CN116610945A - 基于智能算法的学习平台数据记录系统 - Google Patents
基于智能算法的学习平台数据记录系统 Download PDFInfo
- Publication number
- CN116610945A CN116610945A CN202310297800.3A CN202310297800A CN116610945A CN 116610945 A CN116610945 A CN 116610945A CN 202310297800 A CN202310297800 A CN 202310297800A CN 116610945 A CN116610945 A CN 116610945A
- Authority
- CN
- China
- Prior art keywords
- learning
- subject
- knowledge
- sample
- knowledge point
- 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
- 238000004458 analytical method Methods 0.000 claims abstract description 78
- 238000010276 construction Methods 0.000 claims abstract description 70
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000006399 behavior Effects 0.000 claims description 81
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及信息处理技术领域,尤其涉及一种基于智能算法的学习平台数据记录系统,包括学习记录单元、样本构建单元、对比分析单元、数据处理单元以及学习模型构建单元,本发明的数据处理单元分别与所述样本构建单元、学习模型构建单元和对比分析单元连接,用以根据所述对比分析单元的分析结果确定所述学习者的各所述科目的学习行为的调整建议,提高了对学习者学习行为数据分析的精准度,保证了学习平台针对各学习者提供的学习方案的学习效果。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种基于智能算法的学习平台数据记录系统。
背景技术
传统教育或者传统在线教育系统在进行学生能力评估时,通常以综合测试成绩排名或者问卷调查的形式进行相关评估,未能真正结合个性化学习特点,未能与具体知识点准确关联,未能在宏观与微观不同的精细度上实现对学生学习能力的综合、完整评价与评比。
中国专利公开号:CN108573628B公开了基于学习轨迹的学习能力评估与扩展知识点集推荐的方法,包括步骤:构建知识网络和教学大纲;依据教学大纲为学习者构建必修学习路径与初始推荐选修扩展知识点集;依据各教学大纲要求与试题答案,构建测试集;学习者依据学习路径及其个人达到的学习状态挑选新知识点进行学习,记录知识点的学习情况,构建初始学习轨迹,评估其在各知识点的掌握情况,构建其掌握情况的动态学习轨迹,评估学习者综合掌握能力得分、掌握广度得分、综合学习效率得分,并评估是否达到当前课程掌握要求;为已达掌握要求的学习者评估掌握广度级别;评估学习者所处的综合学习能力级别,挑选出适合的选修知识点集,为其进行个性化选修扩展知识点集的推荐。
由此可见,所述基于学习轨迹的学习能力评估与扩展知识点集推荐的方法,存在对学习者的学行行为数据分析不够精准,无法保证学习平台为学习者提供学习方案的精准度的问题。
发明内容
为此,本发明提供基于智能算法的学习平台数据记录系统,用以克服现有技术中对学习者的学行行为数据分析不够精准,无法保证学习平台为学习者提供学习方案的精准度的问题。
为实现上述目的,本发明提供一种基于智能算法的学习平台数据记录系统,其特征在于,包括:
学习记录单元,用以记录学习平台中若干学习者的学习行为数据,其中,学习行为数据包括各所述科目的单次学习时长、知识点数量以及习题成绩;
样本构建单元,其与学习记录单元连接,用以根据学习行为数据构建学习效率样本;
学习模型构建单元,其与样本构建单元连接,用以根据所述样本构建单元构建的若干所述学习效率样本构建学习模型,所述学习模型的输入参数为所述学习者的学习行为数据,输出参数为所述学习者的各科目的知识点学习进度,以及用以根据所述对比分析单元的分析结果对所述学习模型中各所述科目的标准知识点和进阶知识点的范围进行调整;
对比分析单元,其分别与学习模型构建单元和样本构建单元连接,用以对所述学习效率样本进行分析,以及将各学习者的学习行数据输入所述学习模型,并根据获取所述学习模型的输出参数对所述学习行为数据进行分析;
数据处理单元,其分别与学习模型构建单元和对比分析单元连接,用以根据所述对比分析单元的分析结果确定所述学习者的各所述科目的学习行为的调整建议。
