專利名稱：自適應(yīng)優(yōu)化計算機輔助學(xué)習(xí)系統(tǒng)與方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種自適應(yīng)優(yōu)化計算機輔助學(xué)習(xí)系統(tǒng)與方法。
背景技術(shù)：
人腦對知識和事物的記憶會隨時間的推移而淡化和消退，除非所記憶的內(nèi)容被經(jīng) 常地回憶和復(fù)習(xí)，或是在隨后的腦力活動中被涉及使用到。而眾所周知的間隔復(fù)習(xí)效應(yīng)是 指，對鞏固記憶內(nèi)容來說，反復(fù)的、但是在時間上有一定間隔的復(fù)習(xí)比集中在短時間內(nèi)的大
量的重復(fù)要高效許多。隨著計算機技術(shù)的發(fā)展，目前已有各種自適應(yīng)優(yōu)化計算機輔助學(xué)習(xí)系統(tǒng)與方法的 出現(xiàn)，如果對間隔復(fù)習(xí)效應(yīng)能夠理解掌握并加以合理應(yīng)用，可能會大幅度地提高課堂上或 者計算機輔助教學(xué)的成效?，F(xiàn)有的自適應(yīng)優(yōu)化計算機輔助學(xué)習(xí)系統(tǒng)與方法多半利用計算機 存儲容量大且交互性高的特性，以多媒體的表現(xiàn)方式來吸引學(xué)習(xí)者，間隔復(fù)習(xí)效應(yīng)并沒有 得到廣泛和系統(tǒng)地應(yīng)用，即使在為數(shù)不多的一些嘗試性應(yīng)用中，所采用的間隔復(fù)習(xí)策略也 往往是定性的，基于一些不一定與所面臨的學(xué)習(xí)任務(wù)很相關(guān)的實驗的經(jīng)驗數(shù)據(jù)。通常，這樣 的間隔復(fù)習(xí)策略不是個性化的，而是從群體統(tǒng)計中得到的一般規(guī)律，不可能很好地考慮個 體間的差異。當(dāng)有一個灰盒子模型(又稱準(zhǔn)物理模型)可被采用時，所關(guān)切的動力學(xué)現(xiàn)象可以 用帶有待定參數(shù)的數(shù)學(xué)公式或數(shù)學(xué)變換來表示。這樣的灰盒子模型可能是基于對所研究系 統(tǒng)的理論理解，或者對實驗數(shù)據(jù)的歸納總結(jié)，或者是對稱性和守恒律的考量。那些待定參 數(shù)通過隨機濾波而確定。這種工作模式被稱作參量系統(tǒng)辨識。與此相對照，當(dāng)所關(guān)切的系 統(tǒng)不能用數(shù)學(xué)公式或數(shù)學(xué)變換來表示時，可以考慮采用基于黑盒子模型的非參量系統(tǒng)辨識 方法。不過，定量化的研究和應(yīng)用依然離不開有力的數(shù)學(xué)工具。沃特拉(Volterra)和維納 (Wiener)展開是非參量系統(tǒng)辨識中常用的數(shù)學(xué)模型和工具。遺憾的是，對于學(xué)習(xí)和忘卻的 動力學(xué)而言，沒有一種準(zhǔn)物理模型業(yè)已發(fā)展起來并被廣泛接受和應(yīng)用。而非參量模型又?jǐn)[ 脫不了大量的未知自由度，僅僅依靠有限的觀測數(shù)據(jù)很難將其確定在令人滿意的精度范圍 之內(nèi)。雖然要把學(xué)習(xí)和記憶的動力過程納入一個灰盒子或者黑盒子數(shù)學(xué)模型有相當(dāng)?shù)睦?難，但是學(xué)習(xí)和遺忘過程是由確定的原理和規(guī)則所支配的這一點是毫無疑問的，盡管這些 原理和規(guī)則我們還看不清楚。確定的原理和規(guī)則的存在性可以從許多人類記憶的效應(yīng)和現(xiàn) 象的出色的可重復(fù)性而推知。為了能夠優(yōu)化教學(xué)實踐和學(xué)習(xí)策略，弄明白學(xué)習(xí)和忘卻的動力學(xué)規(guī)律是至關(guān)重要 的。特別是，至少在統(tǒng)計意義上，應(yīng)該清楚地了解間隔復(fù)習(xí)和考評與已有記憶和學(xué)習(xí)歷史的 相互作用。要實現(xiàn)這樣一個目標(biāo)，那些來自于不見得有多少關(guān)聯(lián)的、精心控制的實驗的經(jīng)驗 數(shù)據(jù)和規(guī)律可能是不適用的，或是不夠用的，更不用說與希望的最優(yōu)解是有距離的?，F(xiàn)有的 不論是灰盒子還是黑盒子的系統(tǒng)模型和辨識方法沒有一個方便地適合這種需要，尤其是所 要的模型還得是個性化的，以便迎合個體學(xué)習(xí)者的特質(zhì)和習(xí)慣?，F(xiàn)在迫切需要的是一個系 統(tǒng)化的動力學(xué)模型，它可以通過在專門設(shè)計的實驗或者自然的學(xué)習(xí)過程中采集數(shù)據(jù)并加以隨機濾波而實現(xiàn)系統(tǒng)辨識。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種自適應(yīng)優(yōu)化計算機輔助學(xué)習(xí)系統(tǒng)與方法，以克服沒有一 種準(zhǔn)物理模型業(yè)、非參量模型精度差、現(xiàn)有學(xué)習(xí)系統(tǒng)模型缺乏個性化等不足。本發(fā)明的一種形式是一種自適應(yīng)優(yōu)化計算機輔助學(xué)習(xí)系統(tǒng)，包括存儲裝置，其用 于存儲學(xué)習(xí)資料；人機界面，其用于將所述學(xué)習(xí)資料提供給學(xué)習(xí)者；信息收集裝置，其用于 記錄和收集人機交互學(xué)習(xí)的過程和結(jié)果并發(fā)送到計算機輔助學(xué)習(xí)裝置；所述計算機輔助學(xué) 習(xí)裝置，其用于接收所述信息收集裝置發(fā)來的人機交互學(xué)習(xí)的過程和結(jié)果并對所述過程和 結(jié)果分析形成控制信號，所述控制信號調(diào)整學(xué)習(xí)策略模塊并產(chǎn)生可變參數(shù)探測信號，所述 可變參數(shù)包括以下至少一項每天投入的學(xué)習(xí)時間、學(xué)習(xí)新條目所花費的時間、復(fù)習(xí)舊條目 所花費的時間、每天學(xué)習(xí)新條目數(shù)、復(fù)習(xí)的時間間隔及新條目的復(fù)習(xí)總次數(shù)，所述學(xué)習(xí)策略 模塊與探測信號結(jié)合以最佳的方式將學(xué)習(xí)資料通過人機界面提供給學(xué)習(xí)者，從而達到最佳 的學(xué)習(xí)效率。所述計算機輔助學(xué)習(xí)裝置進一步包括信息接收單元、信息分析單元，其中信息接 收單元接收信息收集裝置發(fā)來的人機交互學(xué)習(xí)的過程和結(jié)果，信息分析單元對所述過程和 結(jié)果分析形成控制信號。所述計算機輔助學(xué)習(xí)裝置設(shè)有濾波單元，濾波單元對信息收集裝置發(fā)來的人機交 互學(xué)習(xí)的過程和結(jié)果進行濾波，以加大近期歷史的權(quán)重。所述學(xué)習(xí)策略模塊包括下列參數(shù)每天學(xué)習(xí)新條目數(shù)M1，復(fù)習(xí)的時間間隔 [T^t1以L = PM1K表學(xué)習(xí)效率，學(xué)習(xí)效率最大化的學(xué)習(xí)策略模塊受下面條件約束
權(quán)利要求
1.一種自適應(yīng)優(yōu)化計算機輔助學(xué)習(xí)系統(tǒng)，其特征在于，其包括 存儲裝置，其用于存儲學(xué)習(xí)資料；人機界面，其用于將所述學(xué)習(xí)資料提供給學(xué)習(xí)者；信息收集裝置，其用于記錄和收集人機交互學(xué)習(xí)的過程和結(jié)果并發(fā)送到計算機輔助學(xué) 習(xí)裝置；所述計算機輔助學(xué)習(xí)裝置，其用于接收所述信息收集裝置發(fā)來的人機交互學(xué)習(xí)的過程 和結(jié)果并對所述過程和結(jié)果分析形成控制信號，所述控制信號調(diào)整學(xué)習(xí)策略模塊并產(chǎn)生可 變參數(shù)探測信號，所述可變參數(shù)包括以下至少一項每天投入的學(xué)習(xí)時間、學(xué)習(xí)新條目所花 費的時間、復(fù)習(xí)舊條目所花費的時間、每天學(xué)習(xí)新條目數(shù)、復(fù)習(xí)的時間間隔及新條目的復(fù)習(xí) 總次數(shù)，所述學(xué)習(xí)策略模塊與所述探測信號結(jié)合以最佳的方式將學(xué)習(xí)資料通過人機界面提 供給學(xué)習(xí)者，從而達到最佳的學(xué)習(xí)效率。
2.根據(jù)權(quán)利要求1所述的自適應(yīng)優(yōu)化計算機輔助學(xué)習(xí)系統(tǒng)，其特征在于所述計算機 輔助學(xué)習(xí)裝置進一步包括信息接收單元、信息分析單元，其中信息接收單元接收信息收集 裝置發(fā)來的人機交互學(xué)習(xí)的過程和結(jié)果，信息分析單元對所述過程和結(jié)果分析形成所述控 制信號。
3.根據(jù)權(quán)利要求1所述的自適應(yīng)優(yōu)化計算機輔助學(xué)習(xí)系統(tǒng)，其特征在于所述計算機 輔助學(xué)習(xí)裝置設(shè)有濾波單元，濾波單元對信息收集裝置收集的探測信號進行濾波，以加大 近期歷史的權(quán)重。
