一种基于人工智能技术的智适应在线学习与考试平台的制作方法

本发明涉及ai教育技术领域，尤其是一种基于人工智能技术的智适应在线学习与考试平台。

背景技术：

自适应学习(adaptivelearning)在国内得到广泛关注是在2015年，彼时在线教育正野蛮生长，部分人注意到在线考试知识点的贯穿上存在一些不足，学生用户知识掌握不牢固。这是因为不同学习内容之间的跳转逻辑是线性单一的，学生即使已经掌握了某一块内容，还是需要再花费时间去学习；另外，学生有问题也不能得到即时的反馈和帮助。对此，自适应学习致力于通过计算机手段检测学生当前的学习水平和学习状态，并相应地调整后期的学习内容和学习路径，帮助学生提升学习效率。然而，学习与考试是一个复杂且隐性的过程，简单的计算机编程很难有特别好的效果，这推动了基于人工智能技术的智适应学习的产生和发展，这是传统学习模式的升级，也是新型学习方式的探索，在教育领域意义重大。

现有在线考试系统的操作步骤、业务流程以及算法等都相当复杂，需要人工处理的地方也比较多，存在一定的缺陷，例如：⑴只是建立了知识点之间的简单关联，没有完全建立知识点之间的父子、前驱、后续关系，无法形成有效的知识点串联，更无法形成完整的知识点学习路径图；⑵无法实现学科间的知识点串联，即多门课程间的知识点串联，比如学生在学习测试中医诊断学的某个知识点没有掌握，可能是由于当前知识点的前驱知识点或前序学科(中医基础理论)的知识点未掌握而引起的；⑶不能按批次进行组卷(一次考试设置多个批次，同时要保证各个批次试题之间的重复度不超过20％)，且不能按知识点分数(指定题型和每个知识点分数占比，系统自动将知识点智能分布到各个题型中)占比或知识点题量(指定题型和每个知识点题量占比，系统自动将知识点所占的题量智能分布到各个题型中)占比进行智能组卷；⑷不能对学生试卷的主观题进行智能自动判断，同时对每个试题也无法设置关键词判分标准；⑸基于单学科的学习或者习题推荐，无法实现跨学科的学习内容或测试试题的推荐；⑹传统的个性化学习方案的推荐算法，要么是基于用户协调过滤的推荐，要么是基于学习内容的推荐，要么是基于知识的推荐，每个独立的推荐算法都不能达到预期的推荐效果。

技术实现要素：

针对上述问题，本发明提供一种基于人工智能技术的智适应在线学习与考试平台。

一种基于人工智能技术的智适应在线学习与考试平台，主要由智适应学习系统和智能考试系统组成；所述智适应学习系统内建立有双层知识图谱和基于双层知识图谱的学习路径图；所述双层知识图谱用于描述和表示知识点之间关系，是集学科间的课程关系、知识点之间关系、前驱知识点、后续知识点为一体的四元组合体系，所述知识点之间关系包括学科内知识点关系和学科间知识点关系；所述学习路径图以知识点为顶点，知识点之间关系和权重为连接线构建而成；所以学习路径图为所述智适应学习系统向学生推送相应的知识点试题和学习资料提供依据。

进一步的，所述双层知识图谱的建立具体包括以下步骤：1.通过分析某个学科的教材，获取课程知识点关键字；2.通过课程知识点关键字获取该课程子知识点；3.通过该课程子知识点建立其与父级知识点的关联；4.分析父级知识点之间的先后关系；5.通过组合父级知识点和子知识点，确定学科内知识点之间关系和权重；6.通过建立学科间的关系确定学科间知识点之间关系和权重；7.结合学科内知识点之间关系和权重、学科间知识点之间关系和权重以及课程提纲的重点、难点构建跨学科的双层知识图谱；其中，知识点及其相关关系和权重需要根据课程提纲的变化修正。

进一步的，所述智适应学习系统的主要工作流程包括以下步骤：1.预先依据felder-silverman和所罗门学习风格量表推测学生学习风格，得到该学生的初始学习风格模型；2.基于学习路径图和学习风格模型向该学生推送个性化学习测试试题序列；3.基于贝叶斯网络挖掘该学生学习行为模式，对该学生的初始学习风格模型进行修正；依据概念累积计分法推测该学生的认知水平掌握情况并修正该学生的风格模型；4.重复步骤l2、l3；其中，所述概率累计积分法是通过统计该学生每次正确回答的试题个数与试题熟练程度属性值的乘积，通过统计该学生的实际答题积分和理想答题积分的比值，得到一个0-1之间的数值，作为该学生是否掌握对应知识点的依据。

进一步的，所述智能考试系统包括智能题库管理模块、智能组卷模块、智能判分模块；所述智能题库管理模块用于试题的导入和校对；所述智能组卷模块用于按题型和知识点的分数占比或题量占比进行多批次智能组卷；所述智能判分模块用于对学生的主观题答案进行自动判分。

进一步的，所述智能考试系统还包括考场监控模块，用于但不限于进行强制交卷、断电续考、视频抓拍、重考操作。

进一步的，所述智能考试系统包括考试统计分析模块，用于进行参考群体的考试成绩分析和知识点掌握情况分析。

进一步的，考试试题通过随机算法动态生成，试题和选项均经过乱序处理。

本发明的有益效果：1.实现了学科间知识点的串联，形成了完整的学习路径图，更利于用户掌握更多的知识点，更透彻地掌握知识点；2.实时更新学生的学习风格模型，并根据学习风格模型和学习路径图精准推送个性化学习测试试题序列，优化学习过程，利于学生尽快全面掌握知识点；3.通过智能组卷，直接优化试题结构，减轻教师负担；4.主观题自动判分，减轻教师阅卷负担。

附图说明

图1为本实施例1的组成示意图；

图2为知识点之间的关系图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

实施例1

一种基于人工智能技术的智适应在线学习与考试平台，如图1所示，主要由智适应学习系统和智能考试系统组成；所述智适应学习系统主要涉及双层知识图谱构建、基于知识点关系的学习路径图、智能试题库和学习资源库，用户学习风格模型(即用户画像)构建及修正和自适应模拟训练与课堂练习；所述智能考试系统主要涉及知识点及知识图谱、智能题库、智能组卷、考场监控和智能判分。

所述双层知识图谱用于描述和表示知识点之间关系，是集学科间的课程关系、知识点之间关系、前驱知识点、后续知识点为一体的四元组合体系，所述知识点之间关系包括学科内知识点关系和学科间知识点关系。

所述双层知识图谱的建立具体包括以下步骤：1.通过分析某个学科的教材，获取课程知识点关键字；2.通过课程知识点关键字获取该课程子知识点；3.通过该课程子知识点建立其与父级知识点的关联；4.分析父级知识点之间的先后关系；5.通过组合父级知识点和子知识点，确定学科内知识点之间关系和权重；6.通过建立学科间的关系确定学科间知识点之间关系和权重；7.结合学科内知识点之间关系和权重、学科间知识点之间关系和权重以及课程提纲的重点、难点构建跨学科的双层知识图谱。若课程提纲发生变化，知识点及其相关关系和权重需要随之进行修正。本实施例中，双层知识图谱的数据最终以mysql数据库进行存储。

所述学习路径图基于所述双层知识图谱，以知识点为顶点，知识点之间关系和权重为连接线构建而成；所以学习路径图为所述智适应学习系统向学生推送相应的知识点试题和学习资料提供依据。

所述智适应学习系统的主要工作流程包括以下步骤：

1.预先依据felder-silverman和所罗门学习风格量表推测学生学习风格，得到该学生的初始学习风格模型。

2.基于学习路径图和学习风格模型向该学生推送个性化学习测试试题序列；推送原则包括向前推荐和向后推荐，向前推荐是指找出学生由于哪个知识点没有掌握导致不能掌握某个知识点，若某父级知识点的所有子知识点都已经掌握，则判断该父级知识点的其他前驱知识点有没有掌握，若没有掌握则对前驱知识点进行学习，若已经掌握则进行后续知识点学习；向后推荐是指学生掌握某个知识点的基础上接下来还需要学习哪一个知识点，若后续知识点只有一个前驱知识点，则推荐后续知识点的子知识点(根据权重)进行学习，若后续知识点不止一个前驱，则推荐后续知识点的其他前驱知识点进行学习。

将知识点以一定的顺序串接起来就可形成复合知识点，则复合知识点与串接起来的各个知识点之间即为父子关系，以图2所示的中医诊断学课程为例，胀痛为气滞证、肝郁气滞证的父级知识点，气滞证、肝郁气滞证为胀痛的子知识点。

在学习某一个知识点之前必须先学习相关的另一知识点，那么后者即为前者的前驱知识点；在学习某一个知识点之后，由本知识点直接支持的知识点，即为本知识点的后续知识点；以图2所示的中医诊断学课程为例，血瘀证的证候表现、望色、望舌、脉诊为瘀阻脑络证的前驱知识点，瘀阻脑络证为血瘀证的证候表现、望色、望舌、脉诊的后续知识点。

初始学习风格模型表达出的是学生静态的或初始的学习风格，实际应用中学习风格模型需要通过分析学生的学习时间、做题量、每道试题的做题时间、测试次数、知识点答对情况、知识点错误率等进行修正。

3.基于贝叶斯网络挖掘该学生学习行为模式，对该学生的初始学习风格模型进行修正；依据概念累积计分法推测该学生的认知水平掌握情况并修正该学生的风格模型，所述概率累计积分法是通过统计该学生每次正确回答的试题个数与试题熟练程度属性值的乘积，通过统计该学生的实际答题积分和理想答题积分的比值，得到一个0-1之间的数值，作为该学生是否掌握对应知识点的依据。

4.重复步骤2-3，学生通过平台不断地学习与训练，用于分析的有效数据越多，试题推送会越发精准、有效。

所述智能考试系统包括智能题库管理模块、智能组卷模块、智能判分模块。

所述智能题库管理模块用于试题的导入和校对，校对是指基于人工智能分词算法对题库中的所有课程试题进行综合分析(解析试题关键词、利用分词相似度计算试题相似度)，对试题题干、选项及答案相似的试题进行智能提醒，最终是否为重复试题由教师判断并处理。

所述智能组卷模块用于组织多批次按题型和知识点的分数占比或题量占比进行多批次智能组卷；按题型和知识点分数占比进行多批次智能组卷，是指教师设置好各个题型的试题数量和知识点分数占比后，系统利用遗传算法、适应度以及难度系数的综合判断，将知识点按照其分数占比智能地分布到各个题型的试题中；按题型和知识点题量占比进行多批次智能组卷，是指是指教师设置好题型题量和知识点题量占比后，系统利用遗传算法、适应度以及难度系数的综合判断，将知识点按照其题量占比智能地分布到各个题型的试题中。整个过程教师无需关心具体的知识点到底分布到哪个题型中。

所述智能判分模块利用基于自然语义理解的人工智能分词算法、关键词占比、相似度对比等算法，根据每个试题的分数，自动对学生的主观题答案进行自动判分，同时支持自定义阅卷方式，可以选择人工阅卷。

所述智能考试系统还包括考场监控模块，对参与在线考试的学生可以设置考试口令、强制交卷、单个学生延时、整场考试延时、断电续考、重考、确认交卷等处理，同时可以监控当前学生的考试状态，如已完成学生答题情况、在考学生答题完成进度、视频抓拍照片等。

所述智能考试系统包括考试统计分析模块，利用机器学习的wd校验和正态性校验算法进行参考群体的考试成绩分析和知识点掌握情况分析，利于教师掌握班上学生的整体水平，例如对于某个知识点是否大多数人都没有掌握，可选择性地再次在课堂上进行讲述。

为了防止课堂测试中的作弊行为或者课下练习中的背答案行为，考试试题通过随机算法动态生成，试题和选项均经过乱序处理。

显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域及相关领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。