[发明专利]一种最佳学习方案推送方法及系统

说明书

技术领域

本发明涉及计算机辅助教育技术领域，尤其涉一种最佳学习方案推送方法及系统。

背景技术

进入21世纪，越来越多的家长关注孩子的学习，教育产业也变得越来越受到重视。学生们面对大量的作业，在学习中往往不能调动积极性，学习效率不高，学习中的互动性少，对知识的掌握和自身综合素质的提高往往显得心有余而力不足。如何提高中小学生的学习效率，加强学习效果，同时又能激发学生们对学习的热情。这是一个在生活中普遍存在但又未得到很好解决的问题。

一种计算机辅助教育系统及方法，其学习推送方法主要是根据学习者信息确定其状态，若处于正确学习状态则读取互动内容，虽然针对学习者的当前操作来生成下一步操作，但没有根据学生的学习状态，学生对知识的求知欲、喜好程度、知识的遗忘程度作智能的任务推送。

一种计算机辅助教学专家系统，其学习推送方法需要将题库分类，根据学习者的做题结果反馈给专家，选择知识点组成知识库，虽强调专家诊断学习者学习的过程，但后续学习方案只是依靠事先设定好的知识点学习顺序进行推送，模式单一，缺乏动态性，并且对学生遗忘的知识点和掌握不好的知识点不再进行学习的规划，学生学习效果不好的现象仍然存在。

大部分学习系统中往往任务模式固定，且不能根据学生的学习状态、对知识的求知欲、喜好程度、知识的遗忘程度作智能的任务推送。推送学习的方法也仅仅是根据学生在学习中出错次数这一单一指标来推送出错的知识，只考虑学生在当前学习状态下的局部知识点方案推送，而不会针对整个学科知识点做全局知识点方案的推送。这些学习方案推送方法存在简单的知识点重复学习，遗忘的知识点并不复习，学生喜欢学习的知识点不能得到重点学习的问题，学生单位时间学习的知识点不是能够产生最大学习效益的知识点，知识点的学习顺序被人为规则事先设定。学生的学习效果和积极性并未有效提高。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种最佳学习方案推送方法及系统，解决了传统计算机辅助教学方法中学生学习缺乏针对性的问题，使学生在限定时间中产生最大学习效益。

为了解决上述问题，本发明提出了一种最佳学习方案推送方法，所述方法包括：

构建学科知识技能图；

根据知识点评分方法对所述学科知识技能图中所有知识点进行评分，获得每个知识点的评分；

根据所述每个知识点的评分获取最佳知识点；

从题库中获取最佳知识点所对应的题目，形成最佳学习方案，并将所述最佳学习方案推送给用户。

优选地，所述构建学科知识技能图的步骤包括：

提取每个知识点文件中的知识点名称、知识点描述、先修知识点名称、知识点对应的题目，并写入知识点优先级次序文件G中，读取所述知识点优先级次序文件G中的每条记录，存入知识库的知识表中；

构建知识点的有向无环图DAG，读取知识表中的每条记录，生成当前知识点和先修知识点集合在DAG中对应的节点集合，设置当前知识点为先修知识点的子节点，设置先修知识点的孩子节点为当前知识点；

利用图形化的界面语言生成图形化的知识技能图；

获取用户设定该学科的总学习时间，获取用户输入的在图形化的知识技能图中各知识点的个人偏好值；

根据所述总学习时间和各知识点的个人偏好值，更新知识技能图中知识点中个人偏好值。

优选地，所述根据知识点评分方法对所述学科知识技能图中所有知识点进行评分，获得每个知识点的评分的步骤包括：

设定一个知识点评分的集合，容量为知识点数目，将每个知识点的评分初始化为0；

判断是否遍历完成知识技能图中所有知识点，若是，则将知识点评分集合输出；若否，则获取知识技能图当前访问的结点，为其构建神经网络模型；

获取当前访问结点的权重集编码，为神经网络权重赋值；

通过遗传算法对权重集编码进行训练，并用已训练完成的权重集编码更新此结点的权重集编码；

对当前访问结点执行神经网络算法，计算其评分；

将当前访问结点的评分放入知识点评分集合中。

优选地，所述通过遗传算法对权重集编码进行训练，并用已训练完成的权重集编码更新此结点的权重集编码的步骤包括：

输入待训练的权重集编码；

初始化遗传算法中的种群；

遍历当前种群，并计算每个物种的适应性评分，其中，所述物种是权重集编码，所述种群是权重集编码的集合；

判断是否出现限定条件下的最佳权重集编码，若是，则输出该最佳权重集编码；若否，则通过波兹曼变比调整适应性评分；