T/AHAI 012-2024 面向终身学习的个性化学习与测评系统技术要求 ,该文件为pdf格式 ,请用户放心下载!
尊敬的用户你们好,你们的支持是我们前进的动力,网站收集的文件并免费分享都是不容易,如果你觉得本站不错的话,可以收藏并分享给你周围的朋友。
如果你觉得网站不错,找不到本网站,可以百度、360搜搜,搜狗, 神马搜索关键词“文档天下”,就可以找到本网站。也可以保存到浏览器书签里。
收费文件即表明收集不易,也是你们支持,信任本网站的理由!真心非常感谢大家一直以来的理解和支持!
CCS I 65
安徽省人工智能协会团体标准
T/AHAI 012—2024
面向终身学习的个性化学习与测评系统技术要求
Technical requirements for adaptive learning and assessment system for lifelonglearning
2024 – 09 - 20 发布2024 - 09 - 21 实施
安徽省人工智能协会 发布
前言
本文件按照GB/T 1.1—2020《标准化工作导则第1部分:标准化文件的结构和起草规则》的规定
起草。
请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。
本文件由中国科学技术大学提出。
本文件由安徽省人工智能协会归口。
本文件起草单位:中国科学技术大学、科大讯飞股份有限公司、北京师范大学、国家开放大学。
本文件主要起草人:刘淇、陈恩红、黄振亚、朱孟潇、李鑫、郑永和、贺媛婧、王一岩、庄严、赵
官豪、舒奇、冯立。
T/AHAI 012—2024
II
引言
构建服务全民终身学习的教育体系,形成全民学习、终身学习的学习型社会,促进人的全面发展是
民族复兴的重大战略。终身学习要求社会的每个成员为适应社会发展和实现自身发展的需要,贯穿其一
生持续地进行学习。面向终身学习的个性化学习与测评系统旨在满足学习者终身学习的需求,确保系统
中的每位参与者均能适应社会发展和自身发展的需要,实现持续终身学习的目标。
T/AHAI 012—2024
1
面向终身学习的个性化学习与测评系统技术要求
1 范围
本文件界定了面向终身学习的个性化学习与测评系统的术语和定义、缩略语,并规定了系统框架、
设计要求和非功能性要求。
本文件适用于面向终身学习的个性化学习与测评系统(以下简称“系统”)的设计。
2 规范性引用文件
下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中,注日期的引用文件,
仅该日期对应的版本适用于本文件;不注日期的引用文件,其最新版本(包括所有的修改单)适用于本
文件。
GB/T 20271-2006 信息安全技术信息系统通用安全技术要求
GB/T 36350-2018 信息技术学习、教育和培训数字化学习资源语义描述
GB/T 38377-2019 新闻出版知识服务知识资源建设与服务基础术语
3 术语和定义
GB/T 36350-2018,GB/T 38377-2019界定的术语和定义适用于本文件。
3.1
终身学习lifelong learning
一种持续不断的学习过程,在人的整个生命周期中不断获取新知识、技能和经验,使学习者能够持
续提升能力、扩展视野,并保持竞争力。
3.2
个性化学习与测评系统adaptive learning and assessment system
利用学习路径规划、学习资源推荐以及自适应测评等技术,在终身学习场景中,测评学习者的能力,
并依据学习者学习目标,为学习者提供最合适的学习路径和学习资源,使学习者能持续不断地学习和提
高自己的知识和技能并适应社会的发展和变化。
3.3
知识概念knowledge concept
学习资源具有的客观属性,承载了学习资源的原子化信息,是可以用语言或其他符号系统表达和传
递的信息集合。
[来源:GB/T 38377-2019,2.3,有修改]
3.4
学习路径learning path
依据每位学习者的学习目标以及知识掌握程度来定制的最适合每位学习者的知识概念学习序列。
3.5
学习资源learning resource
知识概念的载体,有助于学习者了解、掌握、精通相关知识概念的资源,如练习题、教学视频、文
章、音频等。
[来源:GB/T 36350-2018,2.3,有修改]
3.6
学习记录learning record
学习者在学习资源上的交互记录,包括点击、回答文本等信息。
4 缩略语
T/AHAI 012—2024
2
下列缩略语适用于本文件。
IRT:项目反应理论(Item Response Theory)
