一种基于多种模式spoc平台的课堂教学方法及装置制造方法及图纸

本发明专利技术公开了一种基于多种模式spoc平台的课堂教学方法及装置，方法包括：根据学生标识获取该学生的历史学习资料以及学习任务计划；根据所述历史学习资料，生成相应的学习要点矩阵向量；根据所述学习任务计划，生成相应的学习任务矩阵向量；将所述学习要点矩阵向量、所述学习任务矩阵向量输入知识预测模型中，生成知识点测验信息，其中，所述知识预测模型基于深度神经网络模型训练生成。本方案能够快速准确的对用户的答题情况和知识掌握情况进行预测，从而为用户推荐待学习的试题信息，提高用户学习效率、促进用户学习积极性。促进用户学习积极性。促进用户学习积极性。

【技术实现步骤摘要】
一种基于多种模式spoc平台的课堂教学方法及装置


[0001]本专利技术涉及教学
，尤其涉及一种基于多种模式spoc平台的课堂教学方法及装置。

技术介绍

[0002]目前，随着计算机技术和网络技术的发展，在线教育逐渐成为教育领域的热点。翻转课堂作为一种新型的教育模式，将课堂教学与在线学习相结合，使学生在课堂之外可以自主学习，从而提高学习效果。
[0003]然而，现有的翻转课堂实现方法存在以下问题：缺乏个性化推荐、学生学习进度难以调整、教师教学效果难以评估等。