进一步地,所述样本构建单元根据以下公式计算各所述学习行为数据中所述科目的学习效率参量M,
其中,L表示所述科目的单次学习的平均时长,L1表示预设单次学习时长,Ql表示所述单次学习的平均时长对所述学习效率参量的影响权重,H表示所述科目的单次掌握知识点的平均数量,H1表示预设单次掌握知识点数量,Qh表示所述单次掌握知识点的平均数量对所述学习效率参量的影响权重,A表示所述科目的习题平均成绩,A1表示预设习题成绩,Qa表示所述习题平均成绩对所述学习效率参量的影响权重。
进一步地,所述样本构建单元在所述学习效率参量M计算完成时根据所述学习效率参量M与预设学习效率参量的对比结果获取不同的学习效率样本集合,
其中,所述样本构建单元设有第一预设学习效率参量M1、第二预设学习效率参量,M1<M2,
若M<M1,所述样本构建单元确定所述科目的各所述学习行为数据确定加入低学习效率样本集合;
若M1≤M<M2,所述样本构建单元确定所述科目的各所述学习行为数据确定加入标准学习效率样本集合;
若M2≤M,所述样本构建单元确定所述科目的各所述学习行为数据确定加入高学习效率样本集合。
进一步地,所述学习模型构建单元获取所述科目的高学习效率样本集合和标准学习效率样本集合中掌握知识点范围的交集确定所述科目的标准知识点范围Sa,Sa=S1∩S2,并根据以下公式确定进阶知识点范围Sb,
Sb=(S1-Sa)∩(S2-Sa)
其中,S1表示所述高学习效率样本集合中掌握的知识点,S2表示所述标准学习效率样本集合中掌握的知识点。
进一步地,所述学习模型在根据所述输入参数确定所述学习者的各所述科目的知识点学习进度时,根据以下公式计算所述科目的知识点掌握参量G,
其中,Na表示所述科目的标准知识点的掌握数量,Na1表示所述科目的标准知识点的总数量,Nb表示所述科目的进阶知识点的掌握数量,Nb1表示所述科目的进阶知识点的总数量。
进一步地,所述学习模型在所述知识点掌握参量G完成计算时,根据所述知识点掌握参量G与预设知识掌参量的对比结果确定所述科目的知识广度等级,
其中,所述学习模型设有第一预设知识点掌握参量G1、第二预设知识点掌握参量G2,第一知识广度等级B1、第二知识广度等级B2以及第三知识广度等级B3,G1<G2,B1<B2<B3,
若G<G1,所述学习模型确定所述科目的知识广度等级为B1;
若G1≤G<G2,所述学习模型确定所述科目的知识广度等级为B2;
若G2≤G,所述学习模型确定所述科目的知识广度等级为B3。
进一步地,所述样本构建单元还包括所述学习者的各所述科目的学习行为调整样本,所述学习模型在确定所述科目的知识点广度等级完成时,所述样本构建单元根据所述科目的知识广度等级Bi与预设知识广度等级B0的对比结果确定所述科目的学习行为调整样本,
若Bi<B0,所述样本构建单元确定所述标准学习效率样本作为所述学习行为调整样本;
若Bi≥B0,所述样本构建单元确定所述高学习效率样本作为所述学习行为调整样本。
进一步地,所述数据处理单元在根据所述学习者的各科目的学习行为数据确定对所述科目的学习行为给出调整建议时,所述对比分析单元将所述科目的学习行为数据输入所述学习模型并在接收到所述学习模型的输出参数时根据以下公式计算所述科目的学习行为调整参量F,
其中,R表示所述科目的掌握知识点的数量,R1表示所述调整样本中所述科目的掌握知识点的平均数量,V表示所述科目的习题平均成绩,V1表示所述调整样本中所述科目的习题平均成绩。
进一步地,所述对比分析单元在所述学习行为调整参量计算完成时,根据所述学习行为调整参量F与预设调整参量的对比结果确定所述科目的学习行为调整系数,
其中,所述对比分析单元设有第一预设学习行为调整参量F1、第二预设学习行为调整参量F2、学习时长调整系数Kt、第一知识点数量调整系数Kr1、第二知识点数量调整系数Kr2,F1<F2,Kr1<Kr2,Kt=0.8,Kr1=0.8,Kr2=1.2,
若F<F1,所述对比分析单元确定采用Kr1作为知识点数量调整系数对所述科目的单次学习知识点数量进行调整;
若F1≤F<F2,所述对比分析单元确定采用Kt作为学习时长调整系数对所述科目的单次学习时长进行调整;
若F2≤F,所述对比分析单元确定采用Kr2作为知识点数量调整系数对所述科目的单次学习知识点数量进行调整;
在所对比分析单元确定对所述单次学习知识点相间量进行调整时,述数据处理单元确定将所述科目的单次学习知识点数量建议记为R',设定R'=Rp×Kri,其中Rp表示所述科目的单次学习知识点的平均数量,i=1,2;
在所述对比分析单元确定对所述单次学习时长进行调整时,所述数据处理单元确定将所述科目的单次学习时长建议记为T',设定T'=T×Kt,其中T表示所述科目学习的平均时长。
进一步地,所述对比分析单元获取各科目的各学习效率样本,根据所述科目的各知识点范围的掌握比例确定是否对各所述知识点范围进行再次调整,
其中,所述对比分析单元设定第一知识点掌握比例P1、第二知识点掌握比例P2,P1<P2,
