术方案的工作原理为:首先,通过静态特征提取模块提取学生用户在学习过程中产生的静态个性化特征,其中,所述静态个性化特征包括学习偏好、学习能力和时长以及和学习风格,具体的,学习偏好是指学生对学习环境、教学方法、学习资源等方面的偏好,例如喜欢独立学习还是合作学习,喜欢图书馆学习还是在线学习;学习能力是指学生在各个学科领域中获取知识和技能的能力水平,如数学能力、语言能力、逻辑思维能力等;学习风格是指学生在学习中更倾向于采取的方式和策略,例如视觉学习、听觉学习、动手实践等;
然后,利用动态特征提取模块提取学生用户在学习过程中产生的动态个性化特征,其中,所述动态个性化特征包括学习速度、错误率和学习问题解决效率;具体的,学习速度是指完成一个学习任务并且达到学习测评标准所用的学习时长;错误率是指测试过程中的错题率;学习问题解决效率是指学生用户在遇到学习问题时,在预设的时间范围内解决学习问题的占整体学习问题的比例;
最后,提取推荐模块将学生用户的静态个性化特征和动态个性化特征作为输入量输入至深度学习模型,输出与所述输入量对应的推荐结果,并将所述推荐结果发送至学生用户。
具体的,所述深度学习模型的结果可以包括:
输入层,用于接收学生用户的静态个性化特征和动态个性化特征;
特征提取层,用于对输入的静态个性化特征和动态个性化特征进行特征提取,可以采用神经网络的隐藏层来自动学习静态个性化特征和动态个性化特征的表示;
个性化模型层,用于接收所述静态个性化特征和动态个性化特征的表示,通过深度神经网络根据所述静态个性化特征和动态个性化特征获取个性化推荐结果;
输出层,用于对个性化模型层的个性化推荐结果进行输出。
上述技术方案的效果为:根据学生用户的教材需求提供电子教材,并根据学习者的兴趣和能力水平进行个性化推荐,提高学习效果。数据分析处理端根据学生用户的学习内容进行分析处理,并向学生用户推荐与其学习内容相关的学习资源,促进关联学习。同时,数据分析处理端能够对学生用户的学习结果进行测评,帮助学生用户了解自己的学习成绩和进步情况,为进一步的学习提供参考。并且,学习服务端实时对数据分析处理端的深度学习模型进行更新和训练,提升学习系统的预测和管理能力,保持学习系统的高效性。通过上述功能提高整个预测管理系统的学习管理的准确性和预测推荐的准确性,进一步提高学习管理效率,同时通过个性化模型的更新和重训不断优化和提高学习管理及预测推荐的精准性。
本发明的一个实施例,所述学习服务端包括
数据存储模块,用于对学习终端和数据分析处理端在运行过程中产生的数据进行存储;
推荐反馈获取模块,用于实时监测学生用户对于推荐内容的选择结果,并根据选择结果获取个性有效推荐参数;其中,所述个性有效推荐参数通过如下公式获取:
其中,U表示个性有效推荐参数;U 01、U 02和U 03分别表示第一因数参数、第二因数参数和第三因数参数;λ1、λ2和λ3分别表示第一因数参数、第二因数参数和第三因数参数的权重系数;N表示总推荐次数;N 1表示每次推荐的推荐内容中出现被学生用户对推荐内容进行点击的推荐次数;N 0表示在被学生用户对推荐内容进行点击的推荐次数中出现学生用于选中推荐内容的推荐次数;M表示第i次推荐内容中所包含的推荐项目数量;M 0i 表示第i次推荐内容中所包含的没有被学生用户进行点击的推荐项目数量;D 0表示学生用户的总点击量;D 0j 表示第i次推荐内容中的第j个推荐项目的学生用户点击次数;D表示第i次推荐内容中的学生用户的总点击次数;U m 表示第二因数参数对应的预设的基准参数常数;D si 表示第i次推荐内容中学生用户点击后阅读超过30s的项目数量;D i 表示第i次推荐内容中的学生用户点击的总项目数量;D m 表示第i次推荐内容中学生用户点击后阅读超过30s的项目中被学生选中的项目数量;
更新判断模块,用于判断所述个性有效推荐参数是否低于预设的参数阈值,如果所述个性有效推荐参数低于预设的参数阈值,则对数据分析处理端中的学习内容推荐模块所包含的深度学习模型进行更新和重新训练。
上述技术方案的工作原理为:首先,通过数据存储模块对学习终端和数据分析处理端在运行过程中产生的数据进行存储;
然后,利用推荐反馈获取模块实时监测学生用户对于推荐内容的选择结果,并根据选择结果获取个性有效推荐参数;
最后,通过更新判断模块判断所述个性有效推荐参数是否低于预设的参数阈值,如果所述个性有效推荐参数低于预设的参数阈值,则对数据分析处理端中的学习内容推荐模块所包含的深度学习模型进行更新和重新训练。
上述技术方案的效果为:据学生用户的教材需求提供电子教材,并根据学习者的兴趣和能力水平进行个性化推荐,提高学习效果。数据分析处理端根据学生用户的学习内容进行分析处理,并向学生用户推荐与其学习内容相关的学习资源,促进关联学习。同时,数据分析处理端能够对学生用户的学习结果进行测评,帮助学生用户了解自己的学习成绩和进步情况,为进一步的学习提供参考。并且,学习服务端实时对数据分析处理端的深度学习模型进行更新和训练,提升学习系统的预测和管理能力,保持学习系统的高效性。通过上述功能提高整个预测管理系统的学习管理的准确性和预测推荐的准确性,进一步提高学习管理效率,同时通过个性化模型的更新和重训不断优化和提高学习管理及预测推荐的精准性。
