一种基于大数据的人工智能教育系统及数据处理方法技术方案

本发明专利技术提供了一种基于大数据的人工智能教育系统及数据处理方法,该基于大数据的人工智能教育系统及数据处理方法充分利用大数据分析技术对线上和线下的教育应用场景以及学生对象和教师对象进行有针对性的数据分析处理，并根据该数据分析处理的结果从多维度上对不同应用场景和对象的教育需求进行表征，最后再制定相应的教育场景调整模式来对当前的特定教育场景进行适应性的变换处理，从而提高教育系统的运行准确性和高效性。

An artificial intelligence education system and data processing method based on big data

【技术实现步骤摘要】
一种基于大数据的人工智能教育系统及数据处理方法
本专利技术涉及智能教育的
，特别涉及一种基于大数据的人工智能教育系统及数据处理方法。
技术介绍
目前，大数据分析技术已经广泛应用于不同生活或者生产领域中，通过大数据分析技术能够快速地和准确地分析确定相应领域的实际需求和发展趋势，从而帮助相关领域的从业人员能够根据当前的实际情况作出精确和高效决策。社会发展对教育模式提出新的要求，为了适应不同领域的知识发展和不同层面人员的实际学习需求，教育系统需要有针对性地进行相应的教育模式调整，但是，在实际操作过程中，由于教育系统中涉及的知识数据体量巨大，并且相关人员的数量众多以及教育需求不尽相同，这都需要该教育系统进行有针对的调整才能够满足不同人员的真实需求，而其中调整过程中需要进行的数据分析和处理工作量十分巨大。可见，现有技术的教育系统并没有充分地利用大数据分析技术来降低教育相关数据处理的繁复性和提高教育系统针对不同教育领域和相关人员的准确性和高效性。
技术实现思路
针对现有技术存在的缺陷，本专利技术提供一种基于大数据的人工智能教育系统及数据处理方法，该基于大数据的人工智能教育系统及数据处理方法通过采集关于特定教育场景的教育相关样本数据，并对该教育相关样本数据进行预处理，以此获得相应的教育相关源数据，对该教育相关源数据进行关于不同教育领域的多维度匹配处理，以此获得关于该教育相关源数据的多维度表征矩阵，基于深度学习卷积神经网络，对该多维度表征矩阵进行关于多重属性的归类处理，以此获得关于该特定教育场景的多重属性信息，以及根据该多重属性信息，确定至少一个教育场景调整模式，以此对该特定教育场景进行适应性的变换；可见，该基于大数据的人工智能教育系统及数据处理方法充分利用大数据分析技术对线上和线下的教育应用场景以及学生对象和教师对象进行有针对性的数据分析处理，并根据该数据分析处理的结果从多维度上对不同应用场景和对象的教育需求进行表征，最后再制定相应的教育场景调整模式来对当前的特定教育场景进行适应性的变换处理吗，从而提高教育系统的运行准确性和高效性。本专利技术提供一种基于大数据的人工智能教育系统，其特征在于：所述基于大数据的人工智能教育系统包括样本数据采集模块、预处理模块、多维度表征矩阵生成模块、神经网络处理模块和教育场景变换模块；其中，所述样本数据采集模块用于采集关于特定教育场景的教育相关样本数据；所述预处理模块用于对所述教育相关样本数据进行预处理，以此获得相应的教育相关源数据；所述多维度表征矩阵生成模块用于对所述教育相关源数据进行关于不同教育领域的多维度匹配处理，以此获得关于所述教育相关源数据的多维度表征矩阵；所述神经网络处理模块用于根据深度学习卷积神经网络，对所述多维度表征矩阵进行关于多重属性的归类处理，以此获得关于所述特定教育场景的多重属性信息；所述教育场景变换模块用于根据所述多重属性信息，确定至少一个教育场景调整模式，以此对所述特定教育场景进行适应性的变换；进一步，所述样本数据采集模块包括教育场景/教育对象确定子模块和样本采集子模块；其中，所述教育场景/教育对象确定子模块用于确定所述特定教育场景的应用场景属于线上环境场景或者线下环境场景，和/或确定所述特定教育场景的应用对象为学生对象或者教师对象；所述样本采集子模块用于根据所述应用场景和/或所述应用对象的确定结果，采集相应的场景相关样本数据和/或对象相关样本数据；所述预处理模块包括特征信息提取子模块和源数据生成子模块；其中，所述特征信息提取子模块用于对所述场景相关样本数据和/或所述对象相关样本数据进行特征信息的提取处理，以此获得相应的场景特征信息和/或对象特征信息；所述源数据生成子模块对所述场景特征信息和/或对象特征信息进行有效源数据摘选处理，以此获得教育应用场景源数据和/或教育应用对象源数据；进一步，所述多维度表征矩阵生成模块包括多模态值确定子模块、元素集合生成子模块和表征矩阵形成子模块；其中，所述多模态值确定子模块用于对所述教育相关源数据对应的教育应用场景源数据和/或教育应用对象源数据，进行关于教育科目、教育知识状态和教育课程进度中至少一者的多维度匹配处理，以此获得相应的教育应用场景多模态值和/或教育应用对象多模态值；所述元素集合生成子模块用于对所述教育应用场景多模态值和/或所述教育应用对象多模态值进行阈值判断处理和异常值剔除处理，以此获得相应的教育应用场景元素集合和/或教育应用对象元素集合；所述表征矩阵形成子模块用于根据所述教育应用场景元素集合和/或所述教育应用对象元素集合，生成对应的教育应用场景多维度表征矩阵和/或教育应用对应多维度表征矩阵；进一步，所述神经网络处理模块包括神经网络模型构建与优化子模块和神经网络模型执行子模块；其中，所述神经网络模型构建与优化子模块用于构建关于当前人工智能教育模式的深度学习卷积神经网络模型，并根据与历史教育大数据集合，对所述深度学习卷积神经网络模型进行优化训练；所述神经网络模型执行子模块用于根据经过优化训练的所述深度学习卷积神经网络模型，对所述多维度表征矩阵中的教育应用场景多维度表征矩阵和/或教育应用对应多维度表征矩阵进行关于多重属性的归类处理，以此获得所述多重属性信息；进一步，所述教育场景变换模块包括差异状态确定子模块、调整模式确定子模块和场景变换执行子模块；其中，所述差异状态确定子模块用于根据所述多重属性信息，确定所述特定教育场景相对于期望教育场景在学生层面、教师层面、授课层面和考核层面中至少一者的差异状态；所述调整模式确定子模块用于根据所述差异状态，确定所述至少一个教育场景调整模式；所述场景变换执行子模块用于根据所述至少一个教育场景调整模式，对所述特定教育场景进行适应性的变换；进一步，所述差异状态确定子模块用于根据所述多重属性信息，确定所述特定教育场景相对于期望教育场景在学生层面、教师层面、授课层面和考核层面中至少一者的差异状态，其具体过程包括，步骤A，从所述多重属性信息中提取关于学生层面、教师层面、授课层面和考核层面的状态相关信息，其中，所述状态相关信息包括学生的态度评判值a1，学习注意力评判值a2，学生与教师之间的互动频率评判值a3，教师的台风评判值b1，课堂流畅度评判值b2，教师与学生之间的互动频率评判值b3，课堂丰富度评判值c1，课程目标评判值c2，课时长度评判值c3，考核内容含括度评判值d1，考核环境评判值d2、学生知识掌握度评判值d3，所述状态相关信息中的所有评判值是通过预设智能教育深度学习神经网络模型计算得到的，根据状态相关信息中的所有评判值构建得到一状态矩阵A，即步骤B，根据下面公式，对所述状态矩阵A进行预处理，B＝k·A-l·E在上述公式中，B为预处理矩阵，A为所述状态矩阵，E为3×4的单位矩阵，k为a1,a2,a3,b1,b2,b3,c1,c2,c3,d1,d2,d3中的最大值，l为a1,a2,a3,b1,本文档来自技高网...

