CN117114104A - 基于知识特征划分与多维测评的个性化知识图谱生成方法 - Google Patents
基于知识特征划分与多维测评的个性化知识图谱生成方法 Download PDFInfo
- Publication number
- CN117114104A CN117114104A CN202311377537.5A CN202311377537A CN117114104A CN 117114104 A CN117114104 A CN 117114104A CN 202311377537 A CN202311377537 A CN 202311377537A CN 117114104 A CN117114104 A CN 117114104A
- Authority
- CN
- China
- Prior art keywords
- student
- knowledge
- evaluation
- learning
- students
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000011156 evaluation Methods 0.000 title claims abstract description 60
- 239000000463 material Substances 0.000 claims abstract description 30
- 238000012097 association analysis method Methods 0.000 claims abstract description 8
- 238000012098 association analyses Methods 0.000 claims abstract description 5
- 238000007670 refining Methods 0.000 claims abstract description 3
- 238000012360 testing method Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 12
- 210000004556 brain Anatomy 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 101100295776 Drosophila melanogaster onecut gene Proteins 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及信息与网络技术领域，具体是一种基于知识特征划分与多维测评的个性化知识图谱生成方法，对教材的知识点进行细化拆分，并通过关键词匹配方法对每个章节进行自动化标定分类；采用多维能力测评方法对学生基础能力及学习力进行测评；编制学生测评数据格式，收集学生测评数据，得到学生测评数据集；通过关联分析方法对学生测评数据集进行反向关联分析，得到关联规则；根据关联规则、学习力测评结果生成个性化知识图谱；本发明通过细化教材类别、测评学生基础能力与学习力，实现了在线教学场景中知识点细化分类及对学生的多维测评，且分析了学生能力与章节类别之间的关联性，为学生制定适应自身能力的个性化知识图谱。
Description
技术领域
本发明涉及基于知识特征划分与多维测评的个性化知识图谱生成方法。
背景技术
个性化教学是一种基于学生的特点、需求和兴趣，为每个学生提供独特教学方法和资源的教学模式。它将学生视为主动参与者，强调根据学生的不同能力水平、学习风格和学科兴趣进行个别化的指导和支持。学生在认知、学习风格、兴趣和背景方面存在差异。传统的一刀切教学模式难以满足不同学生的需求。个性化教学可以更好地适应学生的个体差异，提供针对性和灵活性的学习体验。
随着大数据技术的快速发展，获取并分析海量的学习者数据。这些数据包括学习者的学习力、基础学业水平、课程学习情况等信息。通过对这些数据的挖掘和分析，可以建立个性化知识图谱，为学习者提供个性化的学习资源和服务。
现有的知识图谱生成方法，仅从教材本身的章节结构出发进行创建。如专利文件CN 110287327A中提出了基于教材和有向超图的路径适应性知识图谱自动生成方法，是根据现有教材利用有向超图自动生成某个学科的路径适应性知识图谱，该方法能够建立教材章节之间的有向关系，但该方法仅创建了基于教材的知识图谱，没有考虑学生的学习力、基础学业水平、课程学习情况等对教材学习的影响。
