(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211026050.8 (22)申请日 2022.08.25 (71)申请人 武汉东湖大 数据交易中心 股份有限 公司 地址 430000 湖北省武汉市东湖新 技术开 发区高新大道999号龙山创新园一期 F3栋2101室 (72)发明人 杜乐　徐蓓蓓　秦宇晖　 (74)专利代理 机构 武汉红观 专利代理事务所 (普通合伙) 42247 专利代理师 管先翠 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/48(2019.01) G06F 40/216(2020.01)G06F 40/30(2020.01) G06V 10/82(2022.01) G10L 25/30(2013.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/20(2012.01) (54)发明名称 一种满足自适应学习的智能导学方法及系 统 (57)摘要 本发明公开一种满足自适应学习的智能导 学方法及系统， 所述方法包括： 根据用户学习行 为数据获取与目标任务相关的多源 学习数据； 对 多源学习数据进行预处理， 分别提取多源学习数 据中隐含的语义信息， 得到多源 学习数据的语义 网络矩阵； 挖掘多源学习数据的语义网络矩阵与 目标任务之间的关联关系， 建立多源 学习数据与 目标任务之间的融合认知模型； 通过IRT模型对 多源学习数据与 目标任务之间的融合认知模型 进行认知评估； 根据认知评估结果筛选优选学习 资料推荐给用户。 本发明可以判断用户的学习资 料与目标任务的难度是否匹配， 最后根据认知评 估结果筛选优选学习资料推荐给用户， 得到与目 标任务匹配的学习资料， 实现学习资料的智能导 学。 权利要求书2页 说明书6页 附图1页 CN 115470404 A 2022.12.13 CN 115470404 A 1.一种满足自适应学习的智能导学 方法， 其特 征在于， 所述方法包括： 根据用户学习行为数据获取与目标任务相关的多源学习数据； 对多源学习数据进行预处理， 分别提取多源学习数据中隐含的语义信息， 得到多源学 习数据的语义网络矩阵； 挖掘多源学习数据的语义网络矩阵与目标任务之间的关联关系， 建立多源学习数据与 目标任务之间的融合认知模型； 通过IRT模型对多源学习数据与目标任务之间的融合认知模型进行认知评估； 根据认知评估结果筛 选优选学习资料推荐给用户。 2.根据权利要求1所述的满足自适应学习的智能导学方法， 其特征在于， 所述与目标任 务相关的多源学习 数据包括不同来源的文本、 语音、 图像数据或者与目标任务相关的具体 场景对应的学习数据。 3.根据权利要求2所述的满足自适应学习的智能导学方法， 其特征在于， 所述对多源学 习数据进行预处理， 分别提取多源学习 数据中隐含的语义信息， 得到多源学习数据的语义 网络矩阵具体包括： 对于文本数据， 采用TF ‑IDF算法进行 预处理， 得到对应的文本数据特 征； 对于语音数据， 提取语音数据的各音频帧， 对各音频帧进行傅里叶变换得到频谱值， 根 据频谱值生成语谱图数据， 将语谱图数据汇总 形成语谱图训练集， 将语谱图训练集输入预 先训练好的VG G卷积神经网络， 提取 得到语音数据特 征； 对于图像数据， 进行缩放以及灰度化处理， 并将所有处理后的图像数据进行汇总形成 图像训练集， 将图像训练集输入预 先训练好的VG G卷积神经网络， 提取 得到图像数据特 征； 将文本数据特征、 语音数据特征和图像数据特征融合到一个矩阵中， 形成多源学习数 据的语义网络矩阵。 4.根据权利要求3所述的满足自适应学习的智能导学方法， 其特征在于， VGG卷积神经 网络包括若干个卷积层、 若干个池化层以及一个全连接层， 每一个卷积层后连接一个对应 的池化层， 通过 卷积层、 池化层以及全连接层对训练集进行 特征提取； VGG卷积神经网络的图像卷积公式为： 其中， 表示第t特征图层中的第i个点， f表示一个激励函数， Mt表示滑动窗口的数量， 表示第t‑1输入层中的第j个单元， 表示第t特 征图层中的第i个卷积层中的第j个单 元， 表示第t个卷积层中的第i个偏移量。 5.根据权利要求1所述的满足自适应学习的智能导学方法， 其特征在于， 所述通过IRT 模型对多源学习数据与目标任务之间的融合认知模型进行认知评估具体包括： 通过IRT模型中的l ogistic模型评价用户学习能力； 通过IRT模型中的Rasc h模型计算融合认知模型的认知概 率； 当融合认知模型的认知概率等于50％时， 表示用户学习能力与目标任务的难度相匹 配；权　利　要　求　书 1/2 页 2 CN 115470404 A 2当融合认知模型的认知概 率高于50％时， 表示用户学习能力高于目标任务的难度； 当融合认知模型的认知概 率低于50％时， 表示用户学习能力小于目标任务的难度。 6.根据权利 要求5所述的满足 自适应学习的智能导学方法， 其特征在于， 所述logistic 模型的公式为： θ表示某个用户的基础能力 水平； ηi表示某个用户对多源学习数据的学习能力， 即基础 能力水平为θ 的用户通过对多源学习数据学习后， 完成目标任务i的正确概率； ai为目标任 务i的区分度， bi为目标任务 i的难度， ci为目标任务 i的猜测答对可能； 所述Rasc h模型的公式为： Pr表示融合认知模型的认知概 率， αj表示第j个目标任务认知的难度。 7.根据权利要求6所述的满足自适应学习的智能导学方法， 其特征在于， 所述根据认知 评估结果筛 选优选学习资料推荐给用户具体包括： 当融合认知模型的认知概率高于50％时或低于50％时， 根据目标任务筛选与用户学习 能力相匹配的优选学习资料， 并根据优选学习资料更新融合认知模型和认知评估结果， 直 到融合认知模型的认知概 率与50％的误差在预设阈值范围内。 8.一种满足自适应学习的智能导学系统， 其特 征在于， 所述系统包括： 数据获取模块： 用于根据用户行为数据获取与目标任务相关的多源学习数据； 数据处理模块： 用于对多源学习数据进行预处理， 分别提取多源学习数据中隐含的语 义信息， 得到多源学习数据的语义网络矩阵； 关系挖掘模块： 用于挖掘多源学习数据语义网络矩阵与目标任务之间的关联关系， 建 立多源学习数据与目标任务之间的融合认知模型； 认知评估模块： 用于通过IRT模型对多源学习数据与目标任务之间的融合认知模型进 行认知评估； 指标推荐模块： 用于根据认知评估结果筛 选优选学习资料推荐给用户。 9.一种电子设备， 其特征在于， 包括： 至少一个处理器、 至少一个存储器、 通信 接口和总 线； 其中， 所述处 理器、 存储器、 通信接口通过 所述总线完成相互间的通信； 所述存储器存储有可被所述处理器执行的程序指令， 所述处理器调用所述程序指令， 以实现如权利要求1～7任一项所述的方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储计算机指 令， 所述计算机指令使计算机实现如权利要求1～7任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115470404 A 3