JP2671509B2 - Learning management device - Google Patents
Learning management deviceInfo
- Publication number
- JP2671509B2 JP2671509B2 JP16135989A JP16135989A JP2671509B2 JP 2671509 B2 JP2671509 B2 JP 2671509B2 JP 16135989 A JP16135989 A JP 16135989A JP 16135989 A JP16135989 A JP 16135989A JP 2671509 B2 JP2671509 B2 JP 2671509B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- subject
- fuzzy
- output
- input means
- 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.)
- Expired - Lifetime
Links
Landscapes
- Electrically Operated Instructional Devices (AREA)
Description
【発明の詳細な説明】 〔発明の分野〕 本発明は中学生や高校生等の複数の科目を学習する学
習者に用いられる学習管理装置に関するものである。Description: FIELD OF THE INVENTION The present invention relates to a learning management device used by learners such as junior high school students and high school students who study a plurality of subjects.
従来複数の科目を学習する学習者は自発的な計画に基
づいて学習したり、又は任意に学習を行うようにしてい
た。Conventionally, a learner who learns a plurality of subjects has learned on the basis of a voluntary plan or voluntarily.
しかしこのような従来の学習科目の決定方法では興味
のある科目の学習時間が多くなり易く、全体の成績を上
げることができないという欠点があった。又学習計画を
立てる場合にも適切な計画を立てるのが難しく時間がか
かるという欠点があった。However, the conventional method of determining the learning subject has a drawback that the learning time of the subject of interest is likely to be long and the overall grade cannot be improved. In addition, there is a drawback that it is difficult and time-consuming to make an appropriate plan even when making a learning plan.
本発明はこのような従来の学習科目の決定方法に鑑み
てなされたものであって、既に学習した時間数に基づい
て次の学習科目を自動的に決定できるようにすることを
技術的課題とする。The present invention has been made in view of such a conventional method of determining a learning subject, and it is a technical object to automatically determine the next learning subject based on the number of hours already learned. To do.
本発明は複数の学習科目の学習時間数を夫々入力する
複数の入力手段と、各入力手段より得られる信号に基づ
き不足科目の学習時間を大きくするようにファジー推論
を行う複数のファジー推論部と、各ファジー推論部の並
列出力に基づいて学習すべき科目を示す非ファジー確定
値を得る確定部と、を有することを特徴とするものであ
る。The present invention includes a plurality of input means for respectively inputting the number of learning hours of a plurality of learning subjects, and a plurality of fuzzy inference units for performing fuzzy inference so as to increase the learning time of a lacking subject based on a signal obtained from each input means. , A definite section that obtains a non-fuzzy definite value indicating a subject to be learned based on the parallel output of each fuzzy inference section.
このような特徴を有する本発明によれば、複数の学習
時間数入力手段により既に学習した時間数を入力してい
る。そしてこれらの入力に基づいてファジー推論によっ
て更に学習すべき科目の推論を行っている。そして各フ
ァジー推論部の並列出力に基づいて次の学習科目を確定
するようにしている。According to the present invention having such a feature, the number of times already learned is input by the plurality of learning time number input means. Based on these inputs, the fuzzy inference is used to infer the subjects to be further learned. Then, the next learning subject is determined based on the parallel output of each fuzzy inference unit.
そのため本発明では、学習時間に応じて次の学習科目
を出力することができるため、各科目をもれなく学習す
ることができる。又特に学習計画を立てる必要がなく学
習を進めることができるという効果も得られる。Therefore, in the present invention, since the next learning subject can be output according to the learning time, each subject can be learned without exception. There is also an effect that learning can be advanced without the need to make a learning plan.
第１図は本発明の一実施例による学習管理装置の全体
構成を示すブロック図である。本図において、この学習
管理装置は各科目の学習時間を入力する入力手段を有し
ている。ここでは学習科目として英語，数学，国語，理
科及び社会の各科目とし、これらの学習時間数を学習時
間入力手段１〜５より夫々入力する。これらの入力手段
１〜５は例えば１つのテンキーと切換スイッチ、及び各
科目毎に入力された学習科目を保持するレジスタ等によ
って構成される。これらの入力手段１〜５に与えられた
学習時間の信号はファジーコントローラ６に与えられ
る。ファジーコントローラ６はファジー推論部11と確定
部12を有しファジー推論を行って次に学習すべき科目に
対応する信号を出力するものであり、その出力は判別部
７に与えられる。判別部７は確定部からの出力に基づい
て学習すべき科目を弁別するものであり、その出力は表
示器８に与えられる。FIG. 1 is a block diagram showing the overall configuration of a learning management device according to an embodiment of the present invention. In the figure, this learning management device has an input means for inputting the learning time of each subject. Here, the learning subjects are English, mathematics, national language, science and social subjects, and the number of learning hours is input from the learning time input means 1 to 5, respectively. These input means 1 to 5 are composed of, for example, one numeric keypad, a changeover switch, and a register for holding the learning subject input for each subject. The signals of the learning time given to these input means 1 to 5 are given to the fuzzy controller 6. The fuzzy controller 6 has a fuzzy inference unit 11 and a deciding unit 12 to perform fuzzy inference and output a signal corresponding to a subject to be learned next, and the output is given to the discriminating unit 7. The discriminating unit 7 discriminates the subject to be learned based on the output from the confirming unit, and the output is given to the display 8.
さてファジーコントローラ６は９つのファジー推論部
11−１〜11−９を有している。各ファジー推論部は各入
力手段１〜５の入力に対応したメンバーシップ関数を発
生するメンバーシップ関数発生回路（MFC）及び出力す
べき科目の種類に対応したメンバーシップ関数を発生す
るメンバーシップ関数発生器（MFG）が設けられる。さ
て本実施例ではメンバーシップ関数として入力手段1,2,
4,5の入力を第２図（ａ），（ｂ），（ｄ），（ｅ）に
示すように４つの状態に分けている。ここでZRはほぼ
零、PSは正の小さな値、PMは正の中位の値、PLは正の大
きな値を夫々表している。又国語のメンバーシップ関数
として入力手段３の出力を第２図（ｃ）に示すように６
つの状態に分けている。ここでNSは負の小さな値、NLは
負の大きな値である。尚ここでは学習時間４時間を零と
して示している。又学習すべき科目は第２図（ｆ）に示
すようにNS〜PLによって夫々社会，理科，国語，数学，
英語の５つの科目を表示している。この場合にはNS,ZR,
PS,PM,PLは夫々正及び負の意味を持つものではない。フ
ァジー確定値12では各ファジー推論部から得られる並列
出力に基づいて各出力部の最大値を算出する。そしてそ
れらの出力の重心値に基づいてファジー確定値を得るよ
うにしている。The fuzzy controller 6 has nine fuzzy inference units.
11-1 to 11-9. Each fuzzy inference unit generates a membership function generating circuit (MFC) that generates a membership function corresponding to the input of each input means 1 to 5 and a membership function generation that generates a membership function corresponding to the type of subject to be output. A vessel (MFG) is provided. Now, in this embodiment, the input means 1, 2,
Inputs 4 and 5 are divided into four states as shown in FIGS. 2 (a), (b), (d) and (e). Here, ZR is almost zero, PS is a small positive value, PM is a positive medium value, and PL is a large positive value. Further, as shown in FIG. 2 (c), the output of the input means 3 is used as a membership function in the Japanese language, and
It is divided into two states. Here, NS is a small negative value and NL is a large negative value. The learning time of 4 hours is shown as zero here. As shown in Fig. 2 (f), the subjects to be studied are NS, PL, society, science, national language, mathematics,
It shows five subjects in English. In this case NS, ZR,
PS, PM and PL do not have positive and negative meanings, respectively. With the fuzzy fixed value 12, the maximum value of each output unit is calculated based on the parallel output obtained from each fuzzy inference unit. Then, the fuzzy fixed value is obtained based on the barycentric value of those outputs.
次にファジー推論部11−１〜11−９について説明す
る。各ファジー推論部は夫々５つのMFC21−１〜21−９
……25−１〜25−９を有している。ファジー推論部11−
１は後述するようにルール１の推論を行う推論部であ
り、MFC21−１は入力手段１からの入力S1がZR又はPSの
メンバーシップ関数,MFC22−１は入力手段２からの入力
S2がPM又はPLのメンバーシップ関数,MFC23−１は入力手
段３からの入力S3がPM,PLのメンバーシップ関数,MFC24
−１は入力手段４からの入力S4がPM,PLのメンバーシッ
プ関数及びMFC25−１は入力手段５からの入力S5がPLの
メンバーシップ関数を夫々発生するMFCであり、夫々の
出力はMIN回路26−１に与えられる。又MFG27−１は第３
図（ｆ）に示す学習すべき科目の並列メンバーシップ関
数PLを発生するメンバーシップ関数発生器（MFG）であ
り、その並列出力はMIN回路28−１に与えられる。MIN回
路28−１はMIN回路26−１の出力と比較することよって
より小さい並列のファジー信号を発生するものであり、
その出力はMAXアレー回路29に与えられる。Next, the fuzzy inference units 11-1 to 11-9 will be described. Each fuzzy inference unit has five MFCs 21-1 to 21-9.
