CN116596347B - 基于云平台的多学科交互教学系统及教学方法 - Google Patents
基于云平台的多学科交互教学系统及教学方法 Download PDFInfo
- Publication number
- CN116596347B CN116596347B CN202310867975.3A CN202310867975A CN116596347B CN 116596347 B CN116596347 B CN 116596347B CN 202310867975 A CN202310867975 A CN 202310867975A CN 116596347 B CN116596347 B CN 116596347B
- Authority
- CN
- China
- Prior art keywords
- input data
- feature vector
- teacher
- semantic understanding
- student
- 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 38
- 230000003993 interaction Effects 0.000 title claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 199
- 230000011218 segmentation Effects 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000013075 data extraction Methods 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 abstract description 31
- 230000000694 effects Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000003058 natural language processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/126—Character encoding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic 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
- G06Q10/10—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
- 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)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Educational Technology (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
一种基于云平台的多学科交互教学系统及教学方法，涉及智能化教学技术领域，其包括从云平台提取教师录入数据和学生录入数据；对所述教师录入数据和所述学生录入数据进行语义编码，以得到教师录入数据语义理解特征向量和学生录入数据语义理解特征向量；构造所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量之间的教师‑学生录入数据语义理解关联特征向量；并基于所述教师‑学生录入数据语义理解关联特征向量，生成教学计划。这样，能够对于知识点进行全面且准确地汇编并生成教学计划，以提高多学科交互教学的效率和质量。
Description
技术领域
本申请涉及智能化教学技术领域，并且更具体地，涉及一种基于云平台的多学科交互教学系统及教学方法。
背景技术
在当前的教育领域中，特别是在大学等多学科交叉教学活动中，各学科之间存在大量的知识点交叉、类同情况和需要通过相关学科知识对特定知识点比对、验证作业，以达到提高教学活动效率和质量的目的。然而，在实际教学互动中，各教学知识点往往需要通过教师等工作人员根据教学活动需要，预先编制教学大纲教学计划，并通过在教学大纲中编入相关学科知识点内容满足多学科知识点综合汇编教学的需要。这种方式虽然可以一定程度满足教学活动的需要，但教学知识点整理和汇编作业的效率较为低下且全面性差，易造成知识点遗漏，从而导致学员在进行多学科知识点同步教学作业时的学习效率和教学质量均相对较差。
因此，期望一种优化的基于云平台的多学科交互教学系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于云平台的多学科交互教学系统及教学方法，其包括从云平台提取教师录入数据和学生录入数据；对所述教师录入数据和所述学生录入数据进行语义编码，以得到教师录入数据语义理解特征向量和学生录入数据语义理解特征向量；构造所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量之间的教师-学生录入数据语义理解关联特征向量；并基于所述教师-学生录入数据语义理解关联特征向量，生成教学计划。这样，能够对于知识点进行全面且准确地汇编并生成教学计划，以提高多学科交互教学的效率和质量。
第一方面，提供了一种基于云平台的多学科交互教学系统，其包括：
录入数据提取模块，用于从云平台提取教师录入数据和学生录入数据；
录入数据语义编码模块，用于对所述教师录入数据和所述学生录入数据进行语义编码以得到教师录入数据语义理解特征向量和学生录入数据语义理解特征向量；
语义关联模块，用于构造所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量之间的教师-学生录入数据语义理解关联特征向量；
以及教学计划生成模块，用于基于所述教师-学生录入数据语义理解关联特征向量，生成教学计划。
