专利名称:自适应优化计算机辅助学习系统与方法
技术领域:
本发明涉及一种自适应优化计算机辅助学习系统与方法。
背景技术:
人脑对知识和事物的记忆会随时间的推移而淡化和消退,除非所记忆的内容被经 常地回忆和复习,或是在随后的脑力活动中被涉及使用到。而众所周知的间隔复习效应是 指,对巩固记忆内容来说,反复的、但是在时间上有一定间隔的复习比集中在短时间内的大
量的重复要高效许多。随着计算机技术的发展,目前已有各种自适应优化计算机辅助学习系统与方法的 出现,如果对间隔复习效应能够理解掌握并加以合理应用,可能会大幅度地提高课堂上或 者计算机辅助教学的成效。现有的自适应优化计算机辅助学习系统与方法多半利用计算机 存储容量大且交互性高的特性,以多媒体的表现方式来吸引学习者,间隔复习效应并没有 得到广泛和系统地应用,即使在为数不多的一些尝试性应用中,所采用的间隔复习策略也 往往是定性的,基于一些不一定与所面临的学习任务很相关的实验的经验数据。通常,这样 的间隔复习策略不是个性化的,而是从群体统计中得到的一般规律,不可能很好地考虑个 体间的差异。当有一个灰盒子模型(又称准物理模型)可被采用时,所关切的动力学现象可以 用带有待定参数的数学公式或数学变换来表示。这样的灰盒子模型可能是基于对所研究系 统的理论理解,或者对实验数据的归纳总结,或者是对称性和守恒律的考量。那些待定参 数通过随机滤波而确定。这种工作模式被称作参量系统辨识。与此相对照,当所关切的系 统不能用数学公式或数学变换来表示时,可以考虑采用基于黑盒子模型的非参量系统辨识 方法。不过,定量化的研究和应用依然离不开有力的数学工具。沃特拉(Volterra)和维纳 (Wiener)展开是非参量系统辨识中常用的数学模型和工具。遗憾的是,对于学习和忘却的 动力学而言,没有一种准物理模型业已发展起来并被广泛接受和应用。而非参量模型又摆 脱不了大量的未知自由度,仅仅依靠有限的观测数据很难将其确定在令人满意的精度范围 之内。虽然要把学习和记忆的动力过程纳入一个灰盒子或者黑盒子数学模型有相当的困 难,但是学习和遗忘过程是由确定的原理和规则所支配的这一点是毫无疑问的,尽管这些 原理和规则我们还看不清楚。确定的原理和规则的存在性可以从许多人类记忆的效应和现 象的出色的可重复性而推知。为了能够优化教学实践和学习策略,弄明白学习和忘却的动力学规律是至关重要 的。特别是,至少在统计意义上,应该清楚地了解间隔复习和考评与已有记忆和学习历史的 相互作用。要实现这样一个目标,那些来自于不见得有多少关联的、精心控制的实验的经验 数据和规律可能是不适用的,或是不够用的,更不用说与希望的最优解是有距离的。现有的 不论是灰盒子还是黑盒子的系统模型和辨识方法没有一个方便地适合这种需要,尤其是所 要的模型还得是个性化的,以便迎合个体学习者的特质和习惯。现在迫切需要的是一个系 统化的动力学模型,它可以通过在专门设计的实验或者自然的学习过程中采集数据并加以随机滤波而实现系统辨识。
发明内容
本发明的目的是提供一种自适应优化计算机辅助学习系统与方法,以克服没有一 种准物理模型业、非参量模型精度差、现有学习系统模型缺乏个性化等不足。本发明的一种形式是一种自适应优化计算机辅助学习系统,包括存储装置,其用 于存储学习资料;人机界面,其用于将所述学习资料提供给学习者;信息收集装置,其用于 记录和收集人机交互学习的过程和结果并发送到计算机辅助学习装置;所述计算机辅助学 习装置,其用于接收所述信息收集装置发来的人机交互学习的过程和结果并对所述过程和 结果分析形成控制信号,所述控制信号调整学习策略模块并产生可变参数探测信号,所述 可变参数包括以下至少一项每天投入的学习时间、学习新条目所花费的时间、复习旧条目 所花费的时间、每天学习新条目数、复习的时间间隔及新条目的复习总次数,所述学习策略 模块与探测信号结合以最佳的方式将学习资料通过人机界面提供给学习者,从而达到最佳 的学习效率。所述计算机辅助学习装置进一步包括信息接收单元、信息分析单元,其中信息接 收单元接收信息收集装置发来的人机交互学习的过程和结果,信息分析单元对所述过程和 结果分析形成控制信号。所述计算机辅助学习装置设有滤波单元,滤波单元对信息收集装置发来的人机交 互学习的过程和结果进行滤波,以加大近期历史的权重。所述学习策略模块包括下列参数每天学习新条目数M1,复习的时间间隔 [T^t1以L = PM1K表学习效率,学习效率最大化的学习策略模块受下面条件约束
权利要求
1.一种自适应优化计算机辅助学习系统,其特征在于,其包括 存储装置,其用于存储学习资料;人机界面,其用于将所述学习资料提供给学习者;信息收集装置,其用于记录和收集人机交互学习的过程和结果并发送到计算机辅助学 习装置;所述计算机辅助学习装置,其用于接收所述信息收集装置发来的人机交互学习的过程 和结果并对所述过程和结果分析形成控制信号,所述控制信号调整学习策略模块并产生可 变参数探测信号,所述可变参数包括以下至少一项每天投入的学习时间、学习新条目所花 费的时间、复习旧条目所花费的时间、每天学习新条目数、复习的时间间隔及新条目的复习 总次数,所述学习策略模块与所述探测信号结合以最佳的方式将学习资料通过人机界面提 供给学习者,从而达到最佳的学习效率。
2.根据权利要求1所述的自适应优化计算机辅助学习系统,其特征在于所述计算机 辅助学习装置进一步包括信息接收单元、信息分析单元,其中信息接收单元接收信息收集 装置发来的人机交互学习的过程和结果,信息分析单元对所述过程和结果分析形成所述控 制信号。
3.根据权利要求1所述的自适应优化计算机辅助学习系统,其特征在于所述计算机 辅助学习装置设有滤波单元,滤波单元对信息收集装置收集的探测信号进行滤波,以加大 近期历史的权重。
4.根据权利要求1-3任一项所述的自适应优化计算机辅助学习系统,其特征在于,所 述学习策略模块包括下列参数每天学习新条目数M1,复习的时间间隔 表学习效率,学习效率最大化的学习策略模块受下面条件约束=P ^ ^复习的
5.一种自适应优化计算机辅助学习方法,其特征在于,包括以下步骤1)从存储装置中读取学习资料并通过人机界面提供给学习者;2)利用信息收集装置记录和收集人机交互学习的过程和结果并发送到计算机辅助学 习装置;3)利用计算机辅助学习装置接收所述信息收集装置发来的人机交互学习的过程和结 果并对所述过程和结果分析形成控制信号;4)利用所述控制信号调整学习策略模块并产生可变参数探测信号,所述可变参数包 括以下至少一项每天投入的学习时间、学习新条目所花费的时间、复习旧条目所花费的时 间、每天学习新条目数、复习的时间间隔及新条目的复习总次数;5)所述学习策略模块与所述探测信号以最佳的方式将学习资料通过人机界面提供给 学习者,从而达到最佳的学习效率。
6.根据权利要求5所述的自适应优化计算机辅助学习方法,其特征在于所述计算机 辅助学习装置进一步包括信息接收单元、信息分析单元,其中信息接收单元接收信息收集 装置发来的人机交互学习的过程和结果,信息分析单元对所述过程和结果分析形成控制信号。
7.根据权利要求5所述的自适应优化计算机辅助学习方法,其特征在于所述计算机 辅助学习装置设有滤波单元,滤波单元对信息收集装置发来的人机交互学习的过程和结果 进行滤波,以加大近期历史的权重。
8.根据权利要求5-7任一项所述的自适应优化计算机辅助学习方法,其特征在于所述学习策略模块包括下列参数每天学习新条目数M1,复习的时间间隔{Ti}m i-1:以L = PM1代表学习效率,学习效率最大化的学习策略模块受下面条件约束
全文摘要
本发明涉及一种自适应优化计算机辅助学习系统与方法,所述系统包括存储装置;人机界面;信息收集装置,记录和收集人机交互学习的过程和结果,计算机辅助学习装置,接收人机交互学习的过程和结果并进行分析形成控制信号,控制信号调整学习策略模块并产生可变参数探测信号,学习策略模块与探测信号结合以最佳方式将学习资料通过人机界面提供给学习者。本发明有益效果不需任何显式数学模型,可提高个体学习者学习效率;学习策略模块随时间演化,保持自适应更新;整个学习过程中学习者和计算机交互的所有细枝末节都可被仔细地收集和记录;滤波单元可加大近期历史的权重,从而更好地反映当前的和预测的不远将来的系统状态。
文档编号G09B7/04GK102063812SQ201010256710
公开日2011年5月18日 申请日期2010年8月19日 优先权日2010年8月19日
发明者尉海青, 毛居华, 黄钢 申请人:北京安博在线软件有限公司