CN117952072A - Ai校本化英语教材编辑方法及系统 - Google Patents
Ai校本化英语教材编辑方法及系统 Download PDFInfo
- Publication number
- CN117952072A CN117952072A CN202410331524.2A CN202410331524A CN117952072A CN 117952072 A CN117952072 A CN 117952072A CN 202410331524 A CN202410331524 A CN 202410331524A CN 117952072 A CN117952072 A CN 117952072A
- Authority
- CN
- China
- Prior art keywords
- teaching
- knowledge
- student
- teacher
- 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
- 239000000463 material Substances 0.000 title claims abstract description 357
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000005516 engineering process Methods 0.000 title abstract description 16
- 238000012937 correction Methods 0.000 title abstract description 10
- 230000001149 cognitive effect Effects 0.000 claims abstract description 109
- 230000006399 behavior Effects 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims description 35
- 230000000694 effects Effects 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 14
- 238000007619 statistical method Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 31
- 238000004364 calculation method Methods 0.000 description 10
- 238000007405 data analysis Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 8
- 230000019771 cognition Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000001915 proofreading effect Effects 0.000 description 2
- 101100001674 Emericella variicolor andI gene Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008133 cognitive development Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及教育信息化技术领域,公开了一种AI校本化英语教材编辑方法及系统,该方法包含:依据学生的在线和离线考试数据构建学生认知知识图谱;依据学生的在线学习行为数据构建学生兴趣知识图谱;依据教师历史教学轨迹数据构建教师推荐知识图谱;基于学生认知知识图谱、学生兴趣知识图谱及教师推荐知识图谱,设计AI课文素材推荐引擎,计算课文素材多维匹配度,根据课文素材多维匹配度自动选取教学课文;基于选取的教学课文,从数字化资源库中匹配选取相关的课前预习素材、知识点讲解课件及课后习题,形成完整的教材内容。本申请实现了教材编辑的自动化,显著提升了效率和质量,同时确保教材内容既符合教学大纲又适应学生和教师需求。
Description
技术领域
本申请涉及教育信息化技术领域,特别涉及基于人工智能的教材编辑优化技术。
背景技术
随着教育信息化的进步,多媒体教材已经变得越来越普及。在遵循统一教材的同时,学校也需要制作符合自身特色的校本化辅助教材,以更好地满足独特的教学需求。制作一份高质量的校本化教材不仅需要符合教学大纲的要求,还要考虑学生的认知水平、兴趣点以及教师的教学偏好。例如,教材需要基于知识点的重要性和学习顺序进行构建,并考虑学生和教师的反馈数据来提升教学效果。
然而,要实现这些需求,就必须进行大量的数据分析和智能处理,这项工作如果完全依靠人工或是基本的信息化工具来完成,无疑是非常艰巨的。此外,保证教材内容的质量和适应性也变得尤为困难。
现有技术面临的主要问题包括:确保教材内容既符合教学大纲,又能适应学生的认知水平和兴趣,同时也要满足教师的教学方式。此外,还需要从大量教育资源中迅速且准确地筛选和组织出适合特定教学群体的教材内容。更进一步,现代信息技术,尤其是大数据和人工智能技术的应用,对于自动化教材的编辑和编排过程来说,是提高效率和质量的关键。此外,还需要建立一个能够持续更新和自我优化的系统,以适应教育教学的持续变化和学生需求的发展。
因此,迫切需要开发一种新的AI校本化英语教材编辑方法及系统,该系统可以快速准确地挑选和编排教材内容,从而确保教材的高质量和实用性。
发明内容
本申请的目的在于提供一种AI校本化英语教材编辑方法及系统,以解决上述背景技术中提出的问题。
本申请公开了一种AI校本化英语教材编辑方法,包括:
基于已构建的数字化资源库,依据学生的在线和离线考试数据构建学生认知知识图谱;依据学生的在线学习行为数据构建学生兴趣知识图谱;依据教师历史教学轨迹数据构建教师推荐知识图谱;
基于所述学生认知知识图谱、学生兴趣知识图谱及教师推荐知识图谱,设计AI课文素材推荐引擎,所述AI课文素材推荐引擎计算各课文素材的多维匹配度,根据课文素材多维匹配度自动选取教学课文;
基于选取的教学课文,从数字化资源库中匹配选取相关的课前预习素材、知识点讲解课件及课后习题,形成完整的教材内容。
在一个优选例中,所述AI课文素材推荐引擎采用多目标规划算法,将数字化资源库中的课文素材与学生认知知识图谱、学生兴趣知识图谱及教师推荐知识图谱进行多维度匹配,其中,根据各课文素材的知识点掌握要求匹配度、知识点学习顺序匹配度、学生知识认知匹配度、学生兴趣匹配度及教师推荐知识匹配度计算课文素材多维匹配度,并根据该课文素材多维匹配度对课文素材进行排序并选取排名最优的课文素材作为教学课文。
在一个优选例中,所述方法还包括:构建数字化资源库,其中,所述数字化资源库包含知识点库、课文素材库、课前预习素材库、知识点讲解课件库及试题库。
在一个优选例中,所述构建数字化资源库的步骤包括:
根据学科各教学阶段的教学大纲、考试大纲中的知识点信息,构建各教学阶段的知识点域,并对掌握要求属性进行标注,其中,掌握要求分为掌握应用、理解说明、认识了解三个级别,各教学阶段的知识点按照教学大纲的学习顺序进行排序,构成所述知识点库;
根据不同教学阶段的教学要求,收集不同类型的课文素材,并对课文中的主题知识点、一般知识点进行标注,构成所述课文素材库;
制作各知识点的讲解课件,并对课件中讲解的知识点进行标注,构成所述知识点讲解课件库;
收集不同题型的试题,并对试题中的知识点进行标注,构成所述试题库。
在一个优选例中,所述依据学生的在线和离线考试数据构建学生认知知识图谱的步骤包括:
收集学生在线上及线下环境中针对各种试题的答题数据,所述答题数据包括学生对各个知识点的答题结果和得分情况;
基于所述答题数据,对每个学生对不同知识点的认知水平进行统计和分析,得到学生对每个知识点的掌握程度;
根据分析结果,为每个教学群体生成学生认知知识图谱,所述学生认知知识图谱标注了各个知识点在特定教学阶段的掌握要求以及学生对这些知识点的认知指数;
其中,所述学生认知知识图谱的数据格式为:{知识点<教学阶段,掌握要求,认知指数>;......},所述掌握要求包括认识了解、理解说明和掌握应用,所述认知指数采用下述公式计算:其中,/>是指某一知识点的认知指数;/>代表了学生的总数;代表了与该知识点相关的试题总数;/>代表第/>个学生在第 />个试题上的得分率。
在一个优选例中,所述依据学生的在线学习行为数据构建学生兴趣知识图谱的步骤包括:
通过分析学生的在线搜索和浏览活动,收集学生接触和使用不同教学素材的数据,所述数据反映学生对各个知识点的兴趣和关注程度;
对收集到的数据进行统计,确定学生感兴趣的主题知识点和一般知识点,并根据不同教学阶段和掌握要求,为所述主题知识点和一般知识点标注教学阶段和掌握程度属性;
基于统计分析结果,为每个教学群体创建学生兴趣知识图谱,所述学生兴趣知识图谱以结构化的格式列出各个知识点,并为各个知识点分配教学阶段、掌握要求和兴趣指数;
其中,所述学生兴趣知识图谱的数据格式为:{知识点<教学阶段,掌握要求,兴趣指数>;......},所述掌握要求包括认识了解、理解说明和掌握应用,所述兴趣指数采用下述公式计算:其中, />是指某一知识点的学生兴趣指数,/>是指该教学群体的学生数量,/>是该教学群体搜索、浏览的素材总数;/>是指第/>个学生浏览第/>素材时该知识点是否为主题知识点的值,若为主题知识点取1,否则取0;/>是指第/>个学生浏览第/>篇素材时该知识点是否为一般知识点的值,若为一般知识点取1,否则取0;/>是指第/>个学生在第/>篇素材停留的时间参考值;/>、/>是指重要度系数,。
可选的,所述依据教师历史教学轨迹数据构建教师推荐知识图谱的步骤包括:
收集当前教学阶段和历史教学阶段教师在上传和选择教学素材时的行为数据,所述行为数据反映教师对不同知识点的偏好和推荐情况;
