一种生成学生个性化学习方案的方法及系统

摘要

本发明公开了一种生成学生个性化学习方案的方法及系统，该方法包括：在考试需要考的知识点中，获取学生未掌握的知识点集合；根据学生未掌握的知识点集合，预估每个知识点掌握后对学生成绩的提升值；根据学生未掌握的知识点集合，预估学生掌握知识点花费的时间；根据所述提升值及掌握知识点花费的时间，利用优化算法计算预设学习时间范围内的最大提升值，并获取最大提升值对应的需要掌握的知识点集合；根据所述需要掌握的知识点集合，利用统计学模型规划学习知识点的学习路径，生成学生个性化学习方案。本发明能够将学生的学习计划进行合理安排，使学生根据知识点有针对性的学习，改善学生的学习效率，提高学生的学习成绩。

说明书

技术领域

本发明涉及互联网教育技术领域，尤指一种生成学生个性化学习方案的方法及系统。

背景技术

对于每个学生来说，距离考试的时间是一样的。但是，如何利用考试前的学习时间，最大化学生的成绩提升或者成绩收益，是一个很关键的问题。

为克服上述问题，在现有技术中有以下三种方案：第一种是老师为班里整体做一个学习方案和计划，类似于一轮打基础、二轮拔高、三轮模拟的三轮复习高考方法。但是这种方案没法做到个性化的指引。如果一个学生数学很好但是英语很差，另一个学生英语很差但是数学很好，就不能共用同一套学习计划和方案，这样会导致数学差的学生无法花学习英语的时间去补数学。

第二种是由专业的老师为学生进行规划个性化学习计划，该方案有很多缺点，比如，老师并没有办法了解清楚该学生所有的学习能力和水平，不能细化到学生是否会某一个或者某几个知识点，更不能了解清楚该学生对每个知识点具体的掌握程度，最多只能大概知道“好”、“一般”、“差”等层次。另外，需要花费老师特别多的时间和精力去制定该学生的学习计划方案，时间和精力花费越多代表家长需要付出的成本越大。如果学生中途有特殊情况（生病请假）或者考点有修改等影响到个性化学习方案执行的地方，又需要重新制定学习方案和计划。

第三种是计算机自动计算学生的个性化学习计划。但是当前阶段只能将学生的知识点进行大概预估，然后对知识点重要程度进行排名，然后给学生推荐某些知识点需要掌握。这个方案虽然解决了人工成本到问题，但是并没有科学的理论依据，无法确保推荐结果的准确性，而且没考虑每个知识点对于不同学习能力的学生的掌握所需要的时间不同，如果对于一个学生学某个知识点需要3天，但是2天以后就需要考试，那请问这个知识点推荐给学生进行学习对最后的成绩没有提升作用。

综上来看，亟需一种可以根据学生情况生成个性化学习方案的技术方案。

发明内容

本发明提出了一种一种生成学生个性化学习方案的方法及系统，能够利用机器学习模型对学生每个不熟练或者待复习的知识点、题目等的掌握后可以提高的分数、掌握需要花费的时间成本进行预估，合理安排学生剩余的学习时间，利用动态规划等优化算法，最大化学生提高的分数；本发明可以解决统一学习方案造成的学生效率损失等问题，还可以利用计算机快速且准确给出学生的个性化学习方案。

在本发明实施例的第一方面，提出了一种生成学生个性化学习方案的方法，该方法包括：

在考试需要考的知识点中，获取学生未掌握的知识点集合；

根据学生未掌握的知识点集合，预估每个知识点掌握后对学生成绩的提升值；

根据学生未掌握的知识点集合，预估学生掌握知识点花费的时间；

根据所述提升值及掌握知识点花费的时间，利用优化算法计算预设学习时间范围内的最大提升值，并获取最大提升值对应的需要掌握的知识点集合；

根据所述需要掌握的知识点集合，利用统计学模型规划学习知识点的学习路径，生成学生个性化学习方案。

进一步的，根据学生未掌握的知识点集合，预估每个知识点掌握后对学生成绩的提升值，包括：

根据学生未掌握的知识点集合，分别预估每个知识点在学生没有掌握时的预估分及掌握知识点以后的预估分；

预估每个知识点掌握后对学生成绩的提升值，计算式为：

Score

其中，Score

进一步的，根据学生未掌握的知识点集合，分别预估每个知识点在学生没有掌握时的预估分及掌握知识点以后的预估分，包括：

获取学生的历史学习数据及考试成绩；

将所述历史学习数据作为输入特征，将考试成绩作为目标进行机器学习模型训练，训练输入特征与目标之间的关系，构建学生的成绩预估模型；

根据学生未掌握的知识点，将没有掌握知识点时的学习数据及掌握知识点以后的学习数据作为输入特征，利用学生的成绩预估模型进行考试成绩的预估，得到每个知识点在学生没有掌握时的预估分及掌握知识点以后的预估分。

进一步的，根据学生未掌握的知识点集合，预估学生掌握知识点花费的时间，包括：

根据每个学生的知识图谱、学习情况数据及知识点掌握的时间，训练通过学生的知识图谱及学习情况预估知识点掌握的时间的机器学习模型；

利用所述机器学习模型，预估所述学生未掌握的知识点集合中每个知识点对应的学生掌握知识点花费的时间。

进一步的，根据所述提升值及掌握知识点花费的时间，利用优化算法计算预设学习时间范围内的最大提升值，并获取最大提升值对应的需要掌握的知识点集合，包括：

利用动态规划算法计算在预设的学习总时间内的最大提升值，并获取最大提升值对应的需要掌握的知识点集合；其中，所述需要掌握的知识点集合是学生未掌握的知识点集合的子集。

进一步的，根据所述需要掌握的知识点集合，利用统计学模型规划学习知识点的学习路径，生成学生个性化学习方案，包括：

利用N-Gram模型及贪心算法对学生的学习能力进行分层，统计每一层学习能力的学生在学习完一项知识点后再学习下一个知识点的学习效果；

根据所述学习效果，规划所述需要掌握的知识点集合中知识点的学习路径，生成学生的个性化学习方案。

进一步的，该方法还包括：

根据所述需要掌握的知识点集合，确定每个知识点的大脑皮层刺激区域；

遍历所述知识点的学习路径，若相邻的知识点的大脑皮层刺激区域相同，调整学习路径中相邻的知识点使大脑皮层刺激区域不同。

在本发明实施例的第二方面，提出了一种生成学生个性化学习方案的系统，该系统包括：

知识点获取模块，用于在考试需要考的知识点中，获取学生未掌握的知识点集合；

提升预估模块，用于根据学生未掌握的知识点集合，预估每个知识点掌握后对学生成绩的提升值；

时间预估模块，用于根据学生未掌握的知识点集合，预估学生掌握知识点花费的时间；

优化计算模块，用于根据所述提升值及掌握知识点花费的时间，利用优化算法计算预设学习时间范围内的最大提升值，并获取最大提升值对应的需要掌握的知识点集合；

学习方案生成模块，用于根据所述需要掌握的知识点集合，利用统计学模型规划学习知识点的学习路径，生成学生个性化学习方案。

在本发明实施例的第三方面，提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现生成学生个性化学习方案的方法。

在本发明实施例的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现生成学生个性化学习方案的方法。

本发明提出的生成学生个性化学习方案的方法及系统，通过在考试需要考的知识点中，获取学生未掌握的知识点集合；根据学生未掌握的知识点集合，预估每个知识点掌握后对学生成绩的提升值；根据学生未掌握的知识点集合，预估学生掌握知识点花费的时间；根据所述提升值及掌握知识点花费的时间，利用优化算法计算预设学习时间范围内的最大提升值，并获取最大提升值对应的需要掌握的知识点集合；根据所述需要掌握的知识点集合，利用统计学模型规划学习知识点的学习路径，生成学生个性化学习方案，将学生的学习计划进行合理安排，使学生根据知识点有针对性的学习，改善学生的学习效率，提高学生的学习成绩。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明一实施例的生成学生个性化学习方案的方法流程示意图。

图2是本发明一具体实施例的生成学生个性化学习方案的方法流程示意图。

图3是本发明一实施例的生成学生个性化学习方案的系统架构示意图。

图4是本发明一具体实施例的提升预估模块的架构示意图。

图5是本发明一实施例的计算机设备结构示意图。

具体实施方式

下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件（包括固件、驻留软件、微代码等），或者硬件和软件结合的形式。

根据本发明的实施方式，提出了一种生成学生个性化学习方案的方法及系统。

在本发明实施例中，需要说明的术语有：

动态规划算法：一种在有限资源情况下最大化收益的计算机算法。

N-Gram模型：统计学模型，基本假设是同一个学生学习当前知识点的学习效率只与上一个知识点相关。

贪心算法：一种计算机收益最大化算法，它是一种局部最优算法，但是复杂度相对比其他算法比较低。

拉格朗日乘子法：是数学中一种寻找变量受一个或多个条件所限制的多元函数的极值的方法。

下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。

图1是本发明一实施例的生成学生个性化学习方案的方法流程示意图。如图1所示，该方法包括：

步骤S1，在考试需要考的知识点中，获取学生未掌握的知识点集合；

步骤S2，根据学生未掌握的知识点集合，预估每个知识点掌握后对学生成绩的提升值；

步骤S3，根据学生未掌握的知识点集合，预估学生掌握知识点花费的时间；

步骤S4，根据所述提升值及掌握知识点花费的时间，利用优化算法计算预设学习时间范围内的最大提升值，并获取最大提升值对应的需要掌握的知识点集合；

步骤S5，根据所述需要掌握的知识点集合，利用统计学模型规划学习知识点的学习路径，生成学生个性化学习方案。

为了对上述生成学生个性化学习方案的方法进行更为清楚的解释，下面结合每一步进行详细说明。

步骤S1：

在考试需要考的知识点中，获取学生未掌握的知识点集合。

步骤S2：

根据学生未掌握的知识点集合，预估每个知识点掌握后对学生成绩的提升值，具体流程为：

步骤S21，根据学生未掌握的知识点集合，分别预估每个知识点在学生没有掌握时的预估分及掌握知识点以后的预估分。

分数的预估可以采用机器学习模型实现，具体方法为：

步骤S211，获取学生的历史学习数据及考试成绩；

步骤S212，将所述历史学习数据作为输入特征，将考试成绩作为目标进行机器学习模型训练，训练输入特征与目标之间的关系，构建学生的成绩预估模型；

步骤S213，根据学生未掌握的知识点，将没有掌握知识点时的学习数据及掌握知识点以后的学习数据作为输入特征，利用学生的成绩预估模型进行考试成绩的预估，得到每个知识点在学生没有掌握时的预估分及掌握知识点以后的预估分。

步骤S22，预估每个知识点掌握后对学生成绩的提升值，计算式为：

Score

其中，Score

步骤S3：

根据学生未掌握的知识点集合，预估学生掌握知识点花费的时间，具体流程为：

步骤S31，根据每个学生的知识图谱、学习情况数据及知识点掌握的时间，训练通过学生的知识图谱及学习情况预估知识点掌握的时间的机器学习模型；

步骤S32，利用所述机器学习模型，预估所述学生未掌握的知识点集合中每个知识点对应的学生掌握知识点花费的时间。

步骤S4：

利用动态规划算法计算在预设的学习总时间内的最大提升值，并获取最大提升值对应的需要掌握的知识点集合；其中，所述需要掌握的知识点集合是学生未掌握的知识点集合的子集。

由于掌握每个知识点的提升值和所需时间不同，应尽可能在预设学习时间范围内计算得到最大的提升值。例如，若学生的学习时间为3个小时，则应计算在3小时的情况下，学生提升值最大值所需学习的知识点集合。

优化算法除采用动态规划算法以外，也可以采用能够实现本步骤的其它算法，如贪心算法、拉格朗日乘子法。

步骤S5：

根据所述需要掌握的知识点集合，利用统计学模型规划学习知识点的学习路径，生成学生个性化学习方案，具体流程为：

步骤S51，利用N-Gram模型及贪心算法对学生的学习能力进行分层，统计每一层学习能力的学生在学习完一项知识点后再学习下一个知识点的学习效果；

步骤S52，根据所述学习效果，规划所述需要掌握的知识点集合中知识点的学习路径，生成学生的个性化学习方案。

进一步的，为了优化学习路径，该方法还包括：

步骤S521，根据所述需要掌握的知识点集合，确定每个知识点的大脑皮层刺激区域；

步骤S522，遍历所述知识点的学习路径，若相邻的知识点的大脑皮层刺激区域相同，调整学习路径中相邻的知识点使大脑皮层刺激区域不同。

需要说明的是，尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

为了对上述生成学生个性化学习方案的方法进行更为清楚的解释，下面结合一个具体的实施例来进行说明，然而值得注意的是该实施例仅是为了更好地说明本发明，并不构成对本发明不当的限定。

参考图2，为本发明一具体实施例的生成学生个性化学习方案的方法流程示意图。如图2所示，该流程包括：

步骤S201，获取学生未掌握的知识点集合Q。

步骤S202，预估知识点掌握后对学生成绩的提升值Score

预估知识点掌握后对学生成绩的提升值Score

针对学生待学习的知识点，分别计算每个知识点在学生没有掌握的预估分Score

预估学生当前情况下掌握某个知识点花费的时间Time

针对每个学生自己的知识图谱、学习情况及学习某个知识点掌握的时间，训练一个通过学生自己知识图谱以及学习情况来预估当前知识点所需要花费到时间的模型（DNN\LR等模型都可以实现这个功能）。

然后，利用该模型预估学生掌握知识点花费的时间Time

步骤S203，基于上面两个，利用比如动态规划算法，计算在固定总体学习时间内，学生最大提升值所需要掌握的知识点集合T。其中，T是Q的子集。

步骤S204，利用N-Gram模型和贪心算法，规划学生的学习路径，最大化学生的学习效率。例如，在N=2时，即学生当前学习的知识点的学习效率，只与上一个知识点的内容有关，那么当学生学习的数学知识点超过1个小时的时候，下一个知识点可以换成语文的知识点，要比学生继续学习数学知识点掌握的效率更高。

利用N-Gram模型的学习效率算法，可以通过对学生进行学习能力分层以后，针对每一层学习能力的学生，统计这批学生在学习完某个知识点后再学习下一个知识点的学习效果，进行分析。例如，在中等学习能力的学生中，不同的学生分别学习完A、B或C知识点以后，再去学习D知识点，统计学生学习不同知识点后学习D知识点的掌握率；假设学习完C的学生学习D后的得分率最高，学习完A再学习D的得分率最低，那么可以确认在学习完C以后，让学生去学习D这个知识点的效率是最高的。

进一步的，还可以根据脑科学的知识确定当前知识点刺激的是学生大脑的哪几个位置，接下来的知识点应尽量避开刚刚刺激过的学生大脑的位置。比如，学生刚学习了“空间几何”知识点，刺激的是学生大脑的逻辑区域和计算区域以及想象区域，那么，下一个知识点尽量选择“文言文”等主要刺激大脑语言区域的知识点。

步骤S205，将学生计划返回给学生本人。

在介绍了本发明示例性实施方式的方法之后，接下来，参考图3对本发明示例性实施方式的生成学生个性化学习方案的系统进行介绍。

生成学生个性化学习方案的系统的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”或者“单元”，可以是实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

基于同一发明构思，本发明还提出了一种生成学生个性化学习方案的系统，如图3所示，该系统包括：

知识点获取模块10，用于在考试需要考的知识点中，获取学生未掌握的知识点集合；

提升预估模块20，用于根据学生未掌握的知识点集合，预估每个知识点掌握后对学生成绩的提升值；

时间预估模块30，用于根据学生未掌握的知识点集合，预估学生掌握知识点花费的时间；

优化计算模块40，用于根据所述提升值及掌握知识点花费的时间，利用优化算法计算预设学习时间范围内的最大提升值，并获取最大提升值对应的需要掌握的知识点集合；

学习方案生成模块50，用于根据所述需要掌握的知识点集合，利用统计学模型规划学习知识点的学习路径，生成学生个性化学习方案。

在一实施例中，参考图4，为本发明一具体实施例的提升预估模块的架构示意图。如图4所示，提升预估模块20包括：

分数预估单元21，用于根据学生未掌握的知识点集合，分别预估每个知识点在学生没有掌握时的预估分及掌握知识点以后的预估分；

提升值计算单元22，用于预估每个知识点掌握后对学生成绩的提升值，计算式为：

Score

其中，Score

其中，分数预估单元21采用机器学习模型实现分数的预估，具体包括：

数据获取子单元211，用于获取学生的历史学习数据及考试成绩；

机器学习子单元212，用于将所述历史学习数据作为输入特征，将考试成绩作为目标进行机器学习模型训练，训练输入特征与目标之间的关系，构建学生的成绩预估模型；

分数预估子单元213，用于根据学生未掌握的知识点，将没有掌握知识点时的学习数据及掌握知识点以后的学习数据作为输入特征，利用学生的成绩预估模型进行考试成绩的预估，得到每个知识点在学生没有掌握时的预估分及掌握知识点以后的预估分。

在一实施例中，时间预估模块30具体用于：

根据每个学生的知识图谱、学习情况数据及知识点掌握的时间，训练通过学生的知识图谱及学习情况预估知识点掌握的时间的机器学习模型；

利用所述机器学习模型，预估所述学生未掌握的知识点集合中每个知识点对应的学生掌握知识点花费的时间。

在一实施例中，优化计算模块40具体用于：

利用动态规划算法计算在预设的学习总时间内的最大提升值，并获取最大提升值对应的需要掌握的知识点集合；其中，所述需要掌握的知识点集合是学生未掌握的知识点集合的子集。

在一实施例中，学习方案生成模块50具体用于：

利用N-Gram模型及贪心算法对学生的学习能力进行分层，统计每一层学习能力的学生在学习完一项知识点后再学习下一个知识点的学习效果；

根据所述学习效果，规划所述需要掌握的知识点集合中知识点的学习路径，生成学生的个性化学习方案。

在一实施例中，学习方案生成模块50还用于：

根据所述需要掌握的知识点集合，确定每个知识点的大脑皮层刺激区域；

遍历所述知识点的学习路径，若相邻的知识点的大脑皮层刺激区域相同，调整学习路径中相邻的知识点使大脑皮层刺激区域不同。

应当注意，尽管在上文详细描述中提及了生成学生个性化学习方案的系统的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。

基于前述发明构思，如图5所示，本发明还提出了一种计算机设备500，包括存储器510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序530，所述处理器520执行所述计算机程序530时实现前述生成学生个性化学习方案的方法。

基于前述发明构思，本发明提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前述生成学生个性化学习方案的方法。

本发明提出的生成学生个性化学习方案的方法及系统，通过在考试需要考的知识点中，获取学生未掌握的知识点集合；根据学生未掌握的知识点集合，预估每个知识点掌握后对学生成绩的提升值；根据学生未掌握的知识点集合，预估学生掌握知识点花费的时间；根据所述提升值及掌握知识点花费的时间，利用优化算法计算预设学习时间范围内的最大提升值，并获取最大提升值对应的需要掌握的知识点集合；根据所述需要掌握的知识点集合，利用统计学模型规划学习知识点的学习路径，生成学生个性化学习方案，将学生的学习计划进行合理安排，使学生根据知识点有针对性的学习，改善学生的学习效率，提高学生的学习成绩。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。