CN117056612A - 基于ai辅助的备课资料数据推送方法及系统 - Google Patents
基于ai辅助的备课资料数据推送方法及系统 Download PDFInfo
- Publication number
- CN117056612A CN117056612A CN202311310462.9A CN202311310462A CN117056612A CN 117056612 A CN117056612 A CN 117056612A CN 202311310462 A CN202311310462 A CN 202311310462A CN 117056612 A CN117056612 A CN 117056612A
- Authority
- CN
- China
- Prior art keywords
- discipline
- training
- subject
- chapter
- section
- 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
- 238000002360 preparation method Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000006399 behavior Effects 0.000 claims abstract description 277
- 238000012549 training Methods 0.000 claims description 448
- 239000013598 vector Substances 0.000 claims description 91
- 238000012545 processing Methods 0.000 claims description 31
- 238000009826 distribution Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 7
- 230000003416 augmentation Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 55
- 238000006243 chemical reaction Methods 0.000 description 18
- 230000002708 enhancing effect Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000000873 masking effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000003780 insertion Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于AI辅助的备课资料数据推送方法及系统,通过利用样例学科章节的章节学习行为数据和学科章节嵌入识别规则,可以准确识别出与学科薄弱知识点相关的样例学科章节,并根据这些样例学科章节对学习行为数据进行分簇和参数更新,从而生成针对不同学科薄弱知识点的目标学科薄弱点预测网络。同时,使用加载的任意目标学科章节的学习行为数据,可以确定该章节下各个学科薄弱知识点的置信度,进一步指导备课资料数据的推送。也即,本申请可以快速预测学生在不同学科章节中的薄弱知识点,据此为教师推送相应的备课资料数,教师可以更好地了解学生的学习需求,针对性地提供教学支持和教育资源。
Description
技术领域
本申请涉及人工智能技术领域,具体而言,涉及一种基于AI辅助的备课资料数据推送方法及系统。
背景技术
随着信息技术和网络技术的飞速发展,学习平台的应用也变得越来越广泛。学习平台是指利用人工智能技术将传统的教育过程进行数字化处理,达到以学生为中心的教育目的。学习平台的优势是便捷、高效,可以将学习空间进行拓展,对于时间和空间受限的学生来说,具有很大的帮助。对于教师教学工作而言,学习平台可以帮助教师更好地分析和了解到学生的章节学习行为,然而在传统方案中,教师通常难以准确地了解学生在不同学科章节中的薄弱知识点,因此备课工作往往缺乏针对性。现有技术的方法主要基于简单的统计模型、规则匹配等技术,通过分析学生的学习行为数据来推断学科薄弱点。然而这些方法的预测结果往往不够准确且缺乏针对性。
发明内容
为了至少克服现有技术中的上述不足,本申请的目的在于提供一种基于AI辅助的备课资料数据推送方法及系统。
第一方面,本申请提供一种基于AI辅助的备课资料数据推送方法,应用于AI辅助备课服务系统,所述方法包括:
获取用于对初始学科薄弱点预测网络进行参数更新的多个样例学科章节的章节学习行为数据,以及X个学科章节嵌入识别规则,一个学科章节嵌入识别规则反映:一种学科薄弱知识点下的学科章节的章节学习行为数据相关联的至少一个薄弱学习特征;
基于所述X个学科章节嵌入识别规则反映的各个薄弱学习特征,分别依据各个样例学科章节的章节学习行为数据,对所述X个学科章节嵌入识别规则进行规则匹配识别;
从所述多个样例学科章节中,确定匹配至少一个学科章节嵌入识别规则的章节学习行为数据所对应的样例学科章节,输出为所述初始学科薄弱点预测网络的训练学科章节;
依据各训练学科章节的章节学习行为数据所匹配的学科章节嵌入识别规则所对应的学科薄弱知识点,对所述各训练学科章节的章节学习行为数据进行基于学科薄弱知识点的分簇,生成多个学习行为数据簇,一个学习行为数据簇对应一个学科薄弱知识点;
分别依据每个学习行为数据簇对所述初始学科薄弱点预测网络进行参数更新,生成多个学科薄弱知识点下的目标学科薄弱点预测网络,并基于所述目标学科薄弱点预测网络进行备课资料数据推送;一个目标学科薄弱点预测网络用于基于加载的任意一个目标学科章节的章节学习行为数据,确定所述任意一个目标学科章节下的学科薄弱知识点的置信度。
在第一方面的一种可能的实施方式中,任意一个个学科章节嵌入识别规则还反映:相应的各个薄弱学习特征之间的学习路径关系;
所述基于所述X个学科章节嵌入识别规则反映的各个薄弱学习特征,分别依据各个样例学科章节的章节学习行为数据,对所述X个学科章节嵌入识别规则进行规则匹配识别,包括:
对于任意一个样例学科章节的章节学习行为数据,游走所述X个学科章节嵌入识别规则,确定当前游走的当前学科章节嵌入识别规则;
基于所述当前学科章节嵌入识别规则中的各个薄弱学习特征以及学习路径关系,确定所述任意一个样例学科章节的章节学习行为数据需匹配的目标薄弱学习特征,并在所述任意一个样例学科章节的章节学习行为数据中匹配所述目标薄弱学习特征;
如果匹配到所述目标薄弱学习特征,则确定所述任意一个样例学科章节的章节学习行为数据匹配所述当前学科章节嵌入识别规则;
如果未匹配到所述目标薄弱学习特征,则继续游走所述X个学科章节嵌入识别规则。
在第一方面的一种可能的实施方式中,所述分别依据每个学习行为数据簇对所述初始学科薄弱点预测网络进行参数更新,生成多个学科薄弱知识点下的目标学科薄弱点预测网络,包括:
依据任意一个学习行为数据簇中的章节学习行为数据,构建Y个监督训练样本以及Z个无监督训练样本组合,Y和Z均为正整数;一个监督训练样本包括:一个携带学科薄弱知识点标注数据的第一训练学科章节的章节学习行为数据;一个无监督训练样本组合包括:一个不携带学科薄弱知识点标注数据的第二训练学科章节的章节学习行为数据,以及对章节学习行为数据进行特征扩展生成的扩展学习行为数据;
依据所述初始学科薄弱点预测网络基于每个监督训练样本中的章节学习行为数据,对相应的第一训练学科章节进行学科薄弱点预测,生成每个第一训练学科章节的目标学科薄弱点估计数据;
调用所述初始学科薄弱点预测网络基于薄弱点匹配性的学习方向,基于每个无监督训练样本组合中的章节学习行为数据和相应的扩展学习行为数据,分别对相应的第二训练学科章节进行学科薄弱点预测,生成每个第二训练学科章节的两个学科薄弱点估计数据;
基于所述每个第一训练学科章节的目标学科薄弱点估计数据和相应的学科薄弱知识点标注数据,以及所述每个第二训练学科章节的两个学科薄弱点估计数据之间的误差,更新所述初始学科薄弱点预测网络的参数信息,生成所述任意一个学习行为数据簇所对应的学科薄弱知识点下的目标学科薄弱点预测网络。
在第一方面的一种可能的实施方式中,所述基于所述每个第一训练学科章节的目标学科薄弱点估计数据和相应的学科薄弱知识点标注数据,以及所述每个第二训练学科章节的两个学科薄弱点估计数据之间的误差,更新所述初始学科薄弱点预测网络的参数信息,包括:
基于所述每个第一训练学科章节的目标学科薄弱点估计数据和相应的学科薄弱知识点标注数据,确定所述初始学科薄弱点预测网络的有监督Loss值;
基于所述每个第二训练学科章节的两个学科薄弱点估计数据之间的误差,确定所述初始学科薄弱点预测网络的无监督Loss值;
对所述有监督Loss值和所述无监督Loss值进行加权计算,生成所述初始学科薄弱点预测网络的目标训练Loss值,并基于所述目标训练Loss值更新所述初始学科薄弱点预测网络的参数信息。
在第一方面的一种可能的实施方式中,所述基于所述目标学科薄弱点预测网络进行备课资料数据推送的步骤,包括:
获取目标备课用户所授课的目标学科章节下的目标章节学习行为数据以及X个学科章节嵌入识别规则,X为正整数;一个学科章节嵌入识别规则反映:一种学科薄弱知识点下的学科章节的章节学习行为数据相关联的至少一个薄弱学习特征;
基于所述X个学科章节嵌入识别规则反映的各个薄弱学习特征,依据所述目标章节学习行为数据对所述X个学科章节嵌入识别规则进行规则匹配识别;
如果所述目标章节学习行为数据匹配至少一个学科章节嵌入识别规则,则依据所述目标学科薄弱点预测网络基于所述目标章节学习行为数据,对所述目标学科章节进行学科薄弱点预测,生成所述目标学科章节的学科薄弱点估计数据,并基于所述目标学科章节的学科薄弱点估计数据确定在所述目标学科章节所存在的学科薄弱点序列;