进一步，语义关联模块，包括：
教师录入数据分词单元，用于对所述教师录入数据进行数据清洗和分词处理以得到教师录入词的序列；
学生录入数据分词单元，用于对所述学生录入数据进行数据清洗和分词处理以得到学生录入词的序列；
教师录入数据语义理解单元，用于对所述教师录入词的序列进行语义理解以得到所述教师录入数据语义理解特征向量；
以及学生录入数据语义理解单元，用于对所述学生录入词的序列进行语义理解以得到所述学生录入数据语义理解特征向量。
进一步，教师录入数据语义理解单元，用于：使用包含词嵌入层的第一语义编码器对所述教师录入词的序列进行语义理解以得到所述教师录入数据语义理解特征向量。
进一步，学生录入数据语义理解单元，用于：使用包含词嵌入层的第二语义编码器对所述学生录入词的序列进行语义理解以得到所述学生录入数据语义理解特征向量。
进一步，包含词嵌入层的第一语义编码器和所述包含词嵌入层的第二语义编码器具有相同的网络结构。
进一步，第一语义编码器和所述第二语义编码器为基于转换器的Bert模型。
进一步，语义关联模块，用于：融合所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量以得到所述教师-学生录入数据语义理解关联特征向量。
进一步，语义关联模块，用于：以如下融合优化公式对所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量进行前向传播信息保留融合以得到所述教师-学生录入数据语义理解关联特征向量；
其中，所述融合优化公式为：
其中，是所述教师录入数据语义理解特征向量，/>是所述学生录入数据语义理解特征向量，/>和/>分别表示将特征向量左移/>位和右移/>位，/>为取整函数，/>是所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量的所有特征值的均值，/>表示特征向量的一范数，/>是所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量之间的距离，且/>为以2为底的对数函数值，/>和分别表示按位置减法和加法，/>和/>为加权超参数，/>是所述教师-学生录入数据语义理解关联特征向量。
进一步，教学计划生成模块，用于：将所述教师-学生录入数据语义理解关联特征向量通过基于AIGC的教学计划生成器以得到所述教学计划。
第二方面，提供了一种基于云平台的多学科交互教学方法，其包括：
从云平台提取教师录入数据和学生录入数据；
对所述教师录入数据和所述学生录入数据进行语义编码以得到教师录入数据语义理解特征向量和学生录入数据语义理解特征向量；
构造所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量之间的教师-学生录入数据语义理解关联特征向量；
以及基于所述教师-学生录入数据语义理解关联特征向量，生成教学计划。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为根据本申请实施例的基于云平台的多学科交互教学系统的框图。
图2为根据本申请实施例的基于云平台的多学科交互教学系统中所述语义关联模块的框图。
图3为根据本申请实施例的基于云平台的多学科交互教学方法的流程图。
图4为根据本申请实施例的基于云平台的多学科交互教学方法的架构示意图。
图5为根据本申请实施例的基于云平台的多学科交互教学系统的场景示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在本申请的一个实施例中，图1为根据本申请实施例的基于云平台的多学科交互教学系统的框图。如图1所示，一种基于云平台的多学科交互教学系统，包括：录入数据提取模块110，用于从云平台提取教师录入数据和学生录入数据；录入数据语义编码模块120，用于对所述教师录入数据和所述学生录入数据进行语义编码以得到教师录入数据语义理解特征向量和学生录入数据语义理解特征向量；语义关联模块130，用于构造所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量之间的教师-学生录入数据语义理解关联特征向量；以及，教学计划生成模块140，用于基于所述教师-学生录入数据语义理解关联特征向量，生成教学计划。
传统的多学科交互教学系统虽然可以一定程度满足教学活动的需要，但教学知识点整理和汇编作业的效率较为低下且全面性差，易造成知识点遗漏，从而导致学员在进行多学科知识点同步教学作业时的学习效率和教学质量均相对较差。因此，期望一种优化的基于云平台的多学科交互教学系统。
在本申请的一个实施例中，所述录入数据提取模块110是所述基于云平台的多学科交互教学系统的核心模块之一，该模块通过连接云平台，能够方便地提取教师和学生的录入数据。这些数据可以包括课程作业、考试成绩、学生评价等多种形式，这些数据是多学科交互教学系统的基础，为后续的教学计划生成提供了必要的数据支持。
所述录入数据语义编码模块120是所述基于云平台的多学科交互教学系统的另一个重要模块，所述录入数据语义编码模块主要负责对教师和学生的录入数据进行语义编码，以得到教师录入数据语义理解特征向量和学生录入数据语义理解特征向量。这些特征向量是通过深度学习技术对录入数据进行分析和处理得到的，以更好地反映教师和学生对课程的理解和掌握程度，为后续的教学计划生成提供了重要的信息支持。
所述语义关联模块130是所述基于云平台的多学科交互教学系统的另一个核心模块，所述语义关联模块主要负责构造教师录入数据语义理解特征向量和学生录入数据语义理解特征向量之间的教师-学生录入数据语义理解关联特征向量，所述教师-学生录入数据语义理解关联特征向量能够更好地反映教师和学生之间的互动和交流，为后续的教学计划生成提供了更多的信息支持。
