JP6322707B2 - 学習リコメンデーションシミュレーションのシステム及び方法 - Google Patents
学習リコメンデーションシミュレーションのシステム及び方法 Download PDFInfo
- Publication number
- JP6322707B2 JP6322707B2 JP2016527979A JP2016527979A JP6322707B2 JP 6322707 B2 JP6322707 B2 JP 6322707B2 JP 2016527979 A JP2016527979 A JP 2016527979A JP 2016527979 A JP2016527979 A JP 2016527979A JP 6322707 B2 JP6322707 B2 JP 6322707B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- nugget
- topic
- learner
- virtual
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B19/00—Teaching not covered by other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Description
W=(pX+wX)/(1−pX) 式1
pXnew=W/(1+W) 式2
よって、トピックグラフにおける各トピックノードの結果は、夫々の仮想的な学習者についての個々の確率により計算される。次いで、習得度は、夫々のパラメータについてpXnewを用いて計算されてよい。
Claims (27)
- 学習リコメンデーションを評価する学習リコメンデーションシミュレーションシステムの作動方法であって、前記学習リコメンデーションシミュレーションシステムのプロセッサが、
トピックノードの夫々が学習するための個々のトピックを表し且つ少なくとも1つの学習ナゲットを含む前記トピックノードの非巡回集合としてトピックグラフを生成する工程であって、前記トピックグラフにおける前記学習ナゲットの夫々について学習ナゲット属性を生成することを含む工程と、
複数の仮想的な学習者を生成する工程であって、該仮想的な学習者の夫々について仮想学習者属性を生成することを含む工程と、
前記トピックグラフからのトピックノードを、前記生成された仮想的な学習者から選択された第1の仮想的な学習者に薦める工程と、
前記第1の仮想的な学習者が前記トピックグラフにおける第1のトピックノードを選択することを可能にする工程と、
前記第1のトピックノードに含まれる学習ナゲットを前記第1の仮想的な学習者に薦める工程と、
前記第1の仮想的な学習者が前記第1のトピックノードに含まれる第1の学習ナゲットを選択することを可能にする工程と、
前記第1の仮想的な学習者が前記第1の学習ナゲットと相互に作用することを可能にする工程と、
前記第1の仮想的な学習者が前記第1の学習ナゲットと相互に作用した後に、前記第1の仮想的な学習者についての前記第1の学習ナゲットの習得の評価を可能にする工程と、
前記習得に基づき、前記第1の学習ナゲットについての学習ナゲット属性を更新する工程と
を実行する方法。 - 前記プロセッサが、前記評価の結果を記録する工程を更に実行し、
前記トピックグラフからのトピックノードを前記第1の仮想的な学習者に薦める工程は、
推薦するために、前記第1の仮想的な学習者についての学習目標に基づき、トピックノードを選択し、
推薦するために、前記第1の仮想的な学習者が最低習得度を上回る習得度に達したトピックノードを除外する
ことを含む、
請求項1に記載の方法。 - 前記学習ナゲット属性は、品質評価と、学習スタイルと、学習目標と、有効性評価とを含む、
請求項1に記載の方法。 - 前記第1のトピックノードに含まれる学習ナゲットを前記第1の仮想的な学習者に薦める工程は、
前記第1の仮想的な学習者の学習目標と学習ナゲットの学習目標との間の一致、
前記第1の仮想的な学習者の好ましい学習スタイルと学習ナゲットの学習スタイルとの間の一致、及び
学習ナゲットの有効性評価
のうちの少なくとも1つに基づきアルゴリズムから選択されたナゲットリコメンデーションアルゴリズムに基づき前記学習ナゲットを薦めることを含む、
請求項3に記載の方法。 - 前記第1の学習ナゲットについての学習ナゲット属性を更新する工程は、
前記第1の仮想的な学習者についての前記第1の学習ナゲットの習得が高まる場合に前記有効性評価を上げ、
前記第1の仮想的な学習者についての前記第1の学習ナゲットの習得が低下する場合に前記有効性評価を下げる
ことを含む、
請求項3に記載の方法。 - 前記仮想学習者属性は、認知モデルパラメータと、意志決定モデルパラメータと、学習能力パラメータと、学習目標と、好ましい学習スタイルとを含む、
請求項1に記載の方法。 - 前記第1の仮想的な学習者が前記第1の学習ナゲットを選択することを可能にする工程は、前記意志決定モデルパラメータに基づき、該意志決定モデルパラメータは、仮想的な学習者が学習ナゲットリコメンデーションに従う第1の確率を含む、
請求項6に記載の方法。 - 前記第1の仮想的な学習者が前記第1の学習ナゲットと相互に作用することを可能にする工程は、前記認知モデルパラメータに基づき、該認知モデルパラメータは、
仮想的な学習者が個々のトピックを以前に学習したことがある第2の確率と、
仮想的な学習者が前記評価の間に回答を正確に言い当てる第3の確率と、
仮想的な学習者が前記評価の間に不注意に誤った回答をする第4の確率と、
仮想的な学習者が学習ナゲットの習得に関わりなく個々のトピックを学習する第5の確率と
