本申请公开了一种教学资源的认知负荷评估方法、设备和可读存储介质，涉及神经网络技术领域，该方法包括：对教学资源基于页码进行分割，确定至少一页单页教学资源；基于模态元素的类型，确定所述单页教学资源中每种所述模态元素对应的指导向量；对所述指导向量进行融合，确定每个所述模态元素对应的特征向量；基于所述特征向量，确定单页教学资源所属的教学资源的认知负荷值。有效解决了相关技术中对于教学资源的认知负荷量化不准确的技术问题，实现了准确评估教学资源的认知负荷情况的技术效果。
【技术实现步骤摘要】
本申请涉及神经网络，尤其涉及一种教学资源的认知负荷评估方法、设备和可读存储介质。
技术介绍
1、随着在线资源自动生成不断流行，无论出于资源的美观程度还是更深层次的学习认知，自动生成过程都需要更多的算法或标准支撑，尤其是深度学习这样被认为“黑盒子”、在教育面前缺乏解释性的自动生成资源过程。多媒体学习理论指出：在资源设计、生成过程越接近学习者心理工作模式越能促进学习和知识的掌握，也就是我们的课堂教学资源设计要“以学生为中心”。所以，如果在资源智能生成过程中更多考虑资源适用对象的认知负荷承载能力等元素，那么深度学习过程或许在教育领域才有发展空间，相关教育资源深度学习自动生产的理论才能站得住脚。
2、随着教育技术从感知智能向认知智能过渡，“人机协同”视域下课堂教学资源认知融入了机器智能。认知负荷分为内部认知负荷、外部认知负荷、相关认知负荷，其中的外部认知负荷和相关认知负荷与课堂教学资源的设计者相关，未来的课堂教学资源会越来越依托人机协同进行资源生产，如由人进行资源认知负荷标记、经过机器学习让资源具有认知智能并进行组织、整合和优化。
3、而当前对于课堂教学资源本身的研究中，较为缺乏由资源设计者等造成的认知负荷量化研究，因此，如何准确评估认知负荷这一技术问题亟待解决。
技术实现思路
1、本申请通过提供一种教学资源的认知负荷评估方法、设备和可读存储介质，有效解决了相关技术中对于教学资源的认知负荷量化不准确的技术问题，实现了准确评估教学资源的认知负荷情况的技术效果。
2、本申请提供了一种教学资源的认知负荷评估方法，所述教学资源的认知负荷评估方法包括：
3、对教学资源基于页码进行分割，确定至少一页单页教学资源；
4、基于模态元素的类型，确定所述单页教学资源中每种所述模态元素对应的指导向量；
5、对所述指导向量进行融合，确定每个所述模态元素对应的特征向量；
6、基于所述特征向量，确定单页教学资源所属的教学资源的认知负荷值。
7、可选地，所述基于模态元素的类型，确定所述单页教学资源中每种所述模态元素对应的指导向量的步骤，包括：
8、将所述单页教学资源对应的图像，调整为预设尺寸；
9、确定调整后的所述图像对应的区域向量；
10、将所述区域向量输入深度残差模型，确定图像模态对应的原始向量；
11、根据全部的所述图像模态对应的原始向量作平均变换，确定图像模态对应的指导向量。
12、可选地，所述模态元素为属性，所述基于模态元素的类型，确定所述单页教学资源中每种所述模态元素对应的指导向量的步骤，包括：
13、基于深度残差模型，确定所述单页教学资源涉及的实体，所述实体为连接文本和图像的模态；
14、基于自然语言处理所述实体，确定属性模态对应的原始向量；
15、基于所述属性模态对应的原始向量进行加权平均处理，确定属性模态对应的指导向量。
16、可选地，所述模态元素为文本，所述基于模态元素的类型，确定所述单页教学资源中每种所述模态元素对应的指导向量的步骤，包括：
17、基于所述单页教学资源中的文字内容，以及图像模态和属性模态对应的文字描述，提取出文本数据；
18、基于所述文本数据构建双向长短期记忆网络；
19、确定所述长短期记忆网络中每个时间步对应的隐藏状态；
20、基于每个时间步对应的所述隐藏状态的均值，确定文本模态对应的指导向量。
21、可选地，所述对所述指导向量进行融合，确定每个所述模态元素对应的特征向量的步骤，包括：
22、以属性模态对应的指导向量作为双向长短期记忆网络的初始状态；
23、确定第一模态指导下，第二模态的原始向量对应的权重，其中，所述第一模态与所述第二模态为所述模态元素中不相同的两种；
24、根据所述权重确定所述第二模态对应的所述特征向量。
25、可选地，所述根据所述权重确定所述第二模态对应的所述特征向量的步骤，包括：
26、基于所述第一模态、所述权重以及所述模态元素的数量，确定所述第二模态的重构权重；
27、基于所述第二模态的原始向量，所述第二模态的重构权重，以及所述第二模态的原始向量对应序列的长度，确定所述第二模态的所述特征向量。
28、可选地，所述基于所述特征向量，确定单页教学资源所属的教学资源的认知负荷值的步骤，包括：
29、基于所述特征向量确定所述模态元素的注意力向量，所述注意力向量为预设长度的向量；
30、将所述注意力向量依次通过隐藏层神经网络以及输出层神经网络；
