一种基于知识拓扑关系的群体教学内容量化优化方法技术

本发明专利技术公开了一种基于知识拓扑关系的群体教学内容量化优化方法，首先，对研究对象进行限定，再给出研究对象群体的折中优化模型；然后，创建相关知识图谱描述，并由此图谱获得学习个体的个性化知识图谱；试设定群体的知识目标和知识背景，并进行个体知识目标及知识背景划分；最后，进行群体补充知识及冗余知识求解，并计算相应的补充量及冗余量，并根据优化目标、重复前面步骤进行群体教学内容优化，给出此时个体的补充知识及冗余知识。本发明专利技术可以根据群体中个体的知识目标和知识背景，给出优化的群体知识目标、知识背景及教学内容，并给出每个个体需要补充的知识元及冗余知识元，解决了传统教学计划制定中教学内容无法进行量化优化的难题。

【技术实现步骤摘要】
一种基于知识拓扑关系的群体教学内容量化优化方法
本专利技术涉及信息与网络
，具体涉及一种基于知识拓扑关系的群体教学内容量化优化方法。
技术介绍
随着计算机、网络等技术的发展以及电子教学资源的日益丰富，教学过程正在发生巨大变化，正在从传统的以教师的教为主导的教学过程转向为以学生为中心的、以学生主动学习为主的教学过程。若要实现既能充分发挥教学技术使能的教学过程的优势，又能防止学生在学习过程中迷航的目标，就需要解决：“如何根据学习者的具体情况及其所处的资源环境状况，从长远、发展的角度为其学习制定个性化的、优化的学习方案”这一难题。而如何根据学习者的学习目标和知识背景进行学习群体划分、如何针对某一学习群体制定合理的教学计划、如何对群体教学环境下个体学习提供个性化的学习内容又是制定个性化、优化学习方案首要解决的问题。“知识图谱”是一种描述真实世界客观存在的实体、概念及它们之间关联关系的语义网络。可以利用知识图谱开发语义检索和自动问答等应用。知识图谱是一个有向图，由模式(schema)图和数据图构成。其中，模式图描述类之间的关系；数据图描述实体之间的关系。有向超图是描述多元子集多元关系的方法，它既具有图形学形象直观的特点，又具有形式化的理论基础，适合用于计算机进行表达和求解。正是由于有向超图的特点和知识领域本身的特点的一致性决定了可以应用有向超图进行学习内容和学习者关系的描述，应用超图理论进行群体教学内容量化优化。
技术实现思路
为了解决上述问题，本专利技术提供了一种基于知识拓扑关系的群体教学内容量化优化方法。本专利技术按照以下方式实现的：一种基于知识拓扑关系的群体教学内容量化优化方法，包括以下步骤：步骤1，限定研究对象，所述研究对象包括由知识目标和知识背景相近的多个学习个体构成的学习群体；通过分析所述学习群体与所述学习个体的关系，给出所述学习群体教学内容优化模型，所述模型为基于学习群体冗余知识量和补充知识量的折中优化模型；步骤2，根据所述学习群体中所述学习个体的知识目标进行相关知识图谱选择或创建，并基于有向超图对所述相关知识图谱进行描述；用有向超图的节点描述某一领域所包含的知识元，用有向超图的超边描述所述知识元之间的关系，所述知识元是指不可再分割的、具有完备知识表达的知识单位；在所述相关知识图谱上进行学习个体原知识目标和原知识背景描述，获得个性化知识图谱；步骤3，根据所述学习群体中包含的所述学习个体的知识目标和知识背景试设定所述学习群体的知识目标和知识背景；步骤4，根据试设定的所述学习群体知识目标和知识背景，进行所述学习个体知识目标及知识背景划分，其中，所述学习个体目标知识划分为：公共目标知识集、多余目标知识集、补充目标知识集；所述学习个体知识背景划分为：公共背景知识集、重复背景知识集、补充背景知识集；并给出所述学习个体知识目标和知识背景的的形式化描述；步骤5，进行所述学习个体的公共知识、补充知识及冗余知识求解，在此基础上，给出群体教学内容、个体学习内容的求解公式，进而进行相应的学习群体的补充知识量、冗余知识量计算；根据优化目标，重复前面步骤，进行群体教学内容优选，并给出此时学习个体的补充知识集、冗余知识集。