を含む、
請求項6に記載の方法。 - 前記学習能力パラメータは、前記第2の確率の第1の重み係数と、前記第3の確率の第2の重み係数と、前記第4の確率の第3の重み係数と、前記第5の確率の第4の重み係数とを含む、
請求項8に記載の方法。 - 非一時的なコンピュータ可読媒体と、
前記コンピュータ可読媒体に記憶されているコンピュータ実行可能命令と
を有し、
前記命令は、プロセッサによって読み出し可能であり、実行される場合に、該プロセッサに、
トピックノードの夫々が学習するための個々のトピックを表し且つ少なくとも1つの学習ナゲットを含む前記トピックノードの非巡回集合としてトピックグラフを生成する工程であって、前記トピックグラフにおける前記学習ナゲットの夫々について学習ナゲット属性を生成することを含む工程と、
複数の仮想的な学習者を生成する工程であって、該仮想的な学習者の夫々について仮想学習者属性を生成することを含む工程と、
前記トピックグラフからのトピックノードを、前記生成された仮想的な学習者から選択された第1の仮想的な学習者に薦める工程と、
前記第1の仮想的な学習者が前記トピックグラフにおける第1のトピックノードを選択することを可能にする工程と、
前記第1のトピックノードに含まれる学習ナゲットを前記第1の仮想的な学習者に薦める工程と、
前記第1の仮想的な学習者が前記第1のトピックノードに含まれる第1の学習ナゲットを選択することを可能にする工程と、
前記第1の仮想的な学習者が前記第1の学習ナゲットと相互に作用することを可能にする工程と、
前記第1の仮想的な学習者が前記第1の学習ナゲットと相互に作用した後に、前記第1の仮想的な学習者についての前記第1の学習ナゲットの習得の評価を可能にする工程と、
前記習得に基づき、前記第1の学習ナゲットについての学習ナゲット属性を更新する工程と
を実行させる、製品。 - 前記プロセッサに、前記評価の結果を記録させる命令を更に有し、
前記トピックグラフからのトピックノードを前記第1の仮想的な学習者に薦める工程は、
推薦するために、前記第1の仮想的な学習者についての学習目標に基づき、トピックノードを選択し、
推薦するために、前記第1の仮想的な学習者が最低習得度を上回る習得度に達したトピックノードを除外する
ことを含む、
請求項10に記載の製品。 - 前記学習ナゲット属性は、品質評価と、学習スタイルと、学習目標と、有効性評価とを含む、
請求項10に記載の製品。 - 前記第1のトピックノードに含まれる学習ナゲットを前記第1の仮想的な学習者に薦める工程は、
前記第1の仮想的な学習者の学習目標と学習ナゲットの学習目標との間の一致、
前記第1の仮想的な学習者の好ましい学習スタイルと学習ナゲットの学習スタイルとの間の一致、及び
学習ナゲットの有効性評価
のうちの少なくとも1つに基づきアルゴリズムから選択されたナゲットリコメンデーションアルゴリズムに基づき前記学習ナゲットを薦めることを含む、
請求項12に記載の製品。 - 前記第1の学習ナゲットについての学習ナゲット属性を更新する工程は、
前記第1の仮想的な学習者についての前記第1の学習ナゲットの習得が高まる場合に前記有効性評価を上げ、
前記第1の仮想的な学習者についての前記第1の学習ナゲットの習得が低下する場合に前記有効性評価を下げる
ことを含む、
請求項12に記載の製品。 - 前記仮想学習者属性は、認知モデルパラメータと、意志決定モデルパラメータと、学習能力パラメータと、学習目標と、好ましい学習スタイルとを含む、
請求項10に記載の製品。 - 前記第1の仮想的な学習者が前記第1の学習ナゲットを選択することを可能にする工程は、前記意志決定モデルパラメータに基づき、該意志決定モデルパラメータは、仮想的な学習者が学習ナゲットリコメンデーションに従う第1の確率を含む、
請求項15に記載の製品。 - 前記第1の仮想的な学習者が前記第1の学習ナゲットと相互に作用することを可能にする工程は、前記認知モデルパラメータに基づき、該認知モデルパラメータは、
仮想的な学習者が個々のトピックを以前に学習したことがある第2の確率と、
仮想的な学習者が前記評価の間に回答を正確に言い当てる第3の確率と、
仮想的な学習者が前記評価の間に不注意に誤った回答をする第4の確率と、
仮想的な学習者が学習ナゲットの習得に関わりなく個々のトピックを学習する第5の確率と
を含む、
請求項15に記載の製品。 - 前記学習能力パラメータは、前記第2の確率の第1の重み係数と、前記第3の確率の第2の重み係数と、前記第4の確率の第3の重み係数と、前記第5の確率の第4の重み係数とを含む、
請求項17に記載の製品。 - メモリと、
前記メモリへ結合されるプロセッサと、
ネットワークインタフェースと、
前記メモリに記憶されているコンピュータ実行可能命令と
を有し、
前記命令は、前記プロセッサによって読み出し可能であり、実行される場合に、該プロセッサに、
トピックノードの夫々が学習するための個々のトピックを表し且つ少なくとも1つの学習ナゲットを含む前記トピックノードの非巡回集合としてトピックグラフを生成する工程であって、前記トピックグラフにおける前記学習ナゲットの夫々について学習ナゲット属性を生成することを含む工程と、
複数の仮想的な学習者を生成する工程であって、該仮想的な学習者の夫々について仮想学習者属性を生成することを含む工程と、
前記トピックグラフからのトピックノードを、前記生成された仮想的な学習者から選択された第1の仮想的な学習者に薦める工程と、
前記第1の仮想的な学習者が前記トピックグラフにおける第1のトピックノードを選択することを可能にする工程と、
前記第1のトピックノードに含まれる学習ナゲットを前記第1の仮想的な学習者に薦める工程と、
前記第1の仮想的な学習者が前記第1のトピックノードに含まれる第1の学習ナゲットを選択することを可能にする工程と、
前記第1の仮想的な学習者が前記第1の学習ナゲットと相互に作用することを可能にする工程と、
前記第1の仮想的な学習者が前記第1の学習ナゲットと相互に作用した後に、前記第1の仮想的な学習者についての前記第1の学習ナゲットの習得の評価を可能にする工程と、
前記習得に基づき、前記第1の学習ナゲットについての学習ナゲット属性を更新する工程と
を実行させる、学習リコメンデーションシミュレーションシステム。 - 前記プロセッサに、前記評価の結果を記録させる命令を更に有し、
前記トピックグラフからのトピックノードを前記第1の仮想的な学習者に薦める工程は、
推薦するために、前記第1の仮想的な学習者についての学習目標に基づき、トピックノードを選択し、
推薦するために、前記第1の仮想的な学習者が最低習得度を上回る習得度に達したトピックノードを除外する
ことを含む、
請求項19に記載の学習リコメンデーションシミュレーションシステム。 - 前記学習ナゲット属性は、品質評価と、学習スタイルと、学習目標と、有効性評価とを含む、
請求項19に記載の学習リコメンデーションシミュレーションシステム。 - 前記第1のトピックノードに含まれる学習ナゲットを前記第1の仮想的な学習者に薦める工程は、
前記第1の仮想的な学習者の学習目標と学習ナゲットの学習目標との間の一致、
前記第1の仮想的な学習者の好ましい学習スタイルと学習ナゲットの学習スタイルとの間の一致、及び
学習ナゲットの有効性評価
のうちの少なくとも1つに基づきアルゴリズムから選択されたナゲットリコメンデーションアルゴリズムに基づき前記学習ナゲットを薦めることを含む、
請求項21に記載の学習リコメンデーションシミュレーションシステム。 - 前記第1の学習ナゲットについての学習ナゲット属性を更新する工程は、
前記第1の仮想的な学習者についての前記第1の学習ナゲットの習得が高まる場合に前記有効性評価を上げ、
前記第1の仮想的な学習者についての前記第1の学習ナゲットの習得が低下する場合に前記有効性評価を下げる
ことを含む、
請求項21に記載の学習リコメンデーションシミュレーションシステム。 - 前記仮想学習者属性は、認知モデルパラメータと、意志決定モデルパラメータと、学習能力パラメータと、学習目標と、好ましい学習スタイルとを含む、
請求項19に記載の学習リコメンデーションシミュレーションシステム。 - 前記第1の仮想的な学習者が前記第1の学習ナゲットを選択することを可能にする工程は、前記意志決定モデルパラメータに基づき、該意志決定モデルパラメータは、仮想的な学習者が学習ナゲットリコメンデーションに従う第1の確率を含む、
請求項24に記載の学習リコメンデーションシミュレーションシステム。 - 前記第1の仮想的な学習者が前記第1の学習ナゲットと相互に作用することを可能にする工程は、前記認知モデルパラメータに基づき、該認知モデルパラメータは、
仮想的な学習者が個々のトピックを以前に学習したことがある第2の確率と、
仮想的な学習者が前記評価の間に回答を正確に言い当てる第3の確率と、
仮想的な学習者が前記評価の間に不注意に誤った回答をする第4の確率と、
仮想的な学習者が学習ナゲットの習得に関わりなく個々のトピックを学習する第5の確率と
を含む、
請求項24に記載の学習リコメンデーションシミュレーションシステム。 - 前記学習能力パラメータは、前記第2の確率の第1の重み係数と、前記第3の確率の第2の重み係数と、前記第4の確率の第3の重み係数と、前記第5の確率の第4の重み係数とを含む、
請求項26に記載の学習リコメンデーションシミュレーションシステム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2013/050685 WO2015009286A1 (en) | 2013-07-16 | 2013-07-16 | System and method for learning recommendation simulation |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016530555A JP2016530555A (ja) | 2016-09-29 |
JP6322707B2 true JP6322707B2 (ja) | 2018-05-09 |
Family
ID=48986205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016527979A Active JP6322707B2 (ja) | 2013-07-16 | 2013-07-16 | 学習リコメンデーションシミュレーションのシステム及び方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20160155346A1 (ja) |
JP (1) | JP6322707B2 (ja) |
WO (1) | WO2015009286A1 (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2634707A1 (en) * | 2012-02-29 | 2013-09-04 | British Telecommunications Public Limited Company | Recommender control system, apparatus and method |
US20150243176A1 (en) * | 2014-02-24 | 2015-08-27 | Mindojo Ltd. | Virtual course boundaries in adaptive e-learning datagraph structures |
