[發(fā)明專利]一種帶有數(shù)據(jù)增強的線上教學(xué)推薦系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202011625667.2
• 申請日: 2020-12-31
• 公開（公告）號: CN112784154B
• 公開（公告）日: 2022-03-15
• 發(fā)明（設(shè)計）人: 左琳;劉念伯;楊騰杰;楊梅乙;鄒源甦
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06Q50/20;G06N3/04;G06N3/08
• 代理公司: 電子科技大學(xué)專利中心 51203
• 代理人: 周劉英

本發(fā)明公開了一種帶有數(shù)據(jù)增強的線上教學(xué)推薦系統(tǒng)，屬于信息技術(shù)領(lǐng)域。本發(fā)明包括數(shù)據(jù)收集模塊，數(shù)據(jù)集增強模塊，課后習(xí)題推薦模塊和課程內(nèi)容推薦模塊，該數(shù)據(jù)收集模塊用于接收學(xué)生基礎(chǔ)信息并構(gòu)建真實數(shù)據(jù)集；數(shù)據(jù)增強模塊根據(jù)數(shù)據(jù)收集模塊構(gòu)建的真實數(shù)據(jù)集，生成大容量的虛擬數(shù)據(jù)集；課后習(xí)題推薦模塊和課程內(nèi)容推薦模塊分別基于虛擬數(shù)據(jù)集訓(xùn)練各自的推薦模型，根據(jù)具體的學(xué)習(xí)情況，在學(xué)生每完成一個單位的學(xué)習(xí)內(nèi)容后，課后習(xí)題推薦模塊生成推薦課后習(xí)題并向?qū)W生推送；課程內(nèi)容推薦模塊在學(xué)生每完成指定的多個單位的學(xué)習(xí)內(nèi)容后，生成推薦課程學(xué)習(xí)內(nèi)容并向?qū)W生推送。本發(fā)明用于在線教學(xué)，解決了現(xiàn)有教育推薦技術(shù)中的訓(xùn)練數(shù)據(jù)缺乏的問題。

技術(shù)領(lǐng)域

本發(fā)明屬于信息技術(shù)領(lǐng)域，尤其涉及一種帶有數(shù)據(jù)增強的線上教學(xué)推薦技術(shù)。

背景技術(shù)

線上教學(xué)網(wǎng)站的數(shù)量與日俱增，通常形式為觀看成套的學(xué)習(xí)視頻，再通過課后習(xí)題或測驗進行學(xué)習(xí)成果的檢驗。如今對于教學(xué)質(zhì)量的需求越來越大，個性化教學(xué)成為了一個重要需求。個性化教學(xué)通常是指通過收集學(xué)生的學(xué)習(xí)過程數(shù)據(jù)，綜合該學(xué)生學(xué)業(yè)能力和學(xué)習(xí)特點，為其量身定制教育目標(biāo)、教育計劃、輔導(dǎo)方案等內(nèi)容的一種教育模式。而線上學(xué)習(xí)與線下相比的一大缺點就是沒有真實的教師，因此便產(chǎn)生了一些智能教學(xué)輔助系統(tǒng)，通過采集學(xué)生數(shù)據(jù)進行模型構(gòu)建，然后系統(tǒng)據(jù)此對學(xué)生進行學(xué)習(xí)相關(guān)內(nèi)容的個性化推薦。支持向量機、神經(jīng)網(wǎng)絡(luò)、逐步回歸等模型都取得了一定的應(yīng)用效果，主要表現(xiàn)在成績預(yù)測、輟學(xué)預(yù)測等方面。

但這些模型也面對一個共有的限制便是數(shù)據(jù)集的限制。機器學(xué)習(xí)訓(xùn)練出的模型的實用效果嚴(yán)重依賴于訓(xùn)練所使用的數(shù)據(jù)集的容量和質(zhì)量。若數(shù)據(jù)集的質(zhì)量不高，則無法訓(xùn)練出一個穩(wěn)定的模型，若數(shù)據(jù)集的容量太小，則訓(xùn)練出的模型泛化能力不足。因此要實現(xiàn)精準(zhǔn)的個性化推薦，除了找到更優(yōu)秀的模型外，獲取更好的數(shù)據(jù)集是十分必要的。

而教育領(lǐng)域中的數(shù)據(jù)收集則一直是一個難點所在，早期的教育研究的數(shù)據(jù)主要來源于調(diào)研，比如調(diào)查問卷，但是問卷調(diào)查缺乏彈性和容易誤解，大部分的問卷調(diào)查都是由問卷設(shè)計者預(yù)先設(shè)計好了回答范圍，使得被調(diào)查者作答比較受限可能會遺漏一些更多細(xì)致、深層的信息，或者是科研團隊通過長期實驗觀察獲得，不僅費時費力，還對教學(xué)形成了一定的影響。隨著教育信息化的飛速發(fā)展，各種在線教育平臺與日俱增，給數(shù)據(jù)收集提供了方便的渠道。但是這也面臨著用戶的隱私問題，很多用戶并不希望自己的行為數(shù)據(jù)被采集保存。同時網(wǎng)站采集的大部分?jǐn)?shù)據(jù)是非結(jié)構(gòu)化，想要把非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)化為可用的數(shù)據(jù)需要將這些數(shù)據(jù)進行二次加工，比如學(xué)生的答題數(shù)據(jù)和相關(guān)試題需要人工進行知識點標(biāo)注，費時費力。

教育行業(yè)的實驗數(shù)據(jù)的難獲取，這大大限制了教育行業(yè)的研究發(fā)展。從仿真數(shù)據(jù)的角度分析，采集一個稍小的數(shù)據(jù)集，構(gòu)建一個合理的學(xué)生行為模擬器生成貼合實際的學(xué)生行為數(shù)據(jù)，用以增強原有數(shù)據(jù)集，這大大增加了基于數(shù)據(jù)驅(qū)動的教育研究和教學(xué)創(chuàng)新的可行性。

數(shù)據(jù)生成指基于現(xiàn)有的模型或數(shù)據(jù)類生成一些虛擬的數(shù)據(jù)，生成的數(shù)據(jù)應(yīng)該盡量符合原有模型或數(shù)據(jù)類的特征，達到以假亂真的效果，但區(qū)別于復(fù)制數(shù)據(jù)，生成的數(shù)據(jù)需要在滿足數(shù)據(jù)類特征的同時盡量與原有數(shù)據(jù)類中的數(shù)據(jù)有足夠的差異化。基于人工智能的數(shù)據(jù)生成主要應(yīng)用于圖片生成。主要方法都基于生成對抗網(wǎng)絡(luò)(Generative AdversarialNetwork，GAN)，不斷改進衍生出WGAN(Wasserstein GAN)，CTGAN(Consistency Term GAN)等。