【技术实现步骤摘要】
本专利技术涉及智能教育学习，具体为一种基于儿童学习偏好和智能教练的自适应学习方法。
技术介绍
1、随着信息技术的进步，在线学习平台和教育应用程序的普及，越来越多的教育资源可以通过数字渠道提供，人工智能和机器学习的发展使得智能教练系统成为可能，儿童的学习能力、兴趣和偏好存在很大差异，传统的教育方法通常采取统一的模式，缺乏个性化的调整，无法照顾到每个儿童特有的学习需求，个性化学习的兴起旨在提供更具针对性的教育解决方案，以实现教育公平和包容性，个性化学习可以显著提升儿童的学业表现和学习效果。
2、目前，现有的自适应学习方法难以客观地获取到儿童的学习行为，只能通过主观感受进行个性化教学，使得儿童学习过程中学习内容以及学习路径容易发生偏差，难以获得符合自身学习需求的学习资源，导致儿童的个性化学习质量较差，难以实现最优的学习效果。
技术实现思路
1、本专利技术的目的在于提供一种基于儿童学习偏好和智能教练的自适应学习方法，以解决上述
技术介绍
提出的现有的自适应学习方法难以客观地获取到儿童的学习行为，只能通过主观感受进行个性化教学，使得儿童学习过程中学习内容以及学习路径容易发生偏差，难以获得符合自身学习需求的学习资源，导致儿童的个性化学习质量较差，难以实现最优的学习效果的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于儿童学习偏好和智能教练的自适应学习方法，包括以下步骤：
3、s1、获取儿童的年龄、兴趣、已有知识水平及学习风格信息，确定儿童学习的主
4、s2、利用问卷调查或观察与面谈，收集儿童的学习偏好、学习风格和兴趣点，根据学习行为对儿童进行知识点定位；
5、s3、通过在线学习平台跟踪儿童的学习进度、交互频率与练习结果，明确儿童学习的学习风格，采用k-means算法进行聚类分析，以识别儿童的学习偏好，构建基于学习风格的学习偏好模型；
6、s4、对儿童学习表现进行分析评估，根据评估结果融合定位知识点和学习偏好推荐符合儿童需求的学习资源，将学习资源对接智能教练进行自适应学习；
7、s5、采用定期测试评估对儿童学习进展进行监测，构建家长、教师和儿童之间的反馈渠道，以动态调整学习策略，有助于监测儿童的学习进展，确保教学策略的及时调整，为儿童提供更精准的学习支持。
8、优选的，在步骤s2中，所述根据学习行为对儿童进行知识点定位包括以下步骤：
9、①、根据学习者学习历史行为，构建出学习者－知识点难易度矩阵，计算学习者相似度；
10、②、预测出学习者目标知识点相对难易度系数；
11、③、根据学习者的目标知识点难易度系数进行分析，若难度大于学习者学习过知识点平均难度系数50%，则执行步骤④；若为平均难度低于或等于平均难度则执行步骤⑤；
12、④、寻找知识图谱中当前知识点前驱节点中最邻近的难易度较大的知识点；
13、⑤、基于ripplenet模型在知识图谱中进行偏好传播过程，预测出用户可能会点击的知识点，知识点为知识图谱中前驱或后继，可供不同学习需求的用户选择对应知识点资源。
14、优选的，在步骤s3中，所述构建基于学习风格的学习偏好模型前需明确学习资源在每个维度分别属于哪种类型，包括以下步骤：
15、s31、儿童完成挑选资源的学习后，对学习资源进行“非常满意、满意、一般、不满意、非常不满意”的评价；
16、s32、计算出某项资源在某维度某类型的概率k，计算公式如下：；
17、式中：表示评价为“非常满意”的某维度某类型的概率，m 表示“非常满意”的人数，表示评价为“满意”的某维度某类型的概率，n表示“满意”的人数；
18、s33、计算得到每项资源在所有维度及类型上的概率，获得学习资源在各维度的风格数据，形成学习资源模型库。
19、优选的，在步骤s3中，所述基于学习风格的学习偏好模型中，利用k-means算法进行聚类分析判断出儿童的学习偏好，分析出同类型的学习者，即他们有相似的学习偏好，k-means算法基于欧式距离计算两个目标的距离，若距离越近，则认为两者越相似，利用该算法进行学习偏好分析包括以下步骤：
20、（1）获取学习行为集，则ｍ个学习者的ｎ条学习行为可以定义如下数据集b：；
21、（2）将两个学习者的行为用向量进行表示，则有：；
22、；
23、根据欧式距离计算公式的定义，得到两者计算公式为：；
24、（3）根据k-means算法，将ｋ值设置为2，得出两个聚类中心，里面分别包括第ｉ、ｊ个学习者行为集；
25、最后根据，这两簇学习者的对应的行为次数，以此确定其学习风格。
26、优选的，在步骤s4中，所述对儿童学习表现进行分析评估的流程为：首先根据推荐的知识点找到所有的学习资源，再结合根据偏好聚类得出的学习者集合，然后构建学习者－资源评分矩阵来计算用户之间的相似性，并以此预测资源评分，最后利用学习资源推荐算法进行学习资源推荐。
