[发明专利]一种基于课程知识图谱的智慧教育系统平台设计方法

说明书

本发明涉及一种基于课程知识图谱的智慧教育系统平台设计方法，包括如下步骤：步骤一、搭建学生端和教师端，以及构建服务器端；步骤二、在系统平台中通过大数据埋点获取学生历史交互数据通过预定长度时间内系统收集到的数据形成时序数据，将学生历史交互数据存储在服务器端的数据库中；步骤三、构建知识图谱，根据课程的大纲要求、PPT课件以及课本内容梳理课程的知识图谱，并根据学生对于课程知识单元的掌握程度对知识图谱进行可视化，将构建的知识图谱存储在服务器端的数据库中；步骤四、构建预测模块，将预测模块部署在服务器端；步骤五、构建学习推荐模块，通过知识图谱为学生用户提供个性化推荐的学习路线，并且智能生成不同难度的试卷。

技术领域

本发明属于智慧教育系统与机器学习技术交叉领域，是一种基于课程知识图谱的智慧教育系统平台设计方法。

背景技术

随着我国教育信息化的快速发展，现代信息技术在教育和课程教学等各个方面都有了广阔的应用。教育信息化是国家信息化的重要组成部分，对于转变教育思想和观念，深化教育改革，提高教育质量和效益，培养创新人才具有深远的意义，是实现教育跨越式发展的必然选择。因此，开发一种能够用于补充线下教学的线上智慧教育系统平台显得尤为的重要。在过去的几年里，有很多大型的公司以及学校都建立了线上教学平台，其中最出名的比如中国大学MOOC(慕课)学习平台。但是由于类似的平台仅仅提供课程视频进行学习，导致很多学生对课程根本不了解，也不了解自身的学习情况，最终打消了很多学生的学习积极性。因此，迫切需要建立一种具有智能追踪辅助的教学平台，来适应不同学生的学习状况，并对其有针对性的推荐和预测。

近年来，随着计算机科学技术的飞速发展，利用教育大数据对学生学习知识状态的追踪引起了广泛的关注。有效的解决知识追踪问题能够帮助教育平台精准定位学习者的学习状态，才能进一步保证推荐的正确性和有效性。目前，各种机器学习算法已经被用于分析从教育系统获得的学生交互数据。目前使用的机器学习追踪预测方法大多可以分为两类：传统贝叶斯追踪模型和深度学习追踪模型。基于传统贝叶斯的追踪模型利用隐式马尔科夫模型学习学生的知识状态。其通过使用较为严格的公式模拟知识状态转移的过程，但是贝叶斯追踪模型基于的假设恰好使得其在复杂的学习情况存在局限性。近年来以循环神经网络为代表的基于深度学习的时间序列预测模型在这方面工作中取得了优秀的表现。深度学习追踪模型能够很好的捕获学生在学习的过程中的知识状态转移的依赖关系。

然而，这两种模型都有着各自的缺点。基于贝叶斯追踪模型状态转移过程存在多种假设条件，具有很多限制，在很多的实际应用场景中也被证实效果较差。基于深度学习知识追踪模型没有利用到学习的概念在知识体系架构中的特征关系。因此，急需一种新的预测模型，结合这两类模型的优点，克服他们的缺点，从而实现更加精确的预测。

发明内容

本发明技术解决问题：针对智慧教育领域现有的系统平台设计方法设计的系统和模型对学生学习状态的动态演化预测准确率低、无法充分利用知识图谱结构信息的问题。该发明提出了一种基于课程知识图谱的智慧教育系统平台设计方法，设计系统时，采用基于异质知识图谱的知识追踪模型预测方法，结合了学生历史交互数据的时序信息和知识图谱的结构化空间信息两个方面提高了对学生知识掌握状态的预测的追确率，这使得设计的系统更科学，预测的结果更加符合真实的学习状况。

本发明的技术方案为：一种基于课程知识图谱的智慧教育系统平台设计方法，包括如下步骤：

步骤一、搭建学生端和教师端，以及构建服务器端；学生端用于学生用户日常课程活动，包括在线作业模块、在线练习模块，教师端用于教师布置作业和公告、对学生数据进行分析；学生端和教师端共用登录系统平台，课程问答社区、构建课程知识图谱；系统服务器端用于学生端和教师端的数据传输和处理；

步骤二、在系统平台中通过大数据埋点获取学生历史交互数据通过预定长度时间内系统收集到的数据形成时序数据，将学生历史交互数据存储在服务器端的数据库中；