【技术实现步骤摘要】
本专利技术涉及课程规划，尤其涉及一种基于自适应学习算法的动态课程规划方法。
技术介绍
1、在现有技术中教育领域的个性化学习需求日益增长，传统的课程规划方式在满足学习者的实时学习需求方面存在诸多不足，通常教育平台通过预定义的课程结构为不同学习者提供统一的教学内容，缺乏对学习者个体差异的动态响应能力，在学习过程中无法根据学习者的实时表现进行针对性调整，学习者在某些知识点上的薄弱环节无法被实时识别和强化，容易导致学习效率低下和知识点掌握不均衡。
2、为了改善这一问题，部分现有技术尝试引入自适应学习算法，通过收集学习者的学习数据来分析其学习状态，然而，自适应学习算法在实践中仍存在一些明显的缺陷：首先，现有系统大多局限于简单的线性分析无法全面捕捉学习者知识结构的复杂性；其次，现有的动态课程规划系统在推荐学习资源时仅依赖于静态规则或简单的匹配算法，难以实现个性化和动态调整，导致学习资源的分配与学习者的真实需求不符。
3、此外，部分现有技术试图通过数据挖掘和学习路径分析来优化课程规划，但现有方法缺乏对学习者实时表现的细粒度追踪和动态响应能力，在识别学习者的知识盲点或薄弱区域时，现有技术主要依赖于预定义的阈值或静态规则，难以灵活适应学习者多变的学习状态，再者，现有系统在多平台兼容性和资源整合方面存在技术瓶颈，课程规划系统难以高效地在不同教育平台间迁移和应用，限制了其推广性和适应性。
4、上述的问题在实践中极大限制了个性化学习算法的有效性，亟需一种新的技术手段来克服上述缺陷，提高课程规划系统的动态响应能力和资源
技术实现思路
1、本专利技术的一个目的在于提出一种基于自适应学习算法的动态课程规划方法，本专利技术能够更好地满足个性化学习需求，提升学习效果和系统的跨场景适应性。
2、根据本专利技术实施例的一种基于自适应学习算法的动态课程规划方法，包括如下步骤：
3、s1.采集学习者的过往课程成绩数据、在线学习时长数据、知识点掌握情况数据以及学习行为偏好数据，基于采集的数据构建学习者知识空间的多维数据模型；
4、s2.在多维数据模型的基础上利用分形几何方法对学习者知识空间进行分析，计算学习者知识空间的分形维数，量化学习者知识结构的复杂性，并形成分形特性表征的知识图谱；
5、s3.基于知识图谱，结合自适应学习算法对学习者知识空间中的各知识点掌握情况进行评估，识别学习者知识空间中的薄弱区域及潜在知识盲点；
6、s4.根据学习者实时知识状态分析结果结合学习目标，利用分形递归算法对知识图谱进行递归分解，将知识点划分为主干知识模块、次级扩展模块及细化知识模块，动态学习路径通过调整主干模块的排列顺序、动态展开次级模块及加载细化模块；
7、s5.基于学习者实时知识状态和动态学习路径，利用分形特性对多层次学习资源进行优化推荐，优化推荐内容和排序依据学习者的知识掌握情况、薄弱知识点和学习行为偏好动态调整；
8、s6.根据s5推荐的学习资源，通过实时监测学习者在学习过程中的表现数据，结合表现数据分析结果动态调整学习路径及资源推荐内容，优化学习建议并实时更新学习者知识状态，直至课程规划结束。
9、可选的，所述s1包括以下步骤：
10、s11.采集学习者的过往课程成绩数据、在线学习时长数据、知识点掌握情况数据以及学习行为偏好数据：
11、过往课程成绩数据gi表示学习者在第i门课程中的成绩，取值范围为[0,1]；
12、在线学习时长数据ti表示学习者在与第i个知识点相关的累计在线学习时长；
13、知识点掌握情况数据ki表示学习者对第i个知识点的掌握程度，取值范围为[0,1]，0表示未掌握，1表示完全掌握；
14、学习行为偏好数据pi表示学习者对第i个知识点相关学习资源的使用偏好；
15、s12.对采集到的过往课程成绩数据、在线学习时长数据、知识点掌握情况数据以及学习行为偏好数据进行归一化处理，使不同类型数据在统一尺度上进行比较；
16、s13.基于归一化后的学习者数据构建学习者知识空间的多维数据模型：
17、
18、其中，s为知识空间的多维数据模型矩阵。
19、可选的，所述s2包括以下步骤：
20、s21.利用知识空间多维数据模型s将每个知识点表示为节点vi，节点之间的关联关系表示为边eij，构建学习者的知识空间网络图：
21、g＝(v,e,w)：
22、其中，v为知识点节点集合，e为节点之间的关联边集合，w＝{wij}为边权重集合，边权重wij根据知识点vi和知识点vj的关联强度计算：
23、
24、其中，ki,kj为知识点vi和知识点vj的掌握程度，λ为关联度调节系数，∥ki∥,∥kj∥为对应知识点掌握程度的范数；
25、s22.采用盒维数法对知识空间网络图g进行分形维数计算，将知识空间网络嵌入到度量空间中，选择不同尺度的盒子大小εl，对整个知识空间进行覆盖，盒子数量n(εl)表示在尺度εl下覆盖知识空间所需的最小盒子数，建立盒子大小εl与盒子数量n(εl)的对应关系，形成数据集{(logεl,logn(εl))}；
26、利用线性回归方法对数据集进行拟合，计算分形维数d：
27、
28、其中，k为拟合直线的斜率，d为知识空间网络的分形维数，量化学习者知识结构的复杂性；
29、s23.根据计算得到的分形维数d结合知识空间网络g生成具有分形特征的知识图谱t，根据分形维数d和节点的拓扑特性调整节点vi的权重
30、
31、其中，ki为知识点vi的掌握程度，deg(vi)为节点vi的度，为权重调节指数，dmax为知识空间可能的最大分形维数；
32、根据节点权重和分形特性，调整边eij的权重weij：
33、
34、其中，为调整后的节点权重，φ为边权重调节指数；
35、构建知识图谱的加权邻接矩阵t＝[tij]：
36、tij＝{w0e,ij,如果节点vi否与则vj直接相连；
37、s24.将生成的具有分形特性的知识图谱t存储于学习管理系统的数据库中。
38、可选的，所述s3包括以下步骤：
39、s31.基于知识图谱t，结合知识点掌握程度ki和知识图谱中节点权重评估学习者对知识点的综合掌握情况：
40、
41、其中，mi表示知识点vi的综合掌握程度，ki为学习者对知识点vi的掌握程度，deg(vi)为知识点vi的度，表示与其直接相连的知识点数，为知识图谱中所有节点度的总和；
42、s32.通过知识图谱t的边权重和节点掌握程度mi,mj计算知识点vi和vj之间的关联强度rij和薄弱程度lij：
43、
44、lij＝1-rij本文档来自技高网...
【技术保护点】
1.一种基于自适应学习算法的动态课程规划方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于自适应学习算法的动态课程规划方法，其特征在于，所述S1包括以下步骤：
3.根据权利要求1所述的一种基于自适应学习算法的动态课程规划方法，其特征在于，所述S2包括以下步骤：
4.根据权利要求1所述的一种基于自适应学习算法的动态课程规划方法，其特征在于，所述S3包括以下步骤：
5.根据权利要求1所述的一种基于自适应学习算法的动态课程规划方法，其特征在于，所述S4包括以下步骤：
6.根据权利要求1所述的一种基于自适应学习算法的动态课程规划方法，其特征在于，所述S5包括以下步骤：
【技术特征摘要】
1.一种基于自适应学习算法的动态课程规划方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于自适应学习算法的动态课程规划方法，其特征在于，所述s1包括以下步骤：
3.根据权利要求1所述的一种基于自适应学习算法的动态课程规划方法，其特征在于，所述s2包括以下步骤：
4.根据...
【专利技术属性】
技术研发人员：戴振华，屈丽明，段元梅，谭美华，朱智勇，
申请(专利权)人：湖南科技学院，
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。