在对所述科目的进阶知识点范围Sb进行调整时,所述学习模型构建单元获取既不在所述进阶知识点范围内也不在标准知识点范围内的高进阶知识点范围Sc,Sc=(S1-Sa)-(S2-Sa),
所述对比分析单元获取掌握各所述高进阶知识点的人数Ja与掌握所述高进阶知识点范围的总人数Ja1的比值Pa,其中Pa=Ja/Ja1,
若Pa≥P2,所述对比分析单元确定对所述进阶知识点的范围进行调整,所述对比分析单元确定将所述高进阶知识点加入进阶知识点范围;
所述对比分析单元获取掌握各所述进阶知识点的人数Jb与掌握所述进阶知识点范围的总人数Jb1的比值Pb,其中Pb=Jb/Jb1,
若Pb≥P2,所述对比分析单元确定对所述标准知识点的范围进行调整,所述学习模型构建单元确定将所述进阶知识点加入标准知识点范围;
若Pb≥P1且Pb<P2,所述对比分析单元确定对所述高进阶知识点的范围进行调整,所述学习模型构建单元确定将所述进阶知识点加入高进阶知识点范围;
所述对比分析单元获取掌握各所述标准知识点的人数Jc与掌握所述标准知识点范围的总人数Jc1的比值Pc,其中Pc=Jc/Jc1,
若Pc≥P2,所述对比分析单元确定不对所述标准知识点范围进行再次调整;
若Pc≥P1且Pc<P2,所述对比分析单元确定对所述进阶知识点范围进行调整,所述学习模型构建单元确定将所述标准知识点加入进阶知识点范围。
与现有技术相比,本发明的有益效果在于,数据处理单元别与所述样本构建单元、学习模型构建单元和对比分析单元连接,用以根据所述对比分析单元的分析结果确定所述学习者的各所述科目的学习行为的调整建议,提高了对学习者学习行为数据分析的精准度,保证了学习平台针对各学习者提供的学习方案的学习效果。
进一步地,所述样本构建单元计算所述学习者的各所述学习行为数据的所述科目的学习效率参量,根据所述学习效率参量与预设学习效率参量的对比结果获取不同的学习效率样本集合,从而提高了所述学习模型的训练精度。
进一步地,所述学习模型构建单元获取所述科目的高学习效率样本集合和标准学习效率样本集合中掌握知识点范围的交集确定所述科目的标准知识点范围,并根据公式确定进阶知识点范围,从而进一步提高了所述学习模型的训练精度。
进一步地,所述学习模型在根据所述输入参数确定所述学习者的各所述科目的知识点学习进度时计算所述科目的知识点掌握参量,根据所述知识点掌握参量与预设知识掌参量的对比结果确定所述科目的知识广度等级,从而提高了所述学习模型评价知识点学习进度的精度。
进一步地,所述学习模型在确定所述科目的知识点广度等级完成时,根据所述学习模型输出的所述科目的知识广度等级与预设知识广度等级B0的对比结果确定所述科目的学习行为调整样本,从而进一步提高了所述学习模型评价知识点学习进度的精度。
进一步地,所述数据处理单元在根据所述学习者的各科目的学习行为数据确定对所述科目的学习行为给出调整建议时,所述对比分析单元将所述科目的学习行为数据输入所述学习模型并在接收到所述学习模型的输出参数时计算学习行为调整参量,根据所述学习行为调整参量与预设调整参量的对比结果确定所述科目的学习行为调整系数,从而进一步提高了所述学习模型评价知识点学习进度的精度。
进一步地,所述对比分析单元获取各科目的各学习效率样本,根据所述科目的各知识点范围的掌握比例确定是否对各所述知识点范围进行再次调整,从而进一步提高了所述学习模型的训练精度,保证了学习模型评价知识点学习进度的精度,从而提高了学习平台针对各学习者提供的学习方案的学习效果。
附图说明
图1为本发明所述基于智能算法的学习平台数据记录系统的结构示意图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明做进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示,图1为本发明实施例的基于智能算法的学习平台数据记录系统的结构示意图。
一种基于智能算法的学习平台数据记录系统,包括:
学习记录单元,用以记录学习平台中若干学习者的学习行为数据,其中,学习行为数据包括各科目的单次学习时长、知识点数量以及习题成绩;
样本构建单元,其与学习记录单元连接,用以根据学习行为数据构建学习效率样本;
学习模型构建单元,其与样本构建单元连接,用以根据样本构建单元构建的若干学习效率样本构建学习模型,学习模型的输入参数为学习者的学习行为数据,输出参数为学习者的各科目的知识点学习进度,以及用以根据对比分析单元的分析结果对学习模型中各科目的标准知识点和进阶知识点的范围进行调整;
对比分析单元,其分别与学习模型构建单元和样本构建单元连接,用以对学习效率样本进行分析,以及将各学习者的学习行数据输入学习模型,并根据获取学习模型的输出参数对学习行为数据进行分析;
数据处理单元,其分别与学习模型构建单元和对比分析单元连接,用以根据对比分析单元的分析结果确定学习者的各科目的学习行为的调整建议。
具体而言,样本构建单元根据以下公式计算各学习行为数据中科目的学习效率参量M,
