CN106682768B - 一种答题分数的预测方法、系统、终端及服务器 - Google Patents

一种答题分数的预测方法、系统、终端及服务器 Download PDF

Info

Publication number
CN106682768B
CN106682768B CN201611120922.1A CN201611120922A CN106682768B CN 106682768 B CN106682768 B CN 106682768B CN 201611120922 A CN201611120922 A CN 201611120922A CN 106682768 B CN106682768 B CN 106682768B
Authority
CN
China
Prior art keywords
degree
knowledge type
difficulty
knowledge
answer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201611120922.1A
Other languages
English (en)
Other versions
CN106682768A (zh
Inventor
刘雨洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Chalk Blue Sky Technology Co Ltd
Original Assignee
Beijing Chalk Blue Sky Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Chalk Blue Sky Technology Co Ltd filed Critical Beijing Chalk Blue Sky Technology Co Ltd
Priority to CN201611120922.1A priority Critical patent/CN106682768B/zh
Publication of CN106682768A publication Critical patent/CN106682768A/zh
Application granted granted Critical
Publication of CN106682768B publication Critical patent/CN106682768B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例公开了一种答题分数的预测方法、系统、终端及服务器，属于答题能力测评技术领域。其中，该方法包括：采集用户的答题数据；获取每个难度系数b下的答对题目个数以及总题目个数；计算每个难度系数b的答题正确率；根据预设的能力值映射表，将每个答题正确率映射为一个能力值θ；计算每个难度系数b的得分概率P难度；基于每个难度系数b的权重，计算每个知识类型的得分概率P考点；基于每个知识类型的权重，计算总得分概率P总；基于总得分概率P总以及试题总分数，预测答题分数。这样得到的预测答题分数就是在考虑到不同知识类型的正确率不同，以及不同难度系数的权重不同，不同知识类型的权重不同。能够更为精准的预测用户的考试得分。

