【技術實現步驟摘要】
本專利技術涉及課程規劃，尤其涉及一種基于自適應學習算法的動態課程規劃方法。
技術介紹
1、在現有技術中教育領域的個性化學習需求日益增長，傳統的課程規劃方式在滿足學習者的實時學習需求方面存在諸多不足，通常教育平臺通過預定義的課程結構為不同學習者提供統一的教學內容，缺乏對學習者個體差異的動態響應能力，在學習過程中無法根據學習者的實時表現進行針對性調整，學習者在某些知識點上的薄弱環節無法被實時識別和強化，容易導致學習效率低下和知識點掌握不均衡。
2、為了改善這一問題，部分現有技術嘗試引入自適應學習算法，通過收集學習者的學習數據來分析其學習狀態，然而，自適應學習算法在實踐中仍存在一些明顯的缺陷：首先，現有系統大多局限于簡單的線性分析無法全面捕捉學習者知識結構的復雜性；其次，現有的動態課程規劃系統在推薦學習資源時僅依賴于靜態規則或簡單的匹配算法，難以實現個性化和動態調整，導致學習資源的分配與學習者的真實需求不符。
3、此外，部分現有技術試圖通過數據挖掘和學習路徑分析來優化課程規劃，但現有方法缺乏對學習者實時表現的細粒度追蹤和動態響應能力，在識別學習者的知識盲點或薄弱區域時，現有技術主要依賴于預定義的閾值或靜態規則，難以靈活適應學習者多變的學習狀態，再者，現有系統在多平臺兼容性和資源整合方面存在技術瓶頸，課程規劃系統難以高效地在不同教育平臺間遷移和應用，限制了其推廣性和適應性。
4、上述的問題在實踐中極大限制了個性化學習算法的有效性，亟需一種新的技術手段來克服上述缺陷，提高課程規劃系統的動態響應能力和資源
技術實現思路
1、本專利技術的一個目的在于提出一種基于自適應學習算法的動態課程規劃方法，本專利技術能夠更好地滿足個性化學習需求，提升學習效果和系統的跨場景適應性。
2、根據本專利技術實施例的一種基于自適應學習算法的動態課程規劃方法，包括如下步驟：
3、s1.采集學習者的過往課程成績數據、在線學習時長數據、知識點掌握情況數據以及學習行為偏好數據，基于采集的數據構建學習者知識空間的多維數據模型；
4、s2.在多維數據模型的基礎上利用分形幾何方法對學習者知識空間進行分析，計算學習者知識空間的分形維數，量化學習者知識結構的復雜性，并形成分形特性表征的知識圖譜；
5、s3.基于知識圖譜，結合自適應學習算法對學習者知識空間中的各知識點掌握情況進行評估，識別學習者知識空間中的薄弱區域及潛在知識盲點；
6、s4.根據學習者實時知識狀態分析結果結合學習目標，利用分形遞歸算法對知識圖譜進行遞歸分解，將知識點劃分為主干知識模塊、次級擴展模塊及細化知識模塊，動態學習路徑通過調整主干模塊的排列順序、動態展開次級模塊及加載細化模塊；
7、s5.基于學習者實時知識狀態和動態學習路徑，利用分形特性對多層次學習資源進行優化推薦，優化推薦內容和排序依據學習者的知識掌握情況、薄弱知識點和學習行為偏好動態調整；
8、s6.根據s5推薦的學習資源，通過實時監測學習者在學習過程中的表現數據，結合表現數據分析結果動態調整學習路徑及資源推薦內容，優化學習建議并實時更新學習者知識狀態，直至課程規劃結束。
9、可選的，所述s1包括以下步驟：
10、s11.采集學習者的過往課程成績數據、在線學習時長數據、知識點掌握情況數據以及學習行為偏好數據：
11、過往課程成績數據gi表示學習者在第i門課程中的成績，取值范圍為[0,1]；
12、在線學習時長數據ti表示學習者在與第i個知識點相關的累計在線學習時長；
13、知識點掌握情況數據ki表示學習者對第i個知識點的掌握程度，取值范圍為[0,1]，0表示未掌握，1表示完全掌握；
14、學習行為偏好數據pi表示學習者對第i個知識點相關學習資源的使用偏好；
15、s12.對采集到的過往課程成績數據、在線學習時長數據、知識點掌握情況數據以及學習行為偏好數據進行歸一化處理，使不同類型數據在統一尺度上進行比較；
16、s13.基于歸一化后的學習者數據構建學習者知識空間的多維數據模型：
17、
18、其中，s為知識空間的多維數據模型矩陣。
19、可選的，所述s2包括以下步驟：
20、s21.利用知識空間多維數據模型s將每個知識點表示為節點vi，節點之間的關聯關系表示為邊eij，構建學習者的知識空間網絡圖：
21、g＝(v,e,w)：
22、其中，v為知識點節點集合，e為節點之間的關聯邊集合，w＝{wij}為邊權重集合，邊權重wij根據知識點vi和知識點vj的關聯強度計算：
23、
24、其中，ki,kj為知識點vi和知識點vj的掌握程度，λ為關聯度調節系數，∥ki∥,∥kj∥為對應知識點掌握程度的范數；
25、s22.采用盒維數法對知識空間網絡圖g進行分形維數計算，將知識空間網絡嵌入到度量空間中，選擇不同尺度的盒子大小εl，對整個知識空間進行覆蓋，盒子數量n(εl)表示在尺度εl下覆蓋知識空間所需的最小盒子數，建立盒子大小εl與盒子數量n(εl)的對應關系，形成數據集{(logεl,logn(εl))}；
26、利用線性回歸方法對數據集進行擬合，計算分形維數d：
27、
28、其中，k為擬合直線的斜率，d為知識空間網絡的分形維數，量化學習者知識結構的復雜性；
29、s23.根據計算得到的分形維數d結合知識空間網絡g生成具有分形特征的知識圖譜t，根據分形維數d和節點的拓撲特性調整節點vi的權重
30、
31、其中，ki為知識點vi的掌握程度，deg(vi)為節點vi的度，為權重調節指數，dmax為知識空間可能的最大分形維數；
32、根據節點權重和分形特性，調整邊eij的權重weij：
33、
34、其中，為調整后的節點權重，φ為邊權重調節指數；
35、構建知識圖譜的加權鄰接矩陣t＝[tij]：
36、tij＝{w0e,ij,如果節點vi否與則vj直接相連；
37、s24.將生成的具有分形特性的知識圖譜t存儲于學習管理系統的數據庫中。
38、可選的，所述s3包括以下步驟：
39、s31.基于知識圖譜t，結合知識點掌握程度ki和知識圖譜中節點權重評估學習者對知識點的綜合掌握情況：
40、
41、其中，mi表示知識點vi的綜合掌握程度，ki為學習者對知識點vi的掌握程度，deg(vi)為知識點vi的度，表示與其直接相連的知識點數，為知識圖譜中所有節點度的總和；
42、s32.通過知識圖譜t的邊權重和節點掌握程度mi,mj計算知識點vi和vj之間的關聯強度rij和薄弱程度lij：
43、
44、lij＝1-rij本文檔來自技高網...
【技術保護點】
1.一種基于自適應學習算法的動態課程規劃方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于自適應學習算法的動態課程規劃方法，其特征在于，所述S1包括以下步驟：
3.根據權利要求1所述的一種基于自適應學習算法的動態課程規劃方法，其特征在于，所述S2包括以下步驟：
4.根據權利要求1所述的一種基于自適應學習算法的動態課程規劃方法，其特征在于，所述S3包括以下步驟：
5.根據權利要求1所述的一種基于自適應學習算法的動態課程規劃方法，其特征在于，所述S4包括以下步驟：
6.根據權利要求1所述的一種基于自適應學習算法的動態課程規劃方法，其特征在于，所述S5包括以下步驟：
【技術特征摘要】
1.一種基于自適應學習算法的動態課程規劃方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于自適應學習算法的動態課程規劃方法，其特征在于，所述s1包括以下步驟：
3.根據權利要求1所述的一種基于自適應學習算法的動態課程規劃方法，其特征在于，所述s2包括以下步驟：
4.根據...
【專利技術屬性】
技術研發人員：戴振華，屈麗明，段元梅，譚美華，朱智勇，
申請(專利權)人：湖南科技學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。