(12)发明专利申请
(10)申请公布号 CN 112016767 A(43)申请公布日 2020.12.01
(21)申请号 202011073828.1(22)申请日 2020.10.09
(71)申请人 北京高思博乐教育科技股份有限公
司
地址 100000 北京市海淀区北四环中路283
号10层(72)发明人 路伟 李光杰 须佶成 李川
邹瑾 汪岩 (74)专利代理机构 北京方韬法业专利代理事务
所(普通合伙) 11303
代理人 党小林(51)Int.Cl.
G06Q 10/04(2012.01)G06Q 50/20(2012.01)H04L 29/08(2006.01)
权利要求书2页 说明书6页 附图1页
(54)发明名称
学习路线的动态规划方法及装置(57)摘要
本发明提供了一种学习路线的动态规划方法及装置。该方法包括：对学生的历史学习历程、知识点掌握程度、学习能力进行综合评估；依据知识图谱，以及综合评估结果，向学生推荐最优学习路径；由预先训练的AI教师模块给出学生对考试题目的掌握情况概率分布的预测；根据预测结果向学生推荐合适的课后练习题。本发明提供的学习路线的动态规划方法及装置根据学生的能力从庞大的教学资源中，规划出最优的学习路线并推送合理的题目，完成相关知识点的学习。
CN 112016767 ACN 112016767 A
权 利 要 求 书
1/2页
1.一种学习路线的动态规划方法，其特征在于，包括：对学生的历史学习历程、知识点掌握程度、学习能力进行综合评估；依据知识图谱，以及综合评估结果，向学生推荐最优学习路径；
由预先训练的AI教师模块给出学生对考试题目的掌握情况概率分布的预测；根据预测结果向学生推荐合适的课后练习题。
2.根据权利要求1所述的学习路线的动态规划方法，其特征在于，对学生的历史学习历程进行综合评估，包括：
对单个学生的学习行为数据进行收集和结构化；以及对学生学习过程中出现的异常数据进行修正。
3.根据权利要求1所述的学习路线的动态规划方法，其特征在于，对学生的知识点掌握程度进行综合评估，包括：
利用深度学习理论，进行深度学习多层网络的构建；根据学生的历史学习行为，利用深度学习多层网络挖掘学生对每一个知识点的掌握程度和熟练度。
4.根据权利要求1所述的学习路线的动态规划方法，其特征在于，对学生的学习能力进行综合评估，包括：
对学生对知识点的掌握程度、课后习题的做题内容、学生的爱好、学生的生活习惯以及对英语主题感兴趣程度进行全方面评估。
5.根据权利要求1所述的学习路线的动态规划方法，其特征在于，依据知识图谱，以及综合评估结果，向学生推荐最优学习路径，包括：
根据对历史学习历程、知识点掌握程度、学习能力的综合评估结果进行决策，获取推荐的最优学习路径。
6.根据权利要求1所述的学习路线的动态规划方法，其特征在于，对AI教师模块的预先训练操作，包括：
将学生的做题记录和题目的题干文本内容作为基础，采用自然语言技术对题干进行编码，作为模型对题干文本内容的理解；
将题目涉及的知识点进行编码，作为算法模型对不同知识点的理解程度分析；对每一个学生的学习状态和不同知识点的掌握程度进行编码，为学生进行个性化最优学习路径的学习提供基础条件。
7.根据权利要求1所述的学习路线的动态规划方法，其特征在于，根据预测结果向学生推荐合适的课后练习题，包括：
将基于学生的学习表现，预测学生未来对不同知识点下的不同题目的掌握情况，然后基于对题目的概率预测结果，使用层次聚类算法和决策算法进行难度等级划分；
老师每节课讲授的知识点范围、授课内容等内容进行融合，综合前面对学生的能力评估和最优路径定制结果，将部分题目剔除；
采用决策树算法并按照课后习题的规范，做出最后环节的出题决策；根据出题决策结果，给出课后练习题。
8.根据权利要求7所述的学习路线的动态规划方法，其特征在于，难度等级划分包括：超级简单、简单、中等、难度、超级难度。
2
CN 112016767 A
权 利 要 求 书
2/2页
9.根据权利要求8所述的学习路线的动态规划方法，其特征在于，被提出的题目包括：超级简单及超级难度的题目。
10.一种学习路线的动态规划装置，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据权利要求1至9任意一项所述的学习路线的动态规划方法。
3
CN 112016767 A
说 明 书
学习路线的动态规划方法及装置
1/6页
技术领域
[0001]本发明涉及互联网教育技术领域，特别是涉及一种学习路线的动态规划方法及装置。
背景技术
[0002]在教育教学中，我们一贯提倡要“因材施教”。因材施教原指“针对学习的人的能力、性格、志趣等具体情况施行不同的教育”。其核心是“材”，意即“学生”，要求教育者的教育要根据“学生”的不同情况去施行，“学生”是实施教育的对象，也常常是教育者实施教育教学的唯一根据。在互联网+时代的背景下，家长和学生的诉求则是需要多种课程资源进行综合教学。不仅要根据“学生”的学习状况，还要考虑到教材的因素、学习过程中的情况和教师的自身条件(这在以往的教学中比较淡化)，也就是“因材施教”要“针对学习的人和施教的人的能力、性格、志趣以及教材的特点、教学时的情景的不同去施行不同的教育”。[0003]伴随着互联网的快速发展，互联网给传统的教育模式增加了很多元素色彩，也催生了在线教育行业的快速发展。很多的教育教学模式由线下搬到线上，这就给在线教育带来了很大的契机和挑战。契机则是积累了很多的教学资源和数据，提高了知识传播的速度和范围；挑战则是如何在短时间内将繁多的教学资源和数据知识学习一遍。同时，从学生的角度来看，如何在众多的学习资源中根据个人的能力、兴趣按照合理的学习路线进行学习，掌握到知识的核心。[0004]目前情况下，很多的自适应教育公司在做因材施教相关产品的时候，数据分析维度极其单一，未将学生的能力、知识点难度、教学资源等综合数据利用起来。目前大多数产品都是基于知识追踪(KT，Knowledge Tracing)等传统的深度学习进行的简单推题功能，或者基于知识图谱做一个知识点的推荐。以上方法均忽略了对学生能力的思考和对题目难易程度的匹配分析，只是给学生推荐简单的题目，没有综合考虑学生的能力、题目的难度、知识点的复杂度进行复杂综合推荐，然后根据学生的学习状态，及时推送相关的教学资源供学生及时的答疑，都缺少对庞大的教学资源进行整合的能力。无法对学生提供正向积极的指导，导致因材施教的难以执行。发明内容
[0005]本发明要解决的技术问题是提供一种学习路线的动态规划方法及装置，根据学生的能力从庞大的教学资源中，规划出最优的学习路线并推送合理的题目，完成相关知识点的学习。
[0006]为解决上述技术问题，本发明提供了一种学习路线的动态规划方法，所述方法包括：对学生的历史学习历程、知识点掌握程度、学习能力进行综合评估；依据知识图谱，以及综合评估结果，向学生推荐最优学习路径；由预先训练的AI教师模块给出学生对考试题目的掌握情况概率分布的预测；根据预测结果向学生推荐合适的课后练习题。[0007]在一些实施方式中，对学生的历史学习历程进行综合评估，包括：对单个学生的学
4
CN 112016767 A
说 明 书
2/6页
习行为数据进行收集和结构化；以及对学生学习过程中出现的异常数据进行修正。[0008]在一些实施方式中，对学生的知识点掌握程度进行综合评估，包括：利用深度学习理论，进行深度学习多层网络的构建；根据学生的历史学习行为，利用深度学习多层网络挖掘学生对每一个知识点的掌握程度和熟练度。[0009]在一些实施方式中，对学生的学习能力进行综合评估，包括：对学生对知识点的掌握程度、课后习题的做题内容、学生的爱好、学生的生活习惯以及对英语主题感兴趣程度进行全方面评估。
[0010]在一些实施方式中，依据知识图谱，以及综合评估结果，向学生推荐最优学习路径，包括：根据对历史学习历程、知识点掌握程度、学习能力的综合评估结果进行决策，获取推荐的最优学习路径。
[0011]在一些实施方式中，对AI教师模块的预先训练操作，包括：将学生的做题记录和题目的题干文本内容作为基础，采用自然语言技术对题干进行编码，作为模型对题干文本内容的理解；将题目涉及的知识点进行编码，作为算法模型对不同知识点的理解程度分析；对每一个学生的学习状态和不同知识点的掌握程度进行编码，为学生进行个性化最优学习路径的学习提供基础条件。
[0012]在一些实施方式中，根据预测结果向学生推荐合适的课后练习题，包括：将基于学生的学习表现，预测学生未来对不同知识点下的不同题目的掌握情况，然后基于对题目的概率预测结果，使用层次聚类算法和决策算法进行难度等级划分；老师每节课讲授的知识点范围、授课内容等内容进行融合，综合前面对学生的能力评估和最优路径定制结果，将部分题目剔除；采用决策树算法并按照课后习题的规范，做出最后环节的出题决策；根据出题决策结果，给出课后练习题。[0013]在一些实施方式中，难度等级划分包括：超级简单、简单、中等、难度、超级难度。[0014]在一些实施方式中，被提出的题目包括：超级简单及超级难度的题目。[0015]此外，本发明还提供了一种学习路线的动态规划装置，所述装置包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据前文所述的学习路线的动态规划方法。[0016]采用这样的设计后，本发明至少具有以下优点：[0017]本发明可以跟踪学生的学习状态，为学生动态规划最优学习路线，可以在无教师监督的情况下，自动分析学生对不同知识点的掌握情况，然后为学生推荐适应于学生能力的教学资源，帮助学生提高学习兴趣的同时收获成绩的成长，该发明获得了多位经验丰富的资深老师的一致认同。
附图说明
[0018]上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。
[0019]图1是本发明实施例提供的学习路线的动态规划方法的流程图；[0020]图2是本发明实施例提供的学习路线的动态规划装置的结构图。
5
CN 112016767 A
说 明 书
3/6页
具体实施方式
[0021]以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。[0022]为了解决当下极其需求的“因材施教”的产品，该发明综合庞大的教学资源和学生数据，实现了将深度学习和知识图谱的首次结合，同时利用该技术实现了对教学资源和数据进行了深入挖掘和学习路线规划的推荐方案。该发明深入挖掘、追踪学生的学习状态，为每一个学生构建一个知识点掌握矩阵和学习路径，动态跟踪分析学生的学习能力和对知识点的掌握程度，然后定向给学生推送相关的学习材料，让学生在庞大的知识体系中，用最短的时间按照最佳的学习路径掌握到新知识。因此，该发明让学生在互联网时代拥有了一个私人AI教师，AI教师每天都会根据不同学生的学习状况，进行实时监督，及时进行知识点的查漏补缺，做到了真正的“因材施教”产品。[0023]将深度学习和知识图谱结合，从学生的能力、题目的难度、知识点的复杂度等多个维度进行分析，为学生构建知识点掌握矩阵和学习路径。在每一个学习路径上，根据学生的能力为学生从海量的学习资源中推荐相关的学习内容，让AI老师及时为学生解疑答惑，促进学生学习能力的提高。[0024]2.1因材施教核心[0025]2.1.1教育数据库[0026]参见图1，教育数据库包含素材资源库、教育资源库、题库、学生答题记录。素材资源库主要内容是包括视频、图片、文本等内容；教育资源库主要包括大纲、课程体系、教学目标、授课课件等；题库则主要是课后习题；学生答题记录则是指学生的考试和课后习题的得分情况。将这些数据按照严格的格式全部进行清洗并入库，保障AI算法可以合理高效的利用相关数据，实时追踪学生学习行为，为分析学生的学习状态和能力以及个性化定制学习路径提供重要的数据基础保障。[0027]2.1.2AI算法
[0028]本发明是基于深度学习理论对庞大的数据进行分析挖掘，分析到潜在的学生学习信息、知识点信息和题干信息。[0029]本AI算法将深度学习、聚类和决策算法融合，首先对题库中的题目文本内容进行编码，为AI阅读并理解题干提供第一步的编码信息。同时，AI算法对题干所考的知识点内容进行编码，负责解析知识点难度和复杂度信息。该算法同时对学生进行了能力的判断、学习状态的跟踪、知识点的诊断分析。同时，该算法也将教师的教学目标也加入到模型中，为学生的个性化学习路径定制提供基础信息数据和规划。[0030]2.1.3知识图谱
[0031]知识图谱对课程的不同年级、不同单元、不同授课内容等进行了细分，包括授课内容、语法、单词、试题、学生信息等内容。以初中英语为例，授课内容包括每一单元每一节课的学习主题，这些学习主题是针对日常生活中常见话题的英语对话、单词、短语等内容。语法包括过去时、进行时、完成时等动词时态；简单句、复合句、定语从句等句型结构；主动和被动语态等英语语法。单词包括词根、词缀、词性、音标以及同音不同词、短语，每一个单词都相互联系，如相同的词根词缀，相同的音标，正义词或者反义词等词性的关联。试题则是将题库的题目唯一标识符、知识点、题干、解析等内容作为实体进行存储。学生则是将学生
6
CN 112016767 A
说 明 书
4/6页
的年级、学习的知识点、章节等信息进行知识图谱的构建。基于以上所有实体的构建，该知识图谱又将每一个试题与单词、语法、讲义内容、学生等进行了多维度的关系构建，保障每一个实体之间都尽可能的建立起一个完整的关系，保障知识图谱中各个实体有较高的关联度。
[0032]2.2因材施教学生历史行为分析[0033]2.2.1学生学习历程
[0034]该模块实现了对学生历史学习行为的监督。以英语学科为例，该模块包括学生学习过的单元、主题、语法、知识点、做过的题目等数据，对单个学生的学习行为数据进行收集和结构化，对学生学习过程中出现的异常数据进行修正，提高数据质量和敏感度，为整个产品跟踪每一个学生的细节，实现真正因材施教做好至关重要的准备。[0035]2.2.2知识点掌握程度
[0036]该模块的重要性则是利用深度学习理论，进行深度学习多层网络的构建，根据学生的历史学习行为，挖掘学生对每一个知识点的掌握程度和熟练度。根据对历史知识点的掌握程度的分析结果，对未来知识点掌握程度进行预测，全方位判断学生的学习状态，为学生的能力评估和学习路径的规划做出准备工作。[0037]2.2.3学生能力评估
[0038]该模块综合学生历史学习数据和知识点的掌握程度，对学生能力进行评估预测。该部分可以使用深度学习、集成模型和聚类算法进行预测，对学生能力的评估结果不仅从学生对知识点的掌握程度、课后习题的做题内容等维度进行评估，还从学生的爱好、学生的生活习惯以及对某些英语主题感兴趣程度等方面进行全方面评估，评估结果是一个一维向量。
[0039]2.2.4最优学习路径
[0040]该模块根据学生能力评估结果和对知识点的掌握程度结果，利用知识图谱和深度学习技术，为学生提供最佳的学习路径，然后根据学习路径从庞大的教学数据库中获取相关教学资料和课程让学生学习，保证学生及时学习并巩固相关知识点，做到因材施教中的及时查漏补缺的能力。[0041]2.3AI老师
[0042]该模块基于深度学习和知识图谱理论，通读了题库中的所有题目、知识点内容以及教学目标，学习了10万学生近百万的历史学习行为数据，相当于人类经验丰富的老师，可以通过学生的学习状况预测学生对每一个知识点的掌握情况。首先在训练时候，要将学生的做题记录和题目的题干文本内容作为基础，采用自然语言技术对题干进行编码，作为模型对题干文本内容的理解。然后，将题目涉及的知识点进行编码，作为算法模型对不同知识点的理解程度分析。最后对每一个学生的学习状态和不同知识点的掌握程度进行编码，为学生进行个性化最优学习路径的学习提供基础条件。最后AI老师预测该学生对考试题目的掌握情况的概率分布。[0043]2.4题目难度聚类[0044]2.4.1题目难度聚类
[0045]该模块主要根据AI老师对特定学生预测的每个题目的概率分布进行难度等级划分。该发明考虑到学生学习是为了学习不熟悉的知识点提高学习能力，其中极其简单的知
7
CN 112016767 A