ACC:正确率(Accuracy)
TP:真阳性(True Positive)
TN:真阴性(True Negative)
FP:假阳性(False Positive)
FN:假阴性(False Negative)
5 系统设计要求
5.1 系统框架图
系统应分为数据层、模型层以及应用层,框架示意图如图1所示。
图1 面向终身学习的个性化学习与测评系统框架示意图
5.2 数据层设计要求
5.2.1 数据输入
数据输入是实现学习者个人信息数据、学习者原始学习记录、学习资源数据、知识概念数据等原始
数据收集的重要模块,还是实现人机数据交互和数据预处理的关键环节,应具备以下几个核心功能。
a) 数据分类和标识:
系统应明确数据的分类。
注:数据主要包含两大类型:预定义数据类型和动态数据类型。预定义数据类型依据预先设定的规则和标准进行数
据分类,确保数据的一致性和规范性。动态数据类型则根据数据的实时特性和实际需求进行灵活调整,以满足
不断变化的业务需求。
系统应为每一种数据类型定义相应的标识符,准确且迅速地定位和访问数据。
b) 交互友好性:
数据输入界面设计应简洁、直观和易于操作。
系统应提供多种交互方式以适应不同学习者群体。
示例:
T/AHAI 012—2024
3
对于视觉障碍的学习者,系统可以提供语音输入功能;对于不熟悉计算机操作的学习者,可以提供图形化的操作界
面。
c) 输入验证:
系统应采用表达式匹配、数据类型检查、内容逻辑校验等多种技术手段验证输入的数据,
以防止恶意输入和无效数据进入系统。
系统应建立错误处理机制,对不符合要求的数据输入进行标注和过滤。
系统应及时反馈错误信息,帮助学习者发现并修正自己的错误,以提高数据输入的质量。
d) 数据格式化:
系统应将原始数据转换为数据存储所需的特定格式。
系统应制定统一的数据标准和规范,确保不同来源的数据在完成数据格式化后具有一致性
和可比性。
5.2.2 数据存储
数据存储是对收集到的学习者个人信息数据、学习者原始学习记录、学习资源数据、知识概念数据
进行存储的重要模块,应符合以下设计要求。
a) 数据库设计:系统应根据数据的性质、规模和业务需求综合考量,选择数据库类型。
示例:
对于结构化的数据,如学习者个人信息数据、学习资源数据、知识概念数据,可采用具有强大的事务处理和复杂查
询能力的关系型数据库(如MySQL、Oracle 等);而对于非结构化或大量增长的数据,如学习者原始学习记录,可
采用灵活和可扩展的NoSQL 数据库(如MongoDB、Cassandra 等)。
b) 数据安全性:
系统应实施严格的访问控制策略,包括学习者身份验证、权限控制和数据访问审计等,确
保只有授权的学习者才能访问和操作数据。
系统应通过采用如AES、RSA等加密算法,实现对数据进行加密存储和传输,以防范数据泄
露的风险。
系统应定期备份数据,并测试备份数据的恢复能力,以确保在数据丢失或损坏时能够及时
恢复。
c) 数据一致性:
系统应采用事务、锁定等机制保证并发条件下数据的一致性。
系统应采用适当的数据复制和同步技术,确保不同副本之间的数据一致性。
d) 数据隐私保护:
系统应在使用学习者个人信息数据、学习者原始学习记录等隐私数据用以服务其自身的学
习前,征询学习者个人意愿。
系统应在使用学习者个人信息数据、学习者原始学习记录等隐私数据用以服务其他学习者
的学习前,征询学习者个人意愿。
5.2.3 数据处理
数据处理对数据存储中保存的学习者个人信息数据、学习者原始学习记录、学习资源数据、知识概
念数据进行处理,包括去重、去空、转换等,应符合以下设计要求。
a) 数据清洗与预处理:系统应建立清晰的数据处理流程,包括去除冗余和重复数据、处理缺失
值和异常值以及标准化数据。
b) 数据集成与转换:系统应对不同源的数据进行转换,将其统一到相同的、可比的数据空间,
以便后续进行数据分析和计算。
5.3 模型层设计要求
5.3.1 个性化学习需求定制
个性化学习需求定制模型负责对已处理完毕的学习者个人信息数据以及学习者原始学习记录进行
挖掘、分析和更新,从而判断学习者的能力水平、学习特点、学习需求等关键因素,并将这些需求转化
为可服务的形式。个性化学习需求定制应实现以下设计要求。
T/AHAI 012—2024
4
a) 多模态交互分析:系统应分析多种交互方式下(如在线学习、虚拟实验、讨论论坛等)的学
习者原始学习记录,获取学习者的能力水平、学习特点、学习需求等关键信息。
b) 场景分析:系统应能够建模不同的学习者在不同场景下的学习需求。
示例:
职场人士可能需要在线学习平台提供与工作相关的课程;大学生可能更关注与学校教育相关的教学资源;老年人可
