【技术实现步骤摘要】
本专利技术涉及学习评估，特别是一种基于人工智能的在线学习评估方法及系统。
技术介绍
1、近年来，随着信息技术的飞速发展，在线学习平台已成为现代教育和企业培训的重要组成部分。特别是在大数据和人工智能技术的推动下，越来越多的在线学习系统开始采用数据驱动的方式来优化学习路径、评估学习效果，以提高学习者的学习效率和学习成果。目前，市场上大部分在线学习评估系统依赖于预设的固定规则或传统的统计方法来对员工的学习行为进行监控和评估。通过收集员工在视频学习、文本阅读以及互动参与等场景中的行为数据，这些系统能够部分识别学习者的学习偏好和进度，并生成一定的学习路径。然而，传统系统在面对学习路径优化和个性化学习内容推荐时，依赖于静态的规则算法或有限的行为分析手段，难以实时动态适应员工的学习需求和行为变化。此外，现有的学习评估系统在评估员工对特定知识点的掌握情况时，通常只基于一次性的测试成绩或简单的学习时长数据，缺乏对员工多次学习行为的深入分析，这导致其在个性化推荐和精准评估方面存在局限性。
技术实现思路
1、鉴于上述现有的基于人工智能的在线学习评估方法及系统中存在的问题，提出了本专利技术。
2、因此，本专利技术所要解决的问题在于现有技术难以实时动态适应员工的学习需求和行为变化，缺乏对员工多次学习行为的深入分析，这导致其在个性化推荐和精准评估方面存在局限性。
3、为解决上述技术问题，本专利技术提供如下技术方案：一种基于人工智能的在线学习评估方法，其包括，收集员工学习数据并进行预处理
4、作为本专利技术所述基于人工智能的在线学习评估方法的一种优选方案，其中：所述收集员工学习数据并进行预处理指实时收集员工的视频学习数据、文本阅读数据和互动行为数据，将采集的三类学习行为数据进行时间对齐，生成多模态学习数据集a，将数据集a按时间片段进行划分得到基于时间片段的分片数据集，对数据集a中的各类数据进行数据清洗并进行归一化处理，将不同维度的学习行为数据映射到[0，1]的统一区间。
5、作为本专利技术所述基于人工智能的在线学习评估方法的一种优选方案，其中：所述使用反刍比算法分析员工对各个知识点的关注度，生成学习行为特征矩阵指对于每个知识点k，从数据集a中提取该知识点在所有时间片段上的学习行为数据，根据视频学习数据计算知识点k的反刍比值r：
6、
7、式中，m是员工对知识点k进行的学习时段总数，t是知识点k的标准学习时长，tk是员工在第k次学习时段中对知识点k的学习时长；
8、在计算完反刍比值后结合视频学习、文本阅读和互动行为数据生成综合的行为特征向量，将每个知识点的综合行为特征向量进行合并，构建完整的学习行为特征矩阵。
9、作为本专利技术所述基于人工智能的在线学习评估方法的一种优选方案，其中：所述基于学习行为特征矩阵生成初步学习路径指将生成的学习行为特征矩阵作为图神经网络模型的节点特征矩阵，使用动态时间规整算法计算各个节点之间的相似度度量；
10、对所有节点对进行相似度计算，设定阈值b，若两个节点的相似度度量小于等于阈值b，则在两个节点之间建立关系边，生成邻接矩阵；
11、将节点特征矩阵的每个特征向量初始化为图神经网络模型的初始节点嵌入表示，使用节点特征矩阵和邻接矩阵初始化图神经网络模型，通过多层图卷积操作，逐层聚合节点及其邻接节点的特征信息；
12、经过多层图卷积操作，生成每个节点的最终嵌入表示，对节点嵌入表示进行归一化处理；
13、通过变分自编码器中的编码器网络对节点嵌入表示进行特征变换，生成能力均值和协方差矩阵，并结合随机噪声项得到节点的潜在能力表示，生成所有节点的潜在能力表示矩阵；
14、根据节点的潜在能力表示、节点嵌入表示及其邻接节点的上下文特征，通过加权线性变换模型生成每个节点的需求变量ui：
15、
16、式中，dt是不同学习模式下节点的需求偏移量，hj是表示邻接节点j的嵌入特征向量，σ()是标准的sigmoid激活函数，tanh()是双曲正切函数，ωit是在不同学习模式t下节点i的需求权重，βij是邻接节点j对节点i的需求修正权重，α和γ是调节参数，n(i)是节点i的邻接节点集合，t是学习模式的总数量，t是当前学习模式的索引，si是第i个节点在潜在空间中的潜在能力表示向量；
17、生成知识点的需求变量矩阵，表示当前学习任务中每个节点的学习需求优先级；
18、根据需求变量和节点嵌入表示构建初步路径的加权邻接矩阵：
19、
20、式中，wi,j是节点i与节点j之间的加权邻接矩阵值，sim(hi,hj)是节点i与节点j之间的相似度度量，∈是相似度值保护项，是需求加权系数，ui是节点i的需求变量；
21、确定员工学习路径的起始节点和目标节点，根据构建的加权邻接矩阵定义最短路径权重矩阵记录从起始节点到各个节点的当前最短路径权重，定义前驱节点矩阵记录从初始节点到目标节点的最优路径中每个节点的前驱节点，定义已访问节点集合和未访问节点集合；
22、从未访问节点集合中选择当前路径权重最小的节点，对当前节点的所有邻接节点进行邻接权重更新，重复选择更新的步骤直到目标节点被加入已访问节点集合或未访问节点集合为空，从目标节点开始根据前驱节点矩阵反向回溯到起始节点，生成初步学习路径。
23、作为本专利技术所述基于人工智能的在线学习评估方法的一种优选方案，其中：所述根据员工实时学习行为动态调整学习路径指收集员工的学习时长、错误率和学习频率，设定时长阈值、错误率阈值和学习频率阈值；
24、若错误率大于等于错误率阈值并且学习时长大于等于时长阈值，说明员工对知识点的掌握不足，则在学习路径中增加复习节点；
25、若错误率小于错误率阈值并且学习时长大于等于时长阈值，说明员工虽然理解了知识点，但学习效率缓慢，则跳过当前知识点，进入下一个知识点；
26、若学习频率小于等于学习频率阈值并且错误率大于等于错误率阈值，说明员工复习频率不足并且错误率高，当前知识点需要更多的复习时间，则提示员工加强复习，在学习路径中增加复习节点；
27、若学习频率大于学习频率阈值并且错误率低于错误率阈值，说明员工经常复习该知识点，并且表现良好，则将当前知识点标记为“已完成”，并在学习路径上跳过该知识点。
28、作为本专利技术所述基于人工智能的在线学习评估方法的一种优选方案，其中：根据调整学习路径后的员工学习进度数据对员工的学习成果进行预测指使用lstm模型构建学习成果预测模型，添加lstm层，设置输入维度为n*m，其中n为时间步的数量，m为每个时间步的特征数量，隐藏层单元数量为50，本文档来自技高网...