本发明实施例基于人工智能和深度学习的学习行为预测管理方法,如图2所示,所述学习行为预测管理方法包括:
S1、针对学生用户的教材需求提供电子教材,并对学生用户在学习过程中产生的学习数据信息进行管理;其中,所述学习数据信息包括作业及考试信息、学习档案信息疑难问题信息;
S2、根据学生用户的学习内容进行分析处理,并根据学习内容向学生用户进行关联学习内容推荐和学习结果测评;
S3、对学习终端和数据分析处理端在运行过程中产生的数据进行存储,并且实时对数据分析处理端的深度学习模型进行更新及训练处理。
上述技术方案的工作原理为:首先,针对学生用户的教材需求提供电子教材,并对学生用户在学习过程中产生的学习数据信息进行管理;其中,所述学习数据信息包括作业及考试信息、学习档案信息疑难问题信息;
然后,根据学生用户的学习内容进行分析处理,并根据学习内容向学生用户进行关联学习内容推荐和学习结果测评;
最后,对学习终端和数据分析处理端在运行过程中产生的数据进行存储,并且实时对数据分析处理端的深度学习模型进行更新及训练处理。
上述技术方案的效果为:本实施例提供学习终端旨在为学生用户提供电子教材,并针对他们的教材需求进行个性化推荐。学习终端通过智能算法和用户反馈机制,能够准确理解学生用户的学习需求,提供符合其学习兴趣和能力水平的电子教材,从而提高学习的效果和效率。数据分析处理端能够根据学生用户的学习内容进行深入的分析处理。通过对学习者的学习行为、学习进度、知识点掌握情况等数据信息的分析,数据分析处理端能够生成学习者的学习模式和学习特征,并基于此为学生用户提供个性化的学习内容推荐和学习结果测评。通过精确的数据分析处理,学生用户可以获得与其学习目标和学习能力相匹配的学习资源,提高学习效果。所述学习服务端负责存储学习终端和数据分析处理端在运行过程中产生的数据,并实时对数据分析处理端的深度学习模型进行更新和训练处理。学习服务端通过对大量学习数据的积累和深度学习模型的不断训练,能够提升学习系统的预测和管理能力。学习服务端还提供数据管理和存储功能,确保学习数据的安全性和可访问性。
同时,本实施例提出的基于人工智能和深度学习的学习行为预测管理方法的学习终端根据学生用户的教材需求提供电子教材,并根据学习者的兴趣和能力水平进行个性化推荐,提高学习效果。数据分析处理端根据学生用户的学习内容进行分析处理,并向学生用户推荐与其学习内容相关的学习资源,促进关联学习。同时,数据分析处理端能够对学生用户的学习结果进行测评,帮助学生用户了解自己的学习成绩和进步情况,为进一步的学习提供参考。并且,学习服务端实时对数据分析处理端的深度学习模型进行更新和训练,提升学习系统的预测和管理能力,保持学习系统的高效性。通过上述功能提高整个预测管理系统的学习管理的准确性和预测推荐的准确性,进一步提高学习管理效率,同时通过个性化模型的更新和重训不断优化和提高学习管理及预测推荐的精准性。
本发明的一个实施例,所述针对学生用户的教材需求提供电子教材,如图3所示,并对学生用户在学习过程中产生的学习数据信息进行管理包括:
S101、实时监测是否接收到用户输入的教材请求信息,根据教材请求信息中的教材名称从数据库中调取对应的电子教材文件;
S102、根据学生用户每日产生的作业计划和学期考试计划,对学生的作业信息和考试信息进行管理;
S103、针对学生用户的个人档案信息进行信息管理;
S104、针对学生用户产生的疑难问题进行互动交流处理;
S105、实时监测学生用户输入的资源查询指令,根据学生用户的资源查询指令在数据库或互联网数据搜索中调取与所述查询内容相符的资源信息。
上述技术方案的工作原理为:首先,实时监测是否接收到用户输入的教材请求信息,根据教材请求信息中的教材名称从数据库中调取对应的电子教材文件;
具体的,实时监测是否接收到用户输入的教材请求信息,根据教材请求信息中的教材名称从数据库中调取与所述教材名称相同或相似的候选名称,形成教材目录进行展示;同时,实时接收学生用户针对教材目录的选择信息,根据接收到学生用户的选择信息从数据库中调取与选择信息相应的电子教材文件;
然后,根据学生用户每日产生的作业计划和学期考试计划,对学生的作业信息和考试信息进行管理;
具体的,实时获取学生当日受教过程所产生的作业任务数据和作业时间要求数据,并根据所述作业时间要求数据实时监控学生用户是否完成当日作业任务,并对学生用户当日产生的完成和正在处理的作业任务进行实时的任务信息存储,并根据学科进行作业分类管理;同时,根据教师用户输入的学期考试计划实时监控考试时间,并对接收到的学生用户对应的考试信息进行管理,其中,所述考试信息包括考试成绩,试卷内容信息和错题信息;
之后,针对学生用户的个人档案信息进行信息管理;
随后,针对学生用户产生的疑难问题进行互动交流处理;
具体的,实时接收学生用户标记的疑难问题对所述标记的疑难问题进行记录,并根据所述学生用户标记的疑难问题提示学生用户是否进行共享交流;如果接受到学生用户发送的共享交流确认指令,则将所述疑难问题共享至学生用户的学习关联人,并在接收到学习关联人对于疑难问题的解析信息后,将所述疑难问题对应的解析信息反馈给学生用户;其中,所述学习关联人是学生用户自设的关联人,包括但不限制于同学和老师。