【技术保护点】
1.一种基于大数据的人工智能教育系统，其特征在于：/n所述基于大数据的人工智能教育系统包括样本数据采集模块、预处理模块、多维度表征矩阵生成模块、神经网络处理模块和教育场景变换模块；/n其中，/n所述样本数据采集模块用于采集关于特定教育场景的教育相关样本数据；/n所述预处理模块用于对所述教育相关样本数据进行预处理，以此获得相应的教育相关源数据；/n所述多维度表征矩阵生成模块用于对所述教育相关源数据进行关于不同教育领域的多维度匹配处理，以此获得关于所述教育相关源数据的多维度表征矩阵；/n所述神经网络处理模块用于根据深度学习卷积神经网络，对所述多维度表征矩阵进行关于多重属性的归类处理，以此获得关于所述特定教育场景的多重属性信息；/n所述教育场景变换模块用于根据所述多重属性信息，确定至少一个教育场景调整模式，以此对所述特定教育场景进行适应性的变换。/n

【技术特征摘要】
1.一种基于大数据的人工智能教育系统，其特征在于：
所述基于大数据的人工智能教育系统包括样本数据采集模块、预处理模块、多维度表征矩阵生成模块、神经网络处理模块和教育场景变换模块；
其中，
所述样本数据采集模块用于采集关于特定教育场景的教育相关样本数据；
所述预处理模块用于对所述教育相关样本数据进行预处理，以此获得相应的教育相关源数据；
所述多维度表征矩阵生成模块用于对所述教育相关源数据进行关于不同教育领域的多维度匹配处理，以此获得关于所述教育相关源数据的多维度表征矩阵；
所述神经网络处理模块用于根据深度学习卷积神经网络，对所述多维度表征矩阵进行关于多重属性的归类处理，以此获得关于所述特定教育场景的多重属性信息；
所述教育场景变换模块用于根据所述多重属性信息，确定至少一个教育场景调整模式，以此对所述特定教育场景进行适应性的变换。