【技术保护点】
1.一种基于人工智能的在线学习评估方法，其特征在于：包括，
2.如权利要求1所述的基于人工智能的在线学习评估方法，其特征在于：所述收集员工学习数据并进行预处理指实时收集员工的视频学习数据、文本阅读数据和互动行为数据，将采集的三类学习行为数据进行时间对齐，生成多模态学习数据集A，将数据集A按时间片段进行划分得到基于时间片段的分片数据集，对数据集A中的各类数据进行数据清洗并进行归一化处理，将不同维度的学习行为数据映射到[0，1]的统一区间。
3.如权利要求2所述的基于人工智能的在线学习评估方法，其特征在于：所述使用反刍比算法分析员工对各个知识点的关注度，生成学习行为特征矩阵指对于每个知识点K，从数据集A中提取该知识点在所有时间片段上的学习行为数据，根据视频学习数据计算知识点K的反刍比值R：
4.如权利要求3所述的基于人工智能的在线学习评估方法，其特征在于：所述基于学习行为特征矩阵生成初步学习路径指将生成的学习行为特征矩阵作为图神经网络模型的节点特征矩阵，使用动态时间规整算法计算各个节点之间的相似度度量；
5.如权利要求4所述的基于人工智
6.如权利要求5所述的基于人工智能的在线学习评估方法，其特征在于：所述根据调整学习路径后的员工学习进度数据对员工的学习成果进行预测指使用LSTM模型构建学习成果预测模型，添加LSTM层，设置输入维度为n*m，其中n为时间步的数量，m为每个时间步的特征数量，隐藏层单元数量为50，堆叠多个LSTM层，在最后一个LSTM层之后添加全连接层和输出层，输出层维度设置为1，使用均方误差作为损失函数；
7.如权利要求6所述的基于人工智能的在线学习评估方法，其特征在于：所述基于预测结果生成员工的学习评估报告指收集员工的学习成果预测分数和在学习路径中的学习行为数据生成学习报告预测报告，在报告首要位置展示通过LSTM模型预测的学习成果分数，通过图表形式展示员工的学习进展和表现，结合预测结果提供员工未来学习路径的规划和发展方向，根据员工学习路径的更新不断更新评估报告。
8.一种基于权利要求1-7任一所述的基于人工智能的在线学习评估方法的基于人工智能的在线学习评估系统，其特征在于：包括，
9.一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于人工智能的在线学习评估方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于人工智能的在线学习评估方法的步骤。
...【技术特征摘要】
1.一种基于人工智能的在线学习评估方法，其特征在于：包括，
2.如权利要求1所述的基于人工智能的在线学习评估方法，其特征在于：所述收集员工学习数据并进行预处理指实时收集员工的视频学习数据、文本阅读数据和互动行为数据，将采集的三类学习行为数据进行时间对齐，生成多模态学习数据集a，将数据集a按时间片段进行划分得到基于时间片段的分片数据集，对数据集a中的各类数据进行数据清洗并进行归一化处理，将不同维度的学习行为数据映射到[0，1]的统一区间。
3.如权利要求2所述的基于人工智能的在线学习评估方法，其特征在于：所述使用反刍比算法分析员工对各个知识点的关注度，生成学习行为特征矩阵指对于每个知识点k，从数据集a中提取该知识点在所有时间片段上的学习行为数据，根据视频学习数据计算知识点k的反刍比值r：
4.如权利要求3所述的基于人工智能的在线学习评估方法，其特征在于：所述基于学习行为特征矩阵生成初步学习路径指将生成的学习行为特征矩阵作为图神经网络模型的节点特征矩阵，使用动态时间规整算法计算各个节点之间的相似度度量；
5.如权利要求4所述的基于人工智能的在线学习评估方法，其特征在于：所述根据员工实时学习行为动态调整学习路径指收集员工的学习时长、错误率和学习频率，设定时长阈值、错误率阈值和学习频率阈值；
6.如权利要求5所述的基于人工智能的在线学习评估方法，其...
【专利技术属性】
技术研发人员：刘诗瑜，张璐燕，
申请(专利权)人：上海市信产通信服务有限公司培训中心，
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。