公开号为CN107085803A的专利文献中提出了基于知识图谱和能力测评的个性化教学资源推荐系统，该系统是依据教学资源，对学习能力各不相同的学生，以及面向差异学生进行教学的教师能够以比较高的精准度推荐教学资源。该系统是利用知识图谱技术将教学资源库中的知识点和资源分层次描述并穿接起来，清楚的展示了知识点和资源各个实体之间的关系，同时描述了资源实体之间的相似度，使得知识点和资源的结构清晰明了，方便了资源库应用层进行信息提取。该系统通过对学生学习能力的测评来划分学生学习能力的等级，以获得每个学生在学习上已覆盖知识点，未覆盖知识点，得分低知识点，以及与上一等级的差异知识点，以便于找出学生未获及的知识点，并以此为基准对学生进行有针对性的资源推荐，可以很大程度上提高推荐精确度，把学生真正欠缺和需要的资源推荐给学生。
频繁项集关联分析是一种数据挖掘技术，可用于发现教学教材与学生自身情况之间的关联规则。该方法能够帮助识别和理解教学教材与学生能力中的隐藏模式和关系，从而为个性化知识图谱的构建提供有用的信息。
发明内容
现有技术中的不足之处在于现有的教材知识图谱生成方法，仅是从教材本身的章节结构出发进行创建的，没有考虑学生的学习力、基础学业水平、课程学习情况等对教材学习的影响，无法提供个性化的学习资源和服务。
本发明的目的在于克服现有技术中的不足之处，提供一种基于知识特征划分与多维测评的个性化知识图谱生成方法，以便于提供个性化的学习资源和服务。
基于知识特征划分与多维测评的个性化知识图谱生成方法，其特征在于，
S1，将教材目录细化拆分为知识点，并通过关键词匹配方法对每个章节进行标定分类，将知识点分成概念类、逻辑类、发散思维类以及强化类的课程；
S2，采用多维能力测评方法对学生的基础能力及学习力进行测评；
S3，用编排好的学生测评数据格式集学生测评数据，并由学生测评数据组成学生测评数据集；
S4，通过关联分析方法对学生测评数据集进行反向关联分析生成关联规则；
S5，根据关联规则、学习力测评结果生成个性化知识图谱。
进一步的方案是，所述教材目录拆分成知识点及知识点标定分类的方法包括如下所述的步骤：
S11、以教材为基础构建思维导图，将不同层级的章节规划为统一层级；
S12、针对每一章节按照完整句子进行分割；对于每个句子，进行分词和词性标注处理，并过滤掉停用词，只保留指定词性的单词，如名词、动词、形容词，得到保留后的候选关键词；
S13、构建候选关键词图G = (V,E)，其中V为节点集，由生成的候选关键词组成，然后采用共现关系构造任两点之间的边；
S14、迭代传播各节点的权重，直至收敛；对节点权重进行倒序排序，从而得到最重要的T个单词，作为候选关键词；
S15、将得到的最重要的T个单词，在原始文本中进行回溯定位，若多个关键词在同一章节内则定义为互为相邻词，组合为关键词组；
S16、根据得到的关键词组、关键词组在原始文本中的位置、进行人为判断标定分类。
进一步的方案是，所述多维能力测评方法包括学生基础能力测评方法及学习力测评方法。
更进一步的方案是，所述学生基础能力测评方法包括如下步骤：
S41：从上述分类中随机抽取四节关联课程用于测试；
S42：测试工具来源于贴片式脑电设备，用于采集学生在在线学习过程中的脑电波，用于测评学生专注力、记忆力、逻辑推理力；
S43：根据采集的脑电数据计算出学生在四节课程中的平均专注力水平、评价记忆力水平及平均逻辑推理力水平。
更进一步的方案是，所述学习力测评方法包括如下步骤：
S51：使用学习力测评量表及贴片式脑电设备实现测评；
S52：采集学生在做量表时的脑电数据及量表结果；
S53：根据脑电数据判断学生是否认真进行量表测评，满足条件则根据量表结果给出学生学习能力水平、学习动力水平及学习态度水平。
更进一步的方案是，所述量表包括但不限于持续性操作测验(CPT)、瞬时记忆力测验、瑞文推理测验联合型(CRT)。
进一步的方案是，所述学生测评数据格式是以概念类、逻辑类、发散思维类以及强化类课程为标签，以学生的年级、性别、年龄等基础信息，在四类课程中的专注力水平、记忆力水平、理解力水平为特征构造而成的。
进一步的方案是，所述关联分析方法包括如下步骤：
S71：假设学生测评数据集共包含n个特征；
S72：计算学生测评数据集中每个项集出现的频率，每个项集中包含的特征个数由1变化至n；
S73：筛选出符合条件的频繁项集；
S74：基于频繁项集，生成关联规则，并计算每个规则的置信度；
S75：根据要求的最小置信度阈值，筛选出满足置信度要求的关联规则。
进一步的方案是，所述个性化知识图谱生成方法包括如下步骤：
S81、依据所述教材目录拆分成知识点及知识点标定分类的方法得到个性化知识图谱中的多个实体的步骤；
S82、以关联规则中的项集集合链接个性化知识图谱中的实体的步骤，即实体间关系的映射步骤；其中，映射规则为：
依据学生在概念类、逻辑类、发散思维类以及强化类课程中的表现判断：
S821、显示学生对概念类课程接受程度高，则下一步应学习逻辑类课程；
S822、若显示学生对逻辑类课程接受程度高，则下一步应学习发散思维类课程；
S823、若显示学生对发散思维类课程接受程度高，则下一步应学习强化类课程；
S83、根据学习力测评结果，链接不同知识点的步骤，即知识点间关系的映射步骤；其中，映射规则为：
S831、对学生学习力测评特征结果进行排序；
S832、若学生学习态度较高，则从概念类中抽取与上一知识点相关的知识点开始学习；
S833、若学生动力水平较高，则由逻辑类中抽取与上一知识点相关的知识点开始学习；
S834、若学生学习能力水平较高，则由发散思维类中抽取与上一知识点相关的知识点开始学习。
有益效果
本发明基于个性化知识图谱，能够依据学生的个体差异提供个性化的学习资源和服务；
本发明通过所述的关联分析法，实现了教材的知识点和学生基础能力的关联；
本发明通过课程和贴片式脑电设备结合，实现了对学生的注意力、记忆力及理解力的测评；
本发明通过贴片式脑电设备和学习力测评量表相结合，实现了对学生的学习能力、学习动力及学习态度的测评；
本发明通过教材目录拆分成知识点及知识点标定分类、测评学生基础能力与学习力，实现了在线教学场景中知识点细化分类及对学生的多维测评，且分析了学生能力与章节类别之间的关联性，为学生制定适应自身能力的个性化知识图谱。
附图说明
图1为本发明的整体流程图；
图2为本发明中教材目录拆分成知识点及知识点标定分类方法示意图；
图3为本发明中多维能力测评方法示意图；
图4为本发明中关联分析方法示意图；
图5为本发明中个性化知识图谱生成方法示意图。
具体实施方式
结合实施例和附图，对本发明作进一步地说明。
在一些实施例中，如图1所示，基于知识特征划分与多维测评的个性化知识图谱生成方法，首先，将教材目录细化拆分为知识点，并通过关键词匹配方法对每个知识点进行标定分类，将知识点分成概念类、逻辑类、发散思维类以及强化类的课程；接着，采用多维能力测评方法对学生基础能力及学习力进行测评；其中，所述的学生基础能力包括学生专注力、记忆力、逻辑推理力；所述的学习力包括学习能力、学习动力及学习态度；然后，用编排好的学生测评数据格式来于收集学生测评数据，并由学生测评数据组成学生测评数据集；其次，通过关联分析方法对学生测评数据集进行反向关联分析生成关联规则；最后，根据关联规则、学习力测评结果生成个性化知识图谱。
在一些实施例中，如图2所示，所述的教材目录拆分成知识点及知识点标定分类的方法包括如下所述的步骤：以教材为基础构建思维导图，将不同层级的章节规划为统一层级；针对每一章节按照完整句子进行分割；对于每个句子，进行分词和词性标注处理，并过滤掉停用词，只保留指定词性的单词，如名词、动词、形容词，得到保留后的候选关键词；构建候选关键词图G = (V,E)，其中V为节点集，由生成的候选关键词组成，然后采用共现关系构造任两点之间的边；接着，迭代传播各节点的权重，直至收敛；对节点权重进行倒序排序，从而得到最重要的T个单词，作为候选关键词；将得到的最重要的T个单词，在原始文本中进行回溯定位，若多个关键词在同一章节内则定义为互为相邻词，组合为关键词组；根据得到的关键词组、关键词组在原始文本中的位置、进行人为判断标定分类。
依据上述方法，所述的教材目录拆分成知识点及知识点标定分类的方法具体为，若关键词组为知识点专有名词及“定义”、“概念”等词,并且在原始文本章节的1/4部分出现，则标定为概念类课程；若关键词组包括知识点专有名词及“推理”、“证明”等词，并且在原始文本章节的1/2部分出现，则标定为逻辑类课程；若关键词组包括多个知识点专有名词，并且在原始文本章节的3/4部分出现，则标定为发散思维类课程；若关键词组包括多个知识点专有名词及“拓展”、“应用”等词，并且在原始文本的章节末端部分出现，则标定为强化类课程。
在一些实施例中，如图3所示，所述多维能力测评方法包括学生基础能力测评方法及学习力测评方法，其中，所述学生基础能力测评方法包括如下步骤：
S41：从上述分类中随机抽取四节关联课程用于测试；
S42：用贴片式脑电波测试仪，采集学生在在线学习过程中的脑电波，测评学生专注力、记忆力、逻辑推理力；
S43：根据采集的脑电波数据计算出学生在四节课程中的平均专注力水平、平均记忆力水平及平均理解力水平。
其中，在S43中对收集的原始脑电数据通过采用小波分析进行预处理，提取δ（0Hz～4Hz）、θ(4Hz～8Hz）、α（8Hz～12Hz）和β(12Hz～40Hz)波四种脑电节律的能量作为特征量；学生在四节课程中的用时分别为Tnn=1,2,3,4，则有：
。
其中，V_a：表示学生的平均注意力水平；V_m：表示学生的平均记忆力水平；V_c：表示学生的平均理解力水平；对采集的脑电信号进行分区：δ波（0Hz～4Hz）；θ波(4Hz～8Hz）；α波（8Hz～12Hz）；β波(12Hz～40Hz)；抽取四节关联课程进行学习，其中每节课程用时可以用[T1，T2，T3，T4]表示，Tn表示某一节课程学习时段，n=1，2，3，4；
举例说明：令n=1, 表示学生在第一节课程学习中，则, />, />表示学生在第一节课程学习中， i 时刻的波值，i=0,1,..., T1；