其中,L表示科目的单次学习的平均时长,L1表示预设单次学习时长,Ql表示单次学习的平均时长对学习效率参量的影响权重,H表示科目的单次掌握知识点的平均数量,H1表示预设单次掌握知识点数量,Qh表示单次掌握知识点的平均数量对学习效率参量的影响权重,A表示科目的习题平均成绩,A1表示预设习题成绩,Qa表示习题平均成绩对学习效率参量的影响权重。
具体而言,样本构建单元在学习效率参量M计算完成时根据学习效率参量M与预设学习效率参量的对比结果获取不同的学习效率样本集合,
其中,样本构建单元设有第一预设学习效率参量M1、第二预设学习效率参量,M1<M2,
若M<M1,样本构建单元确定科目的各学习行为数据确定加入低学习效率样本集合;
若M1≤M<M2,样本构建单元确定科目的各学习行为数据确定加入标准学习效率样本集合;
若M2≤M,样本构建单元确定科目的各学习行为数据确定加入高学习效率样本集合。
具体而言,学习模型构建单元获取科目的高学习效率样本集合和标准学习效率样本集合中掌握知识点范围的交集确定科目的标准知识点范围Sa,Sa=S1∩S2,并根据以下公式确定进阶知识点范围Sb,
Sb=(S1-Sa)∩(S2-Sa)
其中,S1表示高学习效率样本集合中掌握的知识点,S2表示标准学习效率样本集合中掌握的知识点。
具体而言,学习模型在根据输入参数确定学习者的各科目的知识点学习进度时,根据以下公式计算科目的知识点掌握参量G,
其中,Na表示科目的标准知识点的掌握数量,Na1表示科目的标准知识点的总数量,Nb表示科目的进阶知识点的掌握数量,Nb1表示科目的进阶知识点的总数量。
具体而言,学习模型在知识点掌握参量G完成计算时,根据知识点掌握参量G与预设知识掌参量的对比结果确定科目的知识广度等级,
其中,学习模型设有第一预设知识点掌握参量G1、第二预设知识点掌握参量G2,第一知识广度等级B1、第二知识广度等级B2以及第三知识广度等级B3,G1<G2,B1<B2<B3,
若G<G1,学习模型确定科目的知识广度等级为B1;
若G1≤G<G2,学习模型确定科目的知识广度等级为B2;
若G2≤G,学习模型确定科目的知识广度等级为B3。
具体而言,样本构建单元还包括学习者的各科目的学习行为调整样本,学习模型在确定科目的知识点广度等级完成时,样本构建单元根据科目的知识广度等级Bi与预设知识广度等级B0的对比结果确定科目的学习行为调整样本,
若Bi<B0,样本构建单元确定标准学习效率样本作为学习行为调整样本;
若Bi≥B0,样本构建单元确定高学习效率样本作为学习行为调整样本。
具体而言,数据处理单元在根据学习者的各科目的学习行为数据确定对科目的学习行为给出调整建议时,对比分析单元将科目的学习行为数据输入学习模型并在接收到学习模型的输出参数时根据以下公式计算科目的学习行为调整参量F,
其中,R表示科目的掌握知识点的数量,R1表示调整样本中科目的掌握知识点的平均数量,V表示科目的习题平均成绩,V1表示调整样本中科目的习题平均成绩。
具体而言,对比分析单元在学习行为调整参量计算完成时,根据学习行为调整参量F与预设调整参量的对比结果确定科目的学习行为调整系数,
其中,对比分析单元设有第一预设学习行为调整参量F1、第二预设学习行为调整参量F2、学习时长调整系数Kt、第一知识点数量调整系数Kr1、第二知识点数量调整系数Kr2,F1<F2,Kr1<Kr2,Kt=0.8,Kr1=0.8,Kr2=1.2,
若F<F1,对比分析单元确定采用Kr1作为知识点数量调整系数对科目的单次学习知识点数量进行调整;
若F1≤F<F2,对比分析单元确定采用Kt作为学习时长调整系数对科目的单次学习时长进行调整;
若F2≤F,对比分析单元确定采用Kr2作为知识点数量调整系数对科目的单次学习知识点数量进行调整;
在所对比分析单元确定对单次学习知识点相间量进行调整时,述数据处理单元确定将科目的单次学习知识点数量建议记为R',设定R'=Rp×Kri,其中Rp表示科目的单次学习知识点的平均数量,i=1,2;
在对比分析单元确定对单次学习时长进行调整时,数据处理单元确定将科目的单次学习时长建议记为T',设定T'=T×Kt,其中T表示科目学习的平均时长。
具体而言,对比分析单元获取各科目的各学习效率样本,根据科目的各知识点范围的掌握比例确定是否对各知识点范围进行再次调整,
其中,对比分析单元设定第一知识点掌握比例P1、第二知识点掌握比例P2,P1<P2,
在对科目的进阶知识点范围Sb进行调整时,学习模型构建单元获取既不在进阶知识点范围内也不在标准知识点范围内的高进阶知识点范围Sc,Sc=(S1-Sa)-(S2-Sa),
对比分析单元获取掌握各高进阶知识点的人数Ja与掌握高进阶知识点范围的总人数Ja1的比值Pa,其中Pa=Ja/Ja1,
若Pa≥P2,对比分析单元确定对进阶知识点的范围进行调整,对比分析单元确定将高进阶知识点加入进阶知识点范围;
对比分析单元获取掌握各进阶知识点的人数Jb与掌握进阶知识点范围的总人数Jb1的比值Pb,其中Pb=Jb/Jb1,
若Pb≥P2,对比分析单元确定对标准知识点的范围进行调整,学习模型构建单元确定将进阶知识点加入标准知识点范围;