所述教学计划生成模块140是所述基于云平台的多学科交互教学系统的最终模块，所述教学计划生成模块基于教师-学生录入数据语义理解关联特征向量，生成教学计划。教学计划能够更好地反映教师和学生之间的需求和交流，为教学过程提供了重要的指导和支持。同时，教学计划还能够针对不同的学生群体和不同的学科领域进行个性化的调整和优化，提高教学效果和质量。
相应地，在实际进行多学科交互教学的过程中，为了优化对于教学知识点整理和汇编作业的效率，同时提高知识点汇编的全面性和准确性，在本申请的技术方案中，期望基于机器学习的语义理解模型来对于从云平台提取的教师录入数据和学员录入数据进行汇总分析，并对满足教学大纲和学习需求计划的各学科知识点进行汇编以生成教学计划，同时将教学计划推送至各教师用终端和学员用终端进行教学信息发布。这样，能够对于知识点进行全面且准确地汇编，以提高多学科交互教学的效率和质量。
具体地，在本申请的技术方案中，首先，从云平台提取教师录入数据和学生录入数据。具体来说，所述教师录入数据包括：教学资源、教学进度、学生信息、学生成绩和教学反馈。其中，所述教学资源包括教案、课件、教学视频、练习题等；所述教学进度用于记录每一节课的上课时间、上课内容、课堂表现等；所述学生信息包括学生姓名、学号、班级、联系方式等；所述教学反馈用于记录学生的学习情况，包括学生的学习态度、学习情况、需要改进的地方等。所述学员录入数据包括个人信息、学习进度、学习反馈、学习成果和学习计划。其中，所述个人信息包括学生姓名、学号、班级、联系方式等；所述学习进度用于记录学生的学习进度，包括已经学习的内容、正在学习的内容、还未学习的内容等；所述学习反馈用于记录学生对学习内容的理解程度、学习难度、需要改进的地方等；所述学习成果用于记录学生的学习成果，包括考试成绩、作业成绩、课堂表现等；所述学习计划用于记录学生的学习计划，包括学习目标、学习计划、学习方法等。这样，通过从云平台提取教师录入数据和学生录入数据，有利于后续更加全面和准确地进行汇编，以提高多学科交互教学的效率和质量。
从云平台提取教师录入数据和学生录入数据可以通过多种方式实现，例如通过API接口、数据库连接等方式。具体而言，教师可以通过云平台上传课程作业、考试成绩、教学反馈等数据，而学生则可以通过云平台提交作业、参与在线测试、提供学习反馈等数据。这些数据可以被录入数据提取模块提取出来，为后续的教学计划生成提供必要的数据支持。
进一步地，从云平台提取教师录入数据和学生录入数据可以实现：1.提高教学效果：通过收集和分析教师和学生的录入数据，可以更好地了解学生的学习情况和教学效果，为教师提供更好的教学指导和支持。2.促进教学交流：教师和学生的录入数据可以反映出他们之间的交流和互动情况，通过分析这些数据，可以促进教师和学生之间的交流和合作，提高教学效果和质量。3.个性化教学：通过分析学生的学习数据，可以更好地了解学生的学习特点和需求，为教师提供个性化的教学指导和支持，提高学生的学习兴趣和积极性。4.教学评估：通过收集和分析教师和学生的录入数据，可以对教学效果进行评估和反馈，为教师提供改进教学的参考和支持。
具体地，在本申请的技术方案中，然后，对所述教师录入数据和所述学生录入数据进行语义编码以得到教师录入数据语义理解特征向量和学生录入数据语义理解特征向量。
在本申请的一个实施例中，可以通过自然语言处理方式对所述教师录入数据和所述学生录入数据进行语义编码。在自然语言处理方式下，可以使用一些常见的自然语言处理技术，例如词袋模型、TF-IDF、词向量等，对教师录入数据和学生录入数据进行处理。这些技术可以将文本转化为计算机可以理解的形式，例如向量表示。使用这些技术，可以将每个单词或短语映射到一个向量空间，从而得到教师录入数据语义理解特征向量和学生录入数据语义理解特征向量。
在本申请的另一个实施例中，可以通过深度学习方式对所述教师录入数据和所述学生录入数据进行语义编码。在深度学习方式下，可以使用一些深度学习模型，例如卷积神经网络（CNN）、长短时记忆网络（LSTM）等，对教师录入数据和学生录入数据进行编码。这些模型可以自动学习文本中的语义信息，并将其转化为特定的语义理解特征向量。使用这些模型，可以得到更加准确和精细的教师录入数据语义理解特征向量和学生录入数据语义理解特征向量。
需要注意的是，以上两种实施方式并不是互斥的，可以根据具体的情况选择合适的方式。同时，还可以结合多种技术，例如使用深度学习模型对文本进行编码，再使用自然语言处理技术对编码后的结果进行处理，以得到更加准确和完整的语义理解特征向量。
应可以理解，这种方式可以实现以下有益效果：提高教学效果，通过对教师录入数据和学生录入数据进行语义编码，可以更好地理解学生的学习需求和教师的教学需求，从而提高教学效果。促进教学交流，教师和学生可以通过云平台共享录入数据，从而促进教学交流，提高教学质量。个性化教学，通过对学生录入数据进行语义编码，可以为学生提供个性化的学习资源和教学计划，从而满足不同学生的不同需求。教学评估，通过对学生录入数据进行语义编码，可以对学生的学习情况进行评估，为教师提供有用的反馈信息，从而改善教学质量。
具体地，在本申请的技术方案中，接着，构造所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量之间的教师-学生录入数据语义理解关联特征向量。图2为根据本申请实施例的基于云平台的多学科交互教学系统中所述语义关联模块的框图，如图2所示，所述语义关联模块130，包括：教师录入数据分词单元131，用于对所述教师录入数据进行数据清洗和分词处理以得到教师录入词的序列；学生录入数据分词单元132，用于对所述学生录入数据进行数据清洗和分词处理以得到学生录入词的序列；教师录入数据语义理解单元133，用于对所述教师录入词的序列进行语义理解以得到所述教师录入数据语义理解特征向量；以及，学生录入数据语义理解单元134，用于对所述学生录入词的序列进行语义理解以得到所述学生录入数据语义理解特征向量。
其中，所述教师录入数据分词单元中，所述基于云平台的多学科交互教学系统将对教师录入的数据进行清洗处理，去除无用信息，并将数据分割成单词的序列。这样，可以将大段的教师录入数据转化为可处理的单词序列，为后续的教师录入数据语义理解单元提供清晰的输入。所述学生录入数据分词单元中，所述基于云平台的多学科交互教学系统将对学生录入的数据进行清洗处理，去除无用信息，并将数据分割成单词的序列。以将大段的学生录入数据转化为可处理的单词序列，为后续的学生录入数据语义理解单元提供清晰的输入。所述教师录入数据语义理解单元中，所述基于云平台的多学科交互教学系统将对教师录入的词序列进行语义理解，以得到教师录入数据的语义特征向量。可以让系统理解教师录入数据的含义，为后续的教师-学生录入数据语义理解关联特征向量提供有意义的特征向量。所述学生录入数据语义理解单元中，所述基于云平台的多学科交互教学系统将对学生录入的词序列进行语义理解，以得到学生录入数据的语义特征向量。这样，可以让系统理解学生录入数据的含义，为后续的教师-学生录入数据语义理解关联特征向量提供有意义的特征向量。所述学生录入数据语义理解单元中，所述基于云平台的多学科交互教学系统可以将教师录入数据和学生录入数据进行关联，从而实现教师和学生之间的交互和沟通。以提高教学效果，促进教学交流，个性化教学和教学评估。
在获取所述教师录入数据和所述学生录入数据后，考虑到所述教师录入数据和所述学生录入数据中可能会存在有噪声、重复、错误以及无用的语义干扰信息，因此，期望对所述教师录入数据和所述学生录入数据进行数据清洗。
其中，可以采用以下具体实施方式对所述教师录入数据和所述学生录入数据进行数据清洗：1.去除重复数据：通过比较数据的内容和关键信息，去除重复的数据记录。2.去除无用信息：对于数据中没有实际意义的信息，比如空格、标点符号、HTML标签等，可以使用正则表达式或其他工具去除。3.格式化数据：将数据按照一定的格式规范化，比如将日期格式化为统一的格式，将数字格式化为统一的单位等。4.处理缺失值：对于数据中的缺失值，可以采用插值法、均值法等方法进行填充。5.纠正错误数据：对于数据中的错误信息，比如拼写错误、语法错误等，可以使用自然语言处理的方法进行纠正。6.数据转换：将数据从一种格式转换为另一种格式，比如将文本数据转换为数字数据等。7.数据归一化：将数据的值缩放到一个统一的范围内，以避免某些数据对模型的影响过大。
这样，可以去除数据中的噪声、重复、错误以及无用信息，从而得到更加准确、高质量的录入数据，有利于优化多学科交互的知点汇编准确性和教学计划生成的准确性。
然后，考虑到由于所述教师录入数据和所述学生录入数据都是由各个词组成的，并且各个词之间具有着上下文的语义关联关系。为了能够进一步提高教学计划的精准度，从而优化多学科交互教学的质量，需要对于这些词之间的关联语义进行捕捉提取。因此，在本申请的技术方案中，首先，需要将清洗后的所述教师录入数据和所述学生录入数据分别进行分词处理以得到教师录入词的序列和学生录入词的序列，以从原始的录入数据中提取出有意义的关键信息，从而有利于后续更加精准地进行教师录入信息和学生录入信息的语义理解以及各学科知识点的汇编。
应可以理解，分词是将一段文本划分为一系列有意义的词语的过程，是自然语言处理中的基础步骤之一。其中，可以基于规则的分词：根据一定的规则，比如空格、标点符号等将文本划分为词语。也可以基于统计的分词：通过分析大量的语料库，使用统计模型来确定最可能的词语边界。还可以基于机器学习的分词：使用机器学习算法，如条件随机场、最大熵模型等，训练分词模型，对文本进行分词。还可以基于深度学习的分词：使用深度学习算法，如循环神经网络、卷积神经网络等，训练分词模型，对文本进行分词，本申请对此不做限制。
对清洗后的所述教师录入数据和所述学生录入数据分别进行分词处理，一方面，可以提高文本处理效率，分词后的文本可以更快速地进行后续处理，如文本分类、情感分析等。另一方面，可以提高文本处理质量，分词可以更准确地表示文本的语义，提高后续处理的准确性。再一方面，可以便于文本分析，分词后的文本可以更容易地进行文本分析，如关键词提取、词频统计等。再一方面，还可以便于语言学研究，分词可以帮助语言学家更好地研究语言的结构和规律。
进一步地，为了对于进行分词处理后得到的所述教师录入词的序列和所述学生录入词的序列进行语义特征提取，以此来对于教师录入信息和学生录入信息进行语义理解，在本申请的技术方案中，使用语义编码器来进行语义编码。具体地，将所述教师录入词的序列通过包含词嵌入层的第一语义编码器以得到教师录入数据语义理解特征向量，并将所述学生录入词的序列通过包含词嵌入层的第二语义编码器以得到学生录入数据语义理解特征向量。特别地，这里，所述包含词嵌入层的第一语义编码器和所述包含词嵌入层的第二语义编码器具有相同的网络结构，并且所述第一语义编码器和所述第二语义编码器为基于转换器的Bert模型，以此来分别提取出所述教师录入数据和所述学生录入数据中的各个词基于全局的上下文语义关联特征信息，即所述教师录入数据和所述学生录入数据的全局语义理解特征信息。
其中，Bert模型是一种基于转换器的预训练语言模型，全称为BidirectionalEncoder Representations from Transformers。Bert模型可以将输入的文本序列转换为语义理解特征向量，这些特征向量可以用于各种自然语言处理任务。第一语义编码器和第二语义编码器都是基于Bert模型的语义编码器，可以将所述教师录入词的序列和所述学生录入词的序列转换为教师录入数据语义理解特征向量和学生录入数据语义理解特征向量。教师录入数据语义理解特征向量和学生录入数据语义理解特征向量可以用于后续的语义关联和教学计划生成等任务。第一语义编码器和第二语义编码器的具体实现方式可能有所不同，但都是Bert模型的转换器结构。
继而，再使用级联函数来融合所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量，以此来融合所述教师录入信息的全局语义理解特征信息和所述学生录入信息的全局语义理解特征信息，从而得到具有教师录入数据和学生录入数据的语义关联特征的教师-学生录入数据语义理解关联特征向量。应可以理解，在实际将知识点汇编成教学计划的过程中，学生和教师的基本数据是不同的，但他们的意图和走向是有相似性的，所以通过级联函数将这两个数据源进行融合，能够实现更好的数据编码和数据分析，进而优化教学计划的生成质量和效率。