基于所述目标学科章节所存在的学科薄弱点序列向所述目标备课用户进行备课资料数据推送。
譬如,在第一方面的一种可能的实施方式中,所述初始学科薄弱点预测网络包括多个网络训练标签,任意一个第一训练学科章节的目标学科薄弱点估计数据中包括:任意一个第一训练学科章节存在所述初始学科薄弱点预测网络中的各个网络训练标签反映的学科薄弱知识点的分类置信度;
所述基于所述每个第一训练学科章节的目标学科薄弱点估计数据和相应的学科薄弱知识点标注数据,确定所述初始学科薄弱点预测网络的有监督Loss值,包括:
游走每个第一训练学科章节的目标学科薄弱点估计数据,如果当前游走的当前目标学科薄弱点估计数据中的最大分类置信度大于第一设定置信度,则将所述当前目标学科薄弱点估计数据输出为平滑训练数据;
在所述Y个目标学科薄弱点估计数据均被游走后,依据所述各个平滑训练数据对所述Y个目标学科薄弱点估计数据进行平滑处理,以将所述各个平滑训练数据从所述Y个目标学科薄弱点估计数据中移除;
基于余下的各目标学科薄弱点估计数据中最大分类置信度对应的网络训练标签和相应的第一训练学科章节的学科薄弱知识点标注数据之间的误差,确定所述初始学科薄弱点预测网络的有监督Loss值。
譬如,在第一方面的一种可能的实施方式中,所述基于所述每个第二训练学科章节的两个学科薄弱点估计数据之间的误差,确定所述初始学科薄弱点预测网络的无监督Loss值,包括:
将每个第二训练学科章节的两个学科薄弱点估计数据,分别作为所述每个第二训练学科章节的两个标签训练数据;
依据训练增强规则,对所述每个第二训练学科章节的两个标签训练数据进行训练增强,生成训练增强处理数据;
基于所述训练增强处理数据,和至少一个第二训练学科章节的两个标签训练数据之间的误差,确定所述初始学科薄弱点预测网络的无监督Loss值;
所述初始学科薄弱点预测网络包括多个网络训练标签,任意一个第二训练学科章节的一个标签训练数据中包括:所述任意一个第二训练学科章节属于所述初始学科薄弱点预测网络中的各个网络训练标签反映的学科薄弱知识点的分类置信度;所述训练增强规则包括:依据分类置信度的掩码处理;
所述依据训练增强规则,对所述每个第二训练学科章节的两个标签训练数据进行训练增强,生成训练增强处理数据,包括: 游走Z个第二训练学科章节,若当前游走的当前第二训练学科章节的两个标签训练数据中,存在至少一个标签训练数据中的最大分类置信度小于第二设定置信度,则对所述当前第二训练学科章节以及相应的两个标签训练数据进行掩码处理;
在所述Z个第二训练学科章节均被游走后,将已被进行掩码处理的各个第二训练学科章节加载到训练增强处理数据中;
所述基于所述训练增强处理数据,和至少一个第二训练学科章节的两个标签训练数据之间的误差,确定所述初始学科薄弱点预测网络的无监督Loss值,包括:
将所述Z个第二训练学科章节中未位于所述训练增强处理数据中的第二训练学科章节,均作为有效的第二训练学科章节;
基于各个有效的第二训练学科章节的两个标签训练数据之间的误差,分别计算所述各个有效的第二训练学科章节对应的无监督Loss函数值;
依据所述各个有效的第二训练学科章节对应的无监督Loss函数值,确定所述初始学科薄弱点预测网络的无监督Loss值;
或者,所述初始学科薄弱点预测网络包括多个网络训练标签,任意一个第二训练学科章节的一个标签训练数据中包括:所述任意一个第二训练学科章节属于所述初始学科薄弱点预测网络中的各个网络训练标签反映的学科薄弱知识点的分类置信度;所述训练增强规则包括:最小化依据扩展学习行为数据所得到的标签训练数据的不确定性;
所述依据训练增强规则,对所述每个第二训练学科章节的两个标签训练数据进行训练增强,生成训练增强处理数据,包括:
对于任意一个第二训练学科章节,从所述任意一个第二训练学科章节的两个标签训练数据中,确定出依据所述任意一个第二训练学科章节的扩展学习行为数据获得的标签训练数据;
基于确定出的标签训练数据中的各个网络训练标签以及相应的分类置信度,计算所述任意一个第二训练学科章节的扩展学习行为数据的不确定性;
将所述任意一个第二训练学科章节的扩展学习行为数据的不确定性,加载到训练增强处理数据中;
所述基于所述训练增强处理数据,和至少一个第二训练学科章节的两个标签训练数据之间的误差,确定所述初始学科薄弱点预测网络的无监督Loss值,包括:
基于各个第二训练学科章节的两个标签训练数据之间的误差,分别计算所述各个第二训练学科章节对应的无监督Loss函数值;
对所述训练增强处理数据中的不确定性以及所述各个第二训练学科章节对应的无监督Loss函数值进行相加,生成所述初始学科薄弱点预测网络的无监督Loss值。
第二方面,本申请实施例还提供一种AI辅助备课服务系统,所述AI辅助备课服务系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有计算机程序,所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于AI辅助的备课资料数据推送方法。
采用以上任意方面的技术方案,通过获取多个样例学科章节的章节学习行为数据以及X个学科章节嵌入识别规则,其中每个学科章节嵌入识别规则反映了一个学科薄弱知识点下的学科章节与薄弱学习特征的关联。然后,根据这些学科章节嵌入识别规则,对样例学科章节的学习行为数据进行规则匹配识别,并确定与匹配规则相对应的训练学科章节。接下来,根据训练学科章节所匹配的学科章节嵌入识别规则和学科薄弱知识点,对训练学科章节的学习行为数据进行分簇,生成多个学习行为数据簇,每个簇对应一个学科薄弱知识点。最后,针对每个学习行为数据簇,进行参数更新,生成有关不同学科薄弱知识点的目标学科薄弱点预测网络,并基于这些目标学科薄弱点预测网络进行备课资料数据推送。能够有效地进行学科薄弱点预测和备课资料数据推送。通过利用样例学科章节的章节学习行为数据和学科章节嵌入识别规则,可以准确识别出与学科薄弱知识点相关的样例学科章节,并根据这些样例学科章节对学习行为数据进行分簇和参数更新,从而生成针对不同学科薄弱知识点的目标学科薄弱点预测网络。同时,使用加载的任意目标学科章节的学习行为数据,可以确定该章节下各个学科薄弱知识点的置信度,进一步指导备课资料数据的推送。提高了学科薄弱点预测的准确性和针对性,为教师提供了更加精准的备课支持。通过训练得到的目标学科薄弱点预测网络,可以快速预测学生在不同学科章节中的薄弱知识点,并根据这些预测结果为教师推送相应的备课资料数据。这样,教师可以更好地了解学生的学习需求,针对性地提供教学支持和教育资源,从而提高学生的学习效果和学科成绩。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要启用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以结合这些附图获得其它相关的附图。
图1为本申请实施例提供的基于AI辅助的备课资料数据推送方法的流程示意图;
图2为本申请实施例提供的用于实现上述的基于AI辅助的备课资料数据推送方法的AI辅助备课服务系统的功能结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和结合本申请,并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲,显然可以对所公开的实施例作出各种改变,并且在不偏离本申请的原则和范围时,本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此,本申请并不限于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
参见图1所示,本申请提供一种基于AI辅助的备课资料数据推送方法,包括以下步骤。
步骤S110,获取用于对初始学科薄弱点预测网络进行参数更新的多个样例学科章节的章节学习行为数据,以及X个学科章节嵌入识别规则。
初始学科薄弱点预测网络可以采用基于深度学习的神经网络:如前馈神经网络(Feedforward Neural Networks)、卷积神经网络(Convolutional Neural Networks)、循环神经网络(Recurrent Neural Networks)等。这些神经网络在学科薄弱点预测中可以通过对学生学习行为数据进行建模和训练,以实现准确的预测。或者还可以采用支持向量机(Support Vector Machines):SVM 是一种监督学习算法,适用于二分类和多分类问题。它可以根据学生的学习行为数据构建一个分类模型,用于预测学科薄弱点。或者,还可以采用决策树(Decision Trees):决策树通过对学生学习行为数据进行分割和判断,生成一个树形结构的模型。这种模型基于特征的条件来进行预测,可用于学科薄弱点的预测和推断。或者还可以采用集成学习(Ensemble Learning)网络:集成学习将多个单独的学习器组合起来,以提高预测准确性和鲁棒性。常见的集成学习方法包括随机森林(Random Forest)和梯度提升树(Gradient Boosting Trees),它们可以用于学科薄弱点预测网络的构建。
本实施例中,一个学科章节嵌入识别规则可以反映:一种学科薄弱知识点下的学科章节的章节学习行为数据相关联的至少一个薄弱学习特征。
例如,在一个离线学习平台或者在线学习平台的高中数学班级中,可以收集了多个学生学习的多个学科章节的学习行为数据,例如数学代数章节、物理力学章节和化学反应速率章节的学习行为数据,例如可以包括以下数据:
视频观看信息:包括学生观看视频的时长、观看的具体视频内容或章节、观看的次数等。
作业得分和提交情况:记录学生在该章节相关的作业或练习中的得分,以及是否按时提交。
答题数据:记录学生对该章节相关问题的回答情况,包括正确与否、答题时间、尝试次数等。
讨论参与情况:记录学生在该章节的讨论区或在线平台上的活动,如提问、回答他人问题、参与讨论等。
学习时间和频率:记录学生在该章节的学习时间和学习频率,包括每周、每天或每次学习的时长、时间段等。
学习资源访问情况:记录学生对该章节相关的学习资料或资源的访问情况,如教材阅读、在线课件浏览等。
错误纠正数据:记录学生在该章节中所犯错误的类型和频率,以及错误是否得到纠正的情况。
需要注意的是,具体的章节学习行为数据会根据教育平台、学习管理系统和数据收集方式的不同而有所变化。在实际应用中,可以根据需求和可用的数据源来选择最相关和有代表性的学习行为数据进行分析和挖掘。
同时,制定了多个学科章节嵌入识别规则来标识与各个学科薄弱知识点相关的学习特征,例如,假设针对数学的代数学章节进行薄弱学习特征的预测,在这种情况下,可能存在一些复杂的逻辑关系来识别与代数学薄弱点相关的薄弱学习特征。
举个例子,可以考虑以下几个薄弱学习特征:
观看视频时长不足:如果某个学生在相关学科章节中观看视频的总时长低于平均观看时长的50%,则认定该学生具有观看视频时长不足的薄弱学习特征。
作业得分低于阈值:如果某个学生在相关学科章节相关的作业中的平均得分低于60分,则认定该学生具有作业得分低的薄弱学习特征。
问题理解困难:通过分析学生在代数学练习题中的答题数据,发现某个学生在多次尝试后依然无法正确回答相同类型的问题,则认定该学生具有问题理解困难的薄弱学习特征。
学习进度缓慢:通过分析学生在相关学科章节中的学习进度,如果某个学生与大多数同学相比,进度明显滞后,则认定该学生具有学习进度缓慢的薄弱学习特征。
更详细地,针对错误的符号使用的薄弱知识点,具体考虑的是学生在数学代数章节的方程求解问题中,观察到一部分学生经常在计算过程中混淆加号和减号的使用。
那么,通过分析学生的学习行为数据,可以设定一个规则来标识该薄弱学习特征。例如,如果一个学生在方程求解的练习题中,出现了连续两次或更多次的加号和减号相反的错误,那么将认定该学生具有错误的符号使用的薄弱学习特征,由此将该薄弱学习特征与数学代数章节中的方程求解知识点相关联。当学生在相关的章节学习行为数据中出现错误的符号使用时,可以将其与方程求解这一薄弱知识点相关联。
以上是一些示例薄弱学习特征,实际情况可能更加复杂。通过分析学生的学习行为数据和相关的学习结果,结合领域专家的知识,可以设计出更精确的薄弱学习特征来预测学生在代数学章节中的薄弱点。
步骤S120,基于所述X个学科章节嵌入识别规则反映的各个薄弱学习特征,分别依据各个样例学科章节的章节学习行为数据,对所述X个学科章节嵌入识别规则进行规则匹配识别。
例如,对于数学代数章节,根据学科章节嵌入识别规则,比对学生的章节学习行为数据。例如,如果某个学生观看数学代数章节的视频次数少于3次,则认定该学生符合数学代数章节的观看视频次数不足的薄弱学习特征。类似地,对于物理力学章节和化学反应速率章节也可以设定相应的规则进行匹配。
步骤S130,从所述多个样例学科章节中,确定匹配至少一个学科章节嵌入识别规则的章节学习行为数据所对应的样例学科章节,输出为所述初始学科薄弱点预测网络的训练学科章节。
例如,根据学科章节嵌入识别规则匹配的结果,可以获得匹配至少一个学科章节嵌入识别规则的学科章节。例如,某个学生在物理力学章节的学习行为数据符合学科章节嵌入识别规则,那么物理力学章节将被作为初始学科薄弱点预测网络的训练学科章节。
步骤S140,依据各训练学科章节的章节学习行为数据所匹配的学科章节嵌入识别规则所对应的学科薄弱知识点,对所述各训练学科章节的章节学习行为数据进行基于学科薄弱知识点的分簇,生成多个学习行为数据簇,一个学习行为数据簇对应一个学科薄弱知识点。
例如,根据训练学科章节与学科章节嵌入识别规则的对应关系,将学生在这些训练学科章节上的章节学习行为数据进行分簇。例如,在物理力学章节中,将所有符合物理力学薄弱知识点规则的学生的学习行为数据聚类在一起,形成一个物理力学薄弱知识点的学习行为数据簇。同样地,对数学代数章节和化学反应速率章节也可以进行类似的操作。
步骤S150,分别依据每个学习行为数据簇对所述初始学科薄弱点预测网络进行参数更新,生成多个学科薄弱知识点下的目标学科薄弱点预测网络,并基于所述目标学科薄弱点预测网络进行备课资料数据推送。
一个目标学科薄弱点预测网络用于基于加载的任意一个目标学科章节的章节学习行为数据,确定所述任意一个目标学科章节下的学科薄弱知识点的置信度。
例如,针对每个学习行为数据簇(例如数学代数、物理力学、化学反应速率),使用该学习行为数据簇中的学习行为数据来更新初始学科薄弱点预测网络的参数。通过参数更新,生成针对不同学科薄弱知识点的目标学科薄弱点预测网络。然后,根据学科薄弱点预测网络针对加载的任意一个目标学科章节的章节学习行为数据的预测结果,将相应学科的备课资料推送给对应的备课用户,例如教师等。
基于以上步骤,通过获取多个样例学科章节的章节学习行为数据以及X个学科章节嵌入识别规则,其中每个学科章节嵌入识别规则反映了一个学科薄弱知识点下的学科章节与薄弱学习特征的关联。然后,根据这些学科章节嵌入识别规则,对样例学科章节的学习行为数据进行规则匹配识别,并确定与匹配规则相对应的训练学科章节。接下来,根据训练学科章节所匹配的学科章节嵌入识别规则和学科薄弱知识点,对训练学科章节的学习行为数据进行分簇,生成多个学习行为数据簇,每个簇对应一个学科薄弱知识点。最后,针对每个学习行为数据簇,进行参数更新,生成有关不同学科薄弱知识点的目标学科薄弱点预测网络,并基于这些目标学科薄弱点预测网络进行备课资料数据推送。能够有效地进行学科薄弱点预测和备课资料数据推送。通过利用样例学科章节的章节学习行为数据和学科章节嵌入识别规则,可以准确识别出与学科薄弱知识点相关的样例学科章节,并根据这些样例学科章节对学习行为数据进行分簇和参数更新,从而生成针对不同学科薄弱知识点的目标学科薄弱点预测网络。同时,使用加载的任意目标学科章节的学习行为数据,可以确定该章节下各个学科薄弱知识点的置信度,进一步指导备课资料数据的推送。提高了学科薄弱点预测的准确性和针对性,为教师提供了更加精准的备课支持。通过训练得到的目标学科薄弱点预测网络,可以快速预测学生在不同学科章节中的薄弱知识点,并根据这些预测结果为教师推送相应的备课资料数据。这样,教师可以更好地了解学生的学习需求,针对性地提供教学支持和教育资源,从而提高学生的学习效果和学科成绩。
一种可替代的实施方式中,任意一个个学科章节嵌入识别规则还用于反映:相应的各个薄弱学习特征之间的学习路径关系。例如,以下是一些具体例子:
薄弱学习特征1:学生在理解代数方程时遇到困难。
薄弱学习特征2:学生在解决多项式运算时容易出错。
学习路径关系:根据学科章节嵌入规则,观察到学生在掌握基本代数方程之前需要先掌握多项式运算。因此,学习路径可以是先集中训练和巩固多项式运算技能,然后再深入研究代数方程。
薄弱学习特征1:学生在理解牛顿第二定律时感到困惑。
薄弱学习特征2:学生在应用动量守恒原理时容易犯错误。
学习路径关系:根据学科章节嵌入规则,发现学生在掌握牛顿第二定律之前需要先理解基本的物体运动概念。因此,学习路径可以从物体运动概念出发,逐步引入牛顿第二定律,并在掌握之后再深入学习动量守恒原理。
薄弱学习特征1:学生在理解反应速率表达式时感到困难。
薄弱学习特征2:学生在确定影响反应速率的因素时容易混淆。
学习路径关系:根据学科章节嵌入规则,观察到学生在理解反应速率表达式之前需要先掌握化学反应的基本概念。因此,学习路径可以从基础的化学反应开始,然后逐渐引入反应速率表达式,并在理解后继续研究影响反应速率的因素。
这些例子展示了不同学科章节中的薄弱学习特征以及它们之间的学习路径关系。值得说明的是,具体的薄弱学习特征和学习路径关系将取决于每个学科的内容和学习目标。
步骤S120可以包括以下示例性的步骤。
步骤S121,对于任意一个样例学科章节的章节学习行为数据,游走所述X个学科章节嵌入识别规则,确定当前游走的当前学科章节嵌入识别规则。
例如,学生A正在学习物理力学和化学反应速率,可以利用学科章节嵌入规则来匹配学生A的章节学习行为数据。当学生A完成一项物理实验并提交实验报告时,则会根据物理力学嵌入规则识别出学生A当前的学科章节嵌入规则。
步骤S122,基于所述当前学科章节嵌入识别规则中的各个薄弱学习特征以及学习路径关系,确定所述任意一个样例学科章节的章节学习行为数据需匹配的目标薄弱学习特征,并在所述任意一个样例学科章节的章节学习行为数据中匹配所述目标薄弱学习特征。
步骤S123,如果匹配到所述目标薄弱学习特征,则确定所述任意一个样例学科章节的章节学习行为数据匹配所述当前学科章节嵌入识别规则。
步骤S124,如果未匹配到所述目标薄弱学习特征,则继续游走所述X个学科章节嵌入识别规则。
例如,学生A正在学习化学反应速率,并且在课堂上遇到了困难,则使用当前的学科章节嵌入规则,确定学生A所需匹配的目标薄弱学习特征,例如理解化学反应速率方程式中的活化能。然后,在学生A的学习行为数据中查找与目标薄弱学习特征相匹配的迹象,例如通过观察他在实验报告中对活化能概念的描述,如果在学生A的学习行为数据中发现了与目标薄弱学习特征匹配的迹象(例如,学生A能够正确描述活化能相关概念),则可以确认学生A的学习行为数据匹配当前的学科章节嵌入规则。这可能意味着学生A在化学反应速率方面取得了进展。如果未找到匹配项,则系统将继续遍历其他学科章节嵌入规则,以尝试找到更适合的匹配。
一种可替代的实施方式中,步骤S150可以包括以下示例性的步骤。
步骤S151,依据任意一个学习行为数据簇中的章节学习行为数据,构建Y个监督训练样本以及Z个无监督训练样本组合,Y和Z均为正整数。
本实施例中,一个监督训练样本包括:一个携带学科薄弱知识点标注数据的第一训练学科章节的章节学习行为数据。一个无监督训练样本组合包括:一个不携带学科薄弱知识点标注数据的第二训练学科章节的章节学习行为数据,以及对章节学习行为数据进行特征扩展生成的扩展学习行为数据。
例如,假设有三个学习行为数据簇,分别是数学代数(簇A)、物理力学(簇B)和化学反应速率(簇C)。针对初始学科薄弱点预测网络对每个簇进行参数更新,生成针对不同学习行为模式的目标学科薄弱点预测网络。
对于数学代数(簇A),选择了一个包含了代数薄弱知识点标注数据的第一训练学科章节的学习行为数据作为监督训练样本。同时,还选取了一个与代数相关但没有薄弱知识点标注数据的第二训练学科章节的学习行为数据,并通过特征扩展生成扩展学习行为数据作为无监督训练样本组合。类似地,对于物理力学(簇B)和化学反应速率(簇C),也选择了相应的监督和无监督训练样本。
步骤S152,依据所述初始学科薄弱点预测网络基于每个监督训练样本中的章节学习行为数据,对相应的第一训练学科章节进行学科薄弱点预测,生成每个第一训练学科章节的目标学科薄弱点估计数据。
例如,针对数学代数(簇A)中的第一训练学科章节,使用初始学科薄弱点预测网络进行学科薄弱点预测,生成目标学科薄弱点估计数据。例如,在代数公式章节中,预测学生的章节学习行为数据在该代数公式章节中可能存在的代数薄弱点,并生成相应的目标学科薄弱点估计数据。
步骤S153,调用所述初始学科薄弱点预测网络基于薄弱点匹配性的学习方向,基于每个无监督训练样本组合中的章节学习行为数据和相应的扩展学习行为数据,分别对相应的第二训练学科章节进行学科薄弱点预测,生成每个第二训练学科章节的两个学科薄弱点估计数据。
例如,对于数学代数(簇A)中的第二训练学科章节(与代数相关但没有薄弱知识点标注数据),根据初始学科薄弱点预测网络和薄弱点匹配性的学习方向进行学科薄弱点预测。同时,利用扩展学习行为数据进一步增强预测能力。例如,在因式分解章节中,预测学生在该因式分解章节中可能存在的代数薄弱点,并生成两个不同的学科薄弱点估计数据。
类似地,对于物理力学(簇B)和化学反应速率(簇C),也使用初始学科薄弱点预测网络进行学科薄弱点预测,并利用扩展学习行为数据生成对应的学科薄弱点估计数据。
步骤S154,基于所述每个第一训练学科章节的目标学科薄弱点估计数据和相应的学科薄弱知识点标注数据,以及所述每个第二训练学科章节的两个学科薄弱点估计数据之间的误差,更新所述初始学科薄弱点预测网络的参数信息,生成所述任意一个学习行为数据簇所对应的学科薄弱知识点下的目标学科薄弱点预测网络。
一种可替代的实施方式中,步骤S151可以包括:
步骤S1511,从任意一个学习行为数据簇中选取多个训练学科章节的章节学习行为数据构建目标样例学习数据序列,基于所述目标样例学习数据序列中的各训练学科章节的章节学习行为数据,确定所述各训练学科章节的章节学习行为向量序列。
本实施例中,所述章节学习行为向量序列包括学习行为发生的时间点向量、学习行为的频率向量、学习行为的持续时长向量、学习进度的完成情况向量、学生与教师或其他学生之间的互动行为向量、学习成绩特征向量、对不同学习资源的利用向量、学生在互动中产生的文本信息向量中的一种或者多种组合。
步骤S1512,构建最近邻搜索空间,所述最近邻搜索空间中包括至少一个搜索单元。
本实施例中,构建最近邻搜索空间是指创建一个用于最近邻搜索的数据结构或容器。该搜索空间由至少一个搜索单元组成。
搜索单元是最近邻搜索空间中的子单元,用于存储学习行为向量序列。可以将搜索单元看作是一个存储桶,其中包含了一定数量的学习行为向量序列。这些学习行为向量序列可以代表不同的训练学科章节或学习行为特征。
具体而言,最近邻搜索空间可以使用各种数据结构来实现,如KD树(k-dimensional tree)或球树(ball tree)。通过将学习行为向量序列加载到最近邻搜索空间的搜索单元中,可以方便地进行最近邻搜索和相似性匹配操作。
因此,最近邻搜索空间是为了进行高效的最近邻搜索而构建的数据结构,其中至少包括一个搜索单元,每个搜索单元存储一定数量的学习行为向量序列。
步骤S1513,将所述各训练学科章节的章节学习行为向量序列,依次加载到所述最近邻搜索空间中的各搜索单元。
步骤S1514,确定当前待加载到所述最近邻搜索空间的当前训练学科章节的当前章节学习行为向量序列,并依据近似最近邻映射函数对所述当前章节学习行为向量序列进行近似最近邻映射,基于近似最近邻映射结果为所述当前章节学习行为向量序列在所述最近邻搜索空间中分配目标搜索单元。
本实施例中,近似最近邻映射是一种用于将当前章节学习行为向量序列映射到最近邻搜索空间中的方法,可以基于某个近似最近邻映射函数,对当前章节学习行为向量序列进行映射,并根据映射结果将其分配到最近邻搜索空间中的目标搜索单元。
具体而言,近似最近邻映射函数可以根据向量之间的相似度或距离来计算近似的最近邻关系。该近似最近邻映射函数可能利用降维技术、哈希函数或其他近似算法来实现快速的最近邻匹配。
一旦当前章节学习行为向量序列经过近似最近邻映射后,就可以根据映射结果将其分配到最近邻搜索空间中的目标搜索单元。目标搜索单元通常与当前章节学习行为向量序列在特征空间中的相似性有关,因此能够更好地组织和索引学习行为数据。
总结起来,通过近似最近邻映射,可以将当前章节学习行为向量序列映射到最近邻搜索空间中的目标搜索单元,以便于后续的最近邻搜索和相似性匹配操作。
步骤S1515,基于所述当前章节学习行为向量序列和所述目标搜索单元中已存在的各先验章节学习行为向量序列之间的特征距离,从所述各先验章节学习行为向量序列所对应的训练学科章节中确定所述当前训练学科章节的关联训练学科章节。
例如,根据当前章节学习行为向量序列与目标搜索单元中已存在的先验章节学习行为向量序列之间的特征距离,可以确定当前训练学科章节的关联训练学科章节。这个步骤用于确定当前训练学科章节与哪些已存在的训练学科章节具有相似的学习行为模式。
具体而言,特征距离可以是基于向量之间的欧氏距离、余弦相似度等度量方式计算得出的。通过计算当前章节学习行为向量序列与目标搜索单元中每个先验章节学习行为向量序列之间的特征距离,可以获得一组与当前章节学习行为相似的先验章节。
举个例子,假设正在处理一个数学学科的代数章节,它的学习行为向量序列被分配到某个目标搜索单元中。在该目标搜索单元中,已经存在了先验的代数、几何和微积分章节的学习行为向量序列。
可以计算当前代数章节学习行为向量序列与已存在的代数、几何和微积分章节学习行为向量序列之间的特征距离。假设当前代数章节与已存在的代数、几何和微积分章节的特征距离分别为d1、d2和d3。
根据这些特征距离,可以确定当前训练学科章节的关联训练学科章节。例如,如果d1最小,表示当前代数章节与已存在的代数章节的学习行为较为相似,那么可以将当前训练学科章节标记为关联的代数章节。
因此,在基于特征距离的计算结果下,可以确定当前训练学科章节的关联训练学科章节,即与该章节的学习行为模式相似的其他先验章节。
步骤S1516,如果解析到所述关联训练学科章节,则将所述当前章节学习行为向量序列加载到所述目标搜索单元。
步骤S1517,如果未解析到所述关联训练学科章节,则将所述当前章节学习行为向量序列加载到所述目标搜索单元,且将所述当前训练学科章节加载到待标注学科章节序列中。
步骤S1518,在所述各训练学科章节的章节学习行为向量序列均加载到所述最近邻搜索空间后,将所述待标注学科章节序列中的训练学科章节,输出为对所述多个训练学科章节进行去重清洗后的Y个训练学科章节。
步骤S1519,获取所述Y个训练学科章节的学科薄弱知识点标注数据,将所述Y个训练学科章节作为Y个第一训练学科章节。
步骤S15191,依据所述Y个第一训练学科章节的学科薄弱知识点标注数据和相应的章节学习行为数据,构建Y个监督训练样本。
步骤S15192,从所述多个训练学科章节中除所述Y个训练学科章节之外的余下训练学科章节中,确定Z个第二训练学科章节。
步骤S15193,对所述每个第二训练学科章节的章节学习行为数据进行多增广策略的特征扩展,生成所述每个第二训练学科章节的扩展学习行为数据。
本实施例中,多增广策略的特征扩展是指对每个第二训练学科章节的章节学习行为数据进行多样化的操作,以生成扩展的学习行为数据。这些操作可以包括添加、修改或删除特征,从而呈现出不同的学习行为模式。
具体而言,多增广策略的特征扩展可以采用以下方法之一或其组合:
添加特征:向原有的章节学习行为数据中添加额外的特征。例如,可以添加一个表示学习行为的难度级别或重要性程度的特征。这样,扩展后的学习行为数据将包含更多维度的信息。
修改特征:对原有的章节学习行为数据中的特征进行修改或变换。例如,可以对时间特征进行缩放或平移,以模拟学习行为在不同时间尺度上的变化。另一个例子是对频率特征进行调整,使得学习行为表现出更大或更小的频率波动。
删除特征:从原有的章节学习行为数据中删除某些特征。这种操作可以通过简化学习行为数据来减少噪音或冗余信息。例如,可以删除与学习行为无关的特征,如学习者的个人信息或环境因素。
通过这些多增广策略,可以生成每个第二训练学科章节的扩展学习行为数据,使其具有更多样化和丰富的特征。这将有助于提高训练模型的泛化能力和适应性。
例如,针对物理学科的力学章节的章节学习行为数据,可以采取以下多增广策略:
添加特征:添加一个表示学习行为的学习深度(如表面理解、概念理解、应用掌握等)的特征。这将提供关于学习行为的额外信息。
修改特征:对时间特征进行缩放操作,以模拟不同学习行为发生的时间尺度。例如,将学习行为在时间轴上向前或向后平移一定幅度,以呈现不同的学习时间分布。
删除特征:删除与学习行为无关的特征,如学习者的年龄、性别等个人信息。这样可以减少噪音,使模型关注真正与学习行为相关的特征。
通过这些多增广策略,可以生成扩展的学习行为数据,其中包含了添加、修改和删除特征后的章节学习行为数据。这样可以提供更多样化和丰富的特征,有助于训练模型更好地理解和预测学习行为。
步骤S15194,依据所述每个第二训练学科章节的章节学习行为数据和相应的扩展学习行为数据,构建Z个无监督训练样本组合。
一种可替代的实施方式中,在以上描述的基础上,如果解析到所述关联训练学科章节,则可以基于所述当前训练学科章节的章节学习行为数据和所述关联训练学科章节的章节学习行为数据,计算所述当前训练学科章节和所述关联训练学科章节之间的章节关联度,如果所述章节关联度小于设定关联度,则将所述当前训练学科章节加载到待标注学科章节序列中。
例如,假设正在处理一个数学学科,其中有代数、几何和微积分等多个训练学科章节。现在以代数章节为当前训练学科章节进行说明,并假设已经确定了与代数章节关联的几何和微积分章节。
首先,基于当前训练学科章节的章节学习行为数据和与之关联的几何和微积分章节的章节学习行为数据,计算当前训练学科章节与关联训练学科章节之间的章节关联度。这可以通过比较两个章节之间的相似性或距离来实现。例如,可以使用相关系数、余弦相似度或其他相似性度量来计算章节关联度。
根据计算得到的章节关联度,将其与设定的关联度阈值进行比较。如果章节关联度小于设定的关联度阈值,表示当前训练学科章节与关联训练学科章节之间的关联较弱或不足够显著。
如果章节关联度小于设定的关联度阈值,将当前训练学科章节加载到待标注学科章节序列中。这意味着将当前训练学科章节标记为需要进一步标注或审查的章节,因为它的关联性较弱或不够明确。
举个例子,假设计算出代数章节与几何章节之间的章节关联度为0.6,与微积分章节之间的关联度为0.4。设定的关联度阈值为0.5。在此情况下,代数章节与几何章节的关联度超过了设定的阈值,但与微积分章节的关联度未达到阈值要求。
根据判断结果,会将代数章节加载到待标注学科章节序列中,以便后续的再次审查或标注。这样可以确保章节的关联性符合设定的要求,并有助于进一步完善学科章节的关联关系。
一种可替代的实施方式中,所述任意一个章节学习行为数据包括多个章节学习事件。
在步骤S1511中,对于所述目标样例学习数据序列中的任意一个训练学科章节,将所述任意一个训练学科章节的章节学习行为数据中用于标识所述任意一个训练学科章节的章节标识字段的章节学习事件,输出为所述任意一个训练学科章节的目标章节学习事件。对所述目标样例学习数据序列中的各训练学科章节的目标章节学习事件进行特征向量提取,生成所述各训练学科章节对应的各特征向量分布,分别依据所述各训练学科章节对应的特征向量分布,构建所述各训练学科章节的注意力权重向量分布,分别对所述各训练学科章节的注意力权重向量分布进行压缩,生成所述各训练学科章节的压缩特征向量值,将所述各训练学科章节的压缩特征向量值,输出为所述各训练学科章节的章节学习行为向量序列。
例如,在代数章节的学习行为数据中,可能包含了多个关于解方程、因式分解和多项式运算的章节学习事件,可能提取出解二次方程、求根公式和配方法等目标章节学习事件,对于解二次方程这个目标章节学习事件,可以提取特征如解题步骤、思考过程和答案正确与否等。根据训练学科章节对应的特征向量分布,构建注意力权重向量分布。这些注意力权重向量用于确定各目标章节学习事件在训练学科章节中的重要性或关注度。例如,对于代数章节,可以构建一个注意力权重向量分布,其中解二次方程的目标章节学习事件可能具有较高的注意力权重。对每个训练学科章节的注意力权重向量分布进行压缩,生成压缩特征向量值。这一步骤旨在减少特征向量的维度,以便更有效地表示学习行为。压缩特征向量值可以使用各种降维方法(如主成分分析)来获得。将每个训练学科章节的压缩特征向量值作为该章节的章节学习行为向量序列进行输出。这样,每个训练学科章节都会有一个相应的学习行为向量序列,该序列代表了该章节的关键学习行为特征。
通过执行以上步骤,可以将每个训练学科章节的章节学习行为数据转化为相应的学习行为向量序列,以便进一步进行特征距离计算和关联性判断等操作。这有助于揭示不同章节之间的学习行为模式和关联关系。
一种可替代的实施方式中,步骤S15192中,可以依据所述Y个监督训练样本对所述初始学科薄弱点预测网络进行有监督参数更新,生成临时学科薄弱点预测网络,然后确定所述多个训练学科章节中除所述Y个训练学科章节之外的余下训练学科章节,并将所述余下训练学科章节中的各个训练学科章节均作为目标训练学科章节。接着,调用所述临时学科薄弱点预测网络基于各个目标训练学科章节的章节学习行为数据,对所述各个目标训练学科章节进行学科薄弱点预测,并基于生成的各个学科薄弱点估计数据分别确定所述各个目标训练学科章节的伪分类数据,最后基于所述各个目标训练学科章节的伪分类数据,对所述各个目标训练学科章节进行过采样处理,并基于过采样处理结果从所有目标训练学科章节中选取Z个目标训练学科章节作为Z个第二训练学科章节。
例如,以数学学科的代数、几何和微积分等多个训练学科章节为例,根据给定的Y个监督训练样本,对初始的学科薄弱点预测网络进行有监督参数更新。这意味着使用这些监督训练样本来调整学科薄弱点预测网络的参数,以提高其预测准确性。例如,可以使用一组标记为学科薄弱点的样本数据来更新网络的权重和偏差,以改善它对学科薄弱点的预测能力。然后,从多个训练学科章节中除去Y个训练学科章节之外,确定余下的训练学科章节。这意味着从数学学科的所有章节中选择那些未被包含在已确定的Y个训练学科章节中的章节作为余下的训练学科章节。由此,利用临时的学科薄弱点预测网络,基于各个目标训练学科章节的章节学习行为数据,对每个目标训练学科章节进行学科薄弱点预测。根据生成的学科薄弱点估计数据,确定每个目标训练学科章节的伪分类数据。这些伪分类数据用于表示目标训练学科章节中可能存在的学科薄弱点。之后,基于各个目标训练学科章节的伪分类数据,对每个目标训练学科章节进行过采样处理。然后,从所有目标训练学科章节中根据过采样处理结果,选择Z个目标训练学科章节作为第二训练学科章节。这些第二训练学科章节用于进一步的训练和学习,以强化学科的相关知识和提高预测性能。
例如,假设在初始阶段使用了10个监督训练样本来更新学科薄弱点预测网络,并且已经确定了代数章节为Y个训练学科章节。现在需要确定余下的训练学科章节和第二训练学科章节。利用临时学科薄弱点预测网络,通过分析几何和微积分章节的学习行为数据,预测它们可能的薄弱点。根据生成的学科薄弱点估计数据,得出了几何和微积分章节的伪分类数据。
接下来,对几何和微积分章节进行过采样处理,增加了这些章节的样本数量。然后,从所有目标训练学科章节中根据过采样处理的结果,选择Z个目标训练学科章节作为第二训练学科章节,例如选择了几何的两个章节和微积分的一个章节作为第二训练学科章节。
这样,在进一步的训练和学习过程中,将同时关注代数、几何和微积分三个学科章节。通过对第二训练学科章节的训练,可以进一步提升学科薄弱点预测网络的性能,并加强在几何和微积分领域的知识掌握和预测能力。
例如,如果初始的学科薄弱点预测网络已经更新过参数,并且代数章节被确定为Y个训练学科章节。然后,使用临时学科薄弱点预测网络来预测几何和微积分章节的薄弱点,并生成了伪分类数据。接下来,对几何和微积分章节进行过采样处理,并从所有目标训练学科章节中选择两个几何章节和一个微积分章节作为第二训练学科章节。
通过这个过程,有机会对更广泛的训练学科章节进行分析和处理,以提高学科薄弱点的预测准确性,并进一步优化学习系统的性能。
一种可替代的实施方式中,步骤S154可以包括下述实施例。
步骤S1541,基于所述每个第一训练学科章节的目标学科薄弱点估计数据和相应的学科薄弱知识点标注数据,确定所述初始学科薄弱点预测网络的有监督Loss值。
有监督Loss值可以用来衡量网络在有监督任务中的性能表现,即预测的学科薄弱点与实际标注的知识点之间的误差。例如,通过比较学科薄弱点预测网络对代数章节的薄弱点进行预测与实际标注的代数薄弱知识点之间的差异,计算出有监督Loss值。
步骤S1542,基于所述每个第二训练学科章节的两个学科薄弱点估计数据之间的误差,确定所述初始学科薄弱点预测网络的无监督Loss值。
无监督Loss值可以用来衡量网络在无监督任务中的性能表现,即预测的学科薄弱点之间的一致性或差异性。例如,通过比较在两个几何章节中预测的学科薄弱点之间的差异,计算出无监督Loss值。
示例性的,有监督Loss值的计算公式如下,其中y_pred是预测的学科薄弱点概率分布,y_true是实际标注的学科薄弱点概率分布。
Loss1 = -∑(y_true * log(y_pred))
例如,对于每个训练样本,将其对应的学科薄弱点估计数据和实际标注的学科薄弱知识点标注数据输入到初始学科薄弱点预测网络中,计算出预测的学科薄弱点概率分布y_pred和实际标注的学科薄弱点概率分布y_true,然后将它们代入上述交叉熵损失函数进行计算,得到对应的有监督Loss值。
无监督Loss值可以使用孪生网络(Siamese Network)架构来进行学科薄弱点估计,其中学科薄弱点估计网络产生两个学科薄弱点表示向量,分别对应于两个输入样本。
计算公式如下:
Loss2 = 1/N * ∑(D * (1 - y)² + (1 - D) * max(margin - y, 0)²)
其中N是样本数量,y是相似性度量,D是样本之间的距离,margin是边界阈值。
具体地,对于每对无监督样本,使用学科薄弱点估计网络计算出学科薄弱点表示向量,并通过度量函数计算它们之间的距离D。然后将这些值代入上述对比损失函数进行计算,得到无监督Loss值。
请注意,以上只是示例公式,实际应用中会根据具体情况和算法而有所不同。具体的计算公式可能会根据具体需求和网络架构进行调整和优化。
步骤S1543,对所述有监督Loss值和所述无监督Loss值进行加权计算,生成所述初始学科薄弱点预测网络的目标训练Loss值,并基于所述目标训练Loss值更新所述初始学科薄弱点预测网络的参数信息。
例如,可以根据具体需求和问题的重要性,以不同的权重对有监督Loss值和无监督Loss值进行加权平均,得到目标训练Loss值。基于目标训练Loss值,可以更新初始学科薄弱点预测网络的参数信息。通过反向传播算法和梯度下降等优化方法,调整学科薄弱点预测网络中的权重和偏差,使目标训练Loss值最小化。这样,网络的参数将被更新,以提高学科薄弱点预测的准确性和性能。
一种可替代的实施方式中,所述初始学科薄弱点预测网络包括多个网络训练标签,任意一个第一训练学科章节的目标学科薄弱点估计数据中包括:任意一个第一训练学科章节存在所述初始学科薄弱点预测网络中的各个网络训练标签反映的学科薄弱知识点的分类置信度。
在步骤S1541中,可以游走每个第一训练学科章节的目标学科薄弱点估计数据,如果当前游走的当前目标学科薄弱点估计数据中的最大分类置信度大于第一设定置信度,则将所述当前目标学科薄弱点估计数据输出为平滑训练数据,在所述Y个目标学科薄弱点估计数据均被游走后,依据所述各个平滑训练数据对所述Y个目标学科薄弱点估计数据进行平滑处理,以将所述各个平滑训练数据从所述Y个目标学科薄弱点估计数据中移除,基于余下的各目标学科薄弱点估计数据中最大分类置信度对应的网络训练标签和相应的第一训练学科章节的学科薄弱知识点标注数据之间的误差,确定所述初始学科薄弱点预测网络的有监督Loss值。
一种可替代的实施方式中,在步骤S1542中,可以将每个第二训练学科章节的两个学科薄弱点估计数据,分别作为所述每个第二训练学科章节的两个标签训练数据。依据训练增强规则,对所述每个第二训练学科章节的两个标签训练数据进行训练增强,生成训练增强处理数据。基于所述训练增强处理数据,和至少一个第二训练学科章节的两个标签训练数据之间的误差,确定所述初始学科薄弱点预测网络的无监督Loss值。
所述初始学科薄弱点预测网络包括多个网络训练标签,任意一个第二训练学科章节的一个标签训练数据中包括:所述任意一个第二训练学科章节属于所述初始学科薄弱点预测网络中的各个网络训练标签反映的学科薄弱知识点的分类置信度。所述训练增强规则包括:依据分类置信度的掩码处理。
依据训练增强规则,对所述每个第二训练学科章节的两个标签训练数据进行训练增强,生成训练增强处理数据,包括:游走Z个第二训练学科章节,若当前游走的当前第二训练学科章节的两个标签训练数据中,存在至少一个标签训练数据中的最大分类置信度小于第二设定置信度,则对所述当前第二训练学科章节以及相应的两个标签训练数据进行掩码处理。在所述Z个第二训练学科章节均被游走后,将已被进行掩码处理的各个第二训练学科章节加载到训练增强处理数据中。
基于所述训练增强处理数据,和至少一个第二训练学科章节的两个标签训练数据之间的误差,确定所述初始学科薄弱点预测网络的无监督Loss值,包括:将所述Z个第二训练学科章节中未位于所述训练增强处理数据中的第二训练学科章节,均作为有效的第二训练学科章节。基于各个有效的第二训练学科章节的两个标签训练数据之间的误差,分别计算所述各个有效的第二训练学科章节对应的无监督Loss函数值。依据所述各个有效的第二训练学科章节对应的无监督Loss函数值,确定所述初始学科薄弱点预测网络的无监督Loss值。
或者,所述初始学科薄弱点预测网络包括多个网络训练标签,任意一个第二训练学科章节的一个标签训练数据中包括:所述任意一个第二训练学科章节属于所述初始学科薄弱点预测网络中的各个网络训练标签反映的学科薄弱知识点的分类置信度。所述训练增强规则包括:最小化依据扩展学习行为数据所得到的标签训练数据的不确定性。
依据训练增强规则,对所述每个第二训练学科章节的两个标签训练数据进行训练增强,生成训练增强处理数据,包括:对于任意一个第二训练学科章节,从所述任意一个第二训练学科章节的两个标签训练数据中,确定出依据所述任意一个第二训练学科章节的扩展学习行为数据获得的标签训练数据。基于确定出的标签训练数据中的各个网络训练标签以及相应的分类置信度,计算所述任意一个第二训练学科章节的扩展学习行为数据的不确定性。将所述任意一个第二训练学科章节的扩展学习行为数据的不确定性,加载到训练增强处理数据中。
基于所述训练增强处理数据,和至少一个第二训练学科章节的两个标签训练数据之间的误差,确定所述初始学科薄弱点预测网络的无监督Loss值,包括:基于各个第二训练学科章节的两个标签训练数据之间的误差,分别计算所述各个第二训练学科章节对应的无监督Loss函数值。对所述训练增强处理数据中的不确定性以及所述各个第二训练学科章节对应的无监督Loss函数值进行相加,生成所述初始学科薄弱点预测网络的无监督Loss值。
一种可替代的实施方式中,在应用阶段,基于所述目标学科薄弱点预测网络进行备课资料数据推送的步骤,包括:
步骤A110,获取目标备课用户所授课的目标学科章节下的目标章节学习行为数据以及X个学科章节嵌入识别规则,X为正整数。一个学科章节嵌入识别规则反映:一种学科薄弱知识点下的学科章节的章节学习行为数据相关联的至少一个薄弱学习特征。
步骤A120,基于所述X个学科章节嵌入识别规则反映的各个薄弱学习特征,依据所述目标章节学习行为数据对所述X个学科章节嵌入识别规则进行规则匹配识别。
步骤A130,如果所述目标章节学习行为数据匹配至少一个学科章节嵌入识别规则,则依据所述目标学科薄弱点预测网络基于所述目标章节学习行为数据,对所述目标学科章节进行学科薄弱点预测,生成所述目标学科章节的学科薄弱点估计数据,并基于所述目标学科章节的学科薄弱点估计数据确定在所述目标学科章节所存在的学科薄弱点序列。
步骤A140,基于所述目标学科章节所存在的学科薄弱点序列向所述目标备课用户进行备课资料数据推送。
例如,假设目标备课用户(如教师A)的平台班级包含了大量学生的学习行为数据和学科章节嵌入识别规则。例如,获取了一位数学老师的目标备课用户在代数这个目标学科章节下的学习行为数据,并且有关于代数的10个学科章节嵌入识别规则。基于这10个学科章节嵌入识别规则,根据目标备课用户在代数章节的学习行为数据进行规则匹配识别。例如,如果备课用户的学习行为数据与其中一个学科章节嵌入识别规则相匹配,表示该备课用户在该学科章节存在相关的薄弱学习特征。如果目标备课用户的学习行为数据匹配至少一个学科章节嵌入识别规则,可以使用目标学科薄弱点预测网络基于该目标学科章节的学习行为数据进行学科薄弱点预测。例如,利用已训练好的目标学科薄弱点预测网络对代数这个目标学科章节进行学科薄弱点预测,并生成该目标学科章节的学科薄弱点估计数据。
由此,基于目标学科章节中存在的学科薄弱点序列,向目标备课用户提供相应的备课资料数据推送。例如,可以根据学科薄弱点序列为备课用户推送针对代数学科薄弱知识点的教学材料、练习题或视频等资源,以帮助备课用户更好地解决学生在该学科章节中的学习难点。
通过以上步骤,基于目标学科薄弱点预测网络,能够根据学生的学习行为数据和学科章节嵌入识别规则,预测学科薄弱点并为备课用户提供有针对性的备课资料数据推送,从而支持他们更有效地进行备课工作。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的AI辅助备课服务系统100。
对于一个实施例,图2示出了AI辅助备课服务系统100,该AI辅助备课服务系统100具有多个处理器102、被耦合到(多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的多个输入/输出设备110,和被耦合到控制模块104的网络接口112。
处理器102可包括多个单核或多核处理器,处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些可替代的实施方式中,AI辅助备课服务系统100能够作为本申请实施例中所述网关等服务器设备。
一些可替代的实施方式中,AI辅助备课服务系统100可包括具有指令114的多个计算机可读介质(例如,存储器106或NVM/存储设备108)和与该多个计算机可读介质相合并被配置为执行指令114以实现模块从而执行本公开中所述的动作的多个处理器102。
对于一个实施例,控制模块104可包括任意适当的接口控制器,以向(多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块,以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为AI辅助备课服务系统100加载和存储数据和/或指令114。对于一个实施例,存储器106可包括任意适当的易失性存储器,例如,适当的DRAM。一些可替代的实施方式中,存储器106可包括双倍数据速率类型四同步动态随机存取存储器。
对于一个实施例,控制模块104可包括多个输入/输出控制器,以向NVM/存储设备108及(多个)输入/输出设备110提供接口。
例如,NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(多个)非易失性存储设备。
NVM/存储设备108可包括在物理上作为AI辅助备课服务系统100被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备108可结合网络经由(多个)输入/输出设备110进行访问。
(多个)输入/输出设备110可为AI辅助备课服务系统100提供接口以与任意其它适当的设备通信,输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为AI辅助备课服务系统100提供接口以依据多个网络通信,AI辅助备课服务系统100可基于多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的多个组件进行无线通信,例如接入依据通信标准的无线网络,如WiFi、2G、3G、4G、5G等,或它们的组合进行无线通信。
对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器(例如,存储器控制器模块)的逻辑封装在一起。对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑封装在一起以形成系统级封装。对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上。对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上以形成片上系统。