进一步地，所述步骤1中确定优化对象并设定优化模型包括以下步骤：步骤1.1，限定研究对象为由多个知识目标和知识背景相近的学习个体组成的学习群体；步骤1.2，给出以所示学习群体中个体总冗余知识量和总补充知识量为衡量指标的折中优化模型；步骤1.3，根据知识的特点及学习群体与所述学习个体的学习实际情况对知识学习顺序进行基本假定。进一步地，所述步骤2中所述个性化知识图谱的获得包括以下两个步骤：步骤2.1，根据知识元之间的逻辑拓扑关系，利用有向超图建立所述相关知识图谱；步骤2.2，在步骤2.1所述相关知识图谱上，对所述学习个体具体知识目标和知识背景进行图形化描述，创建个性化的知识图谱。进一步地，所述步骤3中所述学习群体的知识目标和知识背景的设定包括如下步骤：首先，根据所述学习群体中所述学习个体的知识目标和知识背景，统计所述学习群体的知识目标、知识背景中可能的知识元以及这些知识元在群体中出现的次数，并求得最多次数；再分别选择出现频率是最多次数x，1.0≥x≥0.0，和y，1.0≥y≥0.0，的倍数的知识元作为所述学习群体的知识目标和知识背景。进一步地，所述步骤4的所述学习个体知识目标及知识背景的划分包括以下步骤：步骤4.1，将个体知识目标划分为三部分，分别为：部分一，公共目标知识集；部分二，多余目标知识集；部分三，补充目标知识集；并给出各部分的形式化描述；步骤4.2，将个体知识背景划分为三部分，分别为：部分一，公共背景知识集；部分二，部分三，重复学习知识集；需要补充知识集；并给出各部分的形式化描述。进一步地，所述步骤5的中所述学习群体教学内容、个体学习内容优化又分为三个子步骤：步骤5.1，进行所述学习个体公共知识、补充知识、冗余知识、群体教学内容、个体学习内容的求解。首先，选择公共目标知识元集中的任意知识元，进行逆向回溯，取其前序知识元，判断其是否属于群体知识背景、个体知识背景及开始节点集，根据具体情况进行相应的处理与归类。之后，依次选择冗余目标知识元集、补充目标知识元集中的任意知识元，进行逆向回溯，取其前序知识元，判断其是否属于公共知识元集、群体知识背景、个体知识背景及开始节点集，根据具体情况进行相应的处理与归类；步骤5.2计算补充知识量及冗余知识量：根据求得的群体补充知识元集及冗余知识元集计算补充知识量及冗余知识量，其中，补充知识量等于补充知识集中，考虑了知识元的难易程度及粒度大小的知识元加权数量；冗余知识量等于冗余知识集中，考虑了知识元的难易程度及粒度大小的知识元加权数量；步骤5.3群体教学内容优化。根据设定的优化目标，重复上述步骤进行群体知识目标及知识背景的优化。根据优化的群体知识目标和知识背景，应用步骤5.1求解此时的群体教学内容及每个个体的冗余知识和补充知识。进一步地，本专利技术还提供了一种基于知识拓扑关系的群体教学内容量化优化系统，包括：知识图谱的描述工具、学习者描述工具、知识背景测试工具、相关知识图谱的自动生成工具、学习群体教学内容的量化优化、学习个体补充知识及冗余知识的自动生成工具、反馈信息处理工具、模型库管理工具、试题库管理以及相关的数据库。进一步地，所述知识图谱描述既可以采用手工的方式进行描述，也可以利用数据挖掘等技术进行知识元关系的自动生成；所述学习者的目标描述由学习者来设定，背景描述既可以根据学习者的知识背景手动进行描述，又可以根据测试自动给出相应的背景描述。进一步地，系统根据群体中个体的知识目标和背景自动生成优化的群体知识目标和知识背景及教学内容，并针对每个学习个体给出需要补充的知识元和冗余知识元。进一步地，所述数据库包括模型数据库、知识图谱库和试题库。本专利技术提供了一种基于知识拓扑关系的、量化的群体教学内容量化优化方法，可以根据群体中个体的知识目标和知识背景，给出优化的群体知识目标、知识背景及教学内容，并给出每个个体需要补充的知识元及冗余知识元。为个性化学习计划的制定提供理论依据；此外，也为传统教学内容的选择、教学计划的制定提供理论基础。该方法解决了传统教学计划中制定中无法进行量化优化的难题。本文档来自技高网...