Description

一种答题分数的预测方法、系统、终端及服务器
技术领域
本发明涉及答题能力测评技术领域，特别涉及一种答题分数的预测方法、系统、终端及服务器。
背景技术
考试是现代生活中每个人都经历过的一个过程，应试者往往会在考试之前对自己的能力进行模拟测试，而一个在线模拟测试系统成为了一个很重要的发展方向。在线模拟测试系统的题库会累计大量的用户做题数据，如何基于用户的做题数据对用户的考试成绩给出尽量准确的预测是一个很有趣也很有实用价值的问题。现有技术中在线模拟测试的评分系统是基于用户的答题数据计算用户的正确率，并将用户的正确率与考试的总分相乘，得到测试的分数。
在实现本发明的过程中，发明人发现至少存在如下问题：首先，现有技术中的正确率不能准确的反应有用户的全部能力。因为用户对一门考试有自己的理解，因此在对该门考试进行复习时，对多个考点的侧重点就不同，所以在不同考点显然就会有不同的正确率，而一个精确的模型应该考虑到用户在不同考点的能力差异。其次，现有技术中的正确率并不能有效考虑的题目的难易程度。简单说一个考生做难题有80％的正确率和一个考生做简单题有80％的正确率，这两个考生水平显然是不同的。因此，在计算预测分数时，应当考虑难题和简单题在考试中占的权重。
发明内容
本发明的目的是提供一种答题分数的预测方法、系统、终端及服务器，通过采集用户的答题数据，并从答题数据中获取每个知识类型的每个难度系数下的答对题目个数以及总题目个数，计算出答题正确率。通过预先设定的能力值映射表，将答题正确率映射为能力值。再将难度系数以及得到的能力值通过项目反映理论的模型计算出每个难度系数下的得分概率，基于得到的每个难度系数下的得分概率以及每个难度系数的权重，计算得到每个知识类型的得分概率。再根据每个知识类型的得分概率以及每个知识类型的权重，计算得到总的得分概率。将总的得分概率与试题总分数做乘积得到预测答题分数。这样得到的预测答题分数就是在考虑到不同知识类型的正确率不同，以及不同难度系数的权重不同，不同知识类型的权重不同。能够更为精准的预测用户的考试得分。
根据本发明实施例的一个方面：一种答题分数的预测方法，包括：当接收到某个用户的预测分计算请求后，采集该用户的答题数据；基于答题数据，获取每个知识类型的每个难度系数b下的答对题目个数以及总题目个数；基于每个知识类型的每个难度系数b下的答对题目个数以及总题目个数计算每个知识类型的每个难度系数b的答题正确率；根据预设的能力值映射表，将每个答题正确率映射为一个能力值θ；基于每个知识类型的每个难度系数b以及与该每个难度系数b对应的每个能力值θ，计算每个知识类型的每个难度系数b下的得分概率P难度；基于每个知识类型的每个难度系数b下得分概率P难度以及每个知识类型的每个难度系数b的权重，计算每个知识类型的得分概率P考点；基于每个知识类型的得分概率P考点以及每个知识类型的权重，计算总得分概率P总；基于总得分概率P总以及试题总分数，预测答题分数。
进一步，所述计算每个知识类型的每个难度系数b下的得分概率P难度的方法为：根据项目反应理论的模型计算每个知识类型的每个难度系数b下的得分概率P难度。
进一步，计算每个知识类型的每个难度系数b的权重方法为：获取数据库中每个知识类型下与每个难度系数b对应的题目数；基于每个知识类型的每个难度系数b下的题目数，计算数据库中的所有难度系数的题目总数；基于每个知识类型的每个难度系数b下的题目数以及所有难度系数的题目总数，计算每个知识类型的每个难度系数b的权重。
进一步，计算每个知识类型的权重方法为：获取数据库中每个知识类型的题目数；基于每个知识类型的题目数，计算数据库中所有知识类型的题目总数；基于每个知识类型的题目数以及所有知识类型的题目总数，计算每个知识类型的权重。
根据本发明实施例的另一个方面，一种答题分数的预测系统，包括：采集模块：用于当接收到某个用户的预测分计算请求后，采集该用户的答题数据；第一获取模块：用于基于答题数据，获取每个知识类型的每个难度系数b下的答对题目个数以及总题目个数；正确率计算模块：用于基于每个知识类型的每个难度系数b下的答对题目个数以及总题目个数计算每个知识类型的每个难度系数b的答题正确率；映射模块：用于根据预设的能力值映射表，将每个答题正确率映射为一个能力值θ；第一概率计算模块：用于基于每个知识类型的每个难度系数b以及与该每个难度系数b对应的每个能力值θ，计算每个知识类型的每个难度系数b下的得分概率P难度；第二概率计算模块：用于基于每个知识类型的每个难度系数b下得分概率P难度以及每个知识类型的每个难度系数b的权重，计算每个知识类型的得分概率P考点；第三概率计算模块：用于基于每个知识类型的得分概率P考点以及每个知识类型的权重，计算总得分概率P总；预测模块：用于基于总得分概率P总以及试题总分数，预测答题分数。
进一步，所述第一概率计算模块：根据项目反应理论的模型计算每个知识类型的每个难度系数b下的得分概率P难度。
