[发明专利]基于动态学习风格信息的自适应学习特征提取系统及应用有效
| 申请号: | 201811639072.5 | 申请日: | 2018-12-29 |
| 公开(公告)号: | CN109800880B | 公开(公告)日: | 2020-09-29 |
| 发明(设计)人: | 许昭慧 | 申请(专利权)人: | 上海松鼠课堂人工智能科技有限公司 |
| 主分类号: | G06N5/02 | 分类号: | G06N5/02 |
| 代理公司: | 上海中外企专利代理事务所(特殊普通合伙) 31387 | 代理人: | 孙益青 |
| 地址: | 200233 上海市*** | 国省代码: | 上海;31 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 基于 动态 学习 风格 信息 自适应 特征 提取 系统 应用 | ||
本发明涉及一种基于动态学习风格信息的自适应学习特征提取系统及应用,所述提取系统包括:第一信息采集模块,用于动态采集用户学前测试的过程信息并存储;第二信息采集模块,用于采集用户输入的学习风格自评信息并存储;学习特征生成模块,用于对所述过程信息和学习风格自评信息进行匹配处理,生成该用户的学习风格特征值。与现有技术相比,本发明具有可以准确获得用户的学习风格特征,进而提高学习效率等优点。
技术领域
本发明涉及自适应学习技术领域,尤其是涉及一种基于动态学习风格信息的自适应学习特征提取系统及应用。
背景技术
自适应学习系统包含三种模型,学习者模型、领域知识模型和适应性引擎。领域知识模型是基于知识图谱做纳米级拆分,通过适应性引擎的精准测评检测到学生的薄弱知识点,以及所处的能力水平。学习者模型是对学习者特征的抽象表示,精准的学习者模型可以聚类具有相似学习特征的学习者,从而利于提供更加精准化、个性化的学习服务。
传统的适应学习系统学习者模型主要有以下3个方面技术问题:
(1)传统的自适应学习系统学习者模型关注的维度单一,只考虑了学生掌握了哪些知识点,掌握的程度如何,忽略学习风格对学习成效的影响;
(2)目前学习风格测量方法有从学习者回答大量题目得到静态表征学习者当前各项特征的显式获取法,以及实时动态跟踪学习者的状态变化的隐式获取法,前者无法实时跟踪学习者的行为,及时修正学习风格变化,后者应用初期缺乏已知学习者行为特征,有“冷启动”问题;
(3)从认知过程的微观角度看,学习者在学习不同内容时,体现的心理特征变化是不同的。如果只追求抽取普适的学习者特征,就会脱离学习者真实的认知过程,忽略学习者学习过程中要解决的问题。传统的学习风格理论是从学生在传统课堂学习的行为偏好,抽取普适的学习者特征,传统条件下的学习和在自适应系统的在线学习环境,二者所涉及的学习活动的形式、师生角色和互动形式不再相同,这些将会导致与之相关联的个人偏好不同,即学生的学习风格也会有所不同。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于动态学习风格信息的自适应学习特征提取系统及应用。
本发明的目的可以通过以下技术方案来实现:
一种基于动态学习风格信息的自适应学习特征提取系统,包括:
第一信息采集模块,用于动态采集用户学前测试的过程信息并存储;
第二信息采集模块,用于采集用户输入的学习风格自评信息并存储;
学习特征生成模块,用于对所述过程信息和学习风格自评信息进行匹配处理,生成该用户的学习风格特征值。
进一步地,所述第一信息采集模块定时采集所述过程信息。
进一步地,所述学习特征生成模块在产生新的过程信息时响应,且响应时判断第二信息采集模块中是否存储有学习风格自评信息,若是,则直接调用所述学习风格自评信息,若否,则控制第二信息采集模块启动采集。
进一步地,所述过程信息包括试题内容信息和做题行为相关数据,其中,
所述试题内容信息包括题型、字数长度、有无图像、难度、学科和年级;
所述做题行为相关数据包括题目提取到点击选项或编辑框的时长均值、做题时长均值、点击选项或编辑框到提交答案的时长均值。
进一步地,所述学习特征生成模块中,在信息提取、信息加工处理和信息输出三个层次上对过程信息和学习风格自评信息进行匹配处理。
进一步地,信息提取层次上,包括沉思型学习风格和冲动型学习风格;
信息加工处理层次上,包括推理型学习风格和直觉型学习风格;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于上海松鼠课堂人工智能科技有限公司,未经上海松鼠课堂人工智能科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201811639072.5/2.html,转载请声明来源钻瓜专利网。
- 上一篇:知识库构建方法和装置
- 下一篇:一种基于贝叶斯网络的因果关系判定方法





