-
公开(公告)号：CN118051884B
公开(公告)日：2024-09-20
申请号：CN202410289781.4
申请日：2024-03-14
Applicant: 华中师范大学
Abstract: 本发明提供一种基于深度学习和符号回归的导学策略生成方法及系统，所述方法包括：获取当前学习者在学习平台上的训练日志数据；将训练日志数据输入至预先建立的深度回归模型中，输出当前学习者的训练日志数据的关键特征和与关键特征对应的知识点掌握度；利用符号回归算法将当前学习者的关键特征和知识点掌握度表示为符号化方程，并将符号化方程进行整合，得到符号化模型，以生成当前学习者的导学策略。本发明利用神经网络模型和符号回归算法从复杂的训练日志数据中提取关键特征并将其转化为符号形式，将导学策略的生成过程进行可视化，不仅可以更好的分析导学策略生成过程，而且可以为学习者生成更合适、更个性化的导学策略。
-
公开(公告)号：CN118585918A
公开(公告)日：2024-09-03
申请号：CN202410457640.9
申请日：2024-04-16
Applicant: 华中师范大学
IPC: G06F18/2431 , G06F18/214 , G06F18/2415 , G06F40/289 , G06N3/0455 , G06N3/048 , G06N3/08 , G06F17/16 , G06F17/18 , G06Q50/20
Abstract: 本发明属于个性化学习技术领域，公开了一种多学科跨学段核心素养的智能体系化标注方法及系统，基于不同的数字学习资源核心素养智能标注任务按标签进行分类，形成数字学习资源核心素养智能标注数据集，随机打乱学科与学段，划分训练集、验证集、测试集；对数字学习资源进行归类标记与预处理，使用预训练编码器语言模型进行增量预训练；构建深层神经网络作为多学科跨学段的核心素养多任务共享层，将学习资源语义特征通过共享层，获得学习资源语义多任务共享向量；为每个核心素养智能标注任务分别构建分类层，输出学习资源对应的各类别标签。本发明可应用于不同学科和不同学段的核心素养智能体系化标注任务。
-
公开(公告)号：CN117933223B
公开(公告)日：2024-08-20
申请号：CN202410110728.3
申请日：2024-01-24
Applicant: 华中师范大学
IPC: G06F40/205 , G06F40/35 , G06N3/042 , G06N3/0464 , G06N3/0455 , G06F18/213 , G06F18/25
Abstract: 本申请公开了一种文本情绪原因对抽取方法、系统、电子设备与存储介质，其中方法包括：获取待抽取文本；将待抽取文本输入至情绪原因对抽取模型，获得情绪原因对抽取模型输出的待抽取文本的各子句对为情绪原因对的预测概率；情绪原因对抽取模型用于获取待抽取文本的各子句的特征，对各子句的特征进行分区过滤，获得各子句的特定于情绪子句抽取任务的情绪特征、特定于原因子句抽取任务的原因特征以及任务之间的共享特征，以确定各子句对的特征，并基于各子句对的特征执行情绪原因对抽取任务，获得各子句对的预测概率；基于各子句对的预测概率，确定待抽取文本中的情绪原因对，从而提升了情绪原因对抽取任务的精度。
-
公开(公告)号：CN117350274B
公开(公告)日：2024-07-19
申请号：CN202311300395.2
申请日：2023-10-08
IPC: G06F40/205 , G06F40/30 , G06F17/11 , G06F17/12 , G06F17/16 , G06N3/0464 , G06N5/046 , G06Q50/20
Abstract: 本发明提供一种基于已有习题自动合成新的几何证明题的方法及系统，该方法包括：分别获取多道已有几何证明题中每道几何证明题的原始几何关系，得到二元组集合；每个二元组包括一组几何关系和一个向量方程，所述向量方程由所述几何关系转换得到；基于所述二元组集合，筛选出可以重组的几何关系，以生成多道新的几何证明题；其中，所述可以重组的几何关系来自多道不同的已有几何证明题。本发明能够生成一些现有同类方法所无法生成的更具新颖性的习题，为通用新习题生成技术的研究提供了一些新的思路。
-
公开(公告)号：CN118227791A
公开(公告)日：2024-06-21
申请号：CN202410337219.4
申请日：2024-03-22
Applicant: 华中师范大学
IPC: G06F16/35 , G06F40/216 , G06F18/25 , G06N3/047
Abstract: 本发明提供一种基于多层次增强对比学习来预测慕课平台学生学习成效的方法，通过语义、认知‑情感联合外部特征进行综合预测分析,BERT预训练语言模型用于提取评论文本的深层语义特征，同时采用LIWC认知词典获取学习者的认知状态特征，并利用Senti‑BERT获取学习者在当前学习状态下的情感特征,在将上述特征融合的基础上，加入基于特征层面的对比学习和基于结构层面的对比学习，进一步提高学生学习成效的预测模型的准确性和鲁棒性,本发明创新点在于结合学习者多种特征和对比学习技术，旨在为教育领域提供一种更准确、全面的学生学习成效预测方法,这将有助于个性化教育评估，并为教育者提供更有效的指导，以促进学生的学习成长。
-
Patent Agency Ranking
公开(公告)号：CN118211662A
公开(公告)日：2024-06-18