进一步，所述系统还包括：第二获取模块：用于获取数据库中每个知识类型下与每个难度系数b对应的题目数；第一统计模块：用于基于每个知识类型的每个难度系数b下的题目数，计算数据库中的所有难度系数的题目总数；第一权重计算模块：用于基于每个知识类型的每个难度系数b下的题目数以及所有难度系数的题目总数，计算每个知识类型的每个难度系数b的权重。
进一步，所述系统还包括：第三获取模块：用于获取数据库中每个知识类型的题目数；第二统计模块：用于基于每个知识类型的题目数，计算数据库中所有知识类型的题目总数；第二权重计算模块：用于基于每个知识类型的题目数以及所有知识类型的题目总数，计算每个知识类型的权重。
根据本发明实施例的又一个方面，一种终端，包括上述模块的答题分数的预测系统。
根据本发明实施例的又一个方面，一种服务器，包括上述模块的答题分数的预测系统。
本发明实施例通过计算每个难度系数的权重以及每个知识类型的权重。将两种权重计算入预测答题分数。当采集到用户的答题数据时，获取每个知识类型的每个难度系数下的答对题目个数以及总题目个数，计算出答题正确率。将正确率通过预设的能力值映射表映射为能力值，利用能力值与难度系数计算出每个难度系数下的得分概率，将每个难度系数下的得分概率根据每个难度系数的权重重新分配得到每个知识类型的权重，将每个知识类型下的得分概率根据每个知识类型的权重重新分配得到总的得分概率。将总的得分概率与试题总分数做乘积得到预测答题分数。将每个难度系数的权重以及每个知识类型的权重带入到预测答题分数的过程中，能够有效的考虑不同知识类型正确率不同，不同难度系数的权重不同，不同知识类型的权重不同，能够根据用户复习的侧重点、答题的习惯，更为精准的预测用户的考试得分。
附图说明
图1是本发明第一实施例提供的一种答题分数的预测方法的流程图；
图2是本发明第二实施例提供的一种答题分数的预测方法的流程图；
图3是本发明第三实施例提供的一种答题分数的预测方法的流程图；
图4是本发明第一实施例提供的一种答题分数的预测系统的模块关系示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
本发明的目的是提供一种答题分数的预测方法、系统、终端及服务器。通过采集用户的答题数据，并从答题数据中获取每个知识类型的每个难度系数下的答对题目个数以及总题目个数，计算出答题正确率。通过预先设定的能力值映射表，将答题正确率映射为能力值。再将难度系数以及得到的能力值通过项目反映理论的模型计算出每个难度系数下的得分概率，基于得到的每个难度系数下的得分概率以及每个难度系数的权重，计算得到每个知识类型的得分概率。再根据每个知识类型的得分概率以及每个知识类型的权重，计算得到总的得分概率。将总的得分概率与试题总分数做乘积得到预测答题分数。这样得到的预测答题分数就是在考虑到不同知识类型的正确率不同，以及不同难度系数的权重不同，不同知识类型的权重不同。能够更为精准的预测用户的考试得分。
本发明是以用户一套测试的答题数据为基础，再加以每个知识类型的每个难度系数的权重以及每个知识类型的权重，合理的分析该用户的平均答题成绩以及答题水平，而不是单单的依靠对错，而不考虑题目的难易程度。
请参阅图1，图1是本发明第一实施例提供的一种答题分数的预测方法的流程图。如图1所示本发明第一实施例可以包括以下步骤S100至步骤S800：
步骤S100：当接收到某个用户的预测分计算请求后，采集该用户的答题数据。
具体的，用户在答题结束之后，需要对自己的答题的情况进行预测，预测自己的分数。答题分数的预测系统设置在终端时，终端会对用户通过外设的鼠标、键盘、话筒等输入的答题数据进行采集。答题分数的预测系统设置在服务器时，首先终端会对用户通过外设的鼠标、键盘、话筒等输入的答题数据进行采集，并将采集到的答题数据发送给服务器。可以通过有线、无线两种传输方式进行发送。采集到的答题数据为：用户对每个知识类型的每个难度系数b下的题目的解答内容。
步骤S200：基于答题数据，获取每个知识类型的每个难度系数b下的答对题目个数以及总题目个数。
具体的，基于采集到的用户答题数据，判断答题数据的正误。进一步获取每个知识类型的每个难度系数b下的答对题目个数，即一科考试中会有不同的知识类型，而不同的知识类型下又会有不同的难度系数，统计一科考试中每一类知识类型下每一种难度系数下答对题目的个数。然后再对每个知识类型的每个难度系数b下总题目个数进行获取。这里的知识类型可以为知识点、考点等。例如：物理考试中的力学、电学、电磁场、相对论这些都属于不同的知识类型。而难度系数也就是难度等级，可以用正整数进行表示，数字越大难度越大，难度系数越高。
步骤S300：基于每个知识类型的每个难度系数b下的答对题目个数以及总题目个数计算每个知识类型的每个难度系数b的答题正确率。
具体的，根据获取到的每个知识类型的每个难度系数b下的答对题目个数以及每个知识类型的每个难度系数b下的总题目个数，可以计算出每个知识类型的每个难度系数b的答题正确率。例如，每个知识类型的每个难度系数b下的答对题目个数除以每个知识类型的每个难度系数b下的总题目个数，得到每个知识类型的每个难度系数b的答题正确率。本发明不限定计算答题正确率的方式，上述只是举例进行说明。
