基于个体化的课外教学资源推荐及学习效果的预测方法技术

一种基于个体化的课外教学资源推荐及学习效果的预测方法,该方法通过安排学生课外试听课，利用图像识别和语音识别技术全程追踪学生的注意力和答题情况，并借助信息处理技术，从学习能力、知识点掌握情况两个方面量化了学生的学习状况；同时，利用在数据库中存储的历史学生的全周期学习状况数据，通过匹配计算，结合学习状况，灵活整合教学资源，智能推荐最佳教师与最佳培训课程，跟踪学生对推荐课外教学资源的学习效果，有效避免教育机构向学生推荐教学资源过程中的主观性和盲目性，从而实现教学资源的最佳配置，有助于教育机构、教师、学生提前预判未来的学习进展，有利于教师的因材施教，使得学习过程更具有目的性。

Personalized recommendation of extracurricular teaching resources and prediction of learning effect

【技术实现步骤摘要】
基于个体化的课外教学资源推荐及学习效果的预测方法
本专利技术涉及信息处理
，具体地说，是一种基于个体化的课外教学资源推荐及学习效果的预测方法。
技术介绍
教育是一种有目的地培养人的社会活动，主要包括教育者(教师)、受教育者(学生)、教育影响(教育内容)三个要素。三个要素之间既相互独立，又相互制约，共同构成一个完整的实践活动系统。为了达到最佳的教学效果，教育机构需要在有限的学习时间内，对学生的学习能力做出准确评价，有针对性地向学生推荐与其学习能力相匹配的教师、课程、习题等课外教学资源，跟踪学生对推荐课外教学资源的学习效果。现实中，教育机构向学生推荐课外教学资源的过程中，往往存在如下问题：(1)学生学习能力准确评价的缺失。教育机构对学生学习能力的评价初期仅源自家长对学生的主观描述，易导致教育机构推荐的教师、课程、习题等教学资源与学生学习能力不匹配的现象，直接影响学习效果。(2)教学资源的筛选与推送过于僵化。目前的教学过程中，教师大多依据课标、教参等教学标准，按部就班的向众多学生同时授课并布置相同的作业。难以顾及学生对课程、习题的个体化需求。(3)缺乏学生学习效果的预期，使得学生家长无法预判推送资源的效果。通常，学生的学习进展通常由阶段性的考试测验(月考、期中考、期末考等)进行评价，教师、家长、学生等学习过程参与者在下次考试成绩公布之前，对于学生的学习进展难以准确掌握。因此，学习效果预测的在初期资源推荐阶段，就显得尤为重要，有助于学生家长提前知道推荐资源的效果。因此，为了避免教育机构向学生推荐课外教学资源过程中的盲目性，有必要结合现实情况，借助信息处理技术，提出一种能够实现教学资源优化推荐、学习效果预测的方法。特别是对于实现教育机构、教师、学生的三方共赢，具有十分重要的现实意义。
技术实现思路
本专利技术的目的就是提供一种基于个体化的课外教学资源推荐及学习效果的预测方法，该方法能够准确评价学生当前的学习状况，灵活整合教学资源，进而推荐最佳的课外教学资源。同时，该方法可以在推荐课外教学资源后，结合学生的当前学习状况，预测学生的学习效果。能够有效避免教育机构向学生推荐课外教学资源过程中的盲目性，实现课外教学资源的最佳配置。本专利技术解决其技术问题，所采用的技术方案是：一种基于个体化的课外教学资源推荐及学习效果的预测方法，其方法包括如下步骤：第一步，安排待培训学生参加教育机构的课外试听课，通过图像识别技术全程追踪学生眼球的活动，识别学生的注意力集中时间t1；通过语音识别技术记录学生答题次数c1、教师提问次数c2、回答问题反应时间t2、回答问题停顿时间t3、回答问题总时间t4和试听课总时间t5；建立该名学生的学习能力特征矩阵T1＝[a1，a2，a3，a4]，式中，a1为注意力集中特征，a2为答题互动特征，a3为思维敏捷特征，a4为答题流畅特征，第二步，安排该名学生作答教育机构的知识点测试卷，填空题类型对应数值1、选择题类型对应数值2、简答计算题型对应数值3；并对该名学生进行如下统计和计算：i)统计该名学生对第i门学科第j个知识点的作答错误题目中，分别统计出现次数最多的题目类型数值ki,j,1、出现次数最多的题目难度等级ki,j,2、第i门学科第j个知识点的跨知识点错题数ki,j,3以及第i门学科第j个知识点的跨知识点题目数ki,j,4；其中i＝1,2,…,m；j＝1,2,…,n；m表示学科总数，n表示每门学科测试的知识点总数；所述的题目难度等级中简单题目的难度等级对应数值0.3，一般题目的难度等级对应数值0.6，困难题目的难度等级对应数值0.9；ii)计算该名学生对第i门学科第j个知识点的不擅长题型特征不擅长题目难度等级特征和不擅长题目跨知识点等级特征其中，ε为难度等级修正系数，默认ε＝1；iii)建立该名学生的知识点掌握情况特征矩阵T2＝[bi,j,1，bi,j,2，bi,j,3]；第三步，建立学习能力特征数据库，将教育机构培养过的所有学生的学习能力特征矩阵与其对应的培训教师编号存到学习能力特征数据库中；在学习能力特征数据库中，检索第w位教师所有培养学生中成绩排名前50％的学生的学习能力特征矩阵构成样本库，用聚类算法搜索该样本库的核心学习能力特征矩阵T3,w＝[aw,core,1，aw,core,2，aw,core,3，aw,core,4]，作为第w位教师培养能力矩阵；其中，aw,core,1为第w位教师培养学生的核心注意力集中特征，aw,core,2为第w位教师培养学生的核心答题互动特征，aw,core,3为第w位教师培养学生的核心思维敏捷特征，aw,core,4为第w位教师培养学生的核心答题流畅特征；计算该名学生的学习能力特征矩阵与第w位教师培养能力矩阵间的相似度式中，w＝1,2,…,g；g表示培训教师总人数；则在g位培训教师中，令相似度disw取得最小值的培训教师即为最佳推荐培训教师；第四步，建立培训课程数据库，将教育机构所有学科的所有知识点的所有培训课程存到培训课程数据库中；在培训课程数据库中，对应第i门学科第j个知识点存有U套培训课程，第v套培训课程的适应特征矩阵为Ti,j,v＝[bi,j,v,1，bi,j,v,2，bi,j,v,3]；其中，v＝1,2,…,U；bi,j,v,1为第v套培训课程的题型特征，bi,j,v,2为第v套培训课程的题目难度等级特征，bi,j,v,3为第v套培训课程的题目跨知识点等级特征；i)针对第i门学科第j个知识点，依次计算该名学生的知识点掌握情况特征矩阵与第v套培训课程的适应特征矩阵间的相似度则在第i门学科第j个知识点的U套培训课程中，令相似度disv取得最小值的培训课程即为第i门学科第j个知识点的最佳推送培训课程；ii)重复步骤i)，直至完成m门学科，每门学科各n个知识点的最佳推送培训课程；第五步，建立学习状况数据库，将教育机构所有学生的全周期学习状况存到学习状况数据库中；在学习状况数据库中，第p名学生的全周期学习状况包括：第p名学生的学习能力特征矩阵Tp,1＝[ap,1，ap,2，ap,3，ap,4]、第p名学生的知识点掌握情况特征矩阵Tp,2＝[bp,i,j,1，bp,i,j,2，bp,i,j,3]；其中，p＝1,2,…,Q，Q表示教育机构所有学生的总数；ap,1为第p名学生的注意力集中特征，ap,2为第p名学生的答题互动特征，ap,3为第p名学生的思维敏捷特征，ap,4为第p名学生的答题流畅特征；bp,i,j,1为第p名学生第i门学科第j个知识点的不擅长题型特征，bp,i,j,2为第p名学生第i门学科第j个知识点的不擅长题目难度等级特征，bp,i,j,3为第p名学生第i门学科第j个知识点的不擅长题目跨知识点等级特征；根据如下公式:依次计算数据库中Q名学生与该名学生的相似距离dispre，其中，X、Y为中间过程参数，λ、β为修正系数，默认λ＝1，β＝1；令相似距离dispre取得最小值的学生本文档来自技高网...

【技术保护点】
1.一种基于个体化的课外教学资源推荐及学习效果的预测方法，其步骤为：/n第一步，安排待培训学生参加教育机构的课外试听课，通过图像识别技术全程追踪学生眼球的活动，识别学生的注意力集中时间t

【技术特征摘要】
1.一种基于个体化的课外教学资源推荐及学习效果的预测方法，其步骤为：
第一步，安排待培训学生参加教育机构的课外试听课，通过图像识别技术全程追踪学生眼球的活动，识别学生的注意力集中时间t1；通过语音识别技术记录学生答题次数c1、教师提问次数c2、回答问题反应时间t2、回答问题停顿时间t3、回答问题总时间t4和试听课总时间t5；
建立该名学生的学习能力特征矩阵T1＝[a1，a2，a3，a4]，
式中，a1为注意力集中特征，a2为答题互动特征，a3为思维敏捷特征，a4为答题流畅特征，
第二步，安排该名学生作答教育机构的知识点测试卷，填空题类型对应数值1、选择题类型对应数值2、简答计算题型对应数值3；并对该名学生进行如下统计和计算：
i)统计该名学生对第i门学科第j个知识点的作答错误题目中，分别统计出现次数最多的题目类型数值ki,j,1、出现次数最多的题目难度等级ki,j,2、第i门学科第j个知识点的跨知识点错题数ki,j,3以及第i门学科第j个知识点的跨知识点题目数ki,j,4；其中i＝1,2,…,m；j＝1,2,…,n；m表示学科总数，n表示每门学科测试的知识点总数；
所述的题目难度等级中简单题目的难度等级对应数值0.3，一般题目的难度等级对应数值0.6，困难题目的难度等级对应数值0.9；
ii)计算该名学生对第i门学科第j个知识点的不擅长题型特征不擅长题目难度等级特征和不擅长题目跨知识点等级特征
其中，ε为难度等级修正系数，默认ε＝1；
iii)建立该名学生的知识点掌握情况特征矩阵T2＝[bi,j,1，bi,j,2，bi,j,3]；
第三步，建立学习能力特征数据库，将教育机构培养过的所有学生的学习能力特征矩阵与其对应的培训教师编号存到学习能力特征数据库中；
在学习能力特征数据库中，检索第w位教师所有培养学生中成绩排名前50％的学生的学习能力特征矩阵构成样本库，用聚类算法搜索该样本库的核心学习能力特征矩阵T3,w＝[aw,core,1，aw,core,2，aw,core,3，aw,core,4]，作为第w位教师培养能力矩阵；
其中，aw,core,1为第w位教师培养学生的核心注意力集中特征，aw,core,2为第w位教师培养学生的核心答题互动特征，aw,core,3为第w位教师培养学生的核心思维敏捷特征，aw,core,4为第w位教师培养学生的...

【专利技术属性】
技术研发人员：张筱辰，何振宇，陈安强，郭韧强，
申请(专利权)人：张筱辰，
类型：发明
国别省市：北京;11