US10088984B2 (en) * | 2014-06-12 | 2018-10-02 | Brigham Young University | Decision based learning |
US10733898B2 (en) * | 2015-06-03 | 2020-08-04 | D2L Corporation | Methods and systems for modifying a learning path for a user of an electronic learning system |
US10248909B2 (en) * | 2016-01-19 | 2019-04-02 | Conduent Business Services, Llc | Assessment performance prediction |
US11056015B2 (en) * | 2016-10-18 | 2021-07-06 | Minute School Inc. | Systems and methods for providing tailored educational materials |
US10839304B2 (en) * | 2017-01-25 | 2020-11-17 | Pearson Education, Inc. | Platform-agnostic Bayes net content aggregation system and method |
US20190130511A1 (en) * | 2017-11-02 | 2019-05-02 | Act, Inc. | Systems and methods for interactive dynamic learning diagnostics and feedback |
US11017682B2 (en) * | 2018-06-06 | 2021-05-25 | Microsoft Technology Licensing, Llc | Generating customized learning paths |
US11366967B2 (en) | 2019-07-24 | 2022-06-21 | International Business Machines Corporation | Learning roadmaps from unstructured text |
CN110807469B (zh) * | 2019-09-19 | 2020-09-11 | 华中师范大学 | 融合长短时记忆与贝叶斯网络的知识追踪方法及系统 |
CN111179667A (zh) * | 2019-12-31 | 2020-05-19 | 安徽佰通教育科技发展有限公司 | 一种考试章节练习系统及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8457544B2 (en) * | 2008-12-19 | 2013-06-04 | Xerox Corporation | System and method for recommending educational resources |
US20100190142A1 (en) * | 2009-01-28 | 2010-07-29 | Time To Know Ltd. | Device, system, and method of automatic assessment of pedagogic parameters |
JP2013008197A (ja) * | 2011-06-24 | 2013-01-10 | Nippon Telegr & Teleph Corp <Ntt> | 商品推薦処理方法、装置及びプログラム |
-
2013
- 2013-07-16 WO PCT/US2013/050685 patent/WO2015009286A1/en active Application Filing
- 2013-07-16 US US14/905,360 patent/US20160155346A1/en not_active Abandoned
- 2013-07-16 JP JP2016527979A patent/JP6322707B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
US20160155346A1 (en) | 2016-06-02 |
WO2015009286A1 (en) | 2015-01-22 |
JP2016530555A (ja) | 2016-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6322707B2 (ja) | 学習リコメンデーションシミュレーションのシステム及び方法 | |
Brinton et al. | Individualization for education at scale: MIIC design and preliminary evaluation | |
Brooks et al. | The data-assisted approach to building intelligent technology-enhanced learning environments | |
US10546507B2 (en) | Recommending a set of learning activities based on dynamic learning goal adaptation | |