步骤S400：根据预设的能力值映射表，将每个答题正确率映射为一个能力值θ。
具体的，根据预先设置的能力值映射表，将答题正确率映射为能力值θ。例如：能力值映射表可以将答题正确率的一个范围映射为一个数值，这个数值就是一个能力值θ，可已经将0-40％的答题正确率映射为能力值1，40％-60％的答题正确率映射为能力值2，60％-80％的答题正确率映射为能力值3，80％-90％的答题正确率映射为能力值4，90％-100％的答题正确率映射为能力值5，根据计算得到的答题正确率，将不同的答题正确映射为不同的能力值。
步骤S500：基于每个知识类型的每个难度系数b以及与该每个难度系数b对应的每个能力值θ，计算每个知识类型的每个难度系数b下的得分概率P难度。
具体的，已知每个知识类型的每个难度系数b以及与该每个难度系数b对应的每个能力值θ，根据项目反应理论的模型计算得分概率P难度。项目反应理论(Item ResponseTheory,IRT)，又称题目反应理论、潜在特质理论(Item Response Theory)是一系列心理统计学模型的总称。IRT是用来分析考试成绩或者问卷调查数据的数学模型，如下式：
b为每个知识类型的每个难度系数，θ为与每个知识类型的每个难度系数b对应的能力值，e为自然常数e＝2.718281828459。将上述θ、b、e代入项目反应理论的模型的到每个难度系数b下的得分概率P难度。
步骤S600：基于每个知识类型的每个难度系数b下的得分概率P难度以及每个知识类型的每个难度系数b的权重，计算每个知识类型的得分概率P考点。
具体的，将每个难度系数b下得分概率P难度乘以每个知识类型的每个难度系数b的权重后依次相加，得到每个知识类型的得分概率P考点。也就是根据每个知识类型下每个难度系数b的得分概率P难度以及一科考试中每个知识类型的每个难度系数b的权重，来得到每个知识类型的得分概率P考点，本发明不限定计算每个知识类型的得分概率P考点的方式，上述方式只是举例说明。
步骤S700：基于每个知识类型的得分概率P考点以及每个知识类型的权重，计算总得分概率P总。
具体的，将每个知识类型的得分概率P考点乘以每个知识类型的权重后依次相加，得到总得分概率P总。也就是根据每个知识类型的得分概率P考点以及一科考试中每个知识类型的权重，来得到总得分概率P总，本发明不限定计算总得分概率P总的方式，上述方式只是举例说明。
步骤S800：基于总得分概率P总以及试题总分数，预测答题分数。
具体的，根据计算的到的总得分概率P总以及本次测试的试题总分数，计算得到预测答题分数，以供显示。
请参阅图2，图2是本发明第二实施例提供的一种答题分数的预测方法的流程图。如图2所示本发明第二实施例可以包括以下步骤S601至步骤S603：
步骤S601：获取数据库中每个知识类型的每个难度系数b对应的题目数。
具体的，根据数据库中题目总数、数据库中所有题目的知识类型和难度系数，计算每个知识类型的每个难度系数b的题目数。在数据库中的题目录入的过程中，与题目一起录入的还有每一道题目包含的知识类型，以及每个知识类型的难度系数。统计数据库中所有题目的信息，并进行分类，按照每个知识类型与每个难度系数b进行分类，并统计各自的题目数，以达到获取数据库中每个知识类型的每个难度系数b对应的题目数的目的。
步骤S602：基于每个知识类型的每个难度系数b下的题目数，计算数据库中的所有难度系数的题目总数。
具体的，将统计得到的每个知识类型的每个难度系数b下的题目数相加，得到所有难度系数的题目总数。本步骤统计的不是题库中所有题目的数量，而是根据所有题目，按照每个知识类型下的每个难度系数b进行分类，并统计各自的题目数。将统计得到的各自的题目数相加得到的所有难度系数的题目总数。因为每道题目可能会包含不同的知识类型，而不同的知识类型包含的难度系数也可能不同。因此，统计的不仅仅是题库中所有题目的总数量。
步骤S603：基于每个知识类型的每个难度系数b下的题目数以及所有难度系数的题目总数，计算每个知识类型的每个难度系数b的权重。
具体的，根据每个知识类型的每个难度系数b下的题目数占所有难度系数的题目总数的比例，分配相应的权重。
请参阅图3，图3是本发明第三实施例提供的一种答题分数的预测方法的流程图。如图3所示本发明第三实施例可以包括以下步骤S701至步骤S703：
步骤S701：获取数据库中每个知识类型的题目数。
具体的，根据数据库中题目总数、数据库中所有题目的知识类型，计算每个知识类型的题目数。在数据库中的题目录入的过程中，与题目一起录入的还有每一道题目包含的知识类型，以及每个知识类型的难度系数。统计数据库中所有题目的信息，并进行分类，按照每个知识类型进行分类，并统计各自的题目数，以达到获取数据库中每个知识类型的题目数的目的。