【技术保护点】
1.一种基于知识拓扑关系的群体教学内容量化优化方法，其特征在于：该方法包括以下步骤：步骤1，限定研究对象，所述研究对象包括由知识目标和知识背景相近的多个学习个体构成的学习群体；通过分析所述学习群体与所述学习个体的关系，给出所述学习群体教学内容优化模型，所述模型为基于学习群体冗余知识量和补充知识量的折中优化模型；根据知识特点及学习群体与学习个体的学习实际情况给出进行优化求解的基本前提；步骤2，根据所述学习群体中所述学习个体的知识目标进行相关知识图谱选择或创建，并基于有向超图对所述相关知识图谱进行描述，用有向超图的节点描述某一领域所包含的知识元，用有向超图的超边描述所述知识元之间的关系；所述知识元是指不可再分割的、具有完备知识表达的知识单位；在所述相关知识图谱上进行学习个体原知识目标和原知识背景描述，获得个性化知识图谱；步骤3，根据所述学习群体中包含的所述学习个体的知识目标和知识背景试设定所述学习群体的知识目标和知识背景；步骤4，根据试设定的所述学习群体知识目标和知识背景，进行所述学习个体知识目标及知识背景划分，其中，所述学习个体目标知识划分为：公共目标知识集、多余目标知识集、补充目标知识集；所述学习个体知识背景划分为：公共背景知识集、重复背景知识集、补充背景知识集；并给出所述学习个体知识目标和知识背景的的形式化描述；步骤5，进行所述学习个体的公共知识、补充知识及冗余知识求解，在此基础上，给出群体教学内容、个体学习内容的求解公式，进而进行相应的学习群体的补充知识量、冗余知识量计算；根据优化目标，重复前面步骤，进行群体教学内容优选，并给出此时学习个体的补充知识集、冗余知识集。...

【技术特征摘要】
1.一种基于知识拓扑关系的群体教学内容量化优化方法，其特征在于：该方法包括以下步骤：步骤1，限定研究对象，所述研究对象包括由知识目标和知识背景相近的多个学习个体构成的学习群体；通过分析所述学习群体与所述学习个体的关系，给出所述学习群体教学内容优化模型，所述模型为基于学习群体冗余知识量和补充知识量的折中优化模型；根据知识特点及学习群体与学习个体的学习实际情况给出进行优化求解的基本前提；步骤2，根据所述学习群体中所述学习个体的知识目标进行相关知识图谱选择或创建，并基于有向超图对所述相关知识图谱进行描述，用有向超图的节点描述某一领域所包含的知识元，用有向超图的超边描述所述知识元之间的关系；所述知识元是指不可再分割的、具有完备知识表达的知识单位；在所述相关知识图谱上进行学习个体原知识目标和原知识背景描述，获得个性化知识图谱；步骤3，根据所述学习群体中包含的所述学习个体的知识目标和知识背景试设定所述学习群体的知识目标和知识背景；步骤4，根据试设定的所述学习群体知识目标和知识背景，进行所述学习个体知识目标及知识背景划分，其中，所述学习个体目标知识划分为：公共目标知识集、多余目标知识集、补充目标知识集；所述学习个体知识背景划分为：公共背景知识集、重复背景知识集、补充背景知识集；并给出所述学习个体知识目标和知识背景的的形式化描述；步骤5，进行所述学习个体的公共知识、补充知识及冗余知识求解，在此基础上，给出群体教学内容、个体学习内容的求解公式，进而进行相应的学习群体的补充知识量、冗余知识量计算；根据优化目标，重复前面步骤，进行群体教学内容优选，并给出此时学习个体的补充知识集、冗余知识集。2.根据权利要求1所述的一种基于知识拓扑关系的群体教学内容量化优化方法，其特征在于：所述步骤1中确定优化对象并设定优化模型包括以下步骤：步骤1.1，限定研究对象，将研究对象限定为由多个知识目标和知识背景相近的学习个体组成的学习群体；步骤1.2，给出以所示学习群体中个体总冗余知识量和总补充知识量为衡量指标的折中优化模型；步骤1.3，根据知识的特点及学习群体与所述学习个体的学习实际情况对知识学习顺序进行基本假定。3.根据权利要求1所述的一种基于知识拓扑关系的群体教学内容量化优化方法，其特征在于：所述步骤2中所述个性化知识图谱的获得包括以下两个步骤：步骤2.1，根据知识元之间的逻辑拓扑关系，利用有向超图建立所述相关知识图谱；步骤2.2，在...

【专利技术属性】
技术研发人员：孙雪冬，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东,44