若Pb≥P1且Pb<P2,对比分析单元确定对高进阶知识点的范围进行调整,学习模型构建单元确定将进阶知识点加入高进阶知识点范围;
对比分析单元获取掌握各标准知识点的人数Jc与掌握标准知识点范围的总人数Jc1的比值Pc,其中Pc=Jc/Jc1,
若Pc≥P2,对比分析单元确定不对标准知识点范围进行再次调整;
若Pc≥P1且Pc<P2,对比分析单元确定对进阶知识点范围进行调整,学习模型构建单元确定将标准知识点加入进阶知识点范围。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于智能算法的学习平台数据记录系统,其特征在于,包括:
学习记录单元,用以记录学习平台中若干学习者的学习行为数据,其中,学习行为数据包括各所述科目的单次学习时长、知识点数量以及习题成绩;
样本构建单元,其与学习记录单元连接,用以根据学习行为数据构建学习效率样本;
学习模型构建单元,其与样本构建单元连接,用以根据所述样本构建单元构建的若干所述学习效率样本构建学习模型,所述学习模型的输入参数为所述学习者的学习行为数据,输出参数为所述学习者的各科目的知识点学习进度,以及用以根据所述对比分析单元的分析结果对所述学习模型中各所述科目的标准知识点和进阶知识点的范围进行调整;
对比分析单元,其分别与学习模型构建单元和样本构建单元连接,用以对所述学习效率样本进行分析,以及将各学习者的学习行数据输入所述学习模型,并根据获取的所述学习模型的输出参数对所述学习行为数据进行分析;
数据处理单元,其分别与学习模型构建单元和对比分析单元连接,用以根据所述对比分析单元的分析结果确定所述学习者的各所述科目的学习行为的调整建议。
2.根据权利要求1所述的基于智能算法的学习平台数据记录系统,其特征在于,所述样本构建单元根据以下公式计算各所述学习行为数据中所述科目的学习效率参量M,
其中,L表示所述科目的单次学习的平均时长,L1表示预设单次学习时长,Ql表示所述单次学习的平均时长对所述学习效率参量的影响权重,H表示所述科目的单次掌握知识点的平均数量,H1表示预设单次掌握知识点数量,Qh表示所述单次掌握知识点的平均数量对所述学习效率参量的影响权重,A表示所述科目的习题平均成绩,A1表示预设习题成绩,Qa表示所述习题平均成绩对所述学习效率参量的影响权重。
3.根据权利要求2所述的基于智能算法的学习平台数据记录系统,其特征在于,所述样本构建单元在所述学习效率参量M计算完成时根据所述学习效率参量M与预设学习效率参量的对比结果获取不同的学习效率样本集合,
其中,所述样本构建单元设有第一预设学习效率参量M1、第二预设学习效率参量,M1<M2,
若M<M1,所述样本构建单元确定所述科目的各所述学习行为数据确定加入低学习效率样本集合;
若M1≤M<M2,所述样本构建单元确定所述科目的各所述学习行为数据确定加入标准学习效率样本集合;
若M2≤M,所述样本构建单元确定所述科目的各所述学习行为数据确定加入高学习效率样本集合。
4.根据权利要求3所述的基于智能算法的学习平台数据记录系统,其特征在于,所述学习模型构建单元获取所述科目的高学习效率样本集合和标准学习效率样本集合中掌握知识点范围的交集确定所述科目的标准知识点范围Sa,Sa=S1∩S2,并根据以下公式确定进阶知识点范围Sb,
Sb=(S1-Sa)∩(S2-Sa)
其中,S1表示所述高学习效率样本集合中掌握的知识点,S2表示所述标准学习效率样本集合中掌握的知识点。
5.根据权利要求4所述的基于智能算法的学习平台数据记录系统,其特征在于,所述学习模型在根据所述输入参数确定所述学习者的各所述科目的知识点学习进度时,根据以下公式计算所述科目的知识点掌握参量G,
其中,Na表示所述科目的标准知识点的掌握数量,Na1表示所述科目的标准知识点的总数量,Nb表示所述科目的进阶知识点的掌握数量,Nb1表示所述科目的进阶知识点的总数量。
6.根据权利要求5所述的基于智能算法的学习平台数据记录系统,其特征在于,所述学习模型在所述知识点掌握参量G完成计算时,根据所述知识点掌握参量G与预设知识掌参量的对比结果确定所述科目的知识广度等级,
其中,所述学习模型设有第一预设知识点掌握参量G1、第二预设知识点掌握参量G2,第一知识广度等级B1、第二知识广度等级B2以及第三知识广度等级B3,G1<G2,B1<B2<B3,
若G<G1,所述学习模型确定所述科目的知识广度等级为B1;
若G1≤G<G2,所述学习模型确定所述科目的知识广度等级为B2;
若G2≤G,所述学习模型确定所述科目的知识广度等级为B3。
7.根据权利要求6所述的基于智能算法的学习平台数据记录系统,其特征在于,所述样本构建单元还包括所述学习者的各所述科目的学习行为调整样本,所述学习模型在确定所述科目的知识点广度等级完成时,所述样本构建单元根据所述科目的知识广度等级Bi与预设知识广度等级B0的对比结果确定所述科目的学习行为调整样本,
若Bi<B0,所述样本构建单元确定所述标准学习效率样本作为所述学习行为调整样本;
若Bi≥B0,所述样本构建单元确定所述高学习效率样本作为所述学习行为调整样本。