步骤S702：基于每个知识类型的题目数，计算数据库中所有知识类型的题目总数。
具体的，将统计得到的每个知识类型的题目数相加，得到所有知识类型的题目总数。本步骤统计的不是题库中所有题目的数量，而是根据所有题目，按照每个知识类型进行分类，并统计各自的题目数。将统计得到的各自的题目数相加得到的所有知识类型的题目总数。因为每道题目可能会包含不同的知识类型。因此，统计的不仅仅是题库中所有题目的总数量。
步骤S703：基于每个知识类型的题目数以及所有知识类型的题目总数，计算每个知识类型的权重。
具体的，根据每个知识类型的题目数占所有知识类型的题目总数的比例，分配相应的权重。
请参阅图4，图4是本发明第一实施例提供的一种答题分数的预测系统的模块关系示意图。
如图4所示，采集模块100：用于当接收到某个用户的预测分计算请求后，采集该用户的答题数据；第一获取模块200：用于基于答题数据，获取每个知识类型的每个难度系数b下的答对题目个数以及总题目个数；正确率计算模块300：用于基于每个知识类型的每个难度系数b下的答对题目个数以及总题目个数计算每个知识类型的每个难度系数b的答题正确率；映射模块400：用于根据预设的能力值映射表，将每个答题正确率映射为一个能力值θ；第一概率计算模块500：用于基于每个知识类型的每个难度系数b以及与该每个难度系数b对应的每个能力值θ，计算每个知识类型的每个难度系数b下的得分概率P难度；第二概率计算模块600：用于基于每个知识类型的每个难度系数b下的得分概率P难度以及每个知识类型的每个难度系数b的权重，计算每个知识类型的得分概率P考点；第三概率计算模块700：用于基于每个知识类型的得分概率P考点以及每个知识类型的权重，计算总得分概率P总；预测模块800：用于基于总得分概率P总以及试题总分数，预测答题分数。第二获取模块900：用于获取数据库中每个知识类型的每个难度系数b对应的题目数；第一统计模块1000：用于基于每个知识类型的每个难度系数b下的题目数，计算数据库中的所有难度系数的题目总数；第一权重计算模块1100：用于基于每个知识类型的每个难度系数b下的题目数以及所有知识类型的题目总数，计算每个知识类型的每个难度系数b的权重。第三获取模块1200：用于获取数据库中每个知识类型的题目数；第二统计模块1300：用于基于每个知识类型的题目数，计算数据库中所有知识类型的题目总数；第二权重计算模块1400：用于基于每个知识类型的题目数以及所有知识类型的题目总数，计算每个知识类型的权重。
具体的，本发明是以用户一套测试的答题数据为基础，再加以每个知识类型的每个难度系数b的权重以及每个知识类型的权重，合理的分析该用户的平均答题成绩以及答题水平，而不是单单的依靠对错，而不考虑题目的难易程度。
用户在答题结束之后，需要对自己的答题的情况进行预测，预测自己的分数。采集模块100首先会采集用户的大体数据，当采集模块100设置在终端时，采集模块100会对用户通过外设的鼠标、键盘、话筒等输入的答题数据进行采集。采集模块100设置在服务器时，首先终端会对用户通过外设的鼠标、键盘、话筒等输入的答题数据进行采集，并将采集到的答题数据发送给采集模块100。采集模块100接收到答题数据之后，将答题数据传输给第一获取模块200。
第一获取模块200基于采集到的用户答题数据，判断答题数据的正误。进一步获取每个知识类型的每个难度系数b下的答对题目个数，即一科考试中会有不同的知识类型，而不同的知识类型下又会有不同的难度系数，统计一科考试中每一类知识类型下每一种难度系数下答对题目的个数。然后再对每个知识类型的每个难度系数b下总题目个数进行获取。这里的知识类型可以为知识点、考点等。例如：物理考试中的力学、电学、电磁场、相对论这些都属于不同的知识类型。而难度系数也就是难度等级，可以用正整数进行表示，数字越大难度越大，难度系数越高，并将获取到的每个知识类型的每个难度系数b下的答对题目个数以及总题目个数发送给正确率计算模块300。
正确率计算模块300根据获取到的每个知识类型的每个难度系数b下的答对题目个数以及每个知识类型的每个难度系数b下的总题目个数，可以计算出每个知识类型的每个难度系数b的答题正确率。例如，每个知识类型的每个难度系数b下的答对题目个数除以每个知识类型的每个难度系数b下的总题目个数，得到每个知识类型的每个难度系数b的答题正确率。本发明不限定计算答题正确率的方式，上述只是举例进行说明。正确率计算模块300将计算得到的每个难度系数b的答题正确率发送给映射模块400。
映射模块400根据预先设置的能力值映射表，将答题正确率映射为能力值θ。例如：能力值映射表可以将答题正确率的一个范围映射为一个数值，这个数值就是一个能力值θ，可已经将0-40％的答题正确率映射为能力值1，40％-60％的答题正确率映射为能力值2，60％-80％的答题正确率映射为能力值3，80％-90％的答题正确率映射为能力值4，90％-100％的答题正确率映射为能力值5，根据计算得到的答题正确率，将不同的答题正确映射为不同的能力值。映射模块400将映射的能力值θ发送给第一概率计算模块500。