US8832117B2 (en) | Apparatus, systems and methods for interactive dissemination of knowledge | |
Pelánek et al. | Student modeling based on problem solving times | |
Dorado et al. | An AHP application to select software for engineering education | |
Sosnovsky et al. | Adaptation “in the wild”: Ontology-based personalization of open-corpus learning material | |
CN108664649A (zh) | 知识内容推送方法、装置和推送服务器 | |
Khamparia et al. | A novel method of case representation and retrieval in CBR for e-learning | |
CN110275984A (zh) | 可视化媒体内容的方法、计算机可读介质和计算设备 | |
Mishra et al. | Dynamic identification of learning styles in MOOC environment using ontology based browser extension | |
He | A framework of combining case‐based reasoning with a work breakdown structure for estimating the cost of online course production projects | |
Krauss et al. | Teaching advanced web technologies with a mobile learning companion application | |
Sahid et al. | Integrated stochastic and literate based driven approaches in learning style identification for personalized E-learning purpose | |
Vladoiu et al. | Qorect–a case-based framework for quality-based recommending open courseware and open educational resources | |
Shaw et al. | An asynchronous, personalized learning platform―Guided Learning Pathways (GLP) | |
Sayed et al. | Towards a learning style and knowledge level-based adaptive personalized platform for an effective and advanced learning for school students | |
Mota et al. | Modeling students self-studies behaviors | |
Falci et al. | A low complexity heuristic to solve a learning objects recommendation problem | |
KR20160039504A (ko) | 피교육자 맞춤형 학습 설계 장치 및 그 방법 | |
Datta et al. | A Review on the Adaptive Features of E-Learning | |
KR102553818B1 (ko) | 교육 학습도 데이터 기반 인공지능 모델을 활용한 자녀 교육 콘텐츠 제공 방법, 장치 및 시스템 | |
Kanojiya et al. | Analysis of Decision Support Systems implemented for Suggesting a course for higher education | |
Kuk et al. | An intelligent system to support planning interactive learning segments in online education |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170606 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20170905 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20171016 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20180313 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180409 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6322707 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |