一种计算机自适应私教学习方法与流程

本发明属于互联网教育领域，特别是一种计算机自适应智能教学方法。

背景技术：

现有的人工智能在教育领域的应用，还处于早期发展阶段，通常是在对学生进行粗略分级的基础上再推荐相对应的相对固定的学习资料，往往只是作为教育的一种辅助手段。

例如，中国专利公开号cn107818698a的“一种基于大数据教育技术的个性化自适应学习系统”，其特征在于帮助教师提供学生与在线学习材料的交互状态。这种专利技术一定程度上解放了教师在教育行业中一系列的机械化劳动，但是，仍然需要教师参与分析定制学生的学习计划。无法做到计算机根据学生学习反馈，自适应调整学生学习计划。这种方式带来的教育行业的改善不够，只能稍微分担教师的工作量，因此仍然无法做到对每个学生因材施教，真正做到个性化学习。

又如，中国专利公开号cn104966427a的“一种自适应教学互动系统及方法”，其特征在于根据学生的做题效果推荐新题，反复练习。其优点在于会针对每个学生做题轨迹来推荐自适应的个性化题目，但这种方式过于片面的认为学生做错题目可以根据重复做题来达到提高，没有考虑到学生做错题目可能由于多个原因导致。

技术实现要素：

针对上述现有技术中存在的不足，本发明的目的是提供一种计算机自适应私教学习方法。它将学生的学习时间、学生能力、学习内容和内容量等因素进行综合考虑，进行动态调整，并通过综合评估的学生学习情况自适应地制订学习计划、推荐学习内容，具有无需老师参与、个性化学习的特点。

为了达到上述发明目的，本发明的技术方案以如下方式实现：

一种计算机自适应私教学习方法，基于刺激反应联结学习理论、布鲁姆教育目标分类法、最近发展区等教育理论，其方法步骤为：

1）通过大量学生的做题情况进行分析，将学生的能力指标归纳成多维度初始分类信息，同时将学习资源标记上相应能力考查要求的指标化参数；

2）针对某个学生，通过获取他的初始信息生成初始计划和初始学习目标，然后按照以下步骤进行不断学习：

步骤1：学生按照初始计划学习，根据学习结果获取一组数据，计算机对于这组数据和历史数据计算知识点达标程度，评估出学生的多维综合能力值；

步骤2：与已设定的初始学习目标能力值一起输入深度神经网络模型得到下一轮学习的教师参数，通过教师参数和最近发展区差值公式更新新的学习目标；

步骤3：通过新的学习目标信息从知识树中挑选下一批的待学知识点和最符合这一考察目标的对应课程内容，生成新的学习计划推荐给该学生；

步骤4：重复步骤1；与此同时，定期根据该学生成绩反馈，通过强化学习的方式更新深度神经网络模型的参数；定期通过迭代算法根据总体学生的学习情况修正学习资源标记值。

在上述计算机自适应私教学习方法中，所述对大量学生的做题情况进行分析采用k-means聚类算法。

在上述计算机自适应私教学习方法中，所述计划包括最细知识点和对应的课程内容，学习目标包含期望达到的多维能力指标和学习内容量。

在上述计算机自适应私教学习方法中，所述根据学习结果获取的数据包括看视频、做题情况。

在上述计算机自适应私教学习方法中，所述最近发展区差值公式主要通过以下策略计算得到：学生学习效果好，则制定更高的能力值目标，学习较少的内容量；学生学习效果不好，则制定超过他能力但是低于前一次能力的目标，学习更多的内容量。

本发明由于采用了上述方法步骤，与现有技术相比，它的智能私教学习方法会针对每个学生建立个性化的学习方案，并针对每位学生的学习效果自适应的调整学习计划和内容。同时，本发明方法通过学生的做题反馈，来动态优化调整目标、知识点及对应学习内容量，并通过学生做题的情况，反向调节推荐算法参数，使其更好的贴合学生个人情况，只学需要学的，只学能学得会的，真正做到个性化提分，切实减轻学生负担。

下面结合附图和具体实施方式对本发明做进一步说明。

附图说明

图1为本发明方法流程图；

图2为用户使用本学习系统的计算机界面示意图。

具体实施方式

参看图1和图2，本发明计算机自适应私教学习方法，基于刺激反应联结学习理论、布鲁姆教育目标分类法、最近发展区等教育理论，其方法步骤为：

1）通过k-means聚类算法分析总体学生做题情况正误情况得到学生能力多维度初始分类信息。通过人类教师经验初始设定题目的多维度能力考察目标值和内容量。

2）通过单个学生初始信息初始化学生多维能力指标、教师参数、目标能力、内容和内容量，构成第一轮次初始计划和初始学习目标，然后按照以下步骤进行不断学习：

步骤1：学生按照初始计划学习，得到学习结果集合，包括看视频、答题情况等，通过学习结果数据计算知识点达标程度、学生综合能力指标。

步骤2：将已设定的初始学习目标能力值和实际综合能力值输入深度神经网络模型中输出得到教师参数，将教师参数输入最近发展区差值公式中得到下一轮次的目标能力指标和目标内容量。

步骤3：使用我们的知识树和更新后的目标能力搜索得到最优匹配的知识点和课程，生成新的学习计划推荐给学生。

步骤4：重复步骤1。

短期综合该学生学习结果可以设定最小化函数对于深度神经网络进行强化学习，使人工智能教师算法越来越适应该学生。

长期综合总体学生做题情况的分布可以设定em迭代算法对于学习资源内容指标进行更新，使学习资源库的标签参数能够服从总体学生的分布情况。

最近发展区差值公式主要通过以下策略计算得到：学生学习效果好，则制定更高的能力值目标，学过少的内容量；学生学习效果不好，则制定超过他能力但是低于前一次能力的目标，学习更多的内容量，具体计算公式由神经网络输出的参数和差值公式得到。

本发明方法，既考虑了空间尺度上学生个体之间的学习情况差异，又考虑了时间尺度上一个学生在不同学习时期的情况差异，通过强化机器学习的技术迭代出学生新的最近发展区目标，在两个关键指标——能力和内容量上进行微观调控。然后根据构建在贝叶斯网络上的知识树找到下一批待学知识点和知识点相关内容构成一次课程推荐给用户。同时通过em算法在大量学生的学习结果的基础上对于当前学习资源的参数指标进行反馈更新。

技术特征：

技术总结
一种计算机自适应私教学习方法，属于互联网教育领域。本发明方法步骤为：1）通过大量学生的做题情况进行分析，将学生的能力指标归纳成多维度初始分类信息，同时将学习资源标记上相应能力考查要求的指标化参数；2）针对某个学生，通过获取他的初始信息生成初始计划和初始学习目标，然后按照步骤进行不断学习。同现有技术相比，本发明方法将学生的学习时间、学生能力、学习内容和内容量等因素进行综合考虑，进行动态调整，并通过综合评估的学生学习情况自适应地制订学习计划、推荐学习内容，具有无需老师参与、个性化学习的特点。

技术研发人员：陈超;朱润凯;王扬;黄星;崔雷;李琦
受保护的技术使用者：陆一柒（北京）科技有限公司
技术研发日：2018.06.20
技术公布日：2018.11.06