第一概率计算模块500将已知每个知识类型的每个难度系数b以及与该每个难度系数b对应的每个能力值θ，根据项目反应理论的模型计算得分概率，如下式：
b为每个知识类型的每个难度系数，θ为与每个知识类型的每个难度系数b对应的能力值，e为自然常数e＝2.718281828459。将上述θ、b、e代入项目反应理论的模型的到每个难度系数b下的得分概率P难度。第一概率计算模块500将计算得到的每个难度系数b下的得分概率P难度发送给第二概率计算模块600。
第二概率计算模块600根据每个知识类型下每个难度系数b的得分概率P难度以及一科考试中每个知识类型下每个难度系数b的权重，计算得到每个知识类型的得分概率P考点，并将计算得到的每个知识类型的得分概率P考点发送给第三概率计算模块700。
第三概率计算模块700根据每个知识类型的得分概率P考点以及一科考试中每个知识类型的权重，计算得到总得分概率P总，并将总得分概率P总发送给预测模块800。预测模块800根据计算的到的总得分概率P总以及本次测试的试题总分数，计算得到预测答题分数，以供显示。
在预测答题分数之前，第二获取模块900根据数据库中题目总数、数据库中所有题目的知识类型和难度系数，获取每个知识类型的每个难度系数b的题目数。在数据库中的题目录入的过程中，与题目一起录入的还有每一道题目包含的知识类型，以及每个知识类型的难度系数。获取数据库中所有题目的信息，按照每个知识类型下与每个难度系数b进行分类，并获取各自的题目数。将获取到的每个知识类型下与每个难度系数b对应的题目数发送给第一统计模块1000和第一权重计算模块1100。第一统计模块1000将获取得到的每个知识类型的每个难度系数b下的题目数相加，得到所有难度系数的题目总数。第一统计模块1000统计的不是题库中所有题目的数量，而是根据所有题目，按照每个知识类型下的每个难度系数b进行分类，并统计各自的题目数。将统计得到的各自的题目数相加得到的所有难度系数的题目总数。因为每道题目可能会包含不同的知识类型，而不同的知识类型包含的难度系数也可能不同。因此，统计的不仅仅是题库中所有题目的总数量。将统计得到的数据库中所有知识类型的题目总数发送给第一权重计算模块1100。第一权重计算模块1100根据每个知识类型的每个难度系数b下的题目数占所有难度系数的题目总数的比例，分配相应的权重。
在预测答题分数之前，第三获取模块1200根据数据库中题目总数、数据库中所有题目的知识类型，获取每个知识类型的题目数。在数据库中的题目录入的过程中，与题目一起录入的还有每一道题目包含的知识类型，以及每个知识类型的难度系数。第三获取模块1200获取数据库中所有题目的信息，按照每个知识类型进行分类，并获取各自的题目数。将获取的每个知识类型的题目数发送给第二统计模块1300和第二权重计算模块1400。第二统计模块1300将统计得到的每个知识类型的题目数相加，得到所有知识类型的题目总数。第二统计模块1300统计的不是题库中所有题目的数量，而是根据所有题目，按照每个知识类型进行分类，并统计各自的题目数。因为每道题目可能会包含不同的知识类型。因此，统计的不仅仅是题库中所有题目的总数量。将统计得到的所有知识类型的题目总数发送给第二权重计算模块1400。第二权重计算模块1400根据与每个知识类型的题目数占所有知识类型的题目总数的比例，分配相应的权重。
本发明实施例还提供了一种终端，所述终端用于承载上述任一答题分数的预测系统的模块，还用于运行任一上述答题分数的预测方法。
本发明实施例还提供了一种服务器，所述服务器用于承载上述任一答题分数的预测系统的模块，还用于运行任一上述答题分数的预测方法。
本发明实施例通过计算每个难度系数的权重以及每个知识类型的权重。将两种权重计算入预测答题分数。当采集到用户的答题数据时，获取每个知识类型的每个难度系数下的答对题目个数以及总题目个数，计算出答题正确率。将正确率通过预设的能力值映射表映射为能力值，利用每个难度系数以及与该每个难度系数对应的能力值计算出每个难度系数下的得分概率，将每个难度系数下的得分概率根据每个难度系数的权重重新分配得到每个知识类型的权重，将每个知识类型下的得分概率根据每个知识类型的权重重新分配得到总的得分概率。将总的得分概率与试题总分数做乘积得到预测答题分数。将每个难度系数的权重以及每个知识类型的权重带入到预测答题分数的过程中，能够有效的考虑不同知识类型正确率不同，不同难度系数的权重不同，不同知识类型的权重不同，能够根据用户复习的侧重点、答题的习惯，更为精准的预测用户的考试得分。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例系统中的模块可以根据实际需要进行合并、划分和删减。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (10)

1.一种答题分数的预测方法，其特征在于，包括：
当接收到某个用户的预测分计算请求后，采集该用户的答题数据；
基于答题数据，获取每个知识类型的每个难度系数b下的答对题目个数以及总题目个数；
基于每个知识类型的每个难度系数b下的答对题目个数以及总题目个数计算每个知识类型的每个难度系数b的答题正确率；
根据预设的能力值映射表，将每个答题正确率映射为一个能力值θ；
基于每个知识类型的每个难度系数b以及与该每个难度系数b对应的每个能力值θ，计算每个知识类型的每个难度系数b下的得分概率P难度；
基于每个知识类型的每个难度系数b下的得分概率P难度以及每个知识类型的每个难度系数b的权重，计算每个知识类型的得分概率P考点；
基于每个知识类型的得分概率P考点以及每个知识类型的权重，计算总得分概率P总；
基于总得分概率P总以及试题总分数，预测答题分数。
2.根据权利要求1所述的方法，其中，所述计算每个知识类型的每个难度系数b下的得分概率P难度的方法为：
根据项目反应理论的模型计算每个知识类型的每个难度系数b下的得分概率P难度。
3.根据权利要求1所述的方法，其中，计算每个知识类型的每个难度系数b的权重方法为：
获取数据库中每个知识类型的每个难度系数b下的题目数；
基于每个知识类型的每个难度系数b下的题目数，计算数据库中的所有难度系数的题目总数；
基于每个知识类型的每个难度系数b下的题目数以及所有难度系数的题目总数，计算每个知识类型的每个难度系数b的权重。
4.根据权利要求1所述的方法，其中，计算每个知识类型的权重方法为：
获取数据库中每个知识类型的题目数；
基于每个知识类型的题目数，计算数据库中所有知识类型的题目总数；
基于每个知识类型的题目数以及所有知识类型的题目总数，计算每个知识类型的权重。
5.一种答题分数的预测系统，其特征在于，包括：
采集模块(100)：用于当接收到某个用户的预测分计算请求后，采集该用户的答题数据；
第一获取模块(200)：用于基于答题数据，获取每个知识类型的每个难度系数b下的答对题目个数以及总题目个数；
正确率计算模块(300)：用于基于每个知识类型的每个难度系数b下的答对题目个数以及总题目个数计算每个知识类型的每个难度系数b的答题正确率；
映射模块(400)：用于根据预设的能力值映射表，将每个答题正确率映射为一个能力值θ；
第一概率计算模块(500)：用于基于每个知识类型的每个难度系数b以及与该每个难度系数b对应的每个能力值θ，计算每个知识类型的每个难度系数b下的得分概率P难度；
第二概率计算模块(600)：用于基于每个知识类型的每个难度系数b下的得分概率P难度以及每个知识类型的每个难度系数b的权重，计算每个知识类型的得分概率P考点；
第三概率计算模块(700)：用于基于每个知识类型的得分概率P考点以及每个知识类型的权重，计算总得分概率P总；
预测模块(800)：用于基于总得分概率P总以及试题总分数，预测答题分数。
6.根据权利要求5所述的系统，其中，所述第一概率计算模块(500)：
根据项目反应理论的模型计算每个知识类型的每个难度系数b下的得分概率P难度。
7.根据权利要求5所述的系统，其中，所述系统还包括：
第二获取模块(900)：用于获取数据库中每个知识类型的每个难度系数b下的题目数；
第一统计模块(1000)：用于基于每个知识类型的每个难度系数b下的题目数，计算数据库中的所有难度系数的题目总数；
第一权重计算模块(1100)：用于基于每个知识类型的每个难度系数b下的题目数以及所有难度系数的题目总数，计算每个知识类型的每个难度系数b的权重。
8.根据权利要求5所述的系统，其中，所述系统还包括：
第三获取模块(1200)：用于获取数据库中每个知识类型的题目数；
第二统计模块(1300)：用于基于每个知识类型的题目数，计算数据库中所有知识类型的题目总数；
第二权重计算模块(1400)：用于基于每个知识类型的题目数以及所有知识类型的题目总数，计算每个知识类型的权重。
9.一种终端，其特征在于，包括权利要求5-8中任一项所述的答题分数的预测系统。
10.一种服务器，其特征在于，包括权利要求5-8中任一项所述的答题分数的预测系统。
CN201611120922.1A 2016-12-08 2016-12-08 一种答题分数的预测方法、系统、终端及服务器 Active CN106682768B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611120922.1A CN106682768B (zh) 2016-12-08 2016-12-08 一种答题分数的预测方法、系统、终端及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611120922.1A CN106682768B (zh) 2016-12-08 2016-12-08 一种答题分数的预测方法、系统、终端及服务器

