基于知识点相似度的自适应教学方案调整方法与流程

本发明属于数据处理技术领域，具体来说涉及一种基于知识点相似度的自适应教学方案调整方法。

背景技术：

随着网络技术的高速发展，近年来在线教学系统在网络上大量普及。目前来说，很多传统的在线教学系统都会根据各个知识点在逻辑上的关联性，在系统中制备知识点图谱。同时，还会沿着知识点图谱、根据各个学生就在先知识点上的学习情况，相应的调整其在后知识点的教学方案，以保证教学方案与学生在前阶段所表现出来的学习能力进行匹配。以保证对不同学生的教学质量，提升学生的学习信心。但是，在今年3月的2019lak(internationallearninganalytics&knowledgeconference，国际学习分析与知识会议)会议上，jinseoklee和dit-yanyeung提出了以知识追踪为主题的学术论文，该论文该论文指出：在机构的实践中老师们发现：依据学生在知识点图谱上在先知识点的表现来预测在后知识点的学习接受能力往往并不准确。因此该论文引入了knowledgequerynetwork的模型。该模型通过量化学生的知识状态(knowldegestate)和知识点两个维度，进一步引入了知识点相似度的概念。论文指出：大数据的取样调查结果显示：当两个知识点的相似度较高时，学生在这两个知识点中的学习表现会比较一致。因此，如何基于这种理论、开发出一种通过获取不同知识点之间相似度、并基于该相似度对不同学生就即将展开学习的知识点的学习表现进行预测，从而有针对性的调整对不同学生的教学方案，以提升所有学生的学习动力和积极性，是本领域技术人员需要研究的方向。

技术实现要素：

本发明的目的是提供一种基于知识点相似度的自适应教学方案调整方法，能够根据往届学生的检测数据记录、挖掘各个知识点之间的相似度、并据此预测学生对新知识点的学习表现、从而调整其教学方案。

其采用的技术方案如下：

一种基于知识点相似度的自适应教学方案调整方法，其包括如下步骤：s1：调取各个往届学生对各个知识点的历史检测数据；s2：将s1所得历史检测数据代入预存的运算模型中、取得各个往届学生在各个知识点的学习能力值向量；s3：将各个知识点两两组合构成知识点对、以各组知识点对构成知识点组合列表、并在该知识点组合列表中分别输入各个往届学生对各知识点对应的学习能力值向量；s4：基于s3所得学习能力值向量、计算出知识点组合列表中每组知识点对中两个知识点之间的余弦相似度、以该余弦相似度作为两个知识点之间的能力值相似度；s5：对知识点组合列表进行数据筛选、找出以目标知识点及目标对象已学习知识点构成的知识点对；s6：计算出s5筛选出的各组知识点对的平均能力值相似度；s7：筛选出平均能力值相似度较高的前n组知识点、取得目标对象对该n组知识点中的已学习知识点的历史检测数据；s8：基于s7所得历史检测数据、相应调整教学方案。

优选的是，上述基于知识点相似度的自适应教学方案调整方法中：步骤s2中所述运算模型采用irt单参数模型。

更优选的是，上述基于知识点相似度的自适应教学方案调整方法中：步骤s4中基于pythonsklearn模型计算所述余弦相似度。

更优选的是，上述基于知识点相似度的自适应教学方案调整方法中：步骤s5中基于pythonpandas模型对知识点组合列表进行数据筛选。

更优选的是，上述基于知识点相似度的自适应教学方案调整方法中：步骤s6中基于pythonnumpy模型对各组知识点对求取平均能力值相似度。

通过采用上述技术方案，其工作过程如下：基于往届学生用户的做题测试结果、通过余弦相似度求得所有知识点之间的相似程度。从中抽取出与目标的知识点相似程度高的知识点作为预测根据、根据目标学生用户对各个作为预测根据的知识点的学习反馈情况、预判出目标的学生用户在学习目标知识点时的能力表现、并相应调整对其输出的教学方案。

与现有技术相比：采用本方案通过学生实际使用系统的做题效果的产出来对比知识点的相似程度，评价过程较为客观真实。通过余弦相似度来计算知识点能力值序列向量的相似度，符合jinseoklee和dit-yanyeung在2019lak提出的论文结论、其理论基础较为牢固。此外，无需额外对各个知识点根据其逻辑上的顺序构筑知识点图谱，大量节约了程序资源。本方案能够根据往届学生的检测数据记录、挖掘各个知识点之间的相似度、并据此预测学生对新知识点的学习表现、从而调整其教学方案。从而实现针对不同学生的教学方案调整、提升学生学习效率，保证学生的学习积极性。

附图说明

下面结合附图与具体实施方式对本发明作进一步详细的说明：

图1为本发明的工作流程图。

具体实施方式

为了更清楚地说明本发明的技术方案，下面将结合各个实施例作进一步描述。

如图1所示为本发明实施例1：

针对学生甲即将学习的知识点正弦函数进行预测和教学方案调整；

其过程如下：

s1：调取各个往届学生对数据库中所有教学知识点的历史检测数据；

s2：将s1所得历史检测数据代入预存的irt单参数运算模型中、取得各个往届学生在各个知识点的学习能力值向量；

s3：将各个知识点两两组合构成知识点对、以各组知识点对构成知识点组合列表、并在该知识点组合列表中分别输入各个往届学生对各知识点对应的学习能力值向量；

s4：基于s3所得学习能力值向量、采用pythonsklearn模型计算出知识点组合列表中每组知识点对中两个知识点之间的余弦相似度、并以该余弦相似度作为两个知识点之间的能力值相似度；

s5：基于pythonpandas模型对知识点组合列表进行数据筛选、找出其中同时包含正弦函数和学生甲已学习知识点的知识点对；

s6：基于pythonnumpy模型计算出s5筛选出的各组知识点对的平均能力值相似度；

s7：筛选出平均能力值相似度较高的前3(在本例中：n取3)组知识点、分别为(立方根、正弦函数)、(有理数、正弦函数)、(因数分解、正弦函数)；

s8：分别取得学生甲对立方根、有理数和因数分解的历史检测数据，在这三项知识点上学生甲的学习能力值分别为良、优、优。

s9：教师读取基于s8所得学生甲在立方根、有理数和因数分解的历史检测数据、判定学生甲在学习正弦函数时大概率表现优秀、调整教学方案为对学生甲输出较高难度的教学素材。

以上所述，仅为本发明的具体实施例，但本发明的保护范围并不局限于此，任何熟悉本领域技术的技术人员在本发明公开的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。本发明的保护范围以权利要求书的保护范围为准。