27、优选的，在步骤s4中，所述学习资源推荐算法包括以下步骤：
28、s41、根据当前学习资源及知识点，对学习者历史学习行为分析计算，预测当前学习知识点难易度，得到推荐学习知识点；
29、s42、构建在线学习偏好模型，对有相同偏好的学习者进行聚类；
30、s43、根据步骤s41和步骤s42的结果构建学习者－资源评分矩阵，计算ｋ邻近下用户相似度；
31、s44、预测未学习过的对应知识点相关联的资源得分，预测计算公式如下：；
32、式中：包含了与学习者ｕ最相似的h个用户，表示对资源ｉ有评分的学习者，为uv两个学习者之间的相似度，表示学习者v对资源i的评分，是学习者v对其评过分的资源的评价评分，表示学习者u对资源i的评分；表示学习者u对资源i的预测评分，是学习者u对其评过分的资源的评价评分；
33、s45、推荐预测得分较高的学习资源给学习者。
34、优选的，在步骤s4中，所述智能教练将儿童学习资源拆分为模块，将学习内容拆分为模块，方便根据每个儿童的进展动态调整，使用游戏化的方式来激发儿童的兴趣，使学习变得更加有趣和互动。
35、优选的，在步骤s5中，所述采用定期测试评估对儿童学习进展进行监测包括以下步骤：
36、s51、设定测试间隔，采用纸笔测验、在线测评、项目作业、口头考试的形式评估儿童的知识和能力；
37、s52、将测试结果整理成数据报告，分析儿童的整体表现及个体差异；
38、s53、对比历史数据，识别儿童的学习进展、学习瓶颈和改善领域；
39、s54、定期向家长汇报儿童的学习进展和测试结果，提供具体的反馈和建议，鼓励家长参与学习过程。
40、优选的，在步骤s5中，所述动态调整学习策略利用机器学习算法根据儿童的学习进度和反馈本文档来自技高网...
【技术保护点】
1.一种基于儿童学习偏好和智能教练的自适应学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于儿童学习偏好和智能教练的自适应学习方法，其特征在于，在步骤S2中，所述根据学习行为对儿童进行知识点定位包括以下步骤：
3.根据权利要求1所述的一种基于儿童学习偏好和智能教练的自适应学习方法，其特征在于，在步骤S3中，所述构建基于学习风格的学习偏好模型前需明确学习资源在每个维度分别属于哪种类型，包括以下步骤：
4.根据权利要求1所述的一种基于儿童学习偏好和智能教练的自适应学习方法，其特征在于，在步骤S3中，所述基于学习风格的学习偏好模型中，利用K-means算法进行聚类分析判断出儿童的学习偏好，分析出同类型的学习者，即他们有相似的学习偏好，K-means算法基于欧式距离计算两个目标的距离，若距离越近，则认为两者越相似。
5.根据权利要求1所述的一种基于儿童学习偏好和智能教练的自适应学习方法，其特征在于，在步骤S4中，所述学习资源推荐算法包括以下步骤：
6.根据权利要求1所述的一种基于儿童学习偏好和智能教练的自适应
7.根据权利要求1所述的一种基于儿童学习偏好和智能教练的自适应学习方法，其特征在于，在步骤S5中，所述采用定期测试评估对儿童学习进展进行监测包括以下步骤：
8.根据权利要求1所述的一种基于儿童学习偏好和智能教练的自适应学习方法，其特征在于，在步骤S5中，所述动态调整学习策略利用机器学习算法根据儿童的学习进度和反馈来动态调整学习内容与策略。
...【技术特征摘要】
1.一种基于儿童学习偏好和智能教练的自适应学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于儿童学习偏好和智能教练的自适应学习方法，其特征在于，在步骤s2中，所述根据学习行为对儿童进行知识点定位包括以下步骤：
3.根据权利要求1所述的一种基于儿童学习偏好和智能教练的自适应学习方法，其特征在于，在步骤s3中，所述构建基于学习风格的学习偏好模型前需明确学习资源在每个维度分别属于哪种类型，包括以下步骤：
4.根据权利要求1所述的一种基于儿童学习偏好和智能教练的自适应学习方法，其特征在于，在步骤s3中，所述基于学习风格的学习偏好模型中，利用k-means算法进行聚类分析判断出儿童的学习偏好，分析出同类型的学习者，即他们有相似的学习偏好，k-means算法基于欧式距离计算两个目标...
【专利技术属性】
技术研发人员：吴晓涛，甘俊杰，陈一丰，龙萍，肖慈婉，陈丽美，甘伟发，胡礼春，查丽，
申请(专利权)人：珠海谷田科技有限公司，
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。