一种满足自适应学习的智能导学方法及系统技术方案

本发明专利技术公开一种满足自适应学习的智能导学方法及系统，所述方法包括：根据用户学习行为数据获取与目标任务相关的多源学习数据；对多源学习数据进行预处理，分别提取多源学习数据中隐含的语义信息，得到多源学习数据的语义网络矩阵；挖掘多源学习数据的语义网络矩阵与目标任务之间的关联关系，建立多源学习数据与目标任务之间的融合认知模型；通过IRT模型对多源学习数据与目标任务之间的融合认知模型进行认知评估；根据认知评估结果筛选优选学习资料推荐给用户。本发明专利技术可以判断用户的学习资料与目标任务的难度是否匹配，最后根据认知评估结果筛选优选学习资料推荐给用户，得到与目标任务匹配的学习资料，实现学习资料的智能导学。学。学。

【技术实现步骤摘要】
一种满足自适应学习的智能导学方法及系统


[0001]本专利技术属于智能导学
，尤其涉及一种满足自适应学习的智能导学方法及系统。

技术介绍

[0002]近年来在线教学模式盛况空前，然而教师的教授模式还是停留于以往传统的线下教学，学习者在在线学习平台上的学习数据并没有得到有效挖掘，从而导致学习者无法得到个性化的服务，教师也无法提供个性化的指导。通过多源数据融合认知计算的方式进行智能学习状态追踪是进行学习状态评估、个性化学习资料推荐和学习指导的重要研究方向。
[0003]现有多源数据融合认知计算的方法有以下不足之处：第一，多源数据的来源主要由用户进行确定和选择，用户往往不太清楚哪些数据对其有用，哪些数据对其没有什么用；第二，用户所设定的具体场景与目标任务，往往要通过多源数据的转换和一定的算法和模型来实现融合认知，如果计算的结果接近或者实现了认知目标，那么就大功告成；但是如果距离具体场景与目标任务认知结果太远，那么不仅代表融合认知计算的目标没有实现，而且非常有可能说明：要么多源数据来源可能有问题；要么多源数据在融合认知计算过程中的方法和模型有问题；或者多源数据融合认知过程中知识点之间的关系以及目标任务知识点融合的程度可能有问题。

技术实现思路

[0004]有鉴于此，本专利技术提出了一种满足自适应学习的多源数据融合认知方法及系统，用于解决用户选择的学习资料与目标任务不匹配的问题。
[0005]本专利技术第一方面，公开一种满足自适应学习的智能导学方法，所述方法包括：
[0006]根据用户学习行为数据获取与目标任务相关的多源学习数据；
[0007]对多源学习数据进行预处理，分别提取多源学习数据中隐含的语义信息，得到多源学习数据的语义网络矩阵；
[0008]挖掘多源学习数据的语义网络矩阵与目标任务之间的关联关系，建立多源学习数据与目标任务之间的融合认知模型；
[0009]通过IRT模型对多源学习数据与目标任务之间的融合认知模型进行认知评估；
[0010]根据认知评估结果筛选优选学习资料推荐给用户。
[0011]在以上技术方案的基础上，优选的，所述与目标任务相关的多源学习数据包括不同来源的文本、语音、图像数据或者与目标任务相关的具体场景对应的学习数据。
[0012]在以上技术方案的基础上，优选的，所述对多源学习数据进行预处理，分别提取多源学习数据中隐含的语义信息，得到多源学习数据的语义网络矩阵具体包括：
[0013]对于文本数据，采用TF
‑
IDF算法进行预处理，得到对应的文本数据特征；
[0014]对于语音数据，提取语音数据的各音频帧，对各音频帧进行傅里叶变换得到频谱
值，根据频谱值生成语谱图数据，将语谱图数据汇总形成语谱图训练集，将语谱图训练集输入预先训练好的VGG卷积神经网络，提取得到语音数据特征；
[0015]对于图像数据，进行缩放以及灰度化处理，并将所有处理后的图像数据进行汇总形成图像训练集，将图像训练集输入预先训练好的VGG卷积神经网络，提取得到图像数据特征；
[0016]将文本数据特征、语音数据特征和图像数据特征融合到一个矩阵中，形成多源学习数据的语义网络矩阵。
[0017]在以上技术方案的基础上，优选的，VGG卷积神经网络包括若干个卷积层、若干个池化层以及一个全连接层，每一个卷积层后连接一个对应的池化层，通过卷积层、池化层以及全连接层对训练集进行特征提取；
[0018]VGG卷积神经网络的图像卷积公式为：
[0019][0020]其中，表示第t特征图层中的第i个点，f表示一个激励函数，M
t
表示滑动窗口的数量，表示第t
‑
1输入层中的第j个单元，表示第t特征图层中的第i个卷积层中的第j个单元，表示第t个卷积层中的第i个偏移量。
[0021]在以上技术方案的基础上，优选的，所述通过IRT模型对多源学习数据与目标任务之间的融合认知模型进行认知评估具体包括：
[0022]通过IRT模型中的logistic模型评价用户学习能力；
[0023]通过IRT模型中的Rasch模型计算融合认知模型的认知概率；
[0024]当融合认知模型的认知概率等于50％时，表示用户学习能力与目标任务的难度相匹配；
[0025]当融合认知模型的认知概率高于50％时，表示用户学习能力高于目标任务的难度；
[0026]当融合认知模型的认知概率低于50％时，表示用户学习能力小于目标任务的难度。
[0027]在以上技术方案的基础上，优选的，所述logistic模型的公式为：
[0028][0029]θ表示某个用户的基础能力水平，η
i
表示某个用户对多源学习数据的学习能力，即基础能力水平为θ的用户通过对多源学习数据学习后，完成目标任务i的正确概率，a
i
为目标任务i的区分度，b
i
为目标任务i的难度，c
i
为目标任务i的猜测答对可能；
[0030]所述Rasch模型的公式为：
[0031][0032]P
r
表示融合认知模型的认知概率，α
j
表示第j个目标任务认知的难度。
[0033]在以上技术方案的基础上，优选的，所述根据认知评估结果筛选优选学习资料推荐给用户具体包括：
[0034]当融合认知模型的认知概率高于50％时或低于50％时，根据目标任务筛选与用户学习能力相匹配的优选学习资料，并根据优选学习资料更新融合认知模型和认知评估结果，直到融合认知模型的认知概率与50％的误差在预设阈值范围内。
[0035]本专利技术第二方面，公开一种满足自适应学习的智能导学系统，所述系统包括：
[0036]数据获取模块：用于根据用户行为数据获取与目标任务相关的多源学习数据；
[0037]数据处理模块：用于对多源学习数据进行预处理，分别提取多源学习数据中隐含的语义信息，得到多源学习数据的语义网络矩阵；
[0038]关系挖掘模块：用于挖掘多源学习数据语义网络矩阵与目标任务之间的关联关系，建立多源学习数据与目标任务之间的融合认知模型；
[0039]认知评估模块：用于通过IRT模型对多源学习数据与目标任务之间的融合认知模型进行认知评估；
[0040]指标推荐模块：用于根据认知评估结果筛选优选学习资料推荐给用户。
[0041]本专利技术第三方面，公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；
[0042]其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
[0043]所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如本专利技术第一方面所述的方法。
[0044]本专利技术第四方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如本专利技术第一方面所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种满足自适应学习的智能导学方法，其特征在于，所述方法包括：根据用户学习行为数据获取与目标任务相关的多源学习数据；对多源学习数据进行预处理，分别提取多源学习数据中隐含的语义信息，得到多源学习数据的语义网络矩阵；挖掘多源学习数据的语义网络矩阵与目标任务之间的关联关系，建立多源学习数据与目标任务之间的融合认知模型；通过IRT模型对多源学习数据与目标任务之间的融合认知模型进行认知评估；根据认知评估结果筛选优选学习资料推荐给用户。2.根据权利要求1所述的满足自适应学习的智能导学方法，其特征在于，所述与目标任务相关的多源学习数据包括不同来源的文本、语音、图像数据或者与目标任务相关的具体场景对应的学习数据。3.根据权利要求2所述的满足自适应学习的智能导学方法，其特征在于，所述对多源学习数据进行预处理，分别提取多源学习数据中隐含的语义信息，得到多源学习数据的语义网络矩阵具体包括：对于文本数据，采用TF
‑
IDF算法进行预处理，得到对应的文本数据特征；对于语音数据，提取语音数据的各音频帧，对各音频帧进行傅里叶变换得到频谱值，根据频谱值生成语谱图数据，将语谱图数据汇总形成语谱图训练集，将语谱图训练集输入预先训练好的VGG卷积神经网络，提取得到语音数据特征；对于图像数据，进行缩放以及灰度化处理，并将所有处理后的图像数据进行汇总形成图像训练集，将图像训练集输入预先训练好的VGG卷积神经网络，提取得到图像数据特征；将文本数据特征、语音数据特征和图像数据特征融合到一个矩阵中，形成多源学习数据的语义网络矩阵。4.根据权利要求3所述的满足自适应学习的智能导学方法，其特征在于，VGG卷积神经网络包括若干个卷积层、若干个池化层以及一个全连接层，每一个卷积层后连接一个对应的池化层，通过卷积层、池化层以及全连接层对训练集进行特征提取；VGG卷积神经网络的图像卷积公式为：其中，表示第t特征图层中的第i个点，f表示一个激励函数，M
t
表示滑动窗口的数量，表示第t
‑
1输入层中的第j个单元，表示第t特征图层中的第i个卷积层中的第j个单元，表示第t个卷积层中的第i个偏移量。5.根据权利要求1所述的满足自适应学习的智能导学方法，其特征在于，所述通过IRT模型对多源学习数据与目标任务之间的融合认知模型进行认知评估具体包括：通过IRT模型中的logistic模型评价用户学习能力；通过IRT模型中的Rasch模型计算融合认知模型的认知概...

【专利技术属性】
技术研发人员：杜乐，徐蓓蓓，秦宇晖，
申请(专利权)人：武汉东湖大数据交易中心股份有限公司，
类型：发明
国别省市：