能更需要健康相关的课程。因此,通过场景分析能力,精确地满足各类学习者的需求。
c) 趋势分析:系统应持续监测、分析学习者的学习交互数据,并分析其变化趋势,从而预测学
习者未来的需求变化,主动优化和更新需求定制模型,保持和学习者需求的高匹配度。
5.3.2 学习路径规划
5.3.2.1 学习路径规划模型负责在终身学习者的长期学习规划中提供最优化的学习路径,学习路径规
划模型应实现以下模块。
示例:
在跨域学习上,针对一个想要从事深度学习工作的计算机初学者,学习路径规划应从宏观的领域知识来对其学习路
径进行规划,如“计算机组成原理->线性代数->最优化理论->Python 编程语言->机器学习->深度学习”。在同域学
习上,针对一个希望提升自己线性代数的本科学习者,学习路径规划应从线性代数内部的不同知识来规划学习路径,
如“行列式计算->矩阵->矩阵计算->矩阵求导”。
a) 学习目标分析模块:系统通过学习者个人信息数据以及学习者原始学习记录,结合学习者的
个性化需求,精准地定位学习者的学习目标。
b) 学习路径识别模块:系统根据已定位的学习目标,结合知识概念数据,确定学习路径的起点
和终点,从而识别出多条不同的学习路径。
c) 学习路径规划模块:系统根据学习者的能力水平、学习特点、学习需求等因素,从多条学习
路径中选择最优的一条。
5.3.2.2 学习路径规划模型应采用学习效果增益来衡量学习路径对学习者学习的提升效果,学习效果
增益的计算公式为:
?? =
? − ��
�� − ��
式中:
?——通过规划的学习路径学习后的学习者能力平均水平;
��——通过随机的学习路径学习后的学习者能力平均水平;
��——进行学习前的学习者能力平均水平;
??——学习效果增益。
学习路径规划的效果依据学习效果增益的大小分为A1、A2、A3、A4 四个等级:
a) A1:Gain﹥1.25;
b) A2:1.05﹤Gain≤1.25;
c) A3:1﹤Gain≤1.05;
d) A4:Gain﹤1。
5.3.3 学习资源推荐
5.3.3.1 学习资源推荐模型负责为学习者提供个性化的学习资源推荐,其任务是在完成学习路径规划
后,依据路径上的知识点,为学习者提供与其高度适配的相关学习资源,应实现以下模块。
示例:
针对一个要提升“矩阵”知识的聋哑学习者,学习资源推荐模型应推荐无障碍“矩阵”教学视频给该学习者;同时,
针对一个需要提升“行列式计算”知识的老年学习者,学习资源推荐可能应推荐“行列式推荐”的文本学习资源和
配套习题给该学习者,以适应其学习习惯。
a) 资源需求分析模块:系统应综合考量学习者能力水平、学习特点、学习需求等因素,同时结
合规划完成的学习路径,精确分析学习者的学习资源需求。
b) 资源筛选模块:系统应根据学习者的学习资源需求和资源库的实际情况,智能筛选并推荐最
合适的资源,包括练习题、教学视频、文章、音频等。具体推荐场景包括以下场景。
课程推荐:系统应根据学习者的兴趣、学习历史和学习目标,推荐适合的课程,帮助学习
者选择合适的学习内容。
T/AHAI 012—2024
5
文档推荐:系统应根据学习者的学科需求和学习进度,推荐相关的文档资料,帮助学习者
深入学习和扩展知识。
技能推荐:系统应根据学习者的技能需求和职业发展目标,推荐相关的技能培训和学习资
源,帮助学习者提升职业竞争力。
职业推荐:系统应根据学习者的兴趣、能力和市场需求,推荐适合的职业方向和发展路径,
帮助学习者规划职业生涯。
专家/教师推荐:系统应根据学习者的学科需求和学习目标,推荐合适的专家或教师,提
供个性化的学术指导和辅导。
c) 资源组织模块:系统应根据学习者能力水平、学习特点、学习需求以及学习资源之间的关联
关系,对学习资源进行合理配置与重新组织,从而实现学习资源的组合推荐。
5.3.3.2 学习资源推荐模型应采用召回率来衡量学习者对推荐的学习资源的需要程度,召回率的计算
公式为:
??�� =
|� ∩ �|
|�|
式中:
�——学习资源推荐模型推荐的学习资源的集合;
�——学习者真实的学习资源需求的集合;
??��——召回率,即学习者真实的学习资源需求被学习资源推荐模型推荐出来的比率。
学习资源推荐的效果依据召回率的大小分为A1、A2、A3、A4四个等级:
a) A1:Recall﹥0.8;
b) A2:0.6﹤Recall≤0.8;
c) A3:0.25﹤Recall≤0.6;
d) A4:Recall≤0.25。
5.3.3.3 学习资源推荐模型应采用合理性来衡量推荐的学习资源是否合理。在衡量学习资源合理性时,
开发方应邀请至少10 位专家对学习资源的合理性进行评级,合理性的计算公式为:
?��? =
1
N i
N
评论