其中，级联函数是指将两个向量按照一定的方式拼接在一起形成一个新的向量。在这里，可以使用级联函数来将教师录入数据语义理解特征向量和学生录入数据语义理解特征向量拼接在一起，形成一个新的向量，从而得到具有教师录入数据和学生录入数据的语义关联特征的教师-学生录入数据语义理解关联特征向量。
具体地，级联函数可以表示为：
其中，和/>分别表示教师录入数据语义理解特征向量和学生录入数据语义理解特征向量，/>表示将两个向量按照列方向拼接在一起形成一个新的向量。
例如，如果教师录入数据语义理解特征向量的维度为d1，学生录入数据语义理解特征向量的维度为d2，那么级联函数的输出向量的维度为d1+d2。这个新的向量就包含了教师录入数据和学生录入数据的语义关联特征信息，可以用于后续的教学计划生成等任务。
进而，进一步再将所述教师-学生录入数据语义理解关联特征向量通过基于AIGC的教学计划生成器以得到生成教学计划。应可以理解，AIGC（Artificial Intelligence inGuidance and Counseling）是一种基于人工智能技术的辅导与咨询系统，其具有自适应性和个性化定制的特点，可以根据教师和学生录入数据的语义理解关联特征来生成针对性更强的教学计划。并且，所述基于AIGC的教学计划生成器还可以提供多种参数的分析和权衡，以通过教师录入数据和学员录入数据之间的语义关联融合特征信息，来对满足教学大纲和学习需求计划的各学科知识点进行汇编，并生成更为全面和精准的教学计划。
特别地，在本申请的技术方案中，这里，所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量分别表达教师录入数据和学生录入数据的文本语义编码特征，从而使得在异质源数据的文本语义特征关联编码下，所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量的特征文本语义分布具有不对齐。这样，在使用级联函数融合所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量时，对所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量进行点卷积操作和激活操作，会导致所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量的非对齐文本语义编码特征在经由级联函数进行模型前向传播时产生语义关联信息的损失，影响所述教师-学生录入数据语义理解关联特征向量对于异质文本数据各自的文本语义特征及其关联语义特征的表达效果。
基于此，本申请的申请人对所述教师录入数据语义理解特征向量，例如记为和所述学生录入数据语义理解特征向量，例如记为/>进行前向传播信息保留融合，以得到校正特征向量/>，其中/>表示为：以如下融合优化公式对所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量进行前向传播信息保留融合以得到所述教师-学生录入数据语义理解关联特征向量；其中，所述融合优化公式为：
其中，是所述教师录入数据语义理解特征向量，/>是所述学生录入数据语义理解特征向量，/>和/>分别表示将特征向量左移/>位和右移/>位，/>为取整函数，/>是所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量的所有特征值的均值，/>表示特征向量的一范数，/>是所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量之间的距离，且/>为以2为底的对数函数值，/>和分别表示按位置减法和加法，/>和/>为加权超参数，/>是所述教师-学生录入数据语义理解关联特征向量。
这里，针对所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量/>在网络模型中的前向传播过程中，由于激活函数的激活和归一化产生的在向量尺度上的浮点分布误差和信息损失，通过从均一化信息角度来引入所述教师录入数据语义理解特征向量/>和所述学生录入数据语义理解特征向量/>的逐位位移操作，来平衡和标准化前向传播过程中的量化误差和信息损失，并通过在融合之前重塑特征参数的分布来引入分布多样性，由此以扩大信息熵的方式进行所述教师录入数据语义理解特征向量/>和所述学生录入数据语义理解特征向量/>的信息保留（retention），以提升所述教师-学生录入数据语义理解关联特征向量对于异质文本数据各自的文本语义特征及其关联语义特征的表达效果，从而提升所述教师-学生录入数据语义理解关联特征向量通过基于AIGC的教学计划生成器得到的生成教学计划的质量。这样，能够对于知识点进行全面且准确地汇编并生成教学计划，以提高多学科交互教学的效率和质量。
具体地，在本申请的实施例中， 最后，基于所述教师-学生录入数据语义理解关联特征向量，生成教学计划。这样，可以将教师和学生录入的数据进行语义理解和关联，以生成个性化的教学计划。
具体来说，首先将教师录入的数据和学生录入的数据分别进行语义编码，生成对应的语义特征向量。然后，通过计算这些特征向量之间的相似度，建立教师和学生之间的语义关联。最后，根据这些语义关联，生成个性化的教学计划，包括教学目标、教学内容、教学方法和评估方式等。
这种基于教师-学生录入数据语义理解关联特征向量的教学计划生成方法，不仅可以提高教学效果，教学计划是根据教师和学生的实际情况生成的，更符合他们的需求和兴趣。而且可以促进教学交流，教师和学生可以通过教学计划了解彼此的需求和期望，更好地沟通和合作。进一步地，还可以实现个性化教学，教学计划是根据每个学生的实际情况生成的，更加贴近他们的学习特点和需求。更进一步地，还可以实现教学评估，根据教学计划可以评估教学效果和学生学习成果，为后续的教学提供参考和改进。