说 明 书
5/6页
识点学生原本就会，再继续学习无异于浪费时间；而极其难度的知识点脱离了学生的认值能力，对于能力的提升没有必要的帮助。本发明将基于学生的学习表现，预测学生未来对不同知识点下的不同题目的掌握情况，然后基于对题目的概率预测结果，使用层次聚类算法和决策算法进行难度等级划分，共分为五个等级：超级简单、简单、中等、难度、超级难度。[0046]2.4.2教学目标
[0047]该发明中的教学目标是指老师每节课讲授的知识点范围、授课内容等内容进行融合。该模块主要是基于考试题目预测概率和题目难度聚类结果，综合前面对学生的能力评估和最优路径定制结果，将超级简单和超级难度的题目剔除。[0048]2.4.3综合决策
[0049]该模块主要是采用决策树算法并按照课后习题的规范，做出最后环节的出题决策，确保题目质量最佳。该模块最终实现了学生在夯实知识点的过程中，从海量的题库中选择最适合的题目保障学生练习知识点的有效性，让学生在最短的时间内有效的巩固学习到的知识点。
[0050]2.4.4推荐课后习题
[0051]该模块可以将综合决策后的题目采用互联网技术进行工程化并推送给学生，让学生在学习完成知识点之后进行练习，完成整个学习链路的闭环。同时根据学生练习题目的过程，将相关数据按照一定的规则进行数据库和知识图谱的更新，确保AI老师实时捕捉学生的学习状况，及时为学生更新最新的学习路径，确保学生在短时间内学习到足够的知识，以帮助学生快速高效的提高学习能力。
[0052]本发明可以跟踪学生的学习状态，为学生动态规划最优学习路线，可以在无教师监督的情况下，自动分析学生对不同知识点的掌握情况，然后为学生推荐适应于学生能力的教学资源，帮助学生提高学习兴趣的同时收获成绩的成长，该发明获得了多位经验丰富的资深老师的一致认同。
[0053]图2示出了学习路线的动态规划装置的结构。参见图2，例如，所述学习路线的动态规划装置200可以用于充当在线教育系统中的学习路径规划装置。如本文所述，学习路线的动态规划装置200可以用于在在线教育系统中实现对学生学习路径的规划功能。学习路线的动态规划装置200可以在单个节点中实现，或者学习路线的动态规划装置200的功能可以在网络中的多个节点中实现。本领域的技术人员应意识到，术语学习路线的动态规划装置包括广泛意义上的设备，图2中示出的学习路线的动态规划装置200仅是其中一个示例。包括学习路线的动态规划装置200是为了表述清楚，并不旨在将本发明的应用限制为特定的学习路线的动态规划装置实施例或某一类学习路线的动态规划装置实施例。本发明所述的至少部分特征/方法可以在网络装置或组件，例如，学习路线的动态规划装置200中实现。例如，本发明中的特征/方法可以采用硬件、固件和/或在硬件上安装运行的软件实现。学习路线的动态规划装置200可以是任何通过网络处理，存储和/或转发数据帧的设备，例如，服务器，客户端，数据源等。如图2所示，学习路线的动态规划装置200可以包括收发器(Tx/Rx)210，其可以是发射器，接收器，或其组合。Tx/Rx 210可以耦合到多个端口250(例如上行接口和/或下行接口)，用于从其他节点发送和/或接收帧。处理器230可耦合至Tx/Rx 210，以处理帧和/或确定向哪些节点发送帧。处理器230可以包括一个或多个多核处理器和/或存储器设备232，其可以用作数据存储器，缓冲区等。处理器230可以被实现为通用处理器，或
8
CN 112016767 A
说 明 书
6/6页
者可以是一个或多个专用集成电路(application specific integrated circuit，简称ASIC)和/或数字信号处理器(digital signal processor，简称DSP)的一部分。[0054]以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。
9
CN 112016767 A
说 明 书 附 图
1/1页
图1
图2
10
因篇幅问题不能全部显示，请点此查看更多更全内容