通过统计分析所述行为数据,确定教师倾向于推荐的主题知识点和一般知识点,并根据不同教学阶段,对所述主题知识点和一般知识点进行教学阶段、掌握要求和推荐指数的标注;
基于统计分析结果,为每个教学阶段创建教师推荐知识图谱,所述教师推荐知识图谱列出教师推荐的知识点,并提供各知识点的教学阶段、掌握要求和推荐指数信息;
其中,所述教师推荐知识图谱的数据格式为:{知识点<教学阶段,掌握要求,推荐指数>;......},所述掌握要求包括基础了解、深入理解和完全掌握,所述推荐指数采用下述公式计算:其中,/>是指某一知识点的教师推荐指数;/>是指教师操作的素材总数;/>是指该知识点在第/>个素材中是否为主题知识点的值,若为主题知识点取1,否则取0;/>是指第/>个素材被教师操作的次数;/>是指该知识点在第/>个素材中是否为一般知识点的值,若为一般知识点取1,否则取0;/>是指重要度系数,。
可选的,所述基于所述学生认知知识图谱、学生兴趣知识图谱及教师推荐知识图谱,设计AI课文素材推荐引擎,所述AI课文素材推荐引擎计算各课文素材的多维匹配度,根据课文素材多维匹配度自动选取教学课文的步骤,包括:
基于教学目标知识点域,初步筛选符合当前教学阶段的生词知识点数量和超纲知识点数量在预设范围内的课文素材;
基于学生认知知识图谱、学生兴趣知识图谱、教师推荐知识图谱,在初步筛选的课文素材中,计算每个课文素材的多维匹配度F:其中,/>是指当前课文素材含有的知识点数量;/>是指该知识点在当前教学阶段的掌握要求的匹配值;/>是指该知识点符合教学大纲学习顺序的匹配值;/>是指该知识点在该学生群体的认知指数值;/>是指该知识点在该学生群体的兴趣指数值;/>是指该知识点在该教学阶段教师的推荐指数值;/>为五个维度的影响因子;
取课文素材多维匹配度F值最高的课文素材作为该教学阶段的教学课文之一;
基于已确认的教学课文,更新该教学阶段的知识点域,重复上述步骤,直到完成所有教学课文的确认。
本申请还公开了一种AI校本化英语教材编辑系统,包括:
知识图谱构建模块,用于基于已构建的数字化资源库,依据学生的在线和离线考试数据构建学生认知知识图谱;依据学生的在线学习行为数据构建学生兴趣知识图谱;依据教师历史教学轨迹数据构建教师推荐知识图谱;
AI课文素材推荐引擎,用于基于所述学生认知知识图谱、学生兴趣知识图谱及教师推荐知识图谱,设计AI课文素材推荐引擎,所述AI课文素材推荐引擎计算各课文素材的多维匹配度,根据课文素材多维匹配度自动选取教学课文;
教材内容构建模块,用于基于选取的教学课文,从数字化资源库中匹配选取相关的课前预习素材、知识点讲解课件及课后习题,形成完整的教材内容。
本申请还公开了一种AI校本化英语教材编辑系统,包括:
存储器,用于存储计算机可执行指令;以及,
处理器,用于在执行所述计算机可执行指令时实现如前文描述的方法中的步骤。
本申请实施方式中,通过构建学生认知知识图谱、学生兴趣知识图谱和教师推荐知识图谱,可以全面、客观地反映学生的认知水平、兴趣偏好以及教师的教学经验,为教材编辑提供多维度的数据支持。利用知识图谱技术对这些信息进行结构化表示和量化分析,为后续的课文推荐奠定基础。
进一步的,设计了AI课文素材推荐引擎,综合考虑课文素材的知识点分布、学生认知水平、学生兴趣和教师推荐等多个因素,通过计算多维匹配度实现课文的智能推荐。该方法克服了传统教材编辑依赖人工经验、主观性强的缺陷,提高了教材编辑的科学性、针对性和效率。
进一步的,引入了教学目标知识点域的概念,在推荐课文时优先考虑与教学目标相关的知识点,同时兼顾学生的认知负荷,控制生词和超纲知识点的数量。这种方式可以使编辑出的教材内容更加匹配教学需求,帮助学生循序渐进地掌握知识。
进一步的,提出了一套完整的校本化教材编辑流程,以选定的教学课文为核心,自动匹配课前预习素材、知识点讲解课件和课后习题,形成配套的教学资源。相比人工编辑,该方法可以快速生成个性化、多样化的教材内容,满足不同学校和教学群体的需求。
本申请融合了人工智能、知识图谱、教育大数据挖掘等前沿技术,是智慧教育和个性化学习领域的一次创新探索。通过该系统,可以显著提升校本化教材的编辑质量和效率,促进因材施教,为学生营造最佳的学习体验,具有广阔的应用前景。
简而言之,本申请通过构建学生认知知识图谱、学生兴趣知识图谱和教师推荐知识图谱,利用AI课文素材推荐引擎实现了教学资源的个性化匹配和智能推荐。该方法利用大数据和人工智能技术,自动分析学生的学习数据和教师的教学偏好,从而选取最适合当前教学需求的课文素材,提高了教材编辑的效率和质量。通过精准匹配教学内容,该系统确保了教材内容既符合教学大纲的要求,又能够满足不同学生的学习需求和兴趣,同时考虑教师的教学风格和经验,从而实现了教学资源的最优利用。此外,本方法通过构建数字化资源库,为教育教学提供了一个全面、标准化、易于访问的资源平台,进一步提升了教学的个性化和灵活性,满足了现代教育对教材多样性和适应性的需求。
本申请的说明书中记载了大量的技术特征,分布在各个技术方案中,如果要罗列出本申请所有可能的技术特征的组合(即技术方案)的话,会使得说明书过于冗长。为了避免这个问题,本申请上述发明内容中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征,都可以自由地互相组合,从而构成各种新的技术方案(这些技术方案均因视为在本说明书中已经记载),除非这种技术特征的组合在技术上是不可行的。例如,在一个例子中公开了特征A+B+C,在另一个例子中公开了特征A+B+D+E,而特征C和D是起到相同作用的等同技术手段,技术上只要择一使用即可,不可能同时采用,特征E技术上可以与特征C相组合,则,A+B+C+D的方案因技术不可行而应当不被视为已经记载,而A+B+C+E的方案应当视为已经被记载。
附图说明
图1是根据本申请第一实施方式的AI校本化英语教材编辑方法的流程示意图。
图2是根据本申请第二实施方式的AI校本化英语教材编辑系统的结构示意图。
图3是根据本申请的AI校本化英语教材编辑方法及系统的系统设计示意框图。
具体实施方式
在以下的叙述中,为了使读者更好地理解本申请而提出了许多技术细节。但是,本领域的普通技术人员可以理解,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。
下面概要说明本申请的部分创新点:
根据本申请人的整体构思,提出了一种AI校本化英语教材编辑方法及系统。该方法依托自主构建的数字化资源库,通过构建师生教学活动大数据分析模型,获取学生知识认知图谱、学生兴趣知识图谱、教师推荐知识图谱;基于此,通过设计AI课文素材推荐引擎,从资源库中匹配符合教学大纲、学生知识认知水平和兴趣爱好、教师教学知识侧重点的课文素材;进一步的根据已选教学课文,自动匹配课文对应的课前预习素材、知识点讲解课件、课后习题等,从而完成整本教材的编排。
换句话说,本申请提出了一种AI校本化英语教材编辑方法及系统,其创新之处在于通过构建学生认知知识图谱、学生兴趣知识图谱和教师推荐知识图谱,实现了针对学生的实时学习状况和教师的教学特点的个性化教学内容推荐。通过AI技术,该系统能够自动从数字化资源库中选择和组织与学生认知水平、兴趣喜好相匹配的教学内容,同时考虑教师的推荐,从而优化教材内容,提高教学效率和学习效果。特别是,系统采用多目标规划算法对教材内容进行多维度匹配,确保选定的教材不仅符合教学大纲的要求,还贴合学生的个性化需要,以及教师的教学风格,实现了教学资源的高效利用和个性化教学的目标,其系统设计框图可参见图3。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请的实施方式作进一步地详细描述。
本申请的第一实施方式涉及一种AI校本化英语教材编辑方法,其流程如图1所示,该方法包括以下步骤:
步骤10:构建数字化资源库;
步骤20:基于所构建的数字化资源库,依据学生的在线和离线考试数据构建学生认知知识图谱;依据学生的在线学习行为数据构建学生兴趣知识图谱;依据教师历史教学轨迹数据构建教师推荐知识图谱;
步骤30:基于所述学生认知知识图谱、学生兴趣知识图谱及教师推荐知识图谱,设计AI课文素材推荐引擎,所述AI课文素材推荐引擎计算各课文素材的多维匹配度,根据课文素材多维匹配度自动选取教学课文;
步骤40:基于选取的教学课文,从数字化资源库中匹配选取相关的课前预习素材、知识点讲解课件及课后习题,形成完整的教材内容。
可选的,所述AI课文素材推荐引擎采用多目标规划算法,将数字化资源库中的课文素材与学生认知知识图谱、学生兴趣知识图谱及教师推荐知识图谱进行多维度匹配,其中,根据各课文素材的知识点掌握要求匹配度、知识点学习顺序匹配度、学生知识认知匹配度、学生兴趣匹配度及教师推荐知识匹配度计算课文素材多维匹配度,并根据该课文素材多维匹配度对课文素材进行排序并选取排名最优的课文素材作为教学课文。
可选的,所述数字化资源库包含知识点库、课文素材库、课前预习素材库、知识点讲解课件库及试题库。
可选的,所述构建数字化资源库的步骤包括:
根据学科各教学阶段的教学大纲、考试大纲中的知识点信息,构建各教学阶段的知识点域,并对掌握要求属性进行标注,其中,掌握要求分为掌握应用、理解说明、认识了解三个级别,各教学阶段的知识点按照教学大纲的学习顺序进行排序,构成所述知识点库;
根据不同教学阶段的教学要求,收集不同类型的课文素材,并对课文中的主题知识点、一般知识点进行标注,构成所述课文素材库;
制作各知识点的讲解课件,并对课件中讲解的知识点进行标注,构成所述知识点讲解课件库;
收集不同题型的试题,并对试题中的知识点进行标注,构成所述试题库。
可选的,所述依据学生的在线和离线考试数据构建学生认知知识图谱的步骤包括:
收集学生在线上及线下环境中针对各种试题的答题数据,所述答题数据包括学生对各个知识点的答题结果和得分情况;
基于所述答题数据,对每个学生对不同知识点的认知水平进行统计和分析,得到学生对每个知识点的掌握程度;
根据分析结果,为每个教学群体生成学生认知知识图谱,所述学生认知知识图谱标注了各个知识点在特定教学阶段的掌握要求以及学生对这些知识点的认知指数;