31、根据所述输出层神经网络的输出确定所述单页教学资源对应的预测值；
32、基于每个所述单页教学资源的所述预测值，确定所述教学资源的所述认知负荷值。
33、可选地，所述基于每个所述单页教学资源的所述预测值，确定所述教学资源的所述认知负荷值的步骤，包括：
34、确定预测阈值；
35、将所述预测值大于或者等于所述预测阈值的所述单页教学资源，确定为目标单页教学资源；
36、基于所述目标单页教学资源的数量，以及所述教学资源的总页数，确定所述认知负荷值。
37、此外，本申请还提出一种教学资源的认知负荷评估设备，所述教学资源的认知负荷评估设备包括存储器、处理器及存储在存储器上并可在处理器上运行的教学资源的认知负荷评估程序，所述处理器执行所述教学资源的认知负荷评估程序时实现如上所述的教学资源的认知负荷评估方法的步骤。
38、此外，本申请还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有教学资源的认知负荷评估程序，所述教学资源的认知负荷评估程序被处理器执行时实现如上所述的教学资源的认知负荷评估方法的步骤。
39、本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
40、由于采用了对教学资源基于页码进行分割，确定至少一页单页教学资源；基于模态元素的类型，确定所述单页教学资源中每种所述模态元素对应的指导向量；对所述指导向量进行融合，确定每个所述模态元素对应的特征向量；基于所述特征向量，确定单页教学资源所属的教学资源的认知负荷值，所以，有效解决了相关技术中对于教学资源的认知负荷量化不准确的技术问题，实现了准确评估教学资源的认知负荷情况的技术效果。
本文档来自技高网...
【技术保护点】
1.一种教学资源的认知负荷评估方法，其特征在于，所述教学资源的认知负荷评估方法包括：
2.如权利要求1所述的教学资源的认知负荷评估方法，其特征在于，所述基于模态元素的类型，确定所述单页教学资源中每种所述模态元素对应的指导向量的步骤，包括：
3.如权利要求1所述的教学资源的认知负荷评估方法，其特征在于，所述基于模态元素的类型，确定所述单页教学资源中每种所述模态元素对应的指导向量的步骤，包括：
4.如权利要求1所述的教学资源的认知负荷评估方法，其特征在于，所述基于模态元素的类型，确定所述单页教学资源中每种所述模态元素对应的指导向量的步骤，包括：
5.如权利要求1所述的教学资源的认知负荷评估方法，其特征在于，所述对所述指导向量进行融合，确定每个所述模态元素对应的特征向量的步骤，包括：
6.如权利要求5所述的教学资源的认知负荷评估方法，其特征在于，所述根据所述权重确定所述第二模态对应的所述特征向量的步骤，包括：
7.如权利要求1所述的教学资源的认知负荷评估方法，其特征在于，所述基于所述特征向量，确定单页教学资源所属的教学资源的认知负荷值的步骤，包括：
8.如权利要求7所述的教学资源的认知负荷评估方法，其特征在于，所述基于每个所述单页教学资源的所述预测值，确定所述教学资源的所述认知负荷值的步骤，包括：
9.一种教学资源的认知负荷评估设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的教学资源的认知负荷评估程序，所述处理器执行所述教学资源的认知负荷评估程序时实现如权利要求1至8任一项所述的教学资源的认知负荷评估方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有教学资源的认知负荷评估程序，所述教学资源的认知负荷评估程序被处理器执行时实现如权利要求1至8任一项所述的教学资源的认知负荷评估方法的步骤。
...
【技术特征摘要】
1.一种教学资源的认知负荷评估方法，其特征在于，所述教学资源的认知负荷评估方法包括：
2.如权利要求1所述的教学资源的认知负荷评估方法，其特征在于，所述基于模态元素的类型，确定所述单页教学资源中每种所述模态元素对应的指导向量的步骤，包括：
3.如权利要求1所述的教学资源的认知负荷评估方法，其特征在于，所述基于模态元素的类型，确定所述单页教学资源中每种所述模态元素对应的指导向量的步骤，包括：
4.如权利要求1所述的教学资源的认知负荷评估方法，其特征在于，所述基于模态元素的类型，确定所述单页教学资源中每种所述模态元素对应的指导向量的步骤，包括：
5.如权利要求1所述的教学资源的认知负荷评估方法，其特征在于，所述对所述指导向量进行融合，确定每个所述模态元素对应的特征向量的步骤，包括：
6.如权利要求5所述的教学资源的认知负荷评估方法，其特征在于，所述根据所述权重确定所述第...
【专利技术属性】
技术研发人员：徐博，甘健侯，王俊，周菊香，
申请(专利权)人：云南师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。