上式表示在 T1 时长内，/>波段的时刻累加除以/>和波段的时刻累加之和，再除以总时长 T1，得到在第一节课程内的学生平均注意力水平V_a1。同理，令n=2，3，4，也可计算得到在第二节课程内的学生平均注意力水平V_a2、在第三节课程内的学生平均注意力水平V_a3、在第四节课程内的学生平均注意力水平V_a4
上式表示在 T1 时长内，/>波段的时刻累加，再除以总时长T1，得到在第一节课程内学生的平均记忆力水平V_m1。同理，令n=2，3，4，也可计算得到在第二节课程内的学生平均注意力水平V_m2、在第三节课程内的学生平均注意力水平V_m3、在第四节课程内的学生平均注意力水平V_m4.
上式表示在 T1 时长内，/>波段的时刻累加除以/>波段的时刻累加，再除以总时长 T1，得到在第一节课程内学生的平均理解力水平V_c1。同理，令n=2，3，4，也可计算得到在第二节课程内的学生平均注意力水平V_c2、在第三节课程内的学生平均注意力水平V_c3、在第四节课程内的学生平均注意力水平V_c4。
所述学习力测评方法包括如下步骤：
S51：使用持续性操作测验(CPT)、瞬时记忆力测验或/和瑞文推理测验联合型(CRT)及贴片式脑电设备进行测评；
S52：采集学生在做量表时的脑电数据及量表结果；
S53：根据脑电数据判断学生是否认真进行量表测评，满足条件则根据量表结果给出学生学习能力水平、学习动力水平及学习态度水平。
所述量表包括但不限于持续性操作测验(CPT)、瞬时记忆力测验、瑞文推理测验联合型(CRT)。
在一些实施例中，如图4所示，所述学生测评数据格式是以概念类、逻辑类、发散思维类以及强化类课程为标签，以学生的年级、性别、年龄等基础信息，在四类课程中的专注力水平、记忆力水平以及逻辑推理力水平为特征的规则编排而成的。
在一些实施例中，所述关联分析方法包括如下步骤：
S71：假设学生测评数据集共包含n个特征；
S72：计算学生测评数据集中每个项集出现的频率，每个项集中包含的特征个数由1变化至n；
S73：筛选出符合条件的频繁项集；
S74：基于频繁项集，生成关联规则，并计算每个规则的置信度；
S75：根据要求的最小置信度阈值，筛选出满足置信度要求的关联规则。
所述的关联规则依据频繁项集挖掘得到，在概念类课程学习中，学生基础能力测评中注意力水平达到85分以上，则[概念类,注意力水平>85]是当前数据集的正向关联规则，可得到反向关联规则为[逻辑类，注意力水平>85]。
在一些实施例中，如图5所示，所述个性化知识图谱生成方法包括如下步骤：
S81、依据教材目录拆分成知识点及知识点标定分类方法得到个性化知识图谱中的多个实体；
S82、以关联规则中的项集集合链接个性化知识图谱中的实体，即实体间关系的映射；映射规则为：以学生在概念类、逻辑类、发散思维类以及强化类课程中的表现，
S821、若显示学生对概念类课程接受程度高，则下一步应学习逻辑类课程；
S822、若显示学生对逻辑类课程接受程度高，则下一步应学习发散思维类课程；
S823、若显示学生对发散思维类课程接受程度高，则下一步应学习强化类课程；
S83、根据学习力测评结果，链接不同知识点，即知识点间关系的映射；映射规则为：
S831、对学生学习力测评特征结果排序；
S832、若学生学习态度水平较高，则从概念类中抽取与上一知识点相关的知识点开始学习；
S833、若学生动力水平较高，则由逻辑类中抽取与上一知识点相关的知识点开始学习；
S834、若学生学习能力水平较高，则由发散思维类中抽取与上一知识点相关的知识点开始学习。
在图5中，A_r表示关联规则确定知识点内的链接，L_p表示学习力确定知识点间的链接。
下面通过案例来说明如何应用本文方法进行基于知识特征划分与多维测评的用户个性化知识图谱生成。为了提高案例通用性，采用有代表性的、抽象的、通用的目录项对教材进行描述。以以下知识文本目录为例：
首先，将知识文本目录层级统一为同一层级，即KLT1=[A B C D E F]；
接着，采用关键词匹配方法对知识文本内的章节进行标定分类，如图2所示，可得到每章节的标定分类，概念类[A, B, D]、逻辑类[C, E, N1]、发散思维类[F, N2]以及强化类课程[N3,..., Nn]；
然后，随机抽取四类课程A、E、F、N3进行学习，头戴式脑电设备记录并计算得到学生的平均注意力水平[V_aA，V_aE，V_aF，V_aN3]、平均记忆力水平[V_mA，V_mE，V_mF，V_mN3]及平均理解力水[V_cA，V_cE，V_cF，V_cN3]；量表及头戴式脑电设备评估学生创新能力、学习能力L_a、学习动力L_m、学习态度L_at，如图3所示；
以学生的年级、性别、年龄为基础信息，以学生在四类课程中的注意力水平、记忆力水平、理解力水平为特征，构造数据集：
D1=[Grade, Gender, Age, Course, V_a, V_m, V_c]
包括年级(Grade)、性别(Gender)、年龄(Age)、课程类别(Course: A、E、F、N3)、注意力水平(V_a)、记忆力水平(V_m)、理解力水平(V_c)；
其次，对上述数据集D1进行频繁项集挖掘，如图4所示；
可得到诸如在概念类课程学习中，学生基础能力测评中注意力水平达到85分以上，则[概念类,注意力水平>85]为当前数据集的正向关联规则，根据正向关联规则可得到反向关联规则为[逻辑类，注意力水平>85]；
最后，根据得到的反向关联规则及学习力水平，实现个性化知识图谱自动生成，如图5所示。
Claims (10)
1.基于知识特征划分与多维测评的个性化知识图谱生成方法，其特征在于，该方法包括如下所述的步骤：
S1，将教材目录细化拆分为知识点，并通过关键词匹配方法对每个知识点进行标定分类，将知识点分成概念类、逻辑类、发散思维类以及强化类的课程；
S2，采用多维能力测评方法对学生的基础能力及学习力进行测评；
S3，用编排好的学生测评数据格式收集学生测评数据，并由学生测评数据组成学生测评数据集；
S4，通过关联分析方法对学生测评数据集进行反向关联分析生成关联规则；
S5，根据关联规则以及学习力测评结果生成个性化知识图谱。
2.根据权利要求1所述的基于知识特征划分与多维测评的个性化知识图谱生成方法，其特征在于，在所述S1中，所述教材目录拆分成知识点及知识点标定分类的方法包括如下所述的步骤：
S11、以每本教材为基础构建思维导图，将不同层级的章节规划为统一层级的步骤；
S12、对每一章节按照完整句子进行分割的步骤；
S13、对于每个句子，进行分词和词性标注处理，并过滤掉停用词，只保留指定词性的单词，得到保留后的候选关键词的步骤；
S14、构建候选关键词图G = (V,E)，其中V为节点集，由生成的候选关键词组成，采用共现关系构造任两点之间的边的步骤；
S15、迭代传播各节点的权重，直至收敛的步骤；
S16、对节点权重进行倒序排序，从而得到最重要的T个单词，作为候选关键词的步骤；
S17、将得到的最重要的T个单词，在原始文本中进行回溯定位，若多个关键词在同一章节内则定义为互为相邻词，组合为关键词组的步骤；
S18、根据得到的关键词组、关键词组在原始文本中的位置、进行人为判断标定分类的步骤。
3.根据权利要求1所述的基于知识特征划分与多维测评的个性化知识图谱生成方法，其特征在于，所述的多维能力测评方法包括学生基础能力测评方法和学习力测评方法。
4.根据权利要求3所述的基于知识特征划分与多维测评的个性化知识图谱生成方法，其特征在于，所述学生基础能力测评方法包括如下所述的步骤：
S41：从所述分类中随机抽取四节关联课程用于测试；
S42：测试工具来源于贴片式脑电设备，用于采集学生在在线学习过程中的脑电波；
S43：根据采集的脑电波计算出学生在四节课程中的平均注意力水平V_a、平均记忆力水平V_m及平均理解力水V_c。
5.根据权利要求3所述的基于知识特征划分与多维测评的个性化知识图谱生成方法，其特征在于，所述的学习力测评方法包括如下所述的步骤：
S51：使用学习力测评量表及贴片式脑电设备来进行测评；
S52：采集学生在做量表时的脑电数据及量表结果；
S53：根据脑电数据信号变化判断学生是否认真进行量表测评，若量表测评过程中脑电信号始终处于β波波段，说明学生在认真进行量表评估，量表数据有效则根据量表结果给出学生学习能力水平、学习动力水平及学习态度水平；否则，要求学生重新进行测评。
6.根据权利要求1所述的基于知识特征划分与多维测评的个性化知识图谱生成方法，其特征在于，所述的学生测评数据格式是以概念类、逻辑类、发散思维类以及强化类课程为标签，以学生的年级、性别、年龄为基础信息，以学生在四类课程中的注意力水平、记忆力水平、理解力水平为特征的编排而成的。
7.根据权利要求1所述的基于知识特征划分与多维测评的个性化知识图谱生成方法，其特征在于，所述的关联分析方法包括如下所述的步骤：
S71：假设学生测评数据集共包含n个特征；
S72：计算学生测评数据集中每个项集出现的频率，每个项集中包含的特征个数由1变化至n；
S73：筛选出符合条件的频繁项集；
S74：基于频繁项集，生成关联规则，并计算每个规则的置信度；
S75：根据要求的最小置信度阈值，筛选出满足置信度要求的关联规则。
8.根据权利要求1所述的基于知识特征划分与多维测评的个性化知识图谱生成方法，其特征在于，所述的个性化知识图谱生成方法包括如下所述的步骤：
S81、依据教材目录拆分成知识点及知识点标定分类的方法得到每个知识点图谱中的多个实体的步骤；
S82、以关联规则中的项集集合链接知识点图谱中的实体的步骤，即实体间关系的映射步骤；
S83、根据学生学习力测评结果，链接不同知识点的步骤，即知识点间关系的映射步骤。
9.根据权利要求8所述的基于知识特征划分与多维测评的个性化知识图谱生成方法，其特征在于，所述实体间关系的映射规则为：依据学生在概念类、逻辑类、发散思维类以及强化类课程中的表现判断，
S821、若显示学生对概念类课程接受程度高，则下一步应学习逻辑类课程；
S822、若显示学生对逻辑类课程接受程度高，则下一步应学习发散思维类课程；
S823、若显示学生对发散思维类课程接受程度高，则下一步应学习强化类课程。
10.根据权利要求8所述的基于知识特征划分与多维测评的个性化知识图谱生成方法，其特征在于，所述的知识点间关系的映射规则为：
S831、对学生学习力测评特征结果排序；
S832、若学生学习态度较高，则从概念类中抽取与上一知识点相关的知识点开始学习；
S833、若学生动力水平较高，则由逻辑类中抽取与上一知识点相关的知识点开始学习；
S834、若学生学习能力水平较高，则由发散思维类中抽取与上一知识点相关的知识点开始学习。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311377537.5A CN117114104B (zh) | 2023-10-24 | 2023-10-24 | 基于知识特征划分与多维测评的个性化知识图谱生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311377537.5A CN117114104B (zh) | 2023-10-24 | 2023-10-24 | 基于知识特征划分与多维测评的个性化知识图谱生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117114104A true CN117114104A (zh) | 2023-11-24 |
| CN117114104B CN117114104B (zh) | 2024-01-30 |
Family
ID=88806026
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311377537.5A Active CN117114104B (zh) | 2023-10-24 | 2023-10-24 | 基于知识特征划分与多维测评的个性化知识图谱生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117114104B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313852A (zh) * | 2023-11-29 | 2023-12-29 | 徐州医科大学 | 基于多模态数据的个性化教学知识图谱更新方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111445362A (zh) * | 2020-03-23 | 2020-07-24 | 河南云劭博教育科技有限公司 | 一种以学习者为中心的自适应学习系统 |
| CN116860978A (zh) * | 2023-08-31 | 2023-10-10 | 南京云创大数据科技股份有限公司 | 基于知识图谱和大模型的小学语文个性化学习系统 |
-
2023
- 2023-10-24 CN CN202311377537.5A patent/CN117114104B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111445362A (zh) * | 2020-03-23 | 2020-07-24 | 河南云劭博教育科技有限公司 | 一种以学习者为中心的自适应学习系统 |
| CN116860978A (zh) * | 2023-08-31 | 2023-10-10 | 南京云创大数据科技股份有限公司 | 基于知识图谱和大模型的小学语文个性化学习系统 |
Non-Patent Citations (1)
| Title |
|---|
| 邓明慧: "基于教学内容的课堂教学行为与教学内容摘要研究", 《中国优秀硕士学位论文全文数据库 (社会科学Ⅱ辑)》, pages 56 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313852A (zh) * | 2023-11-29 | 2023-12-29 | 徐州医科大学 | 基于多模态数据的个性化教学知识图谱更新方法及系统 |
| CN117313852B (zh) * | 2023-11-29 | 2024-02-02 | 徐州医科大学 | 基于多模态数据的个性化教学知识图谱更新方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117114104B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107230174B (zh) | 一种基于网络的在线互动学习系统和方法 | |
| US20190258647A1 (en) | Probability mapping model for location of natural resources | |