其中,所述学生认知知识图谱的数据格式为:{知识点<教学阶段,掌握要求,认知指数>;......},所述掌握要求包括认识了解、理解说明和掌握应用,所述认知指数采用下述公式计算:
其中,/>是指某一知识点的认知指数;/>代表了学生的总数;/>代表了与该知识点相关的试题总数;/>代表第/>个学生在第 />个试题上的得分率。
可选的,所述依据学生的在线学习行为数据构建学生兴趣知识图谱的步骤包括:
通过分析学生的在线搜索和浏览活动,收集学生接触和使用不同教学素材的数据,所述数据反映学生对各个知识点的兴趣和关注程度;
对收集到的数据进行统计,确定学生感兴趣的主题知识点和一般知识点,并根据不同教学阶段和掌握要求,为所述主题知识点和一般知识点标注教学阶段和掌握程度属性;
基于统计分析结果,为每个教学群体创建学生兴趣知识图谱,所述学生兴趣知识图谱以结构化的格式列出各个知识点,并为各个知识点分配教学阶段、掌握要求和兴趣指数;
其中,所述学生兴趣知识图谱的数据格式为:{知识点<教学阶段,掌握要求,兴趣指数>;......},所述掌握要求包括认识了解、理解说明和掌握应用,所述兴趣指数采用下述公式计算:其中, />是指某一知识点的学生兴趣指数,/>是指该教学群体的学生数量,/>是该教学群体搜索、浏览的素材总数;/>是指第/>个学生浏览第/>素材时该知识点是否为主题知识点的值,若为主题知识点取1,否则取0;/>是指第/>个学生浏览第/>篇素材时该知识点是否为一般知识点的值,若为一般知识点取1,否则取0;/>是指第/>个学生在第/>篇素材停留的时间参考值;/>、/>是指重要度系数,。
可选的,所述依据教师历史教学轨迹数据构建教师推荐知识图谱的步骤包括:
收集当前教学阶段和历史教学阶段教师在上传和选择教学素材时的行为数据,所述行为数据反映教师对不同知识点的偏好和推荐情况;
通过统计分析所述行为数据,确定教师倾向于推荐的主题知识点和一般知识点,并根据不同教学阶段,对所述主题知识点和一般知识点进行教学阶段、掌握要求和推荐指数的标注;
基于统计分析结果,为每个教学阶段创建教师推荐知识图谱,所述教师推荐知识图谱列出教师推荐的知识点,并提供各知识点的教学阶段、掌握要求和推荐指数信息;
其中,所述教师推荐知识图谱的数据格式为:{知识点<教学阶段,掌握要求,推荐指数>;......},所述掌握要求包括基础了解、深入理解和完全掌握,所述推荐指数采用下述公式计算:其中,/>是指某一知识点的教师推荐指数;/>是指教师操作的素材总数;/>是指该知识点在第/>个素材中是否为主题知识点的值,若为主题知识点取1,否则取0;/>是指第/>个素材被教师操作的次数;/>是指该知识点在第/>个素材中是否为一般知识点的值,若为一般知识点取1,否则取0;/>是指重要度系数,。
可选的,所述基于所述学生认知知识图谱、学生兴趣知识图谱及教师推荐知识图谱,设计AI课文素材推荐引擎,所述AI课文素材推荐引擎计算各课文素材的多维匹配度,根据课文素材多维匹配度自动选取教学课文的步骤,包括:
基于教学目标知识点域,初步筛选符合当前教学阶段的生词知识点数量和超纲知识点数量在预设范围内的课文素材;
基于学生认知知识图谱、学生兴趣知识图谱、教师推荐知识图谱,在初步筛选的课文素材中,计算每个课文素材的多维匹配度F:其中,/>是指当前课文素材含有的知识点数量;/>是指该知识点在当前教学阶段的掌握要求的匹配值;/>是指该知识点符合教学大纲学习顺序的匹配值;/>是指该知识点在该学生群体的认知指数值;/>是指该知识点在该学生群体的兴趣指数值;/>是指该知识点在该教学阶段教师的推荐指数值;/>为五个维度的影响因子;
取课文素材多维匹配度F值最高的课文素材作为该教学阶段的教学课文之一;
基于已确认的教学课文,更新该教学阶段的知识点域,重复上述步骤,直到完成所有教学课文的确认。
上述实施例具有以下技术效果:
通过构建数字化资源库、生成学生认知图谱、学生兴趣图谱和教师推荐图谱,实现教材编辑既符合教学大纲,又适应学生和教师需求。
进一步的,通过设计AI课文推荐算法,实现快速准确地从海量资源中选取适合特定教学群体的教材内容。
进一步的,通过应用大数据和人工智能技术,实现教材编辑和编排的自动化,显著提升效率和质量。
进一步的,通过持续学习和模型迭代,实现编辑系统的自主优化和持续适应,满足教育教学发展需求。
为了能够更好地理解本申请的技术方案,下面结合一个具体的例子来进行说明,该例子中罗列的细节主要是为了便于理解,不作为对本申请保护范围的限制。
本例子的AI校本化英语教材编辑方法,包括以下步骤:
步骤100:构建数字化资源库
所述的数字化资源库包括知识点库、课文素材库、课前预习素材库、知识点讲解课件库、试题库。具体构建的内容如下:
(1)知识点库:根据学科各教学阶段的教学大纲、考试大纲中的知识点信息,构建各教学阶段的知识点域,并对掌握要求属性进行标注。各教学阶段的知识点点按照教学大纲的学习顺序进行排序。具体的,各教学阶段的知识点域为:
教学阶段1 | {知识点11<教学阶段,掌握要求>;知识点12<教学阶段,掌握要求>;......} |
...... | ...... |
教学阶段n | {知识点n1<教学阶段,掌握要求>;知识点n2<教学阶段,掌握要求>;......} |
其中,掌握要求分为3个级别,即掌握应用、理解说明、认识了解3个类。
(2)课文素材库、课前预习素材库、知识点讲解课件库、试题库:根据不同教学阶段的教学要求,收集海量不同类型的课文素材,并对课文中的主题知识点、一般知识点进行标注;制作各知识点的讲解课件库,并对课件中讲解的知识点进行标注;收集海量不同题型的试题,并对试题中的知识点进行标注。
具体地说,本步骤涉及构建一个数字化资源库的过程。
该数字化资源库包含了多个子库,包括知识点库、课文素材库、课前预习素材库、知识点讲解课件库和试题库。
其中,每个库都是根据教学大纲和考试大纲中的知识点信息来组织的,涵盖不同教学阶段的内容,并对知识点的掌握要求进行了分类和标注。
具体来说,“知识点库”按照教学大纲的学习顺序整理了各个教学阶段的知识点,并标注了不同的掌握要求级别;“课文素材库、课前预习素材库、知识点讲解课件库、试题库”分别收集了与不同教学阶段相对应的教学内容,并对其中的知识点进行了明确的标注。
更具体地说,对于知识点库的构建过程,这是数字化资源库的一部分。这里的步骤主要包含以下几个方面:。
1) 知识点库的构建:
基于学科在不同教学阶段的教学和考试大纲,确定所需知识点的信息。这意味着库中的内容是按照教学大纲的结构组织的,确保教学内容的系统性和完整性。
2)知识点域的设立:
对于每一个教学阶段,构建了一个“知识点域”,这是一系列相关知识点的集合。每个知识点都被分配到特定的教学阶段,确保教学内容与学生的学习进度相匹配。
3)掌握要求的标注:
进一步的,每个知识点都标注了特定的“掌握要求”,可选的,这些要求根据知识点的重要性和在教学过程中的应用程度分为三个级别:掌握应用、理解说明和认识了解。这有助于教师理解学生应达到的具体学习目标。
4)排序:
知识点按照教学大纲中的学习顺序进行排序,这有助于构建逻辑性强、条理清晰的教学计划。
总之,本步骤说明了如何根据教学和考试大纲,系统地构建一个按教学阶段划分、含有明确学习目标的知识点数据库,该数据库将支持后续的教材选择和编排,确保教材内容的系统性和适应性。
进一步的,对于数字化资源库中其他部分的构建过程,包括课文素材库、课前预习素材库、知识点讲解课件库和试题库的构建过程,也是数字化资源库的一部分。这里的步骤主要包含以下几个方面:
1)课文素材库:
这部分涉及收集适应不同教学阶段需求的各种课文素材。
每份素材中包含的主题知识点和一般知识点都会被标注出来,以便于后续的使用和索引。
2)课前预习素材库:
这部分涉及为不同教学阶段准备的课前预习材料,这些材料应与课文素材紧密相关,并针对即将上课的知识点进行预习指导。
3)知识点讲解课件库:
这部分涉及制作知识点讲解的课件,并且对这些课件中讲解的知识点进行详细的标注。
这样的标注有助于教师快速找到适合特定教学内容的讲解材料。
4)试题库:
这一部分包括收集各种类型和题型的试题,并对每个试题中的知识点进行标注。
这不仅有助于学生的自我测试,也方便教师根据教学内容选择或定制相关的考核材料。
总的来说,本步骤详细描述了教学资源库的构建,旨在为不同教学阶段提供全面、标准化、易于索引的教学和评估材料。
步骤200:构建师生教学活动大数据分析模型
所述的师生教学活动大数据分析模型包括生成学生认知知识图谱、学生兴趣知识图谱、教师推荐知识图谱。具体的生成方式如下:
(1)生成学生认知知识图谱
基于学生线上、线下试题作答的大量数据,对试题中的知识点和学生得分情况进行统计,分析出每个学生对各知识点的认知情况,并对各个教学群体的学生认知知识点的教学阶段、掌握要求、认知指数属性进行标注,生成各教学群体的学生认知知识图谱。
学生认知知识图谱:{知识点1<教学阶段,掌握要求,认知指数>;知识点2<教学阶段,掌握要求,认知指数>;......}。
具体的,认知指数的计算方式为:(1)
其中,是指某一知识点的认知指数;/>代表了学生的总数;/>代表了与该知识点相关的试题总数;/>代表第/>个学生在第 />个试题上的得分率。
(2)生成学生兴趣知识图谱
基于学生线上搜索、浏览素材的大量数据,对素材中的主题知识点和一般知识点进行统计,分析出每个学生对感兴趣的知识情况,并对各个教学群体的学生兴趣知识点的教学阶段、掌握要求、兴趣指数属性进行标注,生成各教学群体的学生兴趣知识图谱。
学生兴趣知识图谱:{知识点1<教学阶段,掌握要求,兴趣指数>;知识点2<教学阶段,掌握要求,兴趣指数>;......}。
具体的,兴趣指数的计算方式为:(2)
其中, 是指某一知识点的学生兴趣指数,/>是指该教学群体的学生数量,/>是该教学群体搜索、浏览的素材总数;/>是指第/>个学生浏览第/>素材时该知识点是否为主题知识点的值,若为主题知识点取1,否则取0;/>是指第/>个学生浏览第/>篇素材时该知识点是否为一般知识点的值,若为一般知识点取1,否则取0;/>是指第/>个学生在第/>篇素材停留的时间参考值;/>、/>是指重要度系数,/>。
(3)生成教师推荐知识图谱
基于当前教学阶段教师和往年教师上传素材、选择素材等操作轨迹,对教师惯用素材中的的主题知识点和一般知识点进行统计,分析出教师教学推荐的知识情况,并对各个教学阶段的推荐知识点的教学阶段、掌握要求、推荐指数属性进行标注,生成各教学阶段的教师推荐知识图谱。
教师推荐知识图谱:{知识点1<教学阶段,掌握要求,推荐指数>;知识点2<教学阶段,掌握要求,推荐指数>;......}。
具体的,推荐指数的计算方式为:(3)
其中,是指某一知识点的教师推荐指数;/>是指教师操作的素材总数;/>是指该知识点在第/>个素材中是否为主题知识点的值,若为主题知识点取1,否则取0;/>是指第/>个素材被教师操作的次数;/>是指该知识点在第/>个素材中是否为一般知识点的值,若为一般知识点取1,否则取0;/>是指重要度系数,/>。
具体地说,本步骤示例性地说明了构建一个师生教学活动的大数据分析模型的过程。其中,该师生教学活动的大数据分析模型包括三个主要部分:学生认知知识图谱、学生兴趣知识图谱、和教师推荐知识图谱。这些图谱基于不同的数据源生成,以提供对学生的认知水平、兴趣偏好和教师的教学倾向的深入理解。
例如,学生认知知识图谱通过分析学生在线上和线下的考试数据来创建,关注学生对每个知识点的理解和掌握程度,并标记每个学生群体在不同教学阶段对知识点的认知水平;学生兴趣知识图谱基于学生在线学习行为的数据(如搜索和浏览行为),分析学生对不同知识点的兴趣,然后根据兴趣水平标注这些知识点,以帮助理解学生的兴趣分布;教师推荐知识图谱通过分析教师过去的教学行为,如所用教材和选择的课程内容,构建出反映教师偏好和推荐知识点的图谱。这三个图谱一起为创建个性化、针对性强的教学内容提供数据支持,帮助自动选择和组织教材内容,以符合学生的需求和教师的教学风格。
可选的,上述生成学生认知知识图谱的过程如下:
1)数据收集与分析:
首先,收集并利用学生在线上及线下环境中针对各种试题的答题数据。这些数据包括了学生对各个知识点的答题结果和得分情况。
2)认知情况统计:
然后,根据这些数据,对每个学生对不同知识点的认知水平进行统计和分析。这个分析包括确定学生对每个知识点的掌握程度,即他们对特定知识点的理解和应用能力。
3)知识图谱构建:
基于分析结果,为每个教学群体生成一个学生认知知识图谱。这个图谱标注了各个知识点在特定教学阶段的掌握要求以及学生对这些知识点的认知指数。
更具体地说,“学生认知知识图谱”是一个结构化的数据集,它按照一定格式记录了关于学生认知情况的详细信息。在这个数据集中,每个条目都对应一个特定的知识点,并包括以下几部分信息:
知识点:这表示图谱中正在考虑的特定的学科内容或技能点,如“知识点1”、“知识点2”等。
教学阶段:这表明该知识点对应于教学进度的哪个阶段,比如初级、中级或高级。这有助于理解该知识点在整个学习过程中的定位。
掌握要求:这指出对于该知识点,学生在该教学阶段应达到的掌握水平。通常这可能分为不同的级别,如“认识了解”、“理解说明”和“掌握应用”。
认知指数:这是一个量化指标,用来表示学生群体对该知识点的整体掌握程度。高的认知指数意味着学生对该知识点有较好的理解和掌握,低的认知指数则表示学生在该知识点上可能存在理解上的困难。
通过结合这些信息,学生认知知识图谱能够为教师提供一个全面的视图,了解他们的学生在不同教学阶段对各个知识点的掌握情况,从而帮助教师针对性地进行教学调整和干预。
4)认知指数计算:
可选的,认知指数的计算方式为:(1)
其中,是一个用于表示某种平均值的指标,代表了一组数据的统计结果。在这个上下文中,它可能代表学生群体对于某个知识点的平均认知水平。
代表了学生的总数,也就是说,参与计算的学生数量。
代表了与该知识点相关的试题总数。
代表第 />个学生在第/>个试题上的得分率,这可能是一个介于 0 到 1 之间的数值,代表了学生在该试题上的表现。
简而言之,这个公式通过计算所有参与学生在所有相关试题上的得分率的总和,然后除以参与学生的总数和试题的总数,来得到一个平均值。这个平均值,在这种上下文中,可以理解为平均认知指数,即平均而言,这群学生对该知识点的理解和掌握程度。
由此可见,在本例子中,认知指数是通过评估特定知识点的学生答题数据来计算的,它根据涉及该知识点的试题数量以及学生在这些试题中的平均得分率来确定。认知指数的计算考虑了该知识点在所有学生中的普遍掌握情况,从而提供了一个量化的、对比的指标来表示学生对该知识点的整体理解和掌握情况。
可选的,上述生成学生兴趣知识图谱的过程如下:
1)数据收集与分析:
首先,通过分析学生的在线搜索和浏览活动,收集关于他们如何接触和使用不同教学素材的数据。这些数据反映了学生对各个知识点的兴趣和关注程度。
2)统计与标注:
对收集到的数据进行统计,以确定学生对哪些主题知识点(课程内容的关键概念或主题)和一般知识点(次要或补充概念)感兴趣。然后,根据不同教学阶段和掌握要求,为这些兴趣点标注相应的属性,比如它们属于哪一个教学阶段,以及学生应该在何种程度上掌握这些知识点。
3)生成兴趣知识图谱:
基于上述分析,为每个教学群体创建一个学生兴趣知识图谱。这个图谱以结构化的格式列出了各个知识点,并为它们分配了教学阶段、掌握要求和兴趣指数。
更具体地说, “学生兴趣知识图谱”是一个组织结构,它按照特定的格式记录了学生对各个知识点的兴趣情况。
可选的,在这个结构中,每个条目包含以下几个关键元素:
A. 知识点:
表示特定的学术概念或技能点,例如“知识点1”、“知识点2”等。这些知识点是教学内容的组成部分,需要学生进行学习和掌握。
B. 教学阶段:
表示知识点适用于哪个教学阶段,如初级、中级或高级阶段。这有助于了解学生应在教育过程的哪个阶段学习该知识点。
C. 掌握要求:
表示学生应达到的知识点掌握水平,通常分为几个级别,如“认识了解”、“理解说明”和“掌握应用”。这有助于指导教学活动,确保教学内容符合学生的学习需求和目标。
D. 兴趣指数:
这是一个数值,表示学生对该知识点的兴趣程度。兴趣指数可能基于学生的搜索行为、浏览活动或其他与该知识点相关的互动。高兴趣指数表明该知识点对学生群体来说具有较高吸引力,而低兴趣指数可能表明对该知识点的兴趣较低。
通过编制和分析“学生兴趣知识图谱”,教师可以识别学生对哪些知识点感兴趣,哪些不感兴趣,并据此调整教学策略和内容,使之更贴合学生的兴趣和需求。这种方法有助于提高学习动机和教学效果。
4)兴趣指数计算:
可选的,兴趣指数的计算方式为:(2)
其中,是指某一知识点的学生兴趣指数。/>是指该群体的学生数量。/>是该教学群体搜索、浏览的素材数量和。具体地说,是指参与到特定教学活动中的学生群体在一段时间内搜索和浏览教学素材的总次数。这个指标用于衡量教学群体对于特定教学内容或资源的兴趣和参与度。可选的,它是一个累加的总数,代表了所有参与学生对某一类或多类教学素材进行搜索和浏览的总活动量。这可以包括访问教学视频、阅读相关文章、查找学习指南等行为的总和。通过统计这个总数,教育工作者可以获得一个关于学生群体对于特定教学资源的使用和兴趣水平的概览。
是指第/>个学生浏览第/>篇素材该知识点是否为主题知识点的值,若为主题知识点取1,否则取0;/>指第/>个学生浏览第/>篇素材该知识点是否为一般知识点的值,若为一般知识点取1,否则取0;/>为第/>个学生在第/>篇素材停留的时间参考值。本例子中涉及记录和评估学生与教学素材之间互动的几个不同维度:第一个维度 (主题知识点): 用/>表示,这代表了第/>个学生浏览第/>篇素材时,该素材中包含的知识点是否被视为主题知识点。如果该知识点是主要的或核心的(即,主题知识点),则/>;如果该知识点不是主题知识点,则/>。这有助于区分学生对核心与非核心内容的关注程度。第二个维度 (一般知识点): 用另一个符号/>表示,这代表第/>个学生浏览第/>篇素材时,该素材中的知识点是否被认定为一般知识点。如果是一般知识点,/>;如果不是,/>。这有助于识别和测量学生对辅助或次要材料的关注。第三个维度 (停留时间): 用/>表示,这代表第/>个学生在浏览第/>篇素材时所花费的时间。这个值可以作为衡量学生对素材兴趣或理解程度的一个参考值,一般而言,学生在某篇素材上花费的时间越长,可能意味着他们对该内容的兴趣更高或内容更为困难需要更多时间去理解。通过这些度量,教育者可以获得对学生学习行为的深入理解,从而对教材或教学策略做出更为有针对性的调整。
为重要度系数,/>。
换句话说,在本例子中,兴趣指数(比如公式中的)是用来量化学生对每个知识点的兴趣程度的数字值。这个指数根据学生浏览和搜索与该知识点相关的素材的行为来计算。可选的,计算中包括:
A. 学生群体的大小(N)。
B. 学生搜索或浏览的素材数量(用来估算总的兴趣水平)。
C. 个别学生对特定素材(包含知识点)的关注程度,如素材被标为主题知识点或一般知识点,以及学生在这些素材上的停留时间。
通过这个过程,教师和教育者可以获得一个关于学生兴趣的全面视图,从而更好地理解和满足学生的学习需求。
可选的,上述生成教师推荐知识图谱用来评估和可视化教师推荐的知识点在不同教学阶段的重要性和适用性,具体的过程如下:
1)数据收集与分析:
首先,收集来自当前教学阶段以及往年教师在上传和选择教学素材时的行为数据。这些数据反映了教师对于不同知识点的偏好和推荐情况,特别是他们经常使用的素材中包含的知识点。
2)统计与标注:
通过统计分析,确定教师倾向于推荐哪些主题知识点和一般知识点。然后,根据不同的教学阶段,对这些知识点进行标注,包括它们的教学阶段、掌握要求,以及一个特别设计的“推荐指数”。
3)生成知识图谱:
基于上述分析,为每个教学阶段创建一个教师推荐知识图谱,该图谱列出了教师推荐的各个知识点,并提供了有关这些知识点的详细信息,包括它们的教学阶段、掌握要求以及推荐指数。
更具体地说,“教师推荐知识图谱”是一个用来展现教师推荐各个知识点的结构化表示,可选的,每个知识点都与一系列属性关联:
A. 知识点:
这些是教材或课程中的概念或主题,例如“知识点1”、“知识点2”等。这些代表了教学内容的不同部分,教师认为重要或有助于学生学习的内容。
B. 教学阶段:
每个知识点被分配到一个特定的教学阶段,比如初级、中级、高级等。这表明教师建议在学生的学习进程中的哪个阶段介绍这个知识点。
C. 掌握要求:
对于每个知识点,都设定了学生应达到的掌握水平。这些要求可以是“基础了解”、“深入理解”、“完全掌握”等,指导学生和教师了解对该知识点的预期学习成果。
D. 推荐指数:
这是一个数值,表明该知识点被教师推荐的频率或强度。较高的推荐指数表示该知识点经常被教师在教学中引用或强调,表明它在课程或教学策略中的重要性较大。
通过这种方式组织的信息,教师推荐知识图谱能够帮助识别哪些知识点是在教学实践中被广泛推荐的,以及它们应在学习过程的哪个阶段被引入和掌握,同时提供一个量化的视角来理解每个知识点的重要性。这对于课程规划、教材编制和教学方法的优化都是非常有价值的。
4)推荐指数的计算:
具体的,推荐指数的计算方式为:(3)
其中,是指某一知识点的教师推荐指数。/>是指教师操作的素材数量和。进一步的,它指的是在特定情境或分析中,所有被考虑的教师操作过的教学素材的总数量。这里,“操作”可以包括选择、使用、上传、下载或其他任何与教学素材相关的活动。此值v是一个汇总数,反映了所有参与的教师对教学素材的整体使用情况。具体地说,如果一个教师使用了某个特定的视频、文档或其他类型的教学资源,这将被计入这个总和中。然后,对所有教师使用过的素材进行累加,以得出总的素材使用数量/>。这个指标可以用来衡量教师对于教学资源的依赖程度、偏好或多样性,也可能在进一步分析中用于理解教学资源的覆盖范围和教师使用行为的广泛性。
是指该知识点在/>素材中是否为主题知识点的值,若为主题知识点取1,否则取0。/>代表了一个特定的二元(0或1)变量,它用于指示某个知识点在给定的素材/>(例如一篇文章、视频或其他教学材料)中是否被视为主题知识点。如果这个知识点是该素材的主要话题或焦点,即它在素材中占据中心地位或是主要被讨论和解释的对象,则/>被设定为 1。相反,如果这个知识点在素材中仅被简要提及,或者与素材的主要内容关系不大,即它不是该素材的主题知识点,则/>被设定为 0。这种分类方式有助于区分和识别教学资源中知识点的重要性和关注度,进而可以用于评估和分析教材内容的专注度和覆盖范围。
是指/>素材被教师操作的次数。这里的“操作”可以包括各种行为,如浏览、使用、引用、上传或下载该素材等。该指标衡量的是某个特定教学素材受教师关注和使用的频率。具体来说,如果一位教师在课堂上多次引用同一篇文章或视频,或者在准备课程时反复查看,每一次这样的操作都会被记录下来,累加到/>的总数中。因此,如果/>的值较高,表示该素材在教学中被频繁使用或参考,可能因为它被认为是特别有价值或相关的资源。
是指该知识点在/>素材中是否为一般知识点的值,若为主题知识点取1,否则取0。更具体地说,/>表示该知识点/>素材中是否被视为一般知识点的状态。因此,若该知识点为一般知识点,则/>取值为 1;如果该知识点是主题知识点或不相关,则/>取值为 0。具体来说:一般知识点是指在素材/>中出现但不构成主要讨论焦点的知识点。这类知识点可能只是被简单提及或用于辅助说明其他主题,如果知识点在该素材中属于这一类,则给/>赋值为 1;如果知识点是该素材的主要内容或者该知识点在素材中根本未提及,则/>应为 0。通过这种方式,可以量化每个教学素材中各个知识点的重要性和角色,帮助教育者或研究者了解和分析教学资源的内容结构。
是指/>素材被教师操作的次数。换句话说,/>表示的是某个特定的素材/>被教师操作的总次数。这里,“操作”可以包括各种行为,如查看、引用、上传、下载、或在课堂上使用等。这个指标用于量化某个素材的使用频率和重要性。如果一个素材被教师多次使用或引用,表示它可能对教学过程有很高的贡献或被认为是特别有价值的,那么/>的值会相应较大。相反,如果一个素材很少被操作或使用,那么/>的值会较小。通过统计和分析/>教育研究者或学校管理者可以了解哪些素材对教师特别有用或受欢迎,从而指导资源的准备和优化教学内容。
为重要度系数,/>。
在本例中,推荐指数(如公式中所示)反映了某一知识点被教师推荐的频率和强度。这个指数是基于教师使用包含该知识点的素材的行为来计算的,包括素材被选取的次数以及该知识点在素材中作为主题知识点或一般知识点的状态。如果知识点常作为主题出现,并且被频繁使用,它的推荐指数就会较高。
通过这种方式,教师推荐知识图谱帮助揭示了教师对知识点的偏好和推荐模式,这对于理解教学内容的选择和组织、以及指导教材的制作和课程的规划都是非常有价值的。
步骤300-步骤400:基于设计的AI课文素材推荐引擎,完成教材编辑
根据教师选定的教学群体,首先,系统自动选定教学目标知识点域,实时生成学生认知知识图谱、学生兴趣知识图谱、教师推荐知识图谱;其次,AI课文素材推荐引擎根据课时要求,确定课文数量、初步筛选出符合课文生词知识点和超纲知识点数量范围的课文素材,进一步的计算课文素材中知识点掌握要求的重要性、知识学习顺序的相关性、学生知识认知的匹配性、学生兴趣知识的匹配性、教师推荐知识的匹配性,从而确定当前教学课文,直到所有教学课文的选定;最后,根据选定的教学课文,匹配课前预习素材、知识点讲解课件和课后习题,完成整本教材的编排。
换句话说,步骤300-步骤400完成了以下过程:
首先,生成自动化的知识点和图谱,具体的,系统根据教师为特定教学群体选定的教学目标,自动确定教学目标知识点的范围;然后,系统实时生成三种图谱:学生认知知识图谱(反映学生对各知识点的理解程度)、学生兴趣知识图谱(反映学生对各知识点的兴趣程度)、以及教师推荐知识图谱(反映教师对各知识点的推荐程度)。接着,应用AI课文素材推荐引擎,具体的,该引擎首先根据课时要求来确定需要的课文数量,并初步筛选出符合预设条件(如包含的生词知识点数量和是否超纲)的课文素材;然后,引擎进一步计算每篇课文素材中知识点的多个属性,包括掌握要求的重要性、知识学习顺序的相关性、与学生认知的匹配度、与学生兴趣的匹配度、以及与教师推荐的匹配度。基于这些计算结果,引擎确定适合当前教学需求的课文。再接着,完成教材编排,具体的,根据AI引擎选定的教学课文,系统会自动匹配相应的课前预习素材、知识点讲解课件和课后习题。这一过程确保教材的内容不仅符合教学目标,而且贴合学生的认知水平和兴趣,同时也反映了教师的教学意图和推荐。完成这些步骤后,一本完整、个性化且内容丰富的教材便编排完成,可以用于教学。
下面更具体的说明上述步骤的实现过程。
步骤300:设计AI课文素材推荐引擎,匹配教学课文
具体的,本步骤具体包括:
①基于教学目标知识点域,初步筛选符合当前教学阶段的生词知识点数量和超纲知识点数量在预设范围内的课文素材。
②基于学生认知知识图谱、学生兴趣知识图谱、教师推荐知识图谱,进一步在①步骤中已筛选出的课文素材,计算各课文素材的知识点掌握要求的重要性、知识学习顺序的相关性、学生知识认知的匹配性、学生兴趣知识的匹配性、教师推荐知识的匹配性,取课文素材多维匹配度最高的课文素材作为该教材教学课文之一。
具体的,课文素材多维匹配度计算方式如下:
(5)
其中,是指当前课文素材含有的知识点数量;/>是指该知识点在当前教学阶段的掌握要求,取值根据掌握要求3个级别和无掌握要求(一般为非该阶段学习的知识点)分为/>和0,/>;/>是指该知识点符合教学大纲学习顺序的匹配值,该知识点的在该教学阶段学习的顺序越靠前则取值越大,无学习顺序要求(一般为非该阶段学习的知识点)的即为0;/>是指该知识点在该学生群体的认知指数值;/>是指该知识点在该学生群体的兴趣指数值;/>是指该知识点在该教学阶段教师的推荐指数值;为五个维度的影响因子。
③基于已确认的教学课文,更新该教学阶段的知识点域中的知识点(即剔除该教学课文中含有当前教学目标中的知识点),并重复①、②步骤,直到完成所有教学课文的确认。
具体地说,步骤300示例性说明了一个AI课文素材推荐引擎的设计和应用流程,用于选定适合特定教学群体的教学课文。这个过程分为几个关键步骤:
1)初步筛选:
根据设定的教学目标知识点和当前教学阶段的需求,选出符合生词知识点数量和超纲知识点数量预设标准的课文素材。
本步骤描述了如何使用人工智能(AI)技术初步筛选课文素材,以确保它们适合特定的教学目标和学生的学习阶段:
教学目标知识点域:
这指的是根据课程的教学目标确定的一系列知识点。这些知识点代表了学生在当前教学阶段应该学习和掌握的内容。
初步筛选:
在这个阶段,AI系统会查看可用的课文素材库,并初步选择那些与教学目标知识点相符合的素材。这种筛选基于两个主要标准:
A. 生词知识点数量: 这指的是在每篇课文中新出现、学生未学过的知识点的数量。选择的课文应包含一个适合学生当前学习阶段的生词数量,不宜太多也不宜太少,以确保课文既能提供新信息,又不会超出学生的理解能力。
B. 超纲知识点数量: 这指的是超出当前教学阶段预期学习内容的知识点数量。筛选过程需要确保这些超纲知识点的数量保持在预设的范围内,以防课文内容过难,超出学生的学习水平。
通过这种方式,AI引擎可以确保选择的课文素材不仅与教学目标一致,而且符合学生的实际学习情况和能力水平,帮助他们更好地理解新知识,同时避免因过多生词或超纲内容而导致的学习障碍。
2)深入分析和选择:
使用学生认知知识图谱、学生兴趣知识图谱和教师推荐知识图谱来评估初步筛选的课文素材;计算每篇课文素材在多个维度上的匹配度:包括知识点的掌握要求匹配性、与学习顺序匹配性、学生的认知和兴趣匹配性、以及教师的推荐匹配性;根据计算结果选择课文素材多维匹配度最高的课文素材作为教学用课文。
本步骤详细描述了在初步筛选之后,如何使用更深入的分析来确定最适合作为教学课文的素材。这涉及以下几个关键方面:
使用多种知识图谱:
系统将利用三种不同的知识图谱来评估每篇课文素材:
A. 学生认知知识图谱:反映了学生对特定知识点的理解和掌握程度。
B. 学生兴趣知识图谱:表明了学生对不同知识点的兴趣水平。
C. 教师推荐知识图谱:展示了教师推荐的知识点,反映了教师认为哪些知识点对学习特别重要或有用。
计算和评估课文素材多维匹配度:
对于初步筛选后的每篇课文,系统将根据以下几个标准计算它们的课文素材多维匹配度:
A. 知识点掌握要求匹配性:评估课文中的知识点是否符合学生当前的学习阶段和掌握要求。
B. 知识学习顺序匹配性:检查课文中的知识点是否符合教学大纲中规定的学习顺序。
C. 学生知识认知匹配性:分析课文是否适合学生的当前认知水平,即学生是否能理解课文中的知识点。
D. 学生兴趣知识匹配性:确定课文中的知识点是否引起学生的兴趣。
E. 教师推荐知识匹配性:考虑课文是否包含教师推荐的重要知识点。
选择最合适的课文素材:
基于上述分析,系统会为每篇课文素材计算一个总匹配度得分(即,课文素材多维匹配度)。然后,选择课文素材多维匹配度最高的课文素材,用作当前教学阶段的教学课文。
通过这种方法,教材的选择不仅基于课文的内容是否符合教学大纲,而且还考虑了学生的实际需求和教师的专业推荐,从而使教学内容更加个性化和目标化。
可选的,课文素材多维匹配度计算方式如下:
(5)
其中,是指当前课文素材含有的知识点数量。“/>”代表的是当前正在考虑的课文素材中包含的知识点的总数。这意味着在一篇特定的课文、文章、视频或其他教学材料中,有多少个不同的知识点被涵盖或提及。每个知识点都是教学大纲中的一个项目,学生应当通过这篇材料学习和理解这些知识点。知识点的数量,即“/>”,对于理解课文的复杂性和教育价值是重要的。例如,一个包含许多不同知识点的课文可能会更详细、更全面,但同时也可能对学生来说更难理解。相反,知识点数量较少的课文可能更容易消化和理解,但可能覆盖的信息较少。因此,知识点的数量是选择和使用教学素材时需要考虑的一个因素。
是指该知识点在当前教学阶段的掌握要求的匹配值,取值根据掌握要求3个级别和无掌握要求(一般为非该阶段学习的知识点)分为/>和0,/>。/>代表了一个特定知识点在当前教学阶段的掌握要求等级。这里的“/>”表示特定的知识点,而的值是根据该知识点所需的掌握水平来确定的。这个掌握要求被划分为几个不同的级别:/>:代表最高级别的掌握要求,意味着对知识点的理解和应用需要达到很高的水平。/>:代表中等级别的掌握要求,意味着对知识点的理解和应用需要达到中等水平。/>:代表最低级别的掌握要求,意味着对知识点的理解和应用只需达到基本水平。0:表示该知识点在当前教学阶段没有掌握要求,通常用于标识非该教学阶段的知识点或者不在教学计划内的内容。此外,数值上的比较/> 意味着不同掌握要求级别之间有明确的顺序和差异,其中/>(最高级别)的重要性或需求大于/>(中等级别),/>的重要性或需求又大于/>(最低级别),而所有这些等级的重要性都超过了无掌握要求的知识点(值为0)。这种分级有助于区分和优先处理不同知识点在教学中的重要性。
是指该知识点符合教学大纲学习顺序的匹配值,该知识点的在该教学阶段学习的顺序越靠前则取值越大,无学习顺序要求(一般为非该阶段学习的知识点)的即为0。它表示该知识点符合教学大纲学习顺序的匹配程度。如果知识点正按照教学大纲建议的顺序来学习,其值较大;如果该知识点并不是在当前教学阶段学习的,则取值为0。这反映了知识点在教学计划中的适宜性。
是指该知识点在该学生群体的认知指数值。它指该知识点在该学生群体的认知指数值。这个指数反映了学生群体对该知识点的整体理解和掌握程度,高值表示大多数学生都很好地理解该知识点。
是指该知识点在该学生群体的兴趣指数值。它是该知识点在该学生群体的兴趣指数值。这代表了学生对该知识点的兴趣和好奇程度,高兴趣指数表明大部分学生对学习该知识点感兴趣。
是指该知识点在该教学阶段教师的推荐指数值。它表示该知识点在该教学阶段教师的推荐指数值。这一指数反映了教师认为该知识点对学生学习的重要性和适用性,高值表示教师强烈推荐学生学习这个知识点。
为五个维度的影响因子。即,意味着每个指标()都有相应的权重或系数(/>)。这些影响因子决定了相应指标在最终评估或计算中的相对重要性。/>: 影响因子对应于知识点在当前教学阶段的掌握要求的重要性(/>)。/>: 影响因子对应于知识点符合教学大纲学习顺序的匹配值的重要性/>。/>: 影响因子对应于知识点在该学生群体的认知指数值的重要性。/>: 影响因子对应于知识点在该学生群体的兴趣指数值的重要性/>。/>: 影响因子对应于知识点在该教学阶段教师的推荐指数值的重要性/>。这些权重或影响因子使得可以根据实际教学情况和目标调整每个维度的贡献度,确保最终的评估或决策反映出教学的真实需求和优先级。例如,如果某个教学环境特别强调知识点的掌握要求,则可以通过提高/>的值来反映这一点。这样,每个知识点的最终得分将更多地受掌握要求影响。
3)迭代更新:
在选择了一篇教学课文后,更新知识点域(移除已包含在课文中的知识点),然后重复上述筛选和分析过程,直到确定所有所需的教学课文。
这个步骤体现了一个系统化的方法来确保教材内容的个性化和精确匹配,从而使教学更加符合学生的实际需求和教学目标。
本步骤是教学课文选择和准备过程的最后一个环节,包括以下几个关键动作:
A. 更新知识点域:
在选择了适合的教学课文后,需要更新当前教学阶段的知识点域。这意味着从知识点域中移除已经被包含在已选教学课文中的知识点。这样做是为了确保后续的教学课文选择能够覆盖新的、未被涵盖的知识点,避免重复教授相同的内容,并确保教学内容的全面性和系统性。
B. 重复筛选和匹配过程:
一旦更新了知识点域,就回到步骤①,即基于更新后的教学目标和知识点域重新开始筛选过程,挑选出新一轮的课文素材。然后,在步骤②中,利用更新后的知识点和已经生成的各种图谱(学生认知知识图谱、学生兴趣知识图谱、教师推荐知识图谱)对这些新筛选的课文进行进一步的评估和匹配。
C. 循环直至完成:
这个过程重复进行,直到所有需要的教学课文都被确认选定。这意味着每轮筛选和选择都会基于最新的教学需求和学生情况,从而确保整套教材能够全面覆盖所有教学目标,并且每个知识点都得到适当的处理和教授。
通过这种迭代的方法,可以确保教材的内容不断更新和完善,同时也适应学生的学习进度和认知发展,保持教学的连贯性和高效性。
步骤400:基于已确认的教学课文,匹配相关教学素材,完成教材的制作
根据已确认的教学课文,系统从课前预习素材库中选取相关预习素材;从知识点讲解课件库中选取知识点相关的讲解课件;从试题库中选取知识点相关的试题。进一步,将已确认的全部教学课文及其对应的课前预习素材、知识点讲解课件、课后习题编排成整本教材,由任课教师进行编辑和审核,最终由教师确认后进行保存,完成教材的制作。
步骤400示例性地说明了在选择合适的教学课文之后,如何进一步完成教材制作的过程。这个过程包括以下几个关键步骤:
1)匹配相关教学素材:
根据已经确认的教学课文,系统会自动从不同的资源库中挑选出与这些课文相关的教学素材。包括:
A. 课前预习素材:从专门的预习素材库中选取与教学课文相关的素材,帮助学生在正式上课前对即将学习的知识点有一个初步的了解和准备。
B. 知识点讲解课件:从课件库中选取与教学课文中的知识点直接相关的讲解课件,为教师提供教学时使用的详细内容和解释。
C. 课后习题:从试题库中选取与课文知识点相关的习题,以供学生课后练习和巩固学习内容。
2)编排成整本教材:
将所有已确认的教学课文及其匹配的课前预习素材、知识点讲解课件和课后习题编排成一整套完整的教材。这不仅包括内容的组织排列,还涉及教学逻辑的梳理和教学流程的规划。
3)编辑和审核:
由任课教师进行教材的编辑和审核工作。在这个阶段,教师将根据实际教学需要和学生的学习情况对教材进行调整和优化,确保教材的内容、结构和逻辑都符合教学要求。
4)教师确认和保存:
经过编辑和审核后,最终由任课教师确认教材的最终版本。确认无误后,教材将被正式保存,完成整个教材制作的过程。
通过这一步骤,确保了教材不仅包含了符合教学目标的课文内容,还有助于学生在课前、课中和课后进行有效学习和练习,从而提高教学效果和学生学习成果。
本申请的第二实施方式涉及一种AI校本化英语教材编辑系统,其结构如图2所示,该AI校本化英语教材编辑系统包括:
知识图谱构建模块,用于基于已构建的数字化资源库,依据学生的在线和离线考试数据构建学生认知知识图谱;依据学生的在线学习行为数据构建学生兴趣知识图谱;依据教师历史教学轨迹数据构建教师推荐知识图谱;
AI课文素材推荐引擎,用于基于所述学生认知知识图谱、学生兴趣知识图谱及教师推荐知识图谱,设计AI课文素材推荐引擎,所述AI课文素材推荐引擎计算各课文素材的多维匹配度,根据课文素材多维匹配度自动选取教学课文;
教材内容构建模块,用于基于选取的教学课文,从数字化资源库中匹配选取相关的课前预习素材、知识点讲解课件及课后习题,形成完整的教材内容。
可选的,该系统还包含:数字化资源库构建模块,其中,所述数字化资源库包含知识点库、课文素材库、课前预习素材库、知识点讲解课件库及试题库。
第一实施方式是与本实施方式相对应的方法实施方式,第一实施方式中的技术细节可以应用于本实施方式,本实施方式中的技术细节也可以应用于第一实施方式。
需要说明的是,本领域技术人员应当理解,上述AI校本化英语教材编辑系统的实施方式中所示的各模块的实现功能可参照前述AI校本化英语教材编辑方法的相关描述而理解。上述AI校本化英语教材编辑系统的实施方式中所示的各模块的功能可通过运行于处理器上的程序(可执行指令)而实现,也可通过具体的逻辑电路而实现。本申请实施例上述AI校本化英语教材编辑系统如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件和软件结合。
相应地,本申请实施方式还提供一种计算机存储介质,其中存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现本申请的各方法实施方式。
此外,本申请实施方式还提供一种AI校本化英语教材编辑系统,其中包括用于存储计算机可执行指令的存储器,以及,处理器;该处理器用于在执行该存储器中的计算机可执行指令时实现上述各方法实施方式中的步骤。其中,该处理器可以是中央处理单元(Central Processing Unit,简称“CPU”),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,简称“DSP”)、专用集成电路(Application SpecificIntegrated Circuit,简称“ASIC”)等。前述的存储器可以是只读存储器(read-onlymemory,简称“ROM”)、随机存取存储器(random access memory,简称“RAM”)、快闪存储器(Flash)、硬盘或者固态硬盘等。本发明各实施方式所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
需要说明的是,在本专利的申请文件中,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、物品或者设备中还存在另外的相同要素。本专利的申请文件中,如果提到根据某要素执行某行为,则是指至少根据该要素执行该行为的意思,其中包括了两种情况:仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。
在本申请提及的所有文献都被认为是整体性地包括在本申请的公开内容中,以便在必要时可以作为修改的依据。此外应理解,在阅读了本申请的上述公开内容之后,本领域技术人员可以对本申请作各种改动或修改,这些等价形式同样落于本申请所要求保护的范围。
Claims (10)
1.一种AI校本化英语教材编辑方法,其特征在于,包括:
基于已构建的数字化资源库,依据学生的在线和离线考试数据构建学生认知知识图谱;依据学生的在线学习行为数据构建学生兴趣知识图谱;依据教师历史教学轨迹数据构建教师推荐知识图谱;
基于所述学生认知知识图谱、学生兴趣知识图谱及教师推荐知识图谱,设计AI课文素材推荐引擎,所述AI课文素材推荐引擎计算各课文素材的多维匹配度,根据课文素材多维匹配度自动选取教学课文;
基于选取的教学课文,从数字化资源库中匹配选取相关的课前预习素材、知识点讲解课件及课后习题,形成完整的教材内容。
2.如权利要求1所述的方法,其特征在于,所述AI课文素材推荐引擎采用多目标规划算法,将数字化资源库中的课文素材与学生认知知识图谱、学生兴趣知识图谱及教师推荐知识图谱进行多维度匹配,其中,根据各课文素材的知识点掌握要求匹配度、知识点学习顺序匹配度、学生知识认知匹配度、学生兴趣匹配度及教师推荐知识匹配度计算课文素材多维匹配度,并根据该课文素材多维匹配度对课文素材进行排序并选取排名最优的课文素材作为教学课文。
3.如权利要求1所述的方法,其特征在于,所述方法还包括:构建数字化资源库,其中,所述数字化资源库包含知识点库、课文素材库、课前预习素材库、知识点讲解课件库及试题库。
4.如权利要求3所述的方法,其特征在于,所述构建数字化资源库的步骤包括:
根据学科各教学阶段的教学大纲、考试大纲中的知识点信息,构建各教学阶段的知识点域,并对掌握要求属性进行标注,其中,掌握要求分为掌握应用、理解说明、认识了解三个级别,各教学阶段的知识点按照教学大纲的学习顺序进行排序,构成所述知识点库;
根据不同教学阶段的教学要求,收集不同类型的课文素材,并对课文中的主题知识点、一般知识点进行标注,构成所述课文素材库;
制作各知识点的讲解课件,并对课件中讲解的知识点进行标注,构成所述知识点讲解课件库;
收集不同题型的试题,并对试题中的知识点进行标注,构成所述试题库。
5.如权利要求1所述的方法,其特征在于,所述依据学生的在线和离线考试数据构建学生认知知识图谱的步骤包括:
收集学生在线上及线下环境中针对各种试题的答题数据,所述答题数据包括学生对各个知识点的答题结果和得分情况;
基于所述答题数据,对每个学生对不同知识点的认知水平进行统计和分析,得到学生对每个知识点的掌握程度;
根据分析结果,为每个教学群体生成学生认知知识图谱,所述学生认知知识图谱标注了各个知识点在特定教学阶段的掌握要求以及学生对这些知识点的认知指数;
其中,所述学生认知知识图谱的数据格式为:{知识点<教学阶段,掌握要求,认知指数>;......},所述掌握要求包括认识了解、理解说明和掌握应用,所述认知指数采用下述公式计算:其中,/>是指某一知识点的认知指数;/>代表了学生的总数;/>代表了与该知识点相关的试题总数;/>代表第/>个学生在第 />个试题上的得分率。
6.如权利要求1所述的方法,其特征在于,所述依据学生的在线学习行为数据构建学生兴趣知识图谱的步骤包括:
通过分析学生的在线搜索和浏览活动,收集学生接触和使用不同教学素材的数据,所述数据反映学生对各个知识点的兴趣和关注程度;
对收集到的数据进行统计,确定学生感兴趣的主题知识点和一般知识点,并根据不同教学阶段和掌握要求,为所述主题知识点和一般知识点标注教学阶段和掌握程度属性;
基于统计分析结果,为每个教学群体创建学生兴趣知识图谱,所述学生兴趣知识图谱以结构化的格式列出各个知识点,并为各个知识点分配教学阶段、掌握要求和兴趣指数;
其中,所述学生兴趣知识图谱的数据格式为:{知识点<教学阶段,掌握要求,兴趣指数>;......},所述掌握要求包括认识了解、理解说明和掌握应用,所述兴趣指数采用下述公式计算:其中, />是指某一知识点的学生兴趣指数,是指该教学群体的学生数量,/>是该教学群体搜索、浏览的素材总数;/>是指第/>个学生浏览第/>素材时该知识点是否为主题知识点的值,若为主题知识点取1,否则取0;/>是指第个学生浏览第/>篇素材时该知识点是否为一般知识点的值,若为一般知识点取1,否则取0;/>是指第/>个学生在第/>篇素材停留的时间参考值;/>、/>是指重要度系数,/>。
7.如权利要求1所述的方法,其特征在于,所述依据教师历史教学轨迹数据构建教师推荐知识图谱的步骤包括:
收集当前教学阶段和历史教学阶段教师在上传和选择教学素材时的行为数据,所述行为数据反映教师对不同知识点的偏好和推荐情况;
通过统计分析所述行为数据,确定教师倾向于推荐的主题知识点和一般知识点,并根据不同教学阶段,对所述主题知识点和一般知识点进行教学阶段、掌握要求和推荐指数的标注;
基于统计分析结果,为每个教学阶段创建教师推荐知识图谱,所述教师推荐知识图谱列出教师推荐的知识点,并提供各知识点的教学阶段、掌握要求和推荐指数信息;
其中,所述教师推荐知识图谱的数据格式为:{知识点<教学阶段,掌握要求,推荐指数>;......},所述掌握要求包括基础了解、深入理解和完全掌握,所述推荐指数采用下述公式计算:其中,/>是指某一知识点的教师推荐指数;/>是指教师操作的素材总数;/>是指该知识点在第/>个素材中是否为主题知识点的值,若为主题知识点取1,否则取0;/>是指第/>个素材被教师操作的次数;/>是指该知识点在第/>个素材中是否为一般知识点的值,若为一般知识点取1,否则取0;/>是指重要度系数,/>。
8.如权利要求1所述的方法,其特征在于,所述基于所述学生认知知识图谱、学生兴趣知识图谱及教师推荐知识图谱,设计AI课文素材推荐引擎,所述AI课文素材推荐引擎计算各课文素材的多维匹配度,根据课文素材多维匹配度自动选取教学课文的步骤,包括:
基于教学目标知识点域,初步筛选符合当前教学阶段的生词知识点数量和超纲知识点数量在预设范围内的课文素材;
基于学生认知知识图谱、学生兴趣知识图谱、教师推荐知识图谱,在初步筛选的课文素材中,计算每个课文素材的多维匹配度F:其中,/>是指当前课文素材含有的知识点数量;/>是指该知识点在当前教学阶段的掌握要求的匹配值;/>是指该知识点符合教学大纲学习顺序的匹配值;/>是指该知识点在该学生群体的认知指数值;/>是指该知识点在该学生群体的兴趣指数值;/>是指该知识点在该教学阶段教师的推荐指数值;/>为五个维度的影响因子;
取课文素材多维匹配度F值最高的课文素材作为该教学阶段的教学课文之一;
基于已确认的教学课文,更新该教学阶段的知识点域,重复上述步骤,直到完成所有教学课文的确认。
9.一种AI校本化英语教材编辑系统,其特征在于,包括:
知识图谱构建模块,用于基于已构建的数字化资源库,依据学生的在线和离线考试数据构建学生认知知识图谱;依据学生的在线学习行为数据构建学生兴趣知识图谱;依据教师历史教学轨迹数据构建教师推荐知识图谱;
AI课文素材推荐引擎,用于基于所述学生认知知识图谱、学生兴趣知识图谱及教师推荐知识图谱,设计AI课文素材推荐引擎,所述AI课文素材推荐引擎计算各课文素材的多维匹配度,根据课文素材多维匹配度自动选取教学课文;
教材内容构建模块,用于基于选取的教学课文,从数字化资源库中匹配选取相关的课前预习素材、知识点讲解课件及课后习题,形成完整的教材内容。
10.一种AI校本化英语教材编辑系统,其特征在于,包括:
存储器,用于存储计算机可执行指令;以及,
处理器,用于在执行所述计算机可执行指令时实现如权利要求1至8中任意一项所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410331524.2A CN117952072B (zh) | 2024-03-22 | 2024-03-22 | Ai校本化英语教材编辑方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410331524.2A CN117952072B (zh) | 2024-03-22 | 2024-03-22 | Ai校本化英语教材编辑方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117952072A true CN117952072A (zh) | 2024-04-30 |
CN117952072B CN117952072B (zh) | 2024-06-25 |
Family
ID=90792347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410331524.2A Active CN117952072B (zh) | 2024-03-22 | 2024-03-22 | Ai校本化英语教材编辑方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117952072B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019095447A1 (zh) * | 2017-11-17 | 2019-05-23 | 深圳市鹰硕技术有限公司 | 一种具有远程评价功能的跟随教学方法 |
