System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 渐进式规划效果数据驱动的自学习自完善赋权评价方法、系统、电子设备及存储介质技术方案_技高网

渐进式规划效果数据驱动的自学习自完善赋权评价方法、系统、电子设备及存储介质技术方案

技术编号:44653563 阅读:7 留言:0更新日期:2025-03-17 18:44
本发明专利技术涉及学习规划技术领域,公开了渐进式规划效果数据驱动的自学习自完善赋权评价方法、系统、电子设备及存储介质,包括:分析知识点的难度,根据知识点之间的先修关系和难度变化率,进行难度分层;统计学习者自学的学习行为分析知识点的掌握状态,基于学习时长和掌握状态对知识点进行赋权权重。本发明专利技术所述方法通过先修关系确定所有知识点的学习路径,构建知识单元,并计算各单元的平均难度,能够有效识别学习过程中知识点难度,通过对学习者的每种学习行为进行细粒度的监控,能够更加深入地了解学习者在学习过程中的细微变化,通过学习者对知识点的学习时长管理值来调节知识点的重复学习权重,能够有效平衡学习者对各个知识点的时间分配。

【技术实现步骤摘要】

本专利技术涉及学习规划,具体为渐进式规划效果数据驱动的自学习自完善赋权评价方法、系统、电子设备及存储介质


技术介绍

1、自学习的学习方法随着学习平板等设备的普及而逐步被学生和家长接收并使用,随着信息技术的发展和在线教育平台的广泛应用,个性化学习成为当前教育研究的重要方向之一,现有的个性化学习路径规划方法主要依赖于对学习者过往学习记录的简单统计和分析;

2、但在实际应用中,学习者的掌握状态和学习行为具有高度的动态性和个体差异性,这种静态的规划方法难以适应学习者个性化的学习需求,导致学习路径与学习者实际情况不匹配,在知识点难度分析上,现有方法大多仅考虑知识点的单一难度指标,忽视了知识点之间的先修关系以及学习者对不同知识点掌握程度的动态变化,导致在学习路径规划中出现难度分层不清晰、学习进程不连贯的问题,导致学习路径规划的整体效果较低。


技术实现思路

1、鉴于上述存在的问题,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学习者的掌握状态和学习行为具有高度的动态性和个体差异性,这种静态的规划方法难以适应学习者个性化的学习需求,导致学习路径与学习者实际情况不匹配,在知识点难度分析上,现有方法大多仅考虑知识点的单一难度指标,忽视了知识点之间的先修关系以及学习者对不同知识点掌握程度的动态变化,导致在学习路径规划中出现难度分层不清晰、学习进程不连贯的问题,导致学习路径规划的整体效果较低。

3、为解决上述技术问题,本专利技术提供如下技术方案:渐进式规划效果数据驱动的自学习自完善赋权评价方法,包括:

4、获取学习者的自学成果和过程参数,分析知识点的难度,根据知识点之间的先修关系和难度变化率,进行难度分层;

5、统计学习者自学的学习行为分析知识点的掌握状态,基于学习时长和掌握状态对知识点进行赋权权重,分析知识点的综合优先级和分配学习时间;

6、定义目标函数,使用多目标优化算法规划学习路径,通过非支配排序构建融合种群,迭代选择学习路径的最优解;

7、定期计算学习者的学习指标,采集学习者的学习行为数据和掌握状态监控学习进度。

8、作为本专利技术所述的渐进式规划效果数据驱动的自学习自完善赋权评价方法的一种优选方案,其中:所述自学成果包括,基于第j个知识点的自学题库,对自学学生进行自学测试,计算学生对第j个知识点的平均分;

9、所述过程参数包括,基于自学习知识点构建知识点自学题库和自学视频库,根据社交软件构建自学群聊,并记录学生的讨论次数;

10、基于第j个知识点的自学视频库,统计学生的平均观看次数;

11、基于第j个知识点,统计学生对第j个知识点的平均讨论次数;

12、通过测试的平均分、平均观看次数和平均讨论次数综合计算知识点难度,表示为:

13、;

14、其中,表示知识点j的难度,表示知识点j的自学测试平均分,表示知识点j的自学视频库平均观看次数,表示知识点j的平均讨论次数,、和分别表示所有知识点最低的平均分数、所有知识点中最高的平均观看次数和所有知识点中最高的平均评论次数;

15、通过教材资料以及知识点的逻辑关联,确定所有知识点学习所必须先修的知识点,明确知识点之间的先修关系;

16、基于知识点的先修关系将知识点j以及所有先修知识点构建知识单元,并计算知识单元所有知识点的平均难度;

17、根据平均难度的大小对所有知识单元进行排序,并计算所有知识单元平均难度之间的难度变化率,且计算所有难度变化率的均值和标准差,若知识单元平均难度之间的难度变化率大于等于所有难度变化率的均值和二倍标准差的和,则判断存在难度断层;

18、根据的大小,对不同的知识单元进行知识点的排序,并根据所述难度断层进行难度分层。

19、作为本专利技术所述的渐进式规划效果数据驱动的自学习自完善赋权评价方法的一种优选方案,其中:所述统计学习者自学的学习行为分析知识点的掌握状态,包括,基于学习者i针对知识点j的自学视频库的视频观看时长和总时长计算视频学习完整率;

20、统计学习者i在学习知识点j总学习时长,包括观看自学视频库的观看时长、阅读资料和记录笔记的学习时长;

21、统计学习者i在学习知识点j的讨论次数;

22、根据学习者i的统计数据,包括视频学习完整率、学习时间总和、针对所有学习者的最大视频学习完整率、学习时长和讨论次数,进行归一化处理;

23、将归一化处理的视频学习完整率、学习时间总和与讨论次数的和作为学习者的学习行为数据,并根据所有学习者i的最大学习行为值进行归一化处理,得到学习者i针对知识点j的学习行为值;

24、统计学习者在学习知识点j时的针对自学视频库的视频观看的异常行为进行统计,同时统计学习者在学习知识点j时进行讨论的非学习相关讨论次数,针对异常行为和非学习相关讨论次数进行求和并归一化处理;

25、基于学习者i学习知识点j的实际学习时长除以计划学习时长,计算学习时长管理值,并进行归一化处理;

26、根据学习行为值、学习异常行为值、学习时长管理值和自学测试平均分综合计算学习者对知识点的掌握,表示为:

27、;

28、其中,表示学习者i对知识点j的掌握状态值,表示学习者i对知识点j的自学测试分数,表示学习者i对知识点j学习过程的学习行为值,表示学习者i学习知识点j的学习异常行为值,表示学习者i学习知识点j的学习时长管理值;

29、统计所有学习者在所有知识点上的历史平均掌握状态,并计算所有学习者掌握状态的总体标准差;

30、若学习者对知识点的掌握状态值大于等于历史平均掌握状态与掌握状态的总体标准差的和,则判断学习者对知识点的掌握程度较好;若学习者对知识点的掌握状态值小于历史平均掌握状态与掌握状态的总体标准差的和,则判断学习者对知识点的掌握程度较差。

31、作为本专利技术所述的渐进式规划效果数据驱动的自学习自完善赋权评价方法的一种优选方案,其中:所述基于学习时长和掌握状态对知识点进行赋权权重,分析知识点的综合优先级和分配学习时间,包括,根据学习者针对不同知识点的学习时长管理值的平均值,计算知识点j的重复学习权重,表示为:

32、;

33、其中,表示知识点j的赋权权重,表示学习者i的平均学习时长管理值;

34、综合考虑赋权权重、知识点j的难度和掌握状态值,对知识点的综合优先级进行计算,表示为:

35、;

36、其中,表示为知识点j的综合优先级,表示为知识点j的难度值,表示知识点j的所有前置知识点集合,表示学习者i对前置知识点u的掌握状态值;

37、综合考虑知识点j的优先级和总规划学习时间,对知识点的目标学习时间进行分配,表示为:

38、;

39、其中,表示总学习时间,m表示知识点总数,表示知识点j的分配学习时间。

<本文档来自技高网...

【技术保护点】

1.渐进式规划效果数据驱动的自学习自完善赋权评价方法,其特征在于,包括:

2.如权利要求1所述的渐进式规划效果数据驱动的自学习自完善赋权评价方法,其特征在于:所述自学成果包括,基于第j个知识点的自学题库,对自学学生进行自学测试,计算学生对第j个知识点的平均分;

3.如权利要求2所述的渐进式规划效果数据驱动的自学习自完善赋权评价方法,其特征在于:所述统计学习者自学的学习行为分析知识点的掌握状态,包括,基于学习者i针对知识点j的自学视频库的视频观看时长和总时长计算视频学习完整率;

4.如权利要求3所述的渐进式规划效果数据驱动的自学习自完善赋权评价方法,其特征在于:所述基于学习时长和掌握状态对知识点进行赋权权重,分析知识点的综合优先级和分配学习时间,包括,根据学习者针对不同知识点的学习时长管理值的平均值,计算知识点j的重复学习权重,表示为:

5.如权利要求4所述的渐进式规划效果数据驱动的自学习自完善赋权评价方法,其特征在于:所述定义目标函数,使用多目标优化算法规划学习路径包括,使用多目标优化算法NSGA-II动态规划学习者的学习路径,初始化种群C和种群个体h,个体h表示学习路径和对应的学习时间分配方案;

6.如权利要求5所述的渐进式规划效果数据驱动的自学习自完善赋权评价方法,其特征在于:所述通过非支配排序构建融合种群,迭代选择学习路径的最优解包括,基于非支配排序非支配层低的个体,作为父代个体,在学习路径序列和时间分配序列上进行学习路径交叉和学习时间交叉,生成子代个体;

7.如权利要求6所述的渐进式规划效果数据驱动的自学习自完善赋权评价方法,其特征在于:所述定期计算学习者的学习指标包括,针对学习者的学习进度进行检测,并定期计算学习者的学习指标,表示为:

8.一种采用如权利要求1-7任一所述方法的渐进式规划效果数据驱动的自学习自完善赋权评价系统,其特征在于:

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如权利要求1-7任一所述方法的步骤。

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如权利要求1-7任一所述方法的步骤。

...

【技术特征摘要】

1.渐进式规划效果数据驱动的自学习自完善赋权评价方法,其特征在于,包括:

2.如权利要求1所述的渐进式规划效果数据驱动的自学习自完善赋权评价方法,其特征在于:所述自学成果包括,基于第j个知识点的自学题库,对自学学生进行自学测试,计算学生对第j个知识点的平均分;

3.如权利要求2所述的渐进式规划效果数据驱动的自学习自完善赋权评价方法,其特征在于:所述统计学习者自学的学习行为分析知识点的掌握状态,包括,基于学习者i针对知识点j的自学视频库的视频观看时长和总时长计算视频学习完整率;

4.如权利要求3所述的渐进式规划效果数据驱动的自学习自完善赋权评价方法,其特征在于:所述基于学习时长和掌握状态对知识点进行赋权权重,分析知识点的综合优先级和分配学习时间,包括,根据学习者针对不同知识点的学习时长管理值的平均值,计算知识点j的重复学习权重,表示为:

5.如权利要求4所述的渐进式规划效果数据驱动的自学习自完善赋权评价方法,其特征在于:所述定义目标函数,使用多目标优化算法规划学习路径包括,使用多目标优化算法nsga-ii动态规划学习者的学习路...

【专利技术属性】
技术研发人员:赵伟霖潘飞许晓玲黄丹阳杨梦金邦梅白雪祝金慧
申请(专利权)人:上海浦源科技有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1