[發明專利]一種支持自主學習的個性化知識元表的自動生成方法及系統

在審

• 申請號: 201710093403.9
• 申請日: 2017-02-21
• 公開（公告）號: CN106886821A
• 公開（公告）日: 2017-06-23
• 發明（設計）人: 孫雪冬
• 申請（專利權）人: 中山大學
• 主分類號: G06N99/00
• 分類號: G06N99/00;G09B7/08
• 代理公司: 廣州新諾專利商標事務所有限公司44100
• 代理人: 張玲春

1.一種支持自主學習的個性化知識元表的自動生成方法，其特征在于，該方法在學習內容模型和學習過程模型的基礎上，利用這兩個模型之間的映射關系，通過對這兩個模型的聯合處理生成知識元粒度層的知識表，具體包括以下步驟：

1)根據知識元的聚集性對知識模型進行知識單元劃分，根據知識元之間的時序性進行知識單元的層次的標定；

2)根據過程模型中活動的時序性以及活動的類型、支持資源等屬性，對同一個知識單元內的活動進行串行化處理；

3)根據知識單元所在層次及知識單元的時序關系，進行知識單元間的活動的串行化處理，給出針對不同學習者的知識元粒度層的學習方案。

2.根據權利要求1所述的支持自主學習的個性化知識元表的自動生成方法，其特征在于，具體包括以下步驟：

步驟1，進行問題描述及對學習安排進行了如下相關約定：

1.1)學習過程的最小構成單元為活動，具體學習粒度的選擇由學習者的具體情況來決定；

1.2)學習內容的安排盡量差異化，在某一時間段內學習的知識元不能屬于同一知識單元；

1.3)目標知識元要盡可能同時學完。

步驟2，建立學習者的知識模型和學習過程模型：

此步驟為預處理階段，包括：知識建模、學習過程建模、知識模型和過程模型之間的映射；具體包括：

2.1)考慮了知識聚集性的知識建模；

2.2)基于工作流標準的學習過程建模；

LPM＝(AV,IOE),其中LPM為學習過程模型.AV為模型中的節點，代表活動，AV＝(ID,Name,Type，KE,SR,LNE),其中,Type為活動類型，可為：學習活動、循環活動、啞元活動、復習活動、測試活動，學習活動可以再細分：普通自學、補充學習、與人討論活動、需要實驗設備支持…；KE為活動處理的知識元；SR為活動的支持資源；LNE為活動的學習者。IOE為模型中的邊，表示活動的輸入、輸出，IOE＝(ID,Name,FAct,TAct,…),FAct表示邊的"from"活動節點,TAct表示“to”的活動節點。我們用超邊描述輸入的“AND”邏輯；用不同的邊描述不同的輸入和輸出；

對于學習過程p，在其用于個性化優化的超圖模型中，其活動集為AV，對于如果其輸入(I)，輸出(O)，服務資源(SR)，以及學習者(LNR)都用知識元來描述，那么過程屬性可以描述如下：

1)和且SR_b＝SR_a，其中，SR_b和SR_a表示活動執行前后的服務資源。

2)如果并且那么且O-I＝O_e-I_e，其中，表示在資源R的支持下輸入I可以產生輸出O。

3)知識模型與過程模型間的映射；

根據實際的學習情況，在進行分析之前，我們做了如下的假設：

假設1：對于存在前序后序關系的兩個知識元，學習者只有掌握的前面的知識元才能學習后序的知識元；

假設2：如果學習者掌握了一個知識元，這就意味著掌握了從開始知識元到該知識元的某條路徑上的所有知識元。

基于上述的假設，我們將給出知識模型向過程模型的映射規則；

知識模型向學習過程映射：對于一個知識模型KHM，其知識元集為KV，對于ke_j∈KV，使得a_i＝f(ke_i)，a_j＝f(ke_j)，且<ke_i,ke_j>＝<a_i,a_j>，其中a_i,a_j∈PLM，PLM為過程模型。

對于同一組知識元，不同的學習者可能采取不同的學習方式進行學習，相應的映射也需要考慮學習者的具體情況。考慮到學習者學習習慣、學習方式和學習能力的映射規則可以描述為：

知識模型向學習過程個性化映射：給定知識模型KHM和學習者模型UM，對于使得f(km_i,ler_i)∈LPM，其中，LPM為學習過程模型，f為單射；

給定一個過程模型，去掉所有活動的支持資源，并對于同一知識元不同方面的不同方式的學習活動進行合并；并保持過程的邏輯及拓撲關系，這樣就獲得該過程所對應的知識模型，該映射過程可形式化描述為：

學習過程模型向知識模型的映射：對于一個學習過程模型LPM，對于任意兩個活動a_i,a_j∈PLM，如果a_i,a_j相鄰，且a_i和a_j對應的知識元都為ke，則a_i，a_j映射為ke；如果a_i,a_j同為某個活動的輸入或者輸出，對應的知識元分別為ke_i和ke_j，則<ke_i，ke_j>＝<a_i，a_j>。

步驟3，知識模型的層次劃分；

總的劃分過程為：

3.1)根據不同知識單元中的知識元之間的關系進行知識單元的層次劃分；

3.2)以目標知識元為起點進行逆向回溯，并進行層次標定；

3.3)對于某些知識單元，在不同的回溯路徑上所處的層次不同，如果我們按逆向從小到大編號，則該知識單元的編號取較大的編號；

3.4)總的路徑層次編號以最大的知識單元編號為基準進行標定，如果某條路徑上的知識單元數小于最多層次數，則在編號斷層處加入空的知識單元；

步驟4，知識單元內部知識元學習活動的串行化；

因為基于有向超圖的知識模型是經過路徑優選的學習內容，不存在多余的可選的內容，因此在進行串行化處理時，主要是如何對邏輯輸入為“與”的邊進行處理。

步驟5，不同知識單元間知識元學習活動進行串行化處理

這個步驟又分為下面兩個子步驟：

步驟5.1，同一層次知識單元間的知識元學習活動的串行化處理；

步驟5.2，不同層次知識單元間的知識元學習活動的串行化處理；

步驟6，變化的處理；

學習方案相關的元素可能發生變化：1)學習者的可用時間發生變化；2)學習過程發生變化；3)學習內容發生變化；

對于第一種情況，我們需要重新對學習過程進行優化，進行時間的調整，其中，壓縮每個活動的時間，活動的質量可能降低，即學習的質量可能降低；

對于第二和第三種情況，首先判斷改變后的學習過程、學習內容與原過程及學習內容是否相關；如果相關，則需要根據原過程中活動執行情況進行相應的處理，對處理后的過程重復步驟2到步驟5，得到新過程的知識學習方案；如果不相關，則對新的學習內容和學習過程，根據學習者的可用時間，根據步驟1到步驟4進行相應的處理，得到新過程的知識學習方案。