综上，基于本申请实施例的基于云平台的多学科交互教学系统100被阐明，其能够对于知识点进行全面且准确地汇编并生成教学计划，以提高多学科交互教学的效率和质量。
如上所述，根据本申请实施例的基于云平台的多学科交互教学系统200可以实现在各种终端设备中，例如用于基于云平台的多学科交互教学的服务器等。在一个示例中，根据本申请实施例的基于云平台的多学科交互教学系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于云平台的多学科交互教学系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于云平台的多学科交互教学系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于云平台的多学科交互教学系统200与该终端设备也可以是分立的设备，并且基于云平台的多学科交互教学系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
在本申请的一个实施例中，图3为根据本申请实施例的基于云平台的多学科交互教学方法的流程图。图4为根据本申请实施例的基于云平台的多学科交互教学方法的架构示意图。如图3和如图4所示，根据本申请实施例的基于云平台的多学科交互教学方法200，包括：210，从云平台提取教师录入数据和学生录入数据；220，对所述教师录入数据和所述学生录入数据进行语义编码以得到教师录入数据语义理解特征向量和学生录入数据语义理解特征向量；230，构造所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量之间的教师-学生录入数据语义理解关联特征向量；以及，240，基于所述教师-学生录入数据语义理解关联特征向量，生成教学计划。
这里，本领域技术人员可以理解，上述基于云平台的多学科交互教学方法中的各个单元和模块的具体功能和操作已经在上面参考图1到图2的基于云平台的多学科交互教学系统的描述中得到了详细介绍，并因此，将省略其重复描述。
图5为根据本申请实施例的基于云平台的多学科交互教学系统的场景示意图。如图5所示，在该应用场景中，首先，从云平台提取教师录入数据（例如，如图5中所示意的C1）和学生录入数据（例如，如图5中所示意的C2）；然后，将获取的教师录入数据和学生录入数据输入至部署有基于云平台的多学科交互教学算法的服务器（例如，如图5中所示意的S）中，其中所述服务器能够基于云平台的多学科交互教学算法对所述教师录入数据和所述学生录入数据进行处理，以通过基于AIGC的教学计划生成器以得到所述教学计划。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (8)
1.一种基于云平台的多学科交互教学系统，其特征在于，包括：
录入数据提取模块，用于从云平台提取教师录入数据和学生录入数据；
录入数据语义编码模块，用于对所述教师录入数据和所述学生录入数据进行语义编码以得到教师录入数据语义理解特征向量和学生录入数据语义理解特征向量；
语义关联模块，用于构造所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量之间的教师-学生录入数据语义理解关联特征向量；
以及教学计划生成模块，用于基于所述教师-学生录入数据语义理解关联特征向量，生成教学计划；
所述语义关联模块，用于：融合所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量以得到所述教师-学生录入数据语义理解关联特征向量；
所述语义关联模块，用于：以如下融合优化公式对所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量进行前向传播信息保留融合以得到所述教师-学生录入数据语义理解关联特征向量；
其中，所述融合优化公式为：
其中，是所述教师录入数据语义理解特征向量，/>是所述学生录入数据语义理解特征向量，/>和/>分别表示将特征向量左移s位和右移s位，/>为取整函数，是所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量的所有特征值的均值，/>表示特征向量的一范数，/>是所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量之间的距离，且/>为以2为底的对数函数值，/>和/>分别表示按位置减法和加法，/>和/>为加权超参数，/>是所述教师-学生录入数据语义理解关联特征向量。
2.根据权利要求1所述的基于云平台的多学科交互教学系统，其特征在于，所述语义关联模块，包括：
教师录入数据分词单元，用于对所述教师录入数据进行数据清洗和分词处理以得到教师录入词的序列；
学生录入数据分词单元，用于对所述学生录入数据进行数据清洗和分词处理以得到学生录入词的序列；
教师录入数据语义理解单元，用于对所述教师录入词的序列进行语义理解以得到所述教师录入数据语义理解特征向量；
以及学生录入数据语义理解单元，用于对所述学生录入词的序列进行语义理解以得到所述学生录入数据语义理解特征向量。
3.根据权利要求2所述的基于云平台的多学科交互教学系统，其特征在于，所述教师录入数据语义理解单元，用于：使用包含词嵌入层的第一语义编码器对所述教师录入词的序列进行语义理解以得到所述教师录入数据语义理解特征向量。
4.根据权利要求3所述的基于云平台的多学科交互教学系统，其特征在于，所述学生录入数据语义理解单元，用于：使用包含词嵌入层的第二语义编码器对所述学生录入词的序列进行语义理解以得到所述学生录入数据语义理解特征向量。
5.根据权利要求4所述的基于云平台的多学科交互教学系统，其特征在于，所述包含词嵌入层的第一语义编码器和所述包含词嵌入层的第二语义编码器具有相同的网络结构。
6.根据权利要求5所述的基于云平台的多学科交互教学系统，其特征在于，所述第一语义编码器和所述第二语义编码器为基于转换器的Bert模型。