4.根據(jù)權(quán)利要求1-3任一項所述的自適應(yīng)優(yōu)化計算機輔助學(xué)習(xí)系統(tǒng)，其特征在于，所 述學(xué)習(xí)策略模塊包括下列參數(shù)每天學(xué)習(xí)新條目數(shù)M1，復(fù)習(xí)的時間間隔 表學(xué)習(xí)效率，學(xué)習(xí)效率最大化的學(xué)習(xí)策略模塊受下面條件約束=P ^ ^復(fù)習(xí)的
5.一種自適應(yīng)優(yōu)化計算機輔助學(xué)習(xí)方法，其特征在于，包括以下步驟1)從存儲裝置中讀取學(xué)習(xí)資料并通過人機界面提供給學(xué)習(xí)者；2)利用信息收集裝置記錄和收集人機交互學(xué)習(xí)的過程和結(jié)果并發(fā)送到計算機輔助學(xué) 習(xí)裝置；3)利用計算機輔助學(xué)習(xí)裝置接收所述信息收集裝置發(fā)來的人機交互學(xué)習(xí)的過程和結(jié) 果并對所述過程和結(jié)果分析形成控制信號；4)利用所述控制信號調(diào)整學(xué)習(xí)策略模塊并產(chǎn)生可變參數(shù)探測信號，所述可變參數(shù)包 括以下至少一項每天投入的學(xué)習(xí)時間、學(xué)習(xí)新條目所花費的時間、復(fù)習(xí)舊條目所花費的時 間、每天學(xué)習(xí)新條目數(shù)、復(fù)習(xí)的時間間隔及新條目的復(fù)習(xí)總次數(shù)；5)所述學(xué)習(xí)策略模塊與所述探測信號以最佳的方式將學(xué)習(xí)資料通過人機界面提供給 學(xué)習(xí)者，從而達到最佳的學(xué)習(xí)效率。
6.根據(jù)權(quán)利要求5所述的自適應(yīng)優(yōu)化計算機輔助學(xué)習(xí)方法，其特征在于所述計算機 輔助學(xué)習(xí)裝置進一步包括信息接收單元、信息分析單元，其中信息接收單元接收信息收集 裝置發(fā)來的人機交互學(xué)習(xí)的過程和結(jié)果，信息分析單元對所述過程和結(jié)果分析形成控制信號。
7.根據(jù)權(quán)利要求5所述的自適應(yīng)優(yōu)化計算機輔助學(xué)習(xí)方法，其特征在于所述計算機 輔助學(xué)習(xí)裝置設(shè)有濾波單元，濾波單元對信息收集裝置發(fā)來的人機交互學(xué)習(xí)的過程和結(jié)果 進行濾波，以加大近期歷史的權(quán)重。
8.根據(jù)權(quán)利要求5-7任一項所述的自適應(yīng)優(yōu)化計算機輔助學(xué)習(xí)方法，其特征在于所述學(xué)習(xí)策略模塊包括下列參數(shù)每天學(xué)習(xí)新條目數(shù)M1，復(fù)習(xí)的時間間隔{Ti}m i-1:以L = PM1代表學(xué)習(xí)效率，學(xué)習(xí)效率最大化的學(xué)習(xí)策略模塊受下面條件約束
全文摘要
本發(fā)明涉及一種自適應(yīng)優(yōu)化計算機輔助學(xué)習(xí)系統(tǒng)與方法，所述系統(tǒng)包括存儲裝置；人機界面；信息收集裝置，記錄和收集人機交互學(xué)習(xí)的過程和結(jié)果，計算機輔助學(xué)習(xí)裝置，接收人機交互學(xué)習(xí)的過程和結(jié)果并進行分析形成控制信號，控制信號調(diào)整學(xué)習(xí)策略模塊并產(chǎn)生可變參數(shù)探測信號，學(xué)習(xí)策略模塊與探測信號結(jié)合以最佳方式將學(xué)習(xí)資料通過人機界面提供給學(xué)習(xí)者。本發(fā)明有益效果不需任何顯式數(shù)學(xué)模型，可提高個體學(xué)習(xí)者學(xué)習(xí)效率；學(xué)習(xí)策略模塊隨時間演化，保持自適應(yīng)更新；整個學(xué)習(xí)過程中學(xué)習(xí)者和計算機交互的所有細枝末節(jié)都可被仔細地收集和記錄；濾波單元可加大近期歷史的權(quán)重，從而更好地反映當(dāng)前的和預(yù)測的不遠將來的系統(tǒng)狀態(tài)。
文檔編號G09B7/04GK102063812SQ201010256710
公開日2011年5月18日 申請日期2010年8月19日 優(yōu)先權(quán)日2010年8月19日
發(fā)明者尉海青, 毛居華, 黃鋼 申請人:北京安博在線軟件有限公司