在各个实施例中,AI辅助备课服务系统100可以但不限于是:台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中,AI辅助备课服务系统100可具有更多或更少的组件和/或不同的架构。例如,一些可替代的实施方式中,AI辅助备课服务系统100包括多个摄像机、键盘、液晶显示器屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路和扬声器。
以上对本申请进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于AI辅助的备课资料数据推送方法,其特征在于,应用于AI辅助备课服务系统,所述方法包括:
获取用于对初始学科薄弱点预测网络进行参数更新的多个样例学科章节的章节学习行为数据,以及X个学科章节嵌入识别规则,一个学科章节嵌入识别规则反映:一种学科薄弱知识点下的学科章节的章节学习行为数据相关联的至少一个薄弱学习特征;
基于所述X个学科章节嵌入识别规则反映的各个薄弱学习特征,分别依据各个样例学科章节的章节学习行为数据,对所述X个学科章节嵌入识别规则进行规则匹配识别;
从所述多个样例学科章节中,确定匹配至少一个学科章节嵌入识别规则的章节学习行为数据所对应的样例学科章节,输出为所述初始学科薄弱点预测网络的训练学科章节;
依据各训练学科章节的章节学习行为数据所匹配的学科章节嵌入识别规则所对应的学科薄弱知识点,对所述各训练学科章节的章节学习行为数据进行基于学科薄弱知识点的分簇,生成多个学习行为数据簇,一个学习行为数据簇对应一个学科薄弱知识点;
分别依据每个学习行为数据簇对所述初始学科薄弱点预测网络进行参数更新,生成多个学科薄弱知识点下的目标学科薄弱点预测网络,并基于所述目标学科薄弱点预测网络进行备课资料数据推送;一个目标学科薄弱点预测网络用于基于加载的任意一个目标学科章节的章节学习行为数据,确定所述任意一个目标学科章节下的学科薄弱知识点的置信度。
2.根据权利要求1所述的基于AI辅助的备课资料数据推送方法,其特征在于,任意一个个学科章节嵌入识别规则还反映:相应的各个薄弱学习特征之间的学习路径关系;
所述基于所述X个学科章节嵌入识别规则反映的各个薄弱学习特征,分别依据各个样例学科章节的章节学习行为数据,对所述X个学科章节嵌入识别规则进行规则匹配识别,包括:
对于任意一个样例学科章节的章节学习行为数据,游走所述X个学科章节嵌入识别规则,确定当前游走的当前学科章节嵌入识别规则;
基于所述当前学科章节嵌入识别规则中的各个薄弱学习特征以及学习路径关系,确定所述任意一个样例学科章节的章节学习行为数据需匹配的目标薄弱学习特征,并在所述任意一个样例学科章节的章节学习行为数据中匹配所述目标薄弱学习特征;
如果匹配到所述目标薄弱学习特征,则确定所述任意一个样例学科章节的章节学习行为数据匹配所述当前学科章节嵌入识别规则;
如果未匹配到所述目标薄弱学习特征,则继续游走所述X个学科章节嵌入识别规则。
3.根据权利要求1所述的基于AI辅助的备课资料数据推送方法,其特征在于,所述分别依据每个学习行为数据簇对所述初始学科薄弱点预测网络进行参数更新,生成多个学科薄弱知识点下的目标学科薄弱点预测网络,包括:
依据任意一个学习行为数据簇中的章节学习行为数据,构建Y个监督训练样本以及Z个无监督训练样本组合,Y和Z均为正整数;一个监督训练样本包括:一个携带学科薄弱知识点标注数据的第一训练学科章节的章节学习行为数据;一个无监督训练样本组合包括:一个不携带学科薄弱知识点标注数据的第二训练学科章节的章节学习行为数据,以及对章节学习行为数据进行特征扩展生成的扩展学习行为数据;
依据所述初始学科薄弱点预测网络基于每个监督训练样本中的章节学习行为数据,对相应的第一训练学科章节进行学科薄弱点预测,生成每个第一训练学科章节的目标学科薄弱点估计数据;
调用所述初始学科薄弱点预测网络基于薄弱点匹配性的学习方向,基于每个无监督训练样本组合中的章节学习行为数据和相应的扩展学习行为数据,分别对相应的第二训练学科章节进行学科薄弱点预测,生成每个第二训练学科章节的两个学科薄弱点估计数据;
基于所述每个第一训练学科章节的目标学科薄弱点估计数据和相应的学科薄弱知识点标注数据,以及所述每个第二训练学科章节的两个学科薄弱点估计数据之间的误差,更新所述初始学科薄弱点预测网络的参数信息,生成所述任意一个学习行为数据簇所对应的学科薄弱知识点下的目标学科薄弱点预测网络。
4.根据权利要求3所述的基于AI辅助的备课资料数据推送方法,其特征在于,所述依据任意一个学习行为数据簇中的章节学习行为数据,构建Y个监督训练样本以及Z个无监督训练样本组合,包括:
从任意一个学习行为数据簇中选取多个训练学科章节的章节学习行为数据构建目标样例学习数据序列,基于所述目标样例学习数据序列中的各训练学科章节的章节学习行为数据,确定所述各训练学科章节的章节学习行为向量序列,所述章节学习行为向量序列包括学习行为发生的时间点向量、学习行为的频率向量、学习行为的持续时长向量、学习进度的完成情况向量、学生与教师或其他学生之间的互动行为向量、学习成绩特征向量、对不同学习资源的利用向量、学生在互动中产生的文本信息向量中的一种或者多种组合;
构建最近邻搜索空间,所述最近邻搜索空间中包括至少一个搜索单元;
将所述各训练学科章节的章节学习行为向量序列,依次加载到所述最近邻搜索空间中的各搜索单元;
确定当前待加载到所述最近邻搜索空间的当前训练学科章节的当前章节学习行为向量序列,并依据近似最近邻映射函数对所述当前章节学习行为向量序列进行近似最近邻映射,基于近似最近邻映射结果为所述当前章节学习行为向量序列在所述最近邻搜索空间中分配目标搜索单元;
基于所述当前章节学习行为向量序列和所述目标搜索单元中已存在的各先验章节学习行为向量序列之间的特征距离,从所述各先验章节学习行为向量序列所对应的训练学科章节中确定所述当前训练学科章节的关联训练学科章节;
如果解析到所述关联训练学科章节,则将所述当前章节学习行为向量序列加载到所述目标搜索单元;
如果未解析到所述关联训练学科章节,则将所述当前章节学习行为向量序列加载到所述目标搜索单元,且将所述当前训练学科章节加载到待标注学科章节序列中;
在所述各训练学科章节的章节学习行为向量序列均加载到所述最近邻搜索空间后,将所述待标注学科章节序列中的训练学科章节,输出为对所述多个训练学科章节进行去重清洗后的Y个训练学科章节;
获取所述Y个训练学科章节的学科薄弱知识点标注数据,将所述Y个训练学科章节作为Y个第一训练学科章节;
依据所述Y个第一训练学科章节的学科薄弱知识点标注数据和相应的章节学习行为数据,构建Y个监督训练样本;
从所述多个训练学科章节中除所述Y个训练学科章节之外的余下训练学科章节中,确定Z个第二训练学科章节;
对所述每个第二训练学科章节的章节学习行为数据进行多增广策略的特征扩展,生成所述每个第二训练学科章节的扩展学习行为数据;
依据所述每个第二训练学科章节的章节学习行为数据和相应的扩展学习行为数据,构建Z个无监督训练样本组合。
5.根据权利要求4所述的基于AI辅助的备课资料数据推送方法,其特征在于,如果解析到所述关联训练学科章节,则所述方法还包括:
基于所述当前训练学科章节的章节学习行为数据和所述关联训练学科章节的章节学习行为数据,计算所述当前训练学科章节和所述关联训练学科章节之间的章节关联度;
如果所述章节关联度小于设定关联度,则将所述当前训练学科章节加载到待标注学科章节序列中。
6.根据权利要求4所述的基于AI辅助的备课资料数据推送方法,其特征在于,任意一个所述章节学习行为数据包括多个章节学习事件;
所述基于所述目标样例学习数据序列中的各训练学科章节的章节学习行为数据,确定所述各训练学科章节的章节学习行为向量序列,包括:
对于所述目标样例学习数据序列中的任意一个训练学科章节,将所述任意一个训练学科章节的章节学习行为数据中用于标识所述任意一个训练学科章节的章节标识字段的章节学习事件,输出为所述任意一个训练学科章节的目标章节学习事件;
对所述目标样例学习数据序列中的各训练学科章节的目标章节学习事件进行特征向量提取,生成所述各训练学科章节对应的各特征向量分布;
分别依据所述各训练学科章节对应的特征向量分布,构建所述各训练学科章节的注意力权重向量分布;
分别对所述各训练学科章节的注意力权重向量分布进行压缩,生成所述各训练学科章节的压缩特征向量值;
将所述各训练学科章节的压缩特征向量值,输出为所述各训练学科章节的章节学习行为向量序列。
7.根据权利要求4所述的基于AI辅助的备课资料数据推送方法,其特征在于,所述从所述多个训练学科章节中除所述Y个训练学科章节之外的余下训练学科章节中,确定Z个第二训练学科章节,包括:
依据所述Y个监督训练样本对所述初始学科薄弱点预测网络进行有监督参数更新,生成临时学科薄弱点预测网络;
确定所述多个训练学科章节中除所述Y个训练学科章节之外的余下训练学科章节,并将所述余下训练学科章节中的各个训练学科章节均作为目标训练学科章节;
调用所述临时学科薄弱点预测网络基于各个目标训练学科章节的章节学习行为数据,对所述各个目标训练学科章节进行学科薄弱点预测,并基于生成的各个学科薄弱点估计数据分别确定所述各个目标训练学科章节的伪分类数据;
基于所述各个目标训练学科章节的伪分类数据,对所述各个目标训练学科章节进行过采样处理,并基于过采样处理结果从所有目标训练学科章节中选取Z个目标训练学科章节作为Z个第二训练学科章节。
8.根据权利要求3-7任意一项所述的基于AI辅助的备课资料数据推送方法,其特征在于,所述基于所述每个第一训练学科章节的目标学科薄弱点估计数据和相应的学科薄弱知识点标注数据,以及所述每个第二训练学科章节的两个学科薄弱点估计数据之间的误差,更新所述初始学科薄弱点预测网络的参数信息,包括:
基于所述每个第一训练学科章节的目标学科薄弱点估计数据和相应的学科薄弱知识点标注数据,确定所述初始学科薄弱点预测网络的有监督Loss值;
基于所述每个第二训练学科章节的两个学科薄弱点估计数据之间的误差,确定所述初始学科薄弱点预测网络的无监督Loss值;
对所述有监督Loss值和所述无监督Loss值进行加权计算,生成所述初始学科薄弱点预测网络的目标训练Loss值,并基于所述目标训练Loss值更新所述初始学科薄弱点预测网络的参数信息。