7.根据权利要求6所述的基于云平台的多学科交互教学系统，其特征在于，所述教学计划生成模块，用于：将所述教师-学生录入数据语义理解关联特征向量通过基于AIGC的教学计划生成器以得到所述教学计划。
8.一种基于云平台的多学科交互教学方法，其特征在于，包括：
从云平台提取教师录入数据和学生录入数据；
对所述教师录入数据和所述学生录入数据进行语义编码以得到教师录入数据语义理解特征向量和学生录入数据语义理解特征向量；
构造所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量之间的教师-学生录入数据语义理解关联特征向量；
以及基于所述教师-学生录入数据语义理解关联特征向量，生成教学计划；
所述构造所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量之间的教师-学生录入数据语义理解关联特征向量，包括：融合所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量以得到所述教师-学生录入数据语义理解关联特征向量；
以如下融合优化公式对所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量进行前向传播信息保留融合以得到所述教师-学生录入数据语义理解关联特征向量；
其中，所述融合优化公式为：
其中，是所述教师录入数据语义理解特征向量，/>是所述学生录入数据语义理解特征向量，/>和/>分别表示将特征向量左移s位和右移s位，/>为取整函数，是所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量的所有特征值的均值，/>表示特征向量的一范数，/>是所述教师录入数据语义理解特征向量和所述学生录入数据语义理解特征向量之间的距离，且/>为以2为底的对数函数值，/>和/>分别表示按位置减法和加法，/>和/>为加权超参数，/>是所述教师-学生录入数据语义理解关联特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310867975.3A CN116596347B (zh) | 2023-07-17 | 2023-07-17 | 基于云平台的多学科交互教学系统及教学方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310867975.3A CN116596347B (zh) | 2023-07-17 | 2023-07-17 | 基于云平台的多学科交互教学系统及教学方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116596347A CN116596347A (zh) | 2023-08-15 |
| CN116596347B true CN116596347B (zh) | 2023-09-29 |
Family
ID=87599450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310867975.3A Active CN116596347B (zh) | 2023-07-17 | 2023-07-17 | 基于云平台的多学科交互教学系统及教学方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116596347B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171413B (zh) * | 2023-09-07 | 2024-03-08 | 滨州八爪鱼网络科技有限公司 | 用于数字藏品管理的数据处理系统及其方法 |
| CN117435505B (zh) * | 2023-12-04 | 2024-03-15 | 南京易迪森信息技术有限公司 | 一种性能测试脚本可视化生成方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111523637A (zh) * | 2020-01-23 | 2020-08-11 | 北京航空航天大学 | 一种信息保留网络的生成方法及装置 |
| CN112559749A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 在线教育师生智能匹配方法、装置及存储介质 |
| CN114663910A (zh) * | 2022-01-11 | 2022-06-24 | 重庆工程学院 | 基于多模态学习状态分析系统 |
| CN115222566A (zh) * | 2022-08-02 | 2022-10-21 | 吴若涵 | 国际金融与金融计量学教学用学习方法及其系统 |
| CN116050892A (zh) * | 2022-12-23 | 2023-05-02 | 江苏青雁科技有限公司 | 一种基于人工智能的智能教育评价监督方法 |
| CN116415581A (zh) * | 2023-04-21 | 2023-07-11 | 浙江晓扬科技有限公司 | 一种基于智慧教育的教学数据分析系统 |
-
2023
- 2023-07-17 CN CN202310867975.3A patent/CN116596347B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111523637A (zh) * | 2020-01-23 | 2020-08-11 | 北京航空航天大学 | 一种信息保留网络的生成方法及装置 |
| CN112559749A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 在线教育师生智能匹配方法、装置及存储介质 |
| CN114663910A (zh) * | 2022-01-11 | 2022-06-24 | 重庆工程学院 | 基于多模态学习状态分析系统 |