2.如权利要求1所述的基于大数据的人工智能教育系统，其特征在于：
所述样本数据采集模块包括教育场景/教育对象确定子模块和样本采集子模块；其中，
所述教育场景/教育对象确定子模块用于确定所述特定教育场景的应用场景属于线上环境场景或者线下环境场景，和/或确定所述特定教育场景的应用对象为学生对象或者教师对象；
所述样本采集子模块用于根据所述应用场景和/或所述应用对象的确定结果，采集相应的场景相关样本数据和/或对象相关样本数据；
所述预处理模块包括特征信息提取子模块和源数据生成子模块；其中，
所述特征信息提取子模块用于对所述场景相关样本数据和/或所述对象相关样本数据进行特征信息的提取处理，以此获得相应的场景特征信息和/或对象特征信息；
所述源数据生成子模块对所述场景特征信息和/或对象特征信息进行有效源数据摘选处理，以此获得教育应用场景源数据和/或教育应用对象源数据。


3.如权利要求1所述的基于大数据的人工智能教育系统，其特征在于：
所述多维度表征矩阵生成模块包括多模态值确定子模块、元素集合生成子模块和表征矩阵形成子模块；其中，
所述多模态值确定子模块用于对所述教育相关源数据对应的教育应用场景源数据和/或教育应用对象源数据，进行关于教育科目、教育知识状态和教育课程进度中至少一者的多维度匹配处理，以此获得相应的教育应用场景多模态值和/或教育应用对象多模态值；
所述元素集合生成子模块用于对所述教育应用场景多模态值和/或所述教育应用对象多模态值进行阈值判断处理和异常值剔除处理，以此获得相应的教育应用场景元素集合和/或教育应用对象元素集合；
所述表征矩阵形成子模块用于根据所述教育应用场景元素集合和/或所述教育应用对象元素集合，生成对应的教育应用场景多维度表征矩阵和/或教育应用对应多维度表征矩阵。


4.如权利要求1所述的基于大数据的人工智能教育系统，其特征在于：
所述神经网络处理模块包括神经网络模型构建与优化子模块和神经网络模型执行子模块；其中，
所述神经网络模型构建与优化子模块用于构建关于当前人工智能教育模式的深度学习卷积神经网络模型，并根据与历史教育大数据集合，对所述深度学习卷积神经网络模型进行优化训练；
所述神经网络模型执行子模块用于根据经过优化训练的所述深度学习卷积神经网络模型，对所述多维度表征矩阵中的教育应用场景多维度表征矩阵和/或教育应用对应多维度表征矩阵进行关于多重属性的归类处理，以此获得所述多重属性信息。


5.如权利要求1所述的基于大数据的人工智能教育系统，其特征在于：
所述教育场景变换模块包括差异状态确定子模块、调整模式确定子模块和场景变换执行子模块；其中，
所述差异状态确定子模块用于根据所述多重属性信息，确定所述特定教育场景相对于期望教育场景在学生层面、教师层面、授课层面和考核层面中至少一者的差异状态；
所述调整模式确定子模块用于根据所述差异状态，确定所述至少一个教育场景调整模式；
所述场景变换执行子模块用于根据所述至少一个教育场景调整模式，对所述特定教育场景进行适应性的变换。


6.如权利要求1所述的基于大数据的人工智能教育系统，其特征在于：
所述差异状态确定子模块用于根据所述多重属性信息，确定所述特定教育场景相对于期望教育场景在学生层面、教师层面、授课层面和考核层面中至少一者的差异状态，其具体过程包括，
步骤A，从所述多重属性信息中提取关于学生层面、教师层面、授课层面和考核层面的状态相关信息，其中，所述状态相关信息包括学生的态度评判值a1，学习注意力评判值a2，学生与教师之间的互动频率评判值a3，教师的台风评判值b1，课堂流畅度评判值b2，教师与学生之间的互动频率评判值b3，课堂丰富度评判值c1，课程目标评判值c2，课时长度评判值c3，考核内容含括度评判值d1，考核环境评判值d2、学生知识掌握度评判值d3，所述状态相关信息中的所有评判值是通过预设智能教育...

【专利技术属性】
技术研发人员：郑洪涛，江华清，
申请(专利权)人：浙江创课网络科技有限公司，
类型：发明
国别省市：浙江;33