| CN112508334B (zh) | 融合认知特性及试题文本信息的个性化组卷方法及系统 | |
| US20080126319A1 (en) | Automated short free-text scoring method and system | |
| CN117114104B (zh) | 基于知识特征划分与多维测评的个性化知识图谱生成方法 | |
| CN110888989B (zh) | 一种智能学习平台及其构建方法 | |
| CN114254208A (zh) | 薄弱知识点的识别方法、学习路径的规划方法与装置 | |
| CN115329200A (zh) | 一种基于知识图谱和用户相似度的教学资源推荐方法 | |
| Benedetto et al. | A survey on recent approaches to question difficulty estimation from text | |
| Ikawati et al. | Student behavior analysis to detect learning styles in Moodle learning management system | |
| CN110377802B (zh) | 一种新增试题的知识点标注方法及系统 | |
| Aydoğdu | Educational data mining studies in Turkey: A systematic review | |
| Zulkifli et al. | Systematic research on predictive models on students’ academic performance in higher education | |
| CN116860978B (zh) | 基于知识图谱和大模型的小学语文个性化学习系统 | |
| CN116720509A (zh) | 一种学生教学评价领域情感词典的构建方法 | |
| Aliyanto et al. | Supervised probabilistic latent semantic analysis (sPLSA) for estimating technology readiness level | |
| Firozjah et al. | Usability Evaluation of Digital Libraries in Tehran Public Universities. | |
| CN106372147B (zh) | 基于文本网络的异构主题网络构建和可视化方法 | |
| Okhdar et al. | English vocabulary learning through recommender system based on sentence complexity and vocabulary difficulty | |
| Ventura et al. | Analyzing rule evaluation measures with educational datasets: A framework to help the teacher | |
| Esmaeilzadeh et al. | Providing insights for open-response surveys via end-to-end context-aware clustering | |
| Biehler et al. | Data science education in secondary schools: Teaching and learning decision trees with CODAP and Jupyter Notebooks as an example of integrating machine learning into statistics education | |
| Lagman et al. | Integration of neural network algorithm in adaptive learning management system | |
| CN115080731A (zh) | 评语语段生成方法、装置、电子设备和存储介质 | |
| Vachkova et al. | The application of text mining algorithms to discover one topic objects in digital learning repositories |
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 |