最后,实时监测学生用户输入的资源查询指令,根据学生用户的资源查询指令在数据库或互联网数据搜索中调取与所述查询内容相符的资源信息。
上述技术方案的效果为:上述技术方案提供了即时获取电子教材的功能,使学生能够方便地访问所需的教材,无需依赖传统的纸质教材,提高了教学效率和便捷性。集中管理学生的作业和考试,提供了个性化的计划和提醒功能,帮助学生更好地组织学习时间和完成任务,提高学习效果和管理效率。同时,学生可以记录和查看自己的学习成绩、学习历史、学习目标等信息。技术效果在于提供了学生学习过程的可追溯性和个性化的学习管理功能,学生可以更好地了解自己的学习情况,制定合适的学习策略。同时,监测学生用户输入的资源查询指令,并根据指令从数据库或互联网搜索相符的资源信息拓宽了学习资源的获取渠道,提高了学习的质量和广度。上述技术方案通过电子教材获取、作业和考试管理、学习档案管理、问题交流和资源查询等模块,提供了一套综合的学习管理系统,有效段提高学生学习的效率,并且提高学生学习信息的管理效率、管理便捷性以及信息管理的全面性。
本发明的一个实施例,如图4所示,所述根据学生用户的学习内容进行分析处理,并根据学习内容向学生用户进行关联学习内容推荐和学习结果测评包括:
S201、实时获取学生用户在使用所述学习行为预测管理系统过程中产生的学习情况数据信息,并对所述学习情况数据信息按照信息类型进行分类;其中,所述信息类型包括学科学习信息、资料查询信息和资料调取信息;
S202、对学生用户的学科学习信息、资料查询信息和资料调取信息进行分析,获取推荐内容,并将所述推荐内容推送至学生用户;
S203、实时监测学生用户是否完成一个学习任务,在一个学习任务完成后通过测试方式对学生用户的当前完成的学习任务进行测评,并获得学习测评结果。
上述技术方案的工作原理为:首先,实时获取学生用户在使用所述学习行为预测管理系统过程中产生的学习情况数据信息,并对所述学习情况数据信息按照信息类型进行分类;其中,所述信息类型包括学科学习信息、资料查询信息和资料调取信息;然后,对学生用户的学科学习信息、资料查询信息和资料调取信息进行分析,获取推荐内容,并将所述推荐内容推送至学生用户;最后,实时监测学生用户是否完成一个学习任务,在一个学习任务完成后通过测试方式对学生用户的当前完成的学习任务进行测评,并获得学习测评结果。
上述技术方案的效果为:通过上述方式能够有效提高数据管理和数据推荐的准确性,并且,上述技术方案通过学情数据处理、学习内容推荐和学习结果测评等模块,提供了一个学习行为预测管理系统。利用学习情况数据的实时处理和分析,为学生提供个性化的学习资源推荐,并通过学习结果测评来评估学生的学习成果。这样的系统能够提高学生学习的个性化和针对性,帮助他们更有效地学习和提升自己的能力。另一方面,通过上述方式能够最大限度提高学生学习质量管理效率。
本发明的一个实施例,所述对学生用户的学科学习信息、资料查询信息和资料调取信息进行分析,获取推荐内容,并将所述推荐内容推送至学生用户包括:
S2021、提取学生用户在学习过程中产生的静态个性化特征,其中,所述静态个性化特征包括学习偏好、学习能力和时长以及和学习风格;
S2022、提取学生用户在学习过程中产生的动态个性化特征,其中,所述动态个性化特征包括学习速度、错误率和学习问题解决效率;
S2023、将学生用户的静态个性化特征和动态个性化特征作为输入量输入至深度学习模型,输出与所述输入量对应的推荐结果,并将所述推荐结果发送至学生用户。
上述技术方案的工作原理为:首先,提取学生用户在学习过程中产生的静态个性化特征,其中,所述静态个性化特征包括学习偏好、学习能力和时长以及和学习风格,具体的,学习偏好是指学生对学习环境、教学方法、学习资源等方面的偏好,例如喜欢独立学习还是合作学习,喜欢图书馆学习还是在线学习;学习能力是指学生在各个学科领域中获取知识和技能的能力水平,如数学能力、语言能力、逻辑思维能力等;学习风格是指学生在学习中更倾向于采取的方式和策略,例如视觉学习、听觉学习、动手实践等;
然后,提取学生用户在学习过程中产生的动态个性化特征,其中,所述动态个性化特征包括学习速度、错误率和学习问题解决效率;具体的,学习速度是指完成一个学习任务并且达到学习测评标准所用的学习时长;错误率是指测试过程中的错题率;学习问题解决效率是指学生用户在遇到学习问题时,在预设的时间范围内解决学习问题的占整体学习问题的比例;
最后,将学生用户的静态个性化特征和动态个性化特征作为输入量输入至深度学习模型,输出与所述输入量对应的推荐结果,并将所述推荐结果发送至学生用户。
具体的,所述深度学习模型的结果可以包括:
输入层,用于接收学生用户的静态个性化特征和动态个性化特征;
特征提取层,用于对输入的静态个性化特征和动态个性化特征进行特征提取,可以采用神经网络的隐藏层来自动学习静态个性化特征和动态个性化特征的表示;
个性化模型层,用于接收所述静态个性化特征和动态个性化特征的表示,通过深度神经网络根据所述静态个性化特征和动态个性化特征获取个性化推荐结果;