Publications (2)

Publication Number Publication Date
CN106682768A CN106682768A (zh) 2017-05-17
CN106682768B true CN106682768B (zh) 2018-05-08

Family

ID=58867807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611120922.1A Active CN106682768B (zh) 2016-12-08 2016-12-08 一种答题分数的预测方法、系统、终端及服务器

Country Status (1)

Country Link
CN (1) CN106682768B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200193317A1 (en) * 2017-05-19 2020-06-18 Riiid Inc. Method, device and computer program for estimating test score
CN109427225A (zh) * 2017-08-31 2019-03-05 北京博智天下信息技术有限公司 一种基于能力点诊断的英语能力测试方法
KR102104660B1 (ko) * 2018-04-23 2020-04-24 주식회사 에스티유니타스 사용자 맞춤형 학습 컨텐츠 제공 시스템 및 방법
CN108959191A (zh) * 2018-06-20 2018-12-07 刘建成 数学学科素养能力综合分析系统
CN109272160A (zh) * 2018-09-17 2019-01-25 广州讯飞易听说网络科技有限公司 分数预测系统及预测方法
KR102015075B1 (ko) * 2018-10-16 2019-08-27 (주)뤼이드 학습 효율을 기반으로 개인 맞춤형 교육 컨텐츠를 제공하기 위한 기계학습 방법, 장치 및 컴퓨터 프로그램
CN109948050B (zh) * 2019-02-12 2021-04-02 东软集团股份有限公司 信息处理方法和装置，存储介质和电子设备
CN110188918A (zh) * 2019-04-18 2019-08-30 北京嗨学网教育科技股份有限公司 一种考试得分预测方法及装置、存储介质
CN110046147A (zh) * 2019-04-22 2019-07-23 上海乂学教育科技有限公司 适用自适应系统的用户学习能力值获取方法及其应用
CN112307320A (zh) * 2019-08-20 2021-02-02 北京字节跳动网络技术有限公司 一种信息推送方法、装置、移动终端及存储介质
CN111310463B (zh) * 2020-02-10 2022-08-05 清华大学 试题难度预估方法、装置、电子设备和存储介质
CN111507872B (zh) * 2020-04-09 2023-04-07 圆梦共享教育科技(深圳)有限公司 一个基于人工智能的精准测验难度分类方法
CN113628080B (zh) * 2021-09-27 2022-08-12 腾讯科技（深圳）有限公司 一种分数预测方法、装置、存储介质和电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106095872A (zh) * 2016-06-07 2016-11-09 北京高地信息技术有限公司 用于智能问答系统的答案排序方法及装置
CN106205248A (zh) * 2016-08-31 2016-12-07 北京师范大学 一种表征学习者在特定领域知识学习掌握状态的在线学习认知地图生成系统及方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2409314A (en) * 2002-09-25 2005-06-22 Benesse Corp Test system and control method thereof
CN1632782A (zh) * 2003-12-22 2005-06-29 英业达股份有限公司 在线学习成绩评定方法及系统
US20090075246A1 (en) * 2007-09-18 2009-03-19 The Learning Chameleon, Inc. System and method for quantifying student's scientific problem solving efficiency and effectiveness
JP5446230B2 (ja) * 2008-12-05 2014-03-19 カシオ計算機株式会社 演奏評価システムおよび演奏評価プログラム
WO2013072233A2 (en) * 2011-11-16 2013-05-23 Telefonica, S.A A computer-implemented method and system to manage user profiles regarding user preferences towards a content
CN103971555B (zh) * 2013-01-29 2018-03-16 北京竞业达数码科技有限公司 多层次自动化评估训练综合服务方法及系统
CN103942993B (zh) * 2014-03-17 2016-05-18 深圳市承儒科技有限公司 一种基于irt的自适应在线测评系统及其方法
CN104008453A (zh) * 2014-05-29 2014-08-27 启秀科技（北京）有限公司 职业能力测评仿真系统
CN105488142B (zh) * 2015-11-24 2019-07-30 科大讯飞股份有限公司 成绩信息录入方法及系统
CN105976282A (zh) * 2016-05-05 2016-09-28 广东小天才科技有限公司 一种试题难度量化方法及系统
CN106157204A (zh) * 2016-06-20 2016-11-23 山东师范大学 一种基于bp神经网络模型的学生学业成绩预测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106095872A (zh) * 2016-06-07 2016-11-09 北京高地信息技术有限公司 用于智能问答系统的答案排序方法及装置
CN106205248A (zh) * 2016-08-31 2016-12-07 北京师范大学 一种表征学习者在特定领域知识学习掌握状态的在线学习认知地图生成系统及方法

Also Published As

Publication number Publication date
CN106682768A (zh) 2017-05-17

Similar Documents

Publication Publication Date Title
CN106682768B (zh) 一种答题分数的预测方法、系统、终端及服务器
Jackson et al. Improving ecological inference using individual‐level data
CN110196814B (zh) 一种软件质量评价方法
CN103412918B (zh) 一种基于服务质量和声誉的服务信任度评估方法
CN109977132B (zh) 一种基于无监督聚类模式的学生异常行为模式分析方法
CN110610002B (zh) 一种问卷信息处理方法、装置、计算机设备及存储介质
CN108135548A (zh) 用于监测压力状态的方法和系统
CN103607309B (zh) 一种业务kqi与qoe的映射方法
CN104112210B (zh) 一种推送广告的方法及设备
CN106485585A (zh) 用于等级评定的方法及系统
CN105956159A (zh) 一种评价图像质量客观方法综合效率的算法
CN106960398A (zh) 高考志愿合理性的评估方法及装置
CN108428020A (zh) 业务员薪资预测方法、装置、计算机设备以及存储介质
Lynch et al. Identifying unexpected behaviors of agent-based models through spatial plots and heat maps
CN111815487A (zh) 基于深度学习的健康教育评估方法、装置及介质
CN105303194A (zh) 一种电网指标体系建立方法、装置以及计算设备
McCormick et al. Surveying hard-to-reach groups through sampled respondents in a social network: A comparison of two survey strategies
CN115049429A (zh) 增益预测方法、装置和计算机设备
CN111403013B (zh) 用于能力评定的方法及装置
Stone et al. How not to fund hospital and community health services in England
Choi Perspectives on epidemiologic surveillance in the 21st century
CN111210132A (zh) 一种基于大数据分析的人职匹配测评方法
Khan et al. Does attitude matter in computer use in Australian general practice? A zero-inflated Poisson regression analysis
CN112562862A (zh) 疫情信息识别方法、装置和设备
Masters et al. Measuring multiple dimensions and indices of nonvaccination clustering in Michigan, 2008–2018

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant