[发明专利]多线程在线教育评价方法

权利要求书

1.多线程在线教育评价方法，其特征在于，包括如下步骤：

S1基础信息获取：获取学习者需要学习的课程类别信息和个人基础信息，其中所述个人基础信息包括学习者提供的第一个人标签信息；

S2试听课程推送：根据学习者提供的课程类别信息选择在线课程的类别，将学习者提供的第一个人标签信息与在线课程的初始标签信息进行匹配，选择匹配度高的在线课程作为试听课程向学习者推送；

S3试听结果反馈：获取学习者对该试听课程的学习效果信息，并获取学习者对该试听课程添加的第一课程标签信息；

S4授课推荐：根据学习效果信息结合该试听课程信息向学习者推送预测模型预测的学习结果信息和建议信息，其中建议信息包括适合和更换，若学习者选择适合，则将第一课程标签信息添加至该课程的待确认标签中，并初步确定该学习者适合具有该类初始标签信息的在线课程，若学习者选择更换，则对第一课程标签信息进行分析，若无敏感词汇则将第一课程标签信息添加至该课程的初始标签信息中，若有敏感词汇则屏蔽该第一课程标签信息；

S5授课标签优化：在学习者学习完在线课程后，获取该学习者对该在线课程的第二课程标签信息，若待确认标签与第二课程标签信息相同，则待确认标签添加至初始标签信息，若待确认标签与第二课程标签信息不同，则提醒学习者选择待确认标签与第二课程标签信息的权重信息，然后添加至初始标签信息中；

S6预测模型优化：获取学习者的学习结果并发送至预测模型，预测模型根据学习结果进行自学习。

2.根据权利要求1所述的多线程在线教育评价方法，其特征在于：，其特征在于：在S3试听结果反馈中，还包括，根据学校效果信息和个人基础信息重新定义第二个人标签信息。

3.根据权利要求1所述的多线程在线教育评价方法，其特征在于：，其特征在于：还包括S7映射关系建立步骤：建立第一个人标签信息、第一课程标签信息、待确认标签以及初始标签信息的逐级映射模型，在学习者输入第一个人标签信息后逐级映射模型预测学习者后面提供的信息供学习者确认，其中，逐级映射模型为BP神经网络模型。

4.根据权利要求1所述的多线程在线教育评价方法，其特征在于：，其特征在于：在S4授课推荐中，预测模型为BP神经网络模型。

5.根据权利要求1所述的多线程在线教育评价方法，其特征在于：，其特征在于：第一个人标签信息包括注意力集中时间信息、易于接收的讲师的表达方式信息、自律性信息以及学习习惯信息。

6.根据权利要求1所述的多线程在线教育评价方法，其特征在于：，其特征在于：初始标签信息包括讲师的表达方式信息、授课节奏信息以及重点知识点重复率。