输出层,用于对个性化模型层的个性化推荐结果进行输出。
上述技术方案的效果为:根据学生用户的教材需求提供电子教材,并根据学习者的兴趣和能力水平进行个性化推荐,提高学习效果。数据分析处理端根据学生用户的学习内容进行分析处理,并向学生用户推荐与其学习内容相关的学习资源,促进关联学习。同时,数据分析处理端能够对学生用户的学习结果进行测评,帮助学生用户了解自己的学习成绩和进步情况,为进一步的学习提供参考。并且,学习服务端实时对数据分析处理端的深度学习模型进行更新和训练,提升学习系统的预测和管理能力,保持学习系统的高效性。通过上述功能提高整个预测管理系统的学习管理的准确性和预测推荐的准确性,进一步提高学习管理效率,同时通过个性化模型的更新和重训不断优化和提高学习管理及预测推荐的精准性。
本发明的一个实施例,所述对学习终端和数据分析处理端在运行过程中产生的数据进行存储,并且实时对数据分析处理端的深度学习模型进行更新及训练处理包括
S301、对学习终端和数据分析处理端在运行过程中产生的数据进行存储;
S302、实时监测学生用户对于推荐内容的选择结果,并根据选择结果获取个性有效推荐参数;其中,所述个性有效推荐参数通过如下公式获取:
其中,U表示个性有效推荐参数;U 01、U 02和U 03分别表示第一因数参数、第二因数参数和第三因数参数;λ1、λ2和λ3分别表示第一因数参数、第二因数参数和第三因数参数的权重系数;N表示总推荐次数;N 1表示每次推荐的推荐内容中出现被学生用户对推荐内容进行点击的推荐次数;N 0表示在被学生用户对推荐内容进行点击的推荐次数中出现学生用于选中推荐内容的推荐次数;M表示第i次推荐内容中所包含的推荐项目数量;M 0i 表示第i次推荐内容中所包含的没有被学生用户进行点击的推荐项目数量;D 0表示学生用户的总点击量;D 0j 表示第i次推荐内容中的第j个推荐项目的学生用户点击次数;D表示第i次推荐内容中的学生用户的总点击次数;U m 表示第二因数参数对应的预设的基准参数常数;D si 表示第i次推荐内容中学生用户点击后阅读超过30s的项目数量;D i 表示第i次推荐内容中的学生用户点击的总项目数量;D m 表示第i次推荐内容中学生用户点击后阅读超过30s的项目中被学生选中的项目数量;
S303、判断所述个性有效推荐参数是否低于预设的参数阈值,如果所述个性有效推荐参数低于预设的参数阈值,则对数据分析处理端中的学习内容推荐模块所包含的深度学习模型进行更新和重新训练。
上述技术方案的工作原理为:首先,对学习终端和数据分析处理端在运行过程中产生的数据进行存储;
然后,实时监测学生用户对于推荐内容的选择结果,并根据选择结果获取个性有效推荐参数;
最后,判断所述个性有效推荐参数是否低于预设的参数阈值,如果所述个性有效推荐参数低于预设的参数阈值,则对数据分析处理端中的学习内容推荐模块所包含的深度学习模型进行更新和重新训练。
上述技术方案的效果为:据学生用户的教材需求提供电子教材,并根据学习者的兴趣和能力水平进行个性化推荐,提高学习效果。数据分析处理端根据学生用户的学习内容进行分析处理,并向学生用户推荐与其学习内容相关的学习资源,促进关联学习。同时,数据分析处理端能够对学生用户的学习结果进行测评,帮助学生用户了解自己的学习成绩和进步情况,为进一步的学习提供参考。并且,学习服务端实时对数据分析处理端的深度学习模型进行更新和训练,提升学习系统的预测和管理能力,保持学习系统的高效性。通过上述功能提高整个预测管理系统的学习管理的准确性和预测推荐的准确性,进一步提高学习管理效率,同时通过个性化模型的更新和重训不断优化和提高学习管理及预测推荐的精准性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.基于人工智能和深度学习的学习行为预测管理系统,其特征在于,所述学习行为预测管理系统包括:
学习终端,用于针对学生用户的教材需求提供电子教材,并对学生用户在学习过程中产生的学习数据信息进行管理;
数据分析处理端,用于根据学生用户的学习内容进行分析处理,并根据学习内容向学生用户进行关联学习内容推荐和学习结果测评;
学习服务端,用于对学习终端和数据分析处理端在运行过程中产生的数据进行存储,并且实时对数据分析处理端的深度学习模型进行更新及训练处理;
其中,所述学习服务端包括
数据存储模块,用于对学习终端和数据分析处理端在运行过程中产生的数据进行存储;
推荐反馈获取模块,用于实时监测学生用户对于推荐内容的选择结果,并根据选择结果获取个性有效推荐参数;其中,所述个性有效推荐参数通过如下公式获取:
其中,U表示个性有效推荐参数;U 01、U 02和U 03分别表示第一因数参数、第二因数参数和第三因数参数;λ1、λ2和λ3分别表示第一因数参数、第二因数参数和第三因数参数的权重系数;N表示总推荐次数;N 1表示每次推荐的推荐内容中出现被学生用户对推荐内容进行点击的推荐次数;N 0表示在被学生用户对推荐内容进行点击的推荐次数中出现学生用于选中推荐内容的推荐次数;M表示第i次推荐内容中所包含的推荐项目数量;M 0i 表示第i次推荐内容中所包含的没有被学生用户进行点击的推荐项目数量;D 0表示学生用户的总点击量;D 0j 表示第i次推荐内容中的第j个推荐项目的学生用户点击次数;D表示第i次推荐内容中的学生用户的总点击次数;U m 表示第二因数参数对应的预设的基准参数常数;D si 表示第i次推荐内容中学生用户点击后阅读超过30s的项目数量;D i 表示第i次推荐内容中的学生用户点击的总项目数量;D m 表示第i次推荐内容中学生用户点击后阅读超过30s的项目中被学生选中的项目数量;
更新判断模块,用于判断所述个性有效推荐参数是否低于预设的参数阈值,如果所述个性有效推荐参数低于预设的参数阈值,则对数据分析处理端中包含的深度学习模型进行更新和重新训练。
2.根据权利要求1所述学习行为预测管理系统,其特征在于,所述学习终端包括:
电子教材交互模块,用于实时监测是否接收到用户输入的教材请求信息,根据教材请求信息中的教材名称从数据库中调取对应的电子教材文件;
作业和考试管理模块,用于根据学生用户每日产生的作业计划和学期考试计划,对学生的作业信息和考试信息进行管理;
个人学习档案管理模块,用于针对学生用户的个人档案信息进行信息管理;
疑难问题互动交流模块,用于针对学生用户产生的疑难问题进行互动交流处理;
资源查询模块,用于实时监测学生用户输入的资源查询指令,根据学生用户的资源查询指令在数据库或互联网数据搜索中调取与所述查询内容相符的资源信息。
3.根据权利要求1所述学习行为预测管理系统,其特征在于,所述数据分析处理端包括:
学情数据处理模块,用于实时获取学生用户在使用所述学习行为预测管理系统过程中产生的学习情况数据信息,并对所述学习情况数据信息按照信息类型进行分类;其中,所述信息类型包括学科学习信息、资料查询信息和资料调取信息;
学习内容推荐模块,用于对学生用户的学科学习信息、资料查询信息和资料调取信息进行分析,获取推荐内容,并将所述推荐内容推送至学生用户;
学习结果测评模块,用于实时监测学生用户是否完成一个学习任务,在一个学习任务完成后通过测试方式对学生用户的当前完成的学习任务进行测评,并获得学习测评结果。
4.根据权利要求3所述学习行为预测管理系统,其特征在于,所述学习内容推荐模块包括:
静态特征提取模块,用于提取学生用户在学习过程中产生的静态个性化特征,其中,所述静态个性化特征包括学习偏好、学习能力和时长以及和学习风格,
动态特征提取模块,用于提取学生用户在学习过程中产生的动态个性化特征,其中,所述动态个性化特征包括学习速度、错误率和学习问题解决效率;
推荐模块,用于将学生用户的静态个性化特征和动态个性化特征作为输入量输入至深度学习模型,输出与所述输入量对应的推荐结果,并将所述推荐结果发送至学生用户。
5.基于人工智能和深度学习的学习行为预测管理方法,其特征在于,所述学习行为预测管理方法包括:
针对学生用户的教材需求提供电子教材,并对学生用户在学习过程中产生的学习数据信息进行管理;
根据学生用户的学习内容进行分析处理,并根据学习内容向学生用户进行关联学习内容推荐和学习结果测评;
对学习终端和数据分析处理端在运行过程中产生的数据进行存储,并且实时对数据分析处理端的深度学习模型进行更新及训练处理;
其中,所述对学习终端和数据分析处理端在运行过程中产生的数据进行存储,并且实时对数据分析处理端的深度学习模型进行更新及训练处理包括
对学习终端和数据分析处理端在运行过程中产生的数据进行存储;
实时监测学生用户对于推荐内容的选择结果,并根据选择结果获取个性有效推荐参数;其中,所述个性有效推荐参数通过如下公式获取:
其中,U表示个性有效推荐参数;U 01、U 02和U 03分别表示第一因数参数、第二因数参数和第三因数参数;λ1、λ2和λ3分别表示第一因数参数、第二因数参数和第三因数参数的权重系数;N表示总推荐次数;N 1表示每次推荐的推荐内容中出现被学生用户对推荐内容进行点击的推荐次数;N 0表示在被学生用户对推荐内容进行点击的推荐次数中出现学生用于选中推荐内容的推荐次数;M表示第i次推荐内容中所包含的推荐项目数量;M 0i 表示第i次推荐内容中所包含的没有被学生用户进行点击的推荐项目数量;D 0表示学生用户的总点击量;D 0j 表示第i次推荐内容中的第j个推荐项目的学生用户点击次数;D表示第i次推荐内容中的学生用户的总点击次数;U m 表示第二因数参数对应的预设的基准参数常数;D si 表示第i次推荐内容中学生用户点击后阅读超过30s的项目数量;D i 表示第i次推荐内容中的学生用户点击的总项目数量;D m 表示第i次推荐内容中学生用户点击后阅读超过30s的项目中被学生选中的项目数量;
判断所述个性有效推荐参数是否低于预设的参数阈值,如果所述个性有效推荐参数低于预设的参数阈值,则对数据分析处理端中包含的深度学习模型进行更新和重新训练。
6.根据权利要求5所述学习行为预测管理方法,其特征在于,所述针对学生用户的教材需求提供电子教材,并对学生用户在学习过程中产生的学习数据信息进行管理包括:
实时监测是否接收到用户输入的教材请求信息,根据教材请求信息中的教材名称从数据库中调取对应的电子教材文件;
根据学生用户每日产生的作业计划和学期考试计划,对学生的作业信息和考试信息进行管理;
针对学生用户的个人档案信息进行信息管理;
针对学生用户产生的疑难问题进行互动交流处理;
实时监测学生用户输入的资源查询指令,根据学生用户的资源查询指令在数据库或互联网数据搜索中调取与所述查询内容相符的资源信息。
7.根据权利要求5所述学习行为预测管理方法,其特征在于,所述根据学生用户的学习内容进行分析处理,并根据学习内容向学生用户进行关联学习内容推荐和学习结果测评包括:
实时获取学生用户在使用所述学习行为预测管理系统过程中产生的学习情况数据信息,并对所述学习情况数据信息按照信息类型进行分类;其中,所述信息类型包括学科学习信息、资料查询信息和资料调取信息;
对学生用户的学科学习信息、资料查询信息和资料调取信息进行分析,获取推荐内容,并将所述推荐内容推送至学生用户;
实时监测学生用户是否完成一个学习任务,在一个学习任务完成后通过测试方式对学生用户的当前完成的学习任务进行测评,并获得学习测评结果。
8.根据权利要求7所述学习行为预测管理方法,其特征在于,对学生用户的学科学习信息、资料查询信息和资料调取信息进行分析,获取推荐内容,并将所述推荐内容推送至学生用户包括:
提取学生用户在学习过程中产生的静态个性化特征,其中,所述静态个性化特征包括学习偏好、学习能力和时长以及和学习风格;
提取学生用户在学习过程中产生的动态个性化特征,其中,所述动态个性化特征包括学习速度、错误率和学习问题解决效率;
将学生用户的静态个性化特征和动态个性化特征作为输入量输入至深度学习模型,输出与所述输入量对应的推荐结果,并将所述推荐结果发送至学生用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310637223.8A CN116362426B (zh) | 2023-06-01 | 2023-06-01 | 基于人工智能和深度学习的学习行为预测管理系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310637223.8A CN116362426B (zh) | 2023-06-01 | 2023-06-01 | 基于人工智能和深度学习的学习行为预测管理系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116362426A true CN116362426A (zh) | 2023-06-30 |
CN116362426B CN116362426B (zh) | 2023-08-11 |
Family
ID=86928329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310637223.8A Active CN116362426B (zh) | 2023-06-01 | 2023-06-01 | 基于人工智能和深度学习的学习行为预测管理系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362426B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914560A (zh) * | 2014-04-16 | 2014-07-09 | 中国科学院合肥物质科学研究院 | 一种用于农资电子商务的基于Q学习的多agent主动推荐方法 |
EP2763421A1 (en) * | 2013-02-01 | 2014-08-06 | Krea Icerik Hizmetleri Ve Produksiyon Anonim Sirketi | A personalized movie recommendation method and system |
CN110795619A (zh) * | 2019-09-18 | 2020-02-14 | 贵州广播电视大学(贵州职业技术学院) | 一种融合多目标的教育资源个性化推荐系统及方法 |
CN111191122A (zh) * | 2019-12-20 | 2020-05-22 | 重庆邮电大学 | 一种基于用户画像的学习资源推荐系统 |
CN111708948A (zh) * | 2020-06-19 | 2020-09-25 | 北京达佳互联信息技术有限公司 | 内容项推荐方法、装置、服务器及计算机可读存储介质 |
CN113190761A (zh) * | 2021-05-25 | 2021-07-30 | 贵州广播电视大学(贵州职业技术学院) | 基于深度强化学习的个性化学习系统及方法 |
KR20210127570A (ko) * | 2020-04-14 | 2021-10-22 | 주식회사 지360 | 학습자에게 적합한 보충 학습 자료를 추천해주는 개인별 온라인 맞춤 교육 시스템 |