8.根据权利要求7所述的基于智能算法的学习平台数据记录系统,其特征在于,所述数据处理单元在根据所述学习者的各科目的学习行为数据确定对所述科目的学习行为给出调整建议时,所述对比分析单元将所述科目的学习行为数据输入所述学习模型,并在接收到所述学习模型的输出参数时根据以下公式计算所述科目的学习行为调整参量F,
其中,R表示所述科目的掌握知识点的数量,R1表示所述调整样本中所述科目的掌握知识点的平均数量,V表示所述科目的习题平均成绩,V1表示所述调整样本中所述科目的习题平均成绩。
9.根据权利要求8所述的基于智能算法的学习平台数据记录系统,其特征在于,所述对比分析单元在所述学习行为调整参量计算完成时,根据所述学习行为调整参量F与预设调整参量的对比结果确定所述科目的学习行为调整系数,
其中,所述对比分析单元设有第一预设学习行为调整参量F1、第二预设学习行为调整参量F2、学习时长调整系数Kt、第一知识点数量调整系数Kr1、第二知识点数量调整系数Kr2,F1<F2,Kr1<Kr2,Kt=0.8,Kr1=0.8,Kr2=1.2,
若F<F1,所述对比分析单元确定采用Kr1作为知识点数量调整系数对所述科目的单次学习知识点数量进行调整;
若F1≤F<F2,所述对比分析单元确定采用Kt作为学习时长调整系数对所述科目的单次学习时长进行调整;
若F2≤F,所述对比分析单元确定采用Kr2作为知识点数量调整系数对所述科目的单次学习知识点数量进行调整;
在所对比分析单元确定对所述单次学习知识点相间量进行调整时,述数据处理单元确定将所述科目的单次学习知识点数量建议记为R',设定R'=Rp×Kri,其中Rp表示所述科目的单次学习知识点的平均数量,i=1,2;
在所述对比分析单元确定对所述单次学习时长进行调整时,所述数据处理单元确定将所述科目的单次学习时长建议记为T',设定T'=T×Kt,其中T表示所述科目学习的平均时长。
10.根据权利要求9所述的基于智能算法的学习平台数据记录系统,其特征在于,所述对比分析单元获取各科目的各学习效率样本,根据所述科目的各知识点范围的掌握比例确定是否对各所述知识点范围进行再次调整,
其中,所述对比分析单元设定第一知识点掌握比例P1、第二知识点掌握比例P2,P1<P2,
在对所述科目的进阶知识点范围Sb进行调整时,所述学习模型构建单元获取既不在所述进阶知识点范围内也不在标准知识点范围内的高进阶知识点范围Sc,Sc=(S1-Sa)-(S2-Sa),
所述对比分析单元获取掌握各所述高进阶知识点的人数Ja与掌握所述高进阶知识点范围的总人数Ja1的比值Pa,其中Pa=Ja/Ja1,
若Pa≥P2,所述对比分析单元确定对所述进阶知识点的范围进行调整,所述对比分析单元确定将所述高进阶知识点加入进阶知识点范围;
所述对比分析单元获取掌握各所述进阶知识点的人数Jb与掌握所述进阶知识点范围的总人数Jb1的比值Pb,其中Pb=Jb/Jb1,
若Pb≥P2,所述对比分析单元确定对所述标准知识点的范围进行调整,所述学习模型构建单元确定将所述进阶知识点加入标准知识点范围;
若Pb≥P1且Pb<P2,所述对比分析单元确定对所述高进阶知识点的范围进行调整,所述学习模型构建单元确定将所述进阶知识点加入高进阶知识点范围;
所述对比分析单元获取掌握各所述标准知识点的人数Jc与掌握所述标准知识点范围的总人数Jc1的比值Pc,其中Pc=Jc/Jc1,
若Pc≥P2,所述对比分析单元确定不对所述标准知识点范围进行再次调整;
若Pc≥P1且Pc<P2,所述对比分析单元确定对所述进阶知识点范围进行调整,所述学习模型构建单元确定将所述标准知识点加入进阶知识点范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310297800.3A CN116610945B (zh) | 2023-03-23 | 2023-03-23 | 基于智能算法的学习平台数据记录系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310297800.3A CN116610945B (zh) | 2023-03-23 | 2023-03-23 | 基于智能算法的学习平台数据记录系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116610945A true CN116610945A (zh) | 2023-08-18 |
CN116610945B CN116610945B (zh) | 2023-11-14 |
Family
ID=87682523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310297800.3A Active CN116610945B (zh) | 2023-03-23 | 2023-03-23 | 基于智能算法的学习平台数据记录系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116610945B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094863A (zh) * | 2023-10-19 | 2023-11-21 | 中国民航大学 | 基于智慧学习的学习行为智能分析系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103384A (zh) * | 2017-04-01 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于三维知识网络的学习者学习轨迹量化方法 |
CN108573628A (zh) * | 2018-04-23 | 2018-09-25 | 中山大学 | 基于学习轨迹的学习能力评估与扩展知识点集推荐的方法 |
CN111368182A (zh) * | 2020-02-17 | 2020-07-03 | 浙江创课网络科技有限公司 | 基于教育平台大数据分析的个性化自适应学习推荐方法 |
CN111914162A (zh) * | 2020-06-01 | 2020-11-10 | 西安理工大学 | 一种基于知识图谱的个性化学习方案引导方法 |
CN113851020A (zh) * | 2021-11-04 | 2021-12-28 | 华南师范大学 | 一种基于知识图谱的自适应学习平台 |
WO2022110100A1 (zh) * | 2020-11-30 | 2022-06-02 | 曹庆恒 | 一种运动教学系统及其使用方法、运动设备、计算机可读存储介质 |
CN114581269A (zh) * | 2022-02-28 | 2022-06-03 | 深圳懂你教育科技有限公司 | 作业到考试全方位学生学情跟踪平台 |
CN115714791A (zh) * | 2022-11-04 | 2023-02-24 | 读书郎教育科技有限公司 | 一种用于远程智慧课堂的交互系统及交互方法 |
-
2023
- 2023-03-23 CN CN202310297800.3A patent/CN116610945B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103384A (zh) * | 2017-04-01 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于三维知识网络的学习者学习轨迹量化方法 |
CN108573628A (zh) * | 2018-04-23 | 2018-09-25 | 中山大学 | 基于学习轨迹的学习能力评估与扩展知识点集推荐的方法 |
CN111368182A (zh) * | 2020-02-17 | 2020-07-03 | 浙江创课网络科技有限公司 | 基于教育平台大数据分析的个性化自适应学习推荐方法 |
CN111914162A (zh) * | 2020-06-01 | 2020-11-10 | 西安理工大学 | 一种基于知识图谱的个性化学习方案引导方法 |
WO2022110100A1 (zh) * | 2020-11-30 | 2022-06-02 | 曹庆恒 | 一种运动教学系统及其使用方法、运动设备、计算机可读存储介质 |
CN113851020A (zh) * | 2021-11-04 | 2021-12-28 | 华南师范大学 | 一种基于知识图谱的自适应学习平台 |
CN114581269A (zh) * | 2022-02-28 | 2022-06-03 | 深圳懂你教育科技有限公司 | 作业到考试全方位学生学情跟踪平台 |
CN115714791A (zh) * | 2022-11-04 | 2023-02-24 | 读书郎教育科技有限公司 | 一种用于远程智慧课堂的交互系统及交互方法 |
Non-Patent Citations (2)
Title |
---|
ZHUO MA: "A CNN Based Q-learning Algorithm for Path Planning of Automated Guided Vehicle", 《IEEE》 * |
李妍: "常态化疫情防控下混合式教学环境中学生学习行为意向影响因素分析", 《高教学刊》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094863A (zh) * | 2023-10-19 | 2023-11-21 | 中国民航大学 | 基于智慧学习的学习行为智能分析系统 |
CN117094863B (zh) * | 2023-10-19 | 2024-01-05 | 中国民航大学 | 基于智慧学习的学习行为智能分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116610945B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573628B (zh) | 基于学习轨迹的学习能力评估与扩展知识点集推荐的方法 | |
Huang et al. | An adaptive testing system for supporting versatile educational assessment | |
Reis et al. | Using curriculum compacting to challenge the above-average | |
Cavanagh et al. | The assessment ofstudent nurse learning styles using the Kolb Learning Styles Inventory | |
Burkhardt et al. | Designing assessment of performance in mathematics | |
KR20100123209A (ko) | 온라인 학습 평가 방법 및 그 장치, 그 기록 매체 | |
CN110197340A (zh) | 一种面向在线教育平台的学习者学习能力评估方法 | |
CN116610945B (zh) | 基于智能算法的学习平台数据记录系统 | |
CN107886451A (zh) | 移动端课堂教学系统中的习题个性化匹配方法 | |
WO2018051844A1 (ja) | 管理システム、管理方法およびプログラム | |
KR20230162114A (ko) | 학습자 성장 추적 및 사정을 위한 시스템 및 방법 | |
Stickles | An analysis of secondary and middle school teachers' mathematical problem posing | |
Kartikasari et al. | The Effectiveness Open-Ended Learning and Creative Problem Solving Models to Teach Creative Thinking Skills. | |
Mohamed et al. | Developing adaptive intelligent tutoring system based on item response theory and metrics | |
Roschewski et al. | Nebraskans reach for the STARS | |
Abu-Hammad et al. | A Gamification Approach for Making Online Education as Effective as In-Person Education in Learning Programming Concepts. | |
Nichols | The way we do the things we do: A survey of middle-school choral educators' sight-singing attitudes and influences | |
Biddle | Factors affecting student choice of an education doctorate: A case study in the United States | |
Huang et al. | Concept assessment system integrated with a knowledge map using deep learning | |
Young et al. | Mentoring doctoral students in educational leadership programs | |
Burkhardt | Mathematical proficiency: What is important? How can it be measured | |
Tang et al. | Adaptive narrative game for personalized learning | |
Shaikh et al. | Teachers' Skills set for Personal Learning Environments | |
Dwiyono et al. | The Impact of The Principal's Leadership Style and Academic Supervision on Teacher Performance | |
CN113888373A (zh) | 个人职业规划的智能ai选课系统 |
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 |