[发明专利]一种基于概念图构建的智能学习诊断方法

说明书

本发明公开了一种基于概念图构建的智能学习诊断方法，主要包括以下包括：对学习者进行聚类算法划分；对于测试Q学习者S的学习成绩累计；DHP测试关联规则制定；概念图关联规则的推导；学习概念图的构建；最优学习路径推理。本发明所提供的概念图构建的智能学习诊断方法，十分有利于发现学习者在课程学习中薄弱概念，实现学习问题的自动诊断，从而定向制定有效的学习计划。

技术领域

本发明涉及智能学习诊断，具体为一种基于概念图构建的智能学习诊断方法。

背景技术

随着互联网技术的不断发展，基于网络的教育愈发盛行，学习者可以在任意时间进行随时随地的在线学习。但是在线教育仍然面临着一些特有的问题，比如学习效率低下、对知识点掌握不清楚等。智能学习作为网络学习的一个重要领域，致力于解决此类问题，提高学习者在线学习的学习效果。

研究人员对概念图进行了大量的研究，并提出了许多从概念图派生的方法。而这些算法生成的概念图通常是静态的，不能反映学习者的学习表现且并不能提供学习者的全部情况，只能显示测试成绩，不能帮助学习者准确指出其不足之处。

发明内容

本发明的目的是针对现有技术的缺陷，提供一种基于概念图构建的智能学习诊断方法，以解决上述背景技术提出的问题。

为实现上述目的，本发明提供如下技术方法：一种基于概念图构建的智能学习诊断方法，包括以下步骤：

步骤(1)：对学习者进行聚类算法划分；

步骤(2)：对于测试Q学习者S的学习成绩累计；

步骤(3)：DHP测试关联规则制定；

步骤(4)：概念图关联规则的推导；

步骤(5)：学习概念图的构建；

步骤(6)：最优学习路径推理。

作为本发明的一种优选技术方法，所述步骤(1)对学习者进行聚类算法划分的基本步骤在于：

步骤(1-1)：对于所有的学习者，计算L_i和L_j之间的距离坐标，计算公式如下：

其中，L_i和L_j分别代表学习者i和j的特征向量，m代表特征向量总长度，l_i代表L_i第n个分量，d_ij代表学习者i和j的距离坐标，学习者特征向量L子集为{l₁,l₂,l₃,…,l_m}；

步骤(1-2)：将所有学习者之间的距离按升序排序，找出2％的距离将其定义为d_c；

步骤(1-3)：计算每个学习者的局部密度，计算公式如下：

其中，Lρ_i代表第i个学习者的局部密度，χ代表采样点；

步骤(1-4)：计算所有密度大于局部密度i的学习的最小距离δ，计算公式如下：

步骤(1-5)：如果学习者L_i已经具有最大的局部密度，则则学习者L_i是聚类中心；

步骤(1-6)：计算所有学习者到聚类中心的距离，然后将聚类中心的学习者i和距离最短的学习者组成一个簇，学习者S表示为{S₁,S₂,…,S_i,…,S_k}，S_i表示第i组，k表示组数(簇数)。