CN114265979A (zh) * | 2021-12-17 | 2022-04-01 | 北京百度网讯科技有限公司 | 确定融合参数的方法、信息推荐方法和模型训练方法 |
CN114625975A (zh) * | 2022-05-16 | 2022-06-14 | 山东省科院易达科技咨询有限公司 | 一种基于知识图谱的客户行为分析系统 |
-
2023
- 2023-06-01 CN CN202310637223.8A patent/CN116362426B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2763421A1 (en) * | 2013-02-01 | 2014-08-06 | Krea Icerik Hizmetleri Ve Produksiyon Anonim Sirketi | A personalized movie recommendation method and system |
CN103914560A (zh) * | 2014-04-16 | 2014-07-09 | 中国科学院合肥物质科学研究院 | 一种用于农资电子商务的基于Q学习的多agent主动推荐方法 |
CN110795619A (zh) * | 2019-09-18 | 2020-02-14 | 贵州广播电视大学(贵州职业技术学院) | 一种融合多目标的教育资源个性化推荐系统及方法 |
CN111191122A (zh) * | 2019-12-20 | 2020-05-22 | 重庆邮电大学 | 一种基于用户画像的学习资源推荐系统 |
KR20210127570A (ko) * | 2020-04-14 | 2021-10-22 | 주식회사 지360 | 학습자에게 적합한 보충 학습 자료를 추천해주는 개인별 온라인 맞춤 교육 시스템 |
CN111708948A (zh) * | 2020-06-19 | 2020-09-25 | 北京达佳互联信息技术有限公司 | 内容项推荐方法、装置、服务器及计算机可读存储介质 |
CN113190761A (zh) * | 2021-05-25 | 2021-07-30 | 贵州广播电视大学(贵州职业技术学院) | 基于深度强化学习的个性化学习系统及方法 |
CN114265979A (zh) * | 2021-12-17 | 2022-04-01 | 北京百度网讯科技有限公司 | 确定融合参数的方法、信息推荐方法和模型训练方法 |
CN114625975A (zh) * | 2022-05-16 | 2022-06-14 | 山东省科院易达科技咨询有限公司 | 一种基于知识图谱的客户行为分析系统 |
Non-Patent Citations (5)
Title |
---|
X. SUN: "Exploration of general education work in universities based on the feature extraction algorithm", 《2021 2ND INTERNATIONAL CONFERENCE ON EDUCATION, KNOWLEDGE AND INFORMATION MANAGEMENT (ICEKIM)》, pages 598 - 601 * |
Y. LI 等: "Trust Recommendation Based on Deep Deterministic Strategy Gradient Algorithm", 《 IEEE ACCESS》, vol. 10, pages 48274 - 48282 * |
刘洋军: "基于深度强化学习的推荐系统研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 01, pages 138 - 2661 * |
张伟东: "推荐系统中实时在线推荐方法的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 02, pages 138 - 4454 * |
袁琳琳: "基于云计算的数字化教学资源平台设计探索", 《贵州广播电视大学学报》, vol. 26, no. 01, pages 21 - 25 * |
Also Published As
Publication number | Publication date |
---|---|
CN116362426B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mavroudi et al. | Supporting adaptive learning pathways through the use of learning analytics: developments, challenges and future opportunities | |
CN109919810B (zh) | 在线学习系统中的学生建模与个性化课程推荐方法 | |