CN110096686A (zh) * | 2019-05-06 | 2019-08-06 | 广州蓝鸽软件有限公司 | 基于人工智能的多媒体教材编辑方法及其系统 |
CN112184500A (zh) * | 2019-07-03 | 2021-01-05 | 浙江有教信息科技有限公司 | 基于深度学习和知识图谱的课外学习辅导系统及实现方法 |
CN112507140A (zh) * | 2021-02-08 | 2021-03-16 | 深圳市阿卡索资讯股份有限公司 | 一种个性化智能学习推荐方法、装置、设备及存储介质 |
CN114020929A (zh) * | 2021-11-03 | 2022-02-08 | 北京航空航天大学 | 一种基于课程知识图谱的智慧教育系统平台设计方法 |
CN114491057A (zh) * | 2021-12-15 | 2022-05-13 | 三盟科技股份有限公司 | 基于知识图谱的学习路径推荐方法、系统、计算机及介质 |
CN115796132A (zh) * | 2023-02-08 | 2023-03-14 | 北京大学 | 基于知识图谱的教学教材编写方法和编写装置 |
CN116701774A (zh) * | 2023-08-04 | 2023-09-05 | 广东悦学科技有限公司 | 基于学生行为分析的教学方案推荐方法及装置 |
CN117012060A (zh) * | 2023-06-21 | 2023-11-07 | 四亭八当(上海)网络技术有限公司 | 一种以教育学理论为基础的在线教育系统及方法 |
WO2024016695A1 (zh) * | 2022-07-22 | 2024-01-25 | 山东浪潮科学研究院有限公司 | 基于多视图学习的教学知识图谱构建及检索方法及系统 |
-
2024
- 2024-03-22 CN CN202410331524.2A patent/CN117952072B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019095447A1 (zh) * | 2017-11-17 | 2019-05-23 | 深圳市鹰硕技术有限公司 | 一种具有远程评价功能的跟随教学方法 |
CN110096686A (zh) * | 2019-05-06 | 2019-08-06 | 广州蓝鸽软件有限公司 | 基于人工智能的多媒体教材编辑方法及其系统 |
CN112184500A (zh) * | 2019-07-03 | 2021-01-05 | 浙江有教信息科技有限公司 | 基于深度学习和知识图谱的课外学习辅导系统及实现方法 |
CN112507140A (zh) * | 2021-02-08 | 2021-03-16 | 深圳市阿卡索资讯股份有限公司 | 一种个性化智能学习推荐方法、装置、设备及存储介质 |
CN114020929A (zh) * | 2021-11-03 | 2022-02-08 | 北京航空航天大学 | 一种基于课程知识图谱的智慧教育系统平台设计方法 |
CN114491057A (zh) * | 2021-12-15 | 2022-05-13 | 三盟科技股份有限公司 | 基于知识图谱的学习路径推荐方法、系统、计算机及介质 |
WO2024016695A1 (zh) * | 2022-07-22 | 2024-01-25 | 山东浪潮科学研究院有限公司 | 基于多视图学习的教学知识图谱构建及检索方法及系统 |
CN115796132A (zh) * | 2023-02-08 | 2023-03-14 | 北京大学 | 基于知识图谱的教学教材编写方法和编写装置 |
CN117012060A (zh) * | 2023-06-21 | 2023-11-07 | 四亭八当(上海)网络技术有限公司 | 一种以教育学理论为基础的在线教育系统及方法 |
CN116701774A (zh) * | 2023-08-04 | 2023-09-05 | 广东悦学科技有限公司 | 基于学生行为分析的教学方案推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117952072B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nascimento et al. | Using open source projects in software engineering education: A systematic mapping study | |
Omer et al. | Introductory programming course: review and future implications | |
Itani et al. | Understanding learner’s drop-out in MOOCs | |
Lawanto et al. | Exploring strengths and weaknesses in middle school students’ computational thinking in scratch | |
Silva et al. | Recent studies about teaching algorithms (cs1) and data structures (cs2) for computer science students | |
Burron et al. | Elementary pre-service teachers’ search, evaluation, and selection of online science education resources | |
Chrysafiadi et al. | Evaluating the user’s experience, adaptivity and learning outcomes of a fuzzy-based intelligent tutoring system for computer programming for academic students in Greece | |
Lonngren et al. | Emotions in engineering education: Preliminary results from a scoping review | |
CN108038238B (zh) | 一种支持个性化教学过程自动生成的教学资源建模方法及系统 | |
Li et al. | Modeling student online learning using clustering | |
Fleischer et al. | Teaching and learning data-driven machine learning with educationally Designed Jupyter Notebooks | |
Ault et al. | Solid modeling strategies–analyzing student choices | |
US20040024776A1 (en) | Teaching and learning information retrieval and analysis system and method | |
CN117952072B (zh) | Ai校本化英语教材编辑方法及系统 | |
CN112699933B (zh) | 用户教学素材加工处理能力自动识别方法及系统 | |
CN114741591A (zh) | 一种向学习者推荐学习路径的方法及电子设备 | |
Damayanthi et al. | Identifying students’ learning difficulties in human and computer interaction course through the implementation of project based learning model | |
Abdurrahman et al. | How to Bring Computational Thinking Approach to The Non-Computer Science Student’s Class??? | |
Galeev et al. | Application of individual educational trajectories and adaptive content in engineering education | |
Bradáč et al. | Language e-learning based on adaptive decision-making system | |
Phanniphong et al. | Clustering of learners performance based on learning outcomes for finding significant courses | |
Abdulaziz et al. | A survey on Big Data Analytics for Education | |
Hasebrook et al. | An expert advisor for vocational guidance | |
Azevedo et al. | Advancing the Power of Learning Analytics and Big Data in Education | |
Carlson et al. | Harnessing the use of OERs in teacher education |
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 |