技术实现思路

[0004]本专利技术实施例提供了一种基于多种模式spoc平台的课堂教学方法及装置，能够快速准确的对用户的答题情况和知识掌握情况进行预测，从而为用户推荐待学习的试题信息，提高用户学习效率、促进用户学习积极性。
[0005]本专利技术提供一种基于多种模式spoc平台的课堂教学，方法包括：
[0006]根据学生标识获取该学生的历史学习资料以及学习任务计划；
[0007]根据所述历史学习资料，生成相应的学习要点矩阵向量；
[0008]根据所述学习任务计划，生成相应的学习任务矩阵向量；
[0009]将所述学习要点矩阵向量、所述学习任务矩阵向量输入知识预测模型中，生成知识点测验信息，其中，所述知识预测模型基于深度神经网络模型训练生成。
[0010]在一可实施方式中，所述知识预测模型的训练方法为：
[0011]通过多个所述学习要点矩阵向量、所述学习任务矩阵向量对深度神经网络模型进行训练；
[0012]在训练过程中，在所述深度神经网络的损失函数满足预设策略时，生成所述知识追踪模型。
[0013]在一可实施方式中，所述损失函数的公式为：
[0014]其中，m是样本数量，y
(i)
是第i个样本的真实标签(0或1)，n
(i)
是模型预测该样本为正例的概率(值域为[0,1])，θ是神经网络模型的参数。该损失函数的目标是最小化预测值和真实值之间的差距。
[0015]在一可实施方式中，所述知识预测模型的训练方法为，包括：
[0016]获取待量化神经网络模型和训练数据；
[0017]利用所述训练数据对所述待量化神经网络模型进行预设数次的量化感知迭代训练；
[0018]获取初始量化参数，并利用第一次至第N次迭代训练得到的量化参数更新所述初始量化参数；
[0019]在每次迭代后根据所述初始量化参数更新所述待量化神经网络模型权重，以得到知识预测模型；
[0020]其中，N为大于或等于1且小于或等于所述预设次数的正整数。
[0021]在一可实施方式中，所述量化参数包括激活值，所述获取初始量化参数，并利用第一次至第N次迭代训练得到的量化参数更新所述初始量化参数，包括：
[0022]设定第一更新比例和第二更新比例；
[0023]根据所述每一次迭代的激活值、所述迭代次数N、所述第一更新比例和第二更新比例更新所述初始激活值范围。
[0024]在一可实施方式中，根据所述每一次迭代的激活值、所述迭代次数N、所述第一更新比例和第二更新比例更新所述初始量化参数，包括：
[0025]确定所述第一次至第N次迭代训练得到的量化参数中大于所述初始量化参数的第一数量；
[0026]确定所述第一次至第N次迭代训练得到的量化参数中小于所述初始量化参数的第二数量；
[0027]响应所述第一数量与所述迭代次数N的比值大于所述第一更新比例，利用所述第一次至第N次迭代训练得到的量化参数的平均值增大所述初始量化参数；
[0028]响应所述第二数量与所述迭代次数N的比值大于所述第二更新比例，利用所述第一次至第N次迭代训练得到的量化参数的平均值减小所述初始量化参数。
[0029]在一可实施方式中，所述利用所述第一次至第N次迭代训练得到的量化参数的平均值更新所述初始量化参数：
[0030]分别确定所述初始量化参数与所述平均值的更新权重；
[0031]利用所述更新权重、所述初始量化参数以及所述平均值更新所述初始量化参数。
[0032]在一可实施方式中，根据所述历史学习资料，生成相应的学习要点矩阵向量，包括：
[0033]检查历史学习资料中是否存在缺失的数据项，如果有，采用统计方法进行异常值处理，对历史学习资料进行归一化处理；
[0034]对预处理后的历史学习资料进行分析，提取关键信息特征；
[0035]利用提取到的关键词信息特征和主题之间的关系，构建知识图谱，并利用知识图谱获得学习要点数据；
[0036]设定初始量化参数和更新比例，将学习要点数据输入自适应量化算法中；
[0037]根据当前的量化参数，将学习要点数据映射到量化空间中，得到量化结果；
[0038]计算量化误差，即原始数据与量化结果之间的差异，并据数据的分布和特征，自动调整量化参数：
[0039]更新量化参数，并重新映射学习要点数据到新的量化空间，重复，直到达到预设的停止条件，完成自适应量化训练后，得到学习要点矩阵向量。
[0040]根据所述学习任务计划，生成相应的学习任务矩阵向量，包括以下步骤：
[0041]在一可实施方式中，根据所述学习任务计划，生成相应的学习任务矩阵向量，包括
以下步骤：
[0042]针对学习任务计划中的每个试题题目进行文本预处理，包括去除标点符号、停用词；使用自然语言处理技术将试题题目转换为向量表示；
[0043]根据题目的向量表示，计算每个试题题目的向量模长；对于每对试题题目，计算它们的向量内积；根据余弦相似度公式，将向量内积除以两个试题题目的向量模长的乘积，得到它们的相似度值；
[0044]将相似度值作为权重，构建学习任务矩阵向量的每个元素；
[0045]对于学习任务计划中的所有试题题目，将学习任务矩阵向量按照固定顺序排列，形成完整的学习任务矩阵向量。
[0046]本专利技术另一方面提供一种基于多种模式spoc平台的课堂教学装置，所述装置包括：
[0047]输入模块，用于根据学生标识获取该学生的历史学习资料以及学习任务计划；
[0048]第一向量模块，用于根据所述历史学习资料，生成相应的学习要点矩阵向量；
[0049]第二向量模块，用于根据所述学习任务计划，生成相应的学习任务矩阵向量；
[0050]输出模块，用于将所述学习要点矩阵向量、所述学习任务矩阵向量输入知识预测模型中，生成知识点测验信息，其中，所述知识预测模型基于深度神经网络模型训练生成。
[0051]在本专利技术实施例中，根据本公开的基于多种模式spoc平台的课堂教学方法，根据学生标识获取该学生的历史学习资料以及学习任务计划；根据所述历史学习资料，生成相应的学习要点矩阵向量；根据所述学习任务计划，生成相应的学习任务矩阵向量；将所述学习要点矩阵向量、所述学习任务矩阵向量输入知识预测模型中，生成知本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多种模式spoc平台的课堂教学方法，其特征在于，所述方法包括：根据学生标识获取该学生的历史学习资料以及学习任务计划；根据所述历史学习资料，生成相应的学习要点矩阵向量；根据所述学习任务计划，生成相应的学习任务矩阵向量；将所述学习要点矩阵向量、所述学习任务矩阵向量输入知识预测模型中，生成知识点测验信息，其中，所述知识预测模型基于深度神经网络模型训练生成。2.根据权利要求1所述的方法，其特征在于，所述知识预测模型的训练方法为：通过多个所述学习要点矩阵向量、所述学习任务矩阵向量对深度神经网络模型进行训练；在训练过程中，在所述深度神经网络的损失函数满足预设策略时，生成所述知识追踪模型。3.根据权利要求2所述的方法，其特征在于，所述损失函数的公式为：其中，m是样本数量，y
(i)
是第i个样本的真实标签(0或1)，n
(i)
是模型预测该样本为正例的概率(值域为[0,1])，θ是神经网络模型的参数。该损失函数的目标是最小化预测值和真实值之间的差距。4.根据权利要求1所述的方法，其特征在于，所述知识预测模型的训练方法为，包括：获取待量化神经网络模型和训练数据；利用所述训练数据对所述待量化神经网络模型进行预设数次的量化感知迭代训练；获取初始量化参数，并利用第一次至第N次迭代训练得到的量化参数更新所述初始量化参数；在每次迭代后根据所述初始量化参数更新所述待量化神经网络模型权重，以得到知识预测模型；其中，N为大于或等于1且小于或等于所述预设次数的正整数。5.根据权利要求4所述的方法，其特征在于，所述量化参数包括激活值，所述获取初始量化参数，并利用第一次至第N次迭代训练得到的量化参数更新所述初始量化参数，包括：设定第一更新比例和第二更新比例；根据所述每一次迭代的激活值、所述迭代次数N、所述第一更新比例和第二更新比例更新所述初始激活值范围。6.根据权利要求4所述的方法，其特征在于，根据所述每一次迭代的激活值、所述迭代次数N、所述第一更新比例和第二更新比例更新所述初始量化参数，包括：确定所述第一次至第N次迭代训练得到的量化参数中大于所述初始量化参数的第一数量；确定所述第一次至第N次迭代训练得到的量化参数中小于所述初始量化参数的第二数量；响应所述第一数量与所述迭代次数N的比值大于所述第一更新比例，利用所述第一次至第N次迭代训练得到的量化参数的平均值增大所述初始量化参数；响应所述第二数...

【专利技术属性】
技术研发人员：高明珠，
申请(专利权)人：黑龙江职业学院黑龙江省经济管理干部学院，
类型：发明
国别省市：