9.根据权利要求1所述的基于AI辅助的备课资料数据推送方法,其特征在于,所述基于所述目标学科薄弱点预测网络进行备课资料数据推送的步骤,包括:
获取目标备课用户所授课的目标学科章节下的目标章节学习行为数据以及X个学科章节嵌入识别规则,X为正整数;一个学科章节嵌入识别规则反映:一种学科薄弱知识点下的学科章节的章节学习行为数据相关联的至少一个薄弱学习特征;
基于所述X个学科章节嵌入识别规则反映的各个薄弱学习特征,依据所述目标章节学习行为数据对所述X个学科章节嵌入识别规则进行规则匹配识别;
如果所述目标章节学习行为数据匹配至少一个学科章节嵌入识别规则,则依据所述目标学科薄弱点预测网络基于所述目标章节学习行为数据,对所述目标学科章节进行学科薄弱点预测,生成所述目标学科章节的学科薄弱点估计数据,并基于所述目标学科章节的学科薄弱点估计数据确定在所述目标学科章节所存在的学科薄弱点序列;
基于所述目标学科章节所存在的学科薄弱点序列向所述目标备课用户进行备课资料数据推送。
10.一种AI辅助备课服务系统,其特征在于,所述AI辅助备课服务系统包括处理器和机器可读存储介质,该机器可读存储介质中存储有机器可执行指令,该机器可执行指令由该处理器加载并执行以实现权利要求1-9中任意一项所述的基于AI辅助的备课资料数据推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311310462.9A CN117056612B (zh) | 2023-10-11 | 2023-10-11 | 基于ai辅助的备课资料数据推送方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311310462.9A CN117056612B (zh) | 2023-10-11 | 2023-10-11 | 基于ai辅助的备课资料数据推送方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117056612A true CN117056612A (zh) | 2023-11-14 |
CN117056612B CN117056612B (zh) | 2023-12-08 |
Family
ID=88659424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311310462.9A Active CN117056612B (zh) | 2023-10-11 | 2023-10-11 | 基于ai辅助的备课资料数据推送方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117056612B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117573985A (zh) * | 2024-01-16 | 2024-02-20 | 四川航天职业技术学院(四川航天高级技工学校) | 一种应用于智能化在线教育系统的信息推送方法及系统 |
CN118135332A (zh) * | 2024-04-22 | 2024-06-04 | 泉州景瀚科技有限公司 | 基于互联网的学习资源共享管理方法、装置和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085803A (zh) * | 2017-03-31 | 2017-08-22 | 弘成科技发展有限公司 | 基于知识图谱和能力测评的个性化教学资源推荐系统 |
CN111798138A (zh) * | 2020-07-07 | 2020-10-20 | 广州视源电子科技股份有限公司 | 数据处理方法、计算机存储介质及相关设备 |
CN114780438A (zh) * | 2022-05-29 | 2022-07-22 | 苏州浪潮智能科技有限公司 | 一种基于k-means算法测试产品的方法、系统、设备和存储介质 |
CN116383455A (zh) * | 2023-04-12 | 2023-07-04 | 北京高思博乐教育科技股份有限公司 | 一种学习资源确定方法、装置、电子设备及存储介质 |
CN116561347A (zh) * | 2023-07-07 | 2023-08-08 | 广东信聚丰科技股份有限公司 | 基于用户学习画像分析的题目推荐方法及系统 |
-
2023
- 2023-10-11 CN CN202311310462.9A patent/CN117056612B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085803A (zh) * | 2017-03-31 | 2017-08-22 | 弘成科技发展有限公司 | 基于知识图谱和能力测评的个性化教学资源推荐系统 |
CN111798138A (zh) * | 2020-07-07 | 2020-10-20 | 广州视源电子科技股份有限公司 | 数据处理方法、计算机存储介质及相关设备 |
CN114780438A (zh) * | 2022-05-29 | 2022-07-22 | 苏州浪潮智能科技有限公司 | 一种基于k-means算法测试产品的方法、系统、设备和存储介质 |
CN116383455A (zh) * | 2023-04-12 | 2023-07-04 | 北京高思博乐教育科技股份有限公司 | 一种学习资源确定方法、装置、电子设备及存储介质 |
CN116561347A (zh) * | 2023-07-07 | 2023-08-08 | 广东信聚丰科技股份有限公司 | 基于用户学习画像分析的题目推荐方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117573985A (zh) * | 2024-01-16 | 2024-02-20 | 四川航天职业技术学院(四川航天高级技工学校) | 一种应用于智能化在线教育系统的信息推送方法及系统 |
CN117573985B (zh) * | 2024-01-16 | 2024-04-05 | 四川航天职业技术学院(四川航天高级技工学校) | 一种应用于智能化在线教育系统的信息推送方法及系统 |
CN118135332A (zh) * | 2024-04-22 | 2024-06-04 | 泉州景瀚科技有限公司 | 基于互联网的学习资源共享管理方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117056612B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11727243B2 (en) | Knowledge-graph-embedding-based question answering | |
CN117056612B (zh) | 基于ai辅助的备课资料数据推送方法及系统 | |
CN108647233B (zh) | 一种用于问答系统的答案排序方法 | |
CN108846126B (zh) | 关联问题聚合模型的生成、问答式聚合方法、装置及设备 | |
US11631338B2 (en) | Deep knowledge tracing with transformers | |
WO2018145604A1 (zh) | 样本选择方法、装置及服务器 | |
CN109376222A (zh) | 问答匹配度计算方法、问答自动匹配方法及装置 | |
CN111563158A (zh) | 文本排序方法、排序装置、服务器和计算机可读存储介质 | |
CN110795938A (zh) | 文本序列分词方法、装置及存储介质 | |
CN110297885B (zh) | 实时事件摘要的生成方法、装置、设备及存储介质 | |
CN112749558B (zh) | 一种目标内容获取方法、装置、计算机设备和存储介质 | |
CN113705191A (zh) | 样本语句的生成方法、装置、设备及存储介质 | |
CN116051320A (zh) | 用于在线学习平台的多任务注意力知识追踪方法及系统 | |
CN117573985B (zh) | 一种应用于智能化在线教育系统的信息推送方法及系统 | |
CN113239699B (zh) | 一种融合多特征的深度知识追踪方法及系统 | |
CN110852071A (zh) | 知识点检测方法、装置、设备及可读存储介质 | |
CN111461188B (zh) | 一种目标业务控制方法、装置、计算设备及存储介质 | |
CN117391497A (zh) | 一种新闻稿件质量主客观评分一致性评价方法及系统 | |
CN116306969A (zh) | 基于自监督学习的联邦学习方法和系统 | |
CN113901330B (zh) | 视频搜索方法、装置、电子设备以及存储介质 | |
CN114997175A (zh) | 一种基于领域对抗训练的情感分析方法 | |
CN114330297A (zh) | 语言模型的预训练方法、语言文本的处理方法及装置 | |
CN115827989B (zh) | 大数据环境下网络舆情人工智能预警系统及方法 | |
CN110334353A (zh) | 词序识别性能的分析方法、装置、设备及存储介质 | |
Li | Data-Driven Prediction of Students' Online Learning Needs and Optimization of Knowledge Library Management. |
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 |