...... Has 25-1 to 25-9. Fuzzy reasoning section 11-
Reference numeral 1 is an inference unit for inferring rule 1, as will be described later. MFC 21-1 is an input from the input means 1 and S1 is a membership function of ZR or PS, and MFC 22-1 is an input from the input means 2.
S2 is PM or PL membership function, MFC23-1 is input from input means 3 S3 is PM or PL membership function, MFC24
Reference numeral -1 is an MFC in which the input S4 from the input means 4 is a PM, PL membership function and MFC25-1 is an MFC in which the input S5 from the input means 5 generates a PL membership function, respectively, and the respective outputs are MIN circuits. 26-1. MFG27-1 is the third
It is a membership function generator (MFG) that generates a parallel membership function PL of the subject to be learned shown in FIG. (F), and its parallel output is given to the MIN circuit 28-1. The MIN circuit 28-1 generates a smaller parallel fuzzy signal by comparing with the output of the MIN circuit 26-1,
The output is given to the MAX array circuit 29.
次にこれらの入力に基づいて決定される推論ルールを
以下に示す。Next, the inference rules determined based on these inputs are shown below.
（ルール１） もし英語の学習時間（S1）がZR,PS、数学の学習時間
（S2）がPM,PL、国語の学習時間（S3）がPM,PL、理科の
学習時間（S4）がPM,PL、社会の学習時間（S5）がPLな
らば学習科目（ｅ）をPLとせよ。(Rule 1) If English learning time (S1) is ZR, PS, mathematics learning time (S2) is PM, PL, national language learning time (S3) is PM, PL, science learning time (S4) is PM , PL, if the social learning time (S5) is PL, let the learning subject (e) be PL.
このルール１は次のように簡略化して表現される。 This rule 1 is simply expressed as follows.
If S1＝ZR or PS,S2＝PM or PL, S3＝PM or PL,S4＝PM or PL and S5＝PL then PL このようなルールは入力された各科目の学習時間に応
じて足りない科目を学習するように定められる。このよ
うなルールは以下の表に示される。If S1 ＝ ZR or PS, S2 ＝ PM or PL, S3 ＝ PM or PL, S4 ＝ PM or PL and S5 ＝ PL then PL Such rules are not enough depending on the learning time of each subject entered. Is determined to learn. Such rules are shown in the table below.
こうして９の推論ルールが定められる。ファジー推論
部11−１〜11−９は夫々のファジー推論を実行する推論
部であって、夫々のルールの推論結果である並列のファ
ジー出力がファジー推論部11−１〜11−９よりMAXアレ
ー回路29に与えられる。MAXアレー回路29は各並列ライ
ンの対応するライン毎に最大値を算出するものであり、
その並列出力はデファジファイア回路30に与えられる。
デファジファイア回路30はその出力の重心演算によって
非ファジー出力を得るものであり、その出力は判別部７
により判別される。判別部７は確定部12より得られる確
定値をそのレベルに対応した所定の科目に弁別するコン
パレータによって構成され、確定した学習すべき科目を
表示器８により表示するものである。 In this way, nine inference rules are defined. The fuzzy inference units 11-1 to 11-9 are inference units that execute respective fuzzy inferences, and the parallel fuzzy outputs that are inference results of the respective rules are output from the fuzzy inference units 11-1 to 11-9 by the MAX array. Given to circuit 29. The MAX array circuit 29 calculates the maximum value for each corresponding line of each parallel line,
The parallel output is provided to the defuzzifier circuit 30.
The defuzzifier circuit 30 obtains a non-fuzzy output by calculating the center of gravity of its output, and its output is the discriminator 7.
Is determined by. The discriminating unit 7 is composed of a comparator for discriminating the fixed value obtained from the fixing unit 12 into a predetermined subject corresponding to the level, and displays the confirmed subject to be learned on the display 8.
次に本実施例の動作について説明する。まず既に学習
した各科目の学習時間を学習時間入力手段１〜５より入
力する。例えば英語の学習時間S1が所定値S10でありPS
＝0.7,ZR＝0.3とし、数学の学習時間S2が所定値S20であ
ってPS,PM＝0.5とし、国語の学習時間S3が所定値S30でP
M＝0.8,PS＝0.2とし、理科の学習時間が所定値S40であ
ってPM＝0.6,PS＝0.4とし、社会の学習時間が所定値S50
であってPS＝0.6,PM＝0.4とする。この場合には前述し
たルール表のルール４が適用され学習すべき科目ｅの出
力が以下のようになる。Next, the operation of this embodiment will be described. First, the learning time of each subject already learned is input from the learning time input means 1-5. For example, if the English learning time S1 is a predetermined value S1 0 and PS
= 0.7, ZR = 0.3, the learning time S2 of mathematics is the predetermined value S2 0 , PS, PM = 0.5, and the learning time S3 of the national language is the predetermined value S3 0
M = 0.8, PS = 0.2, science learning time is a predetermined value S4 0 , PM = 0.6, PS = 0.4, social learning time is a predetermined value S5 0
Therefore, PS = 0.6 and PM = 0.4. In this case, rule 4 of the rule table described above is applied and the output of the subject e to be learned is as follows.
PM＝0.4 従って14つのファジー推論部のうち１つの推論部より
ファジー並列出力が得られることとなり、これらの出力
が確定部12のMAXアレー回路29によってMAX演算が行われ
る。その結果第２図（ｆ）に示すように重心演算を行う
ことによって確定値e1を算出している。ここで２つの部
分に分かれた場合にはより大きい面積の部分の確定値の
みを出力している。この信号は判別部７に与えられる。
判別部７では入力信号を所定の閾値で弁別することによ
って特定の科目、この場合には数学を次に学習すべき科
目として出力し表示器８により表示するようにしてい
る。PM = 0.4 Therefore, fuzzy parallel outputs are obtained from one of the 14 fuzzy inference units, and these outputs are subjected to MAX operation by the MAX array circuit 29 of the deciding unit 12. As a result, the definite value e 1 is calculated by performing the center of gravity calculation as shown in FIG. In the case of being divided into two parts, only the definite value of the part having a larger area is output. This signal is given to the discrimination unit 7.
The discriminating section 7 discriminates the input signal by a predetermined threshold value to output a specific subject, in this case, mathematics as a subject to be learned next and display it on the display 8.
尚本実施例は確定部の出力を判別部７によって判別し
て次に学習すべき科目を表示するようにしているが、MA
Xアレー回路29に得られる出力をそのまま二次元表示し
このデータに基づいて学習者が任意に次に学習すべき科
目を選択するようにしてもよい。In this embodiment, the output of the finalizing section is discriminated by the discriminating section 7 and the subject to be learned next is displayed.
The output obtained in the X array circuit 29 may be displayed as it is in two dimensions, and the learner may arbitrarily select the next subject to be learned based on this data.
又本実施例はMIN−MAX演算規則に従うファジー推論を
行うようにした学習管理装置について説明しているが、
本発明は他の演算規則に従うファジー推論によっても実
現することができる。又ファジー処理はファジー推論の
ための専用ディバイス（例えば日経エレクトロニクス19
87年７月28日，第148頁〜第152頁，日経マグロウヒル
社）だけでなく、ファジー推論を実行するようにプログ
ラムされたバイナリータイプのコンピュータ，プロセッ
サ等によっても実現することができる。又メンバーシッ
プ関数は第２図に示したような三角形状のものに限ら
ず、任意の形のものを採用してもよい。更にメンバーシ
ップ関数や推論ルールは出力結果等によって適宜変更乃
至修正することができる。In addition, the present embodiment describes a learning management device that performs fuzzy inference according to the MIN-MAX calculation rule.
The present invention can also be realized by fuzzy inference according to other calculation rules. Fuzzy processing is a dedicated device for fuzzy inference (eg, Nikkei Electronics 19
(July 28, 1987, pp. 148 to 152, Nikkei McGraw-Hill, Inc.), as well as a binary type computer, processor, etc. programmed to execute fuzzy inference. Further, the membership function is not limited to the triangular shape as shown in FIG. 2, and any shape may be adopted. Further, the membership function and the inference rule can be appropriately changed or modified according to the output result and the like.
第１図は本発明の一実施例による学習管理装置の全体構
成を示すブロック図、第２図（ａ）は英語の学習時間，
第２図（ｂ）は数学，第２図（ｃ）は国語，第２図
（ｄ）は理科，第２図（ｅ）は社会の学習時間，第２図
（ｆ）は次に学習すべき科目のメンバーシップ関数を示
す図である。 １〜５……学習時間入力手段、６……ファジーコントロ
ーラ、７……判別部、８……表示器、11−１〜11−９…
…ファジー推論部、12……確定部、21〜25……MFC、26,
28……MIN回路、27……MFG、29……MAXアレー回路、30
……デファジファイア回路FIG. 1 is a block diagram showing the overall configuration of a learning management device according to an embodiment of the present invention, and FIG. 2 (a) is an English learning time,
Fig. 2 (b) is mathematics, Fig. 2 (c) is Japanese, Fig. 2 (d) is science, Fig. 2 (e) is social learning time, and Fig. 2 (f) is next learning. It is a figure which shows the membership function of the power subject. 1 to 5 ... Learning time input means, 6 ... Fuzzy controller, 7 ... Discrimination unit, 8 ... Display, 11-1 to 11-9 ...
… Fuzzy reasoning part, 12 …… determination part, 21-25 …… MFC, 26,
28 …… MIN circuit, 27 …… MFG, 29 …… MAX array circuit, 30
...... Defuzzifier circuit
Claims (1)
る複数の入力手段と、 前記各入力手段より得られる信号に基づき不足科目の学
習時間を大きくするようにファジー推論を行う複数のフ
ァジー推論部と、 前記各ファジー推論部の並列出力に基づいて学習すべき
科目を示す非ファジー確定値を得る確定部と、を有する
ことを特徴とする学習管理装置。1. A plurality of input means for inputting the number of learning hours of a plurality of learning subjects, respectively, and a plurality of fuzzy inferences for increasing the learning time of the insufficient subject based on the signals obtained from the input means. A learning management device comprising: an inference unit; and a definite unit that obtains a non-fuzzy definite value indicating a subject to be learned based on parallel outputs of the fuzzy inference units.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP16135989A JP2671509B2 (en) | 1989-06-22 | 1989-06-22 | Learning management device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP16135989A JP2671509B2 (en) | 1989-06-22 | 1989-06-22 | Learning management device |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0325487A JPH0325487A (en) | 1991-02-04 |
| JP2671509B2 true JP2671509B2 (en) | 1997-10-29 |
Family
ID=15733588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP16135989A Expired - Lifetime JP2671509B2 (en) | 1989-06-22 | 1989-06-22 | Learning management device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2671509B2 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002047694A (en) * | 2000-07-31 | 2002-02-15 | Komatsu Ltd | Display device for construction machine |
-
1989
- 1989-06-22 JP JP16135989A patent/JP2671509B2/en not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0325487A (en) | 1991-02-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mouzouris et al. | Nonsingleton fuzzy logic systems: theory and application | |
| Innocent et al. | Computer aided fuzzy medical diagnosis | |
| Li et al. | Combining rule-based expert systems and artificial neural networks for mark-up estimation | |
| Santhanam et al. | Heart disease prediction using hybrid genetic fuzzy model | |
| Li et al. | ANN-based mark-up estimation system with self-explanatory capacities | |
| Verma et al. | Age group predictive models for the real time prediction of the university students using machine learning: Preliminary results | |
| Zhang et al. | Measuring uncertainty of probabilistic rough set model from its three regions | |
| Abu-Mostafa | Information theory, complexity and neural networks | |
| Ibrahim et al. | Intelligent breast cancer diagnosis based on enhanced Pareto optimal and multilayer perceptron neural network | |
| Sahu et al. | Fuzziness: a mathematical tool | |
| Chen et al. | Rough intuitionistic type‐2 fuzzy c‐means clustering algorithm for MR image segmentation | |
| Al Farsi et al. | A non-iterative reasoning algorithm for fuzzy cognitive maps based on type 2 fuzzy sets | |
| Corney | Designing food with bayesian belief networks | |
| JP2671509B2 (en) | Learning management device | |
| Zhang et al. | Understanding and improving fairness in cognitive diagnosis | |
| Thwaites et al. | A graphical method for simplifying Bayesian games | |
| Ghosh et al. | a Neuro-fuzzy based Classification Method | |
| Pandey et al. | Development of decision support system for the diagnosis of arthritis pain for rheumatic fever patients: based on the fuzzy approach | |
| Pettit et al. | Analysis of the performance of a genetic algorithm-based system for message classification in noisy environments | |
| Tzruia et al. | Fitness Approximation through Machine Learning | |
| Salunkhe et al. | Degree of Certainty in Students’ Academic Performance Evaluation Using a New Fuzzy Inference System | |
| Assem et al. | A fuzzy-based approach for evaluating existing spatial layout configurations | |
| van der Waa et al. | The design and validation of an intuitive confidence measure | |
| Bashon et al. | Fuzzy set-theoretical approach for comparing objects with fuzzy attributes | |
| Sitepu et al. | Comparative of ID3 and Naive Bayes in Predictid Indicators of House Worthiness |