| CN115222566A (zh) * | 2022-08-02 | 2022-10-21 | 吴若涵 | 国际金融与金融计量学教学用学习方法及其系统 |
| CN116050892A (zh) * | 2022-12-23 | 2023-05-02 | 江苏青雁科技有限公司 | 一种基于人工智能的智能教育评价监督方法 |
| CN116415581A (zh) * | 2023-04-21 | 2023-07-11 | 浙江晓扬科技有限公司 | 一种基于智慧教育的教学数据分析系统 |
Non-Patent Citations (3)
| Title |
|---|
| Sufyan Ali Memon 等.Track Coalescence Avoidance in Multi-target Tracking.《 International Conference on Advancements in Computational Sciences 》.2023,(第4期),全文. * |
| 基于智慧课堂平台的翻转课堂教学模式研究――以《计算机网络技术》课程为例;张麦玲;王鸿铭;;当代教育实践与教学研究(10);全文 * |
| 宋文龙 ; 郭婧 ; 贾鹤鸣 ; .基于遗传BP网络的植物根系图像边缘检测.东北林业大学学报.2011,(12),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116596347A (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116596347B (zh) | 基于云平台的多学科交互教学系统及教学方法 | |
| CN114116994A (zh) | 一种迎宾机器人对话方法 | |
| CN110442880B (zh) | 一种机器翻译译文的翻译方法、装置及存储介质 | |
| CN111831789A (zh) | 一种基于多层语义特征提取结构的问答文本匹配方法 | |
| Rokade et al. | Automated grading system using natural language processing | |
| CN112069781A (zh) | 一种评语生成方法、装置、终端设备及存储介质 | |
| CN114048301B (zh) | 一种基于满意度的用户模拟方法及系统 | |
| Kong | Artificial Intelligence-based translation technology in translation teaching | |
| Krassmann et al. | A process for extracting knowledge base for chatbots from text corpora | |
| JP2020102193A (ja) | 文章変換システム、文章変換方法、及びプログラム | |
| CN114238636A (zh) | 一种基于翻译匹配的跨语言属性级情感分类方法 | |
| CN117113937A (zh) | 一种基于大规模语言模型的电力领域阅读理解方法和系统 | |
| Miao et al. | Improving accuracy of key information acquisition for social media text summarization | |
| CN113590745B (zh) | 一种可解释的文本推断方法 | |
| CN117009456A (zh) | 医疗查询文本的处理方法、装置、设备、介质和电子产品 | |
| CN114139561A (zh) | 一种多领域神经机器翻译性能提升方法 | |
| Zheng et al. | ELion: An intelligent Chinese composition tutoring system based on large language models | |
| Lira et al. | Enhancing Writing Skills of Chilean Adolescents: Assisted Story Creation with LLMs | |
| Nie et al. | Graph neural net-based user simulator | |
| CN112349294B (zh) | 语音处理方法及装置、计算机可读介质、电子设备 | |
| Wang et al. | The Construction of a Shared Resource Base for Teaching Chinese Culture under the Architecture of Disciplinary Knowledge Mapping | |
| Onishi et al. | Program comment generation through distributed representation construction using parse tree information | |
| Hu et al. | Analysis System of English Translation on Cloud Platform Based on Artificial Intelligence | |
| Gao | Research on Intelligent Semantic Checking Algorithm of Article Editing Based on Artificial Intelligence | |
| CN117807984A (zh) | 一种错因解析生成方法、装置、存储介质及设备 |
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 |