Elia et al. | Assessing learners’ satisfaction in collaborative online courses through a big data approach | |
Haiyang et al. | A time series classification method for behaviour-based dropout prediction | |
Papamitsiou et al. | Learning analytics and educational data mining in practice: A systematic literature review of empirical evidence | |
CN111209474A (zh) | 在线课程的推荐方法、装置、计算机设备和存储介质 | |
ElSayed et al. | Research in learning analytics and educational data mining to measure self-regulated learning: A systematic review | |
CN113656687B (zh) | 基于教研数据的教师画像构建方法 | |
Costa et al. | Monitoring academic performance based on learning analytics and ontology: A systematic review | |
Lee et al. | An intelligent course recommendation system | |
CN113190761A (zh) | 基于深度强化学习的个性化学习系统及方法 | |
Glazunova et al. | Learning style identification system: Design and data analysis | |
Zhong et al. | Design of a personalized recommendation system for learning resources based on collaborative filtering | |
Verbert et al. | Semi-automatic assembly of learning resources | |
Khare et al. | Educational data mining (EDM): Researching impact on online business education | |
CN114372155A (zh) | 一种基于自扩展知识库和多模态画像的个性化学习平台 | |
José-García et al. | C3-IoC: A career guidance system for assessing student skills using machine learning and network visualisation | |
Marshall | Contribution of open-ended questions in student evaluation of teaching | |
Mishra et al. | Dynamic identification of learning styles in MOOC environment using ontology based browser extension | |
CN117474353A (zh) | 一种基于在线教育的决策自动生成方法和装置 | |
Alzahrani et al. | Automatic prediction of learning styles in learning management systems: a literature review | |
CN116362426B (zh) | 基于人工智能和深度学习的学习行为预测管理系统和方法 | |
Fan et al. | Personalized recommendation algorithm for curriculum-and politics-oriented hybrid teaching resources | |
Wu | IoT-enabled Personalized English Learning in Colleges using Big Data Analysis and Decision Support System | |
Xia et al. | The construction of knowledge graphs based on associated STEM concepts in MOOCs and its guidance for sustainable learning behaviors |
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 |