申请号：CN202410349774.9
申请日：2024-03-26
Applicant: 华中师范大学
IPC: G06N5/04 , G06N5/025 , G06N3/042 , G06N3/0455 , G06N3/096 , G06F16/332 , G06F16/335 , G06F16/35
Abstract: 本发明提供一种整合多源常识知识的多轮共情对话生成方法，包括以下步骤：S1、将历史多轮对话内容作为对话上下文，分别输入到COMET、LLama2和ConceptNet知识库中，从而获取三类常识知识：短语型推理知识、文档型事实知识以及三元组型本体知识；S2、分别使用词嵌入技术、Transformer编码器和图神经网络GNN对获得推理知识、事实知识和本体知识进行编码处理，生成对应的推理知识特征向量、事实知识特征向量和本体图特征向量；S3、将编码后的知识特征向量和对话上下文一同输入到预训练模型，通过该模型的处理和生成，产生共情回复；本发明通过整合多源常识知识，有效解决了单一来源知识在覆盖率和领域知识限制方面的不足。这种方法显著增强了模型在语义理解和情感感知方面的能力，从而使得生成的共情回复更加精准、丰富和多样化，提升了对话系统的整体性能和用户体验。
-
公开(公告)号：CN117350274A
公开(公告)日：2024-01-05
申请号：CN202311300395.2
申请日：2023-10-08
Applicant: 华中师范大学
IPC: G06F40/205 , G06F40/30 , G06F17/11 , G06F17/12 , G06F17/16 , G06N3/0464 , G06N5/046 , G06Q50/20
Abstract: 本发明提供一种基于已有习题自动合成新的几何证明题的方法及系统，该方法包括：分别获取多道已有几何证明题中每道几何证明题的原始几何关系，得到二元组集合；每个二元组包括一组几何关系和一个向量方程，所述向量方程由所述几何关系转换得到；基于所述二元组集合，筛选出可以重组的几何关系，以生成多道新的几何证明题；其中，所述可以重组的几何关系来自多道不同的已有几何证明题。本发明能够生成一些现有同类方法所无法生成的更具新颖性的习题，为通用新习题生成技术的研究提供了一些新的思路。
-
公开(公告)号：CN117236445A
公开(公告)日：2023-12-15
申请号：CN202311231385.8
申请日：2023-09-21
Applicant: 华中师范大学
IPC: G06N5/04 , G06N3/084 , G06N3/0442
Abstract: 本发明提供了一种面向深度知识追踪的全局最优的因果解释方法及系统，包括：构建因果归因度量框架，以确定知识追踪模型的输入序列与待预测题目信息之间的因果关联，对知识追踪模型的输出结果进行解释；顺序遍历每个答题交互对并将其输入到策略网络中以生成动作分布概率进行抽样决策，将决策指示保留的答题交互对加入候选解释子序列；确定每个答题交互对的奖励值，之后基于候选解释子序列中每个答题交互对的奖励确定候选解释子序列的折扣回报；对奖励值和折扣回报去绝对值，之后对策略网络进行反向传播更新梯度，以便策略网络顺序遍历全部输入序列中的答题交互对后更新候选解释子序列，并将最后得到的候选解释子序列作为输出结果的解释子序列。
-
公开(公告)号：CN114091657A
公开(公告)日：2022-02-25
申请号：CN202111386905.3
申请日：2021-11-22
Applicant: 华中师范大学
Abstract: 本发明属于个性化学习技术领域，公开了一种基于多任务框架的智能学习状态追踪方法、系统及应用，采集学习者的外在学习行为特征、学习资源特征以及潜在能力特征，并进行预处理操作，获得包含先验信息的学习特征；然后构建多个堆叠的卷积神经网络对学习特征进行深度表示学习，控制学习者的遗忘情况，构建深层学习特征；再进行深浅特征融合，引入双向循环神经网络，构建基于长时序依赖的智能学习状态追踪模型；最后对学习者的学习状态进行量化及预测，并构造损失函数进行多任务训练。本发明有利于提高知识追踪模型在预测学习者学习状态方面的预测性能，而且拓展了知识追踪模型的预测领域和教育应用领域，推动了个性化教育、智慧教育的发展。
-
公开(公告)号：CN112256858B
公开(公告)日：2022-02-18
申请号：CN202011071060.4
申请日：2020-10-09
Applicant: 华中师范大学
IPC: G06F16/335 , G06F16/338 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种融合问题模式和答题结果的双卷积知识追踪方法及系统。该方法包括步骤：获取答题者的历史答题数据集；从历史答题数据集提取每个答题者的题目序列、答题结果序列和技能序列；将题目序列和技能序列进行拼接后输入到第一一维卷积神经网络，提取问题模式特征数据；将答题结果序列输入到第二一维卷积神经网络，提取答题结果特征数据；将问题模式特征数据和答题结果特征数据进行拼接后输入到全连接层网络，输出答题者答题行为预测结果数据。本发明通过建模提取问题模式特征数据和答题结果特征数据，融合这两个特征进行知识追踪，可以提升预测精确度。
-
-
-
-
-
-
-
-
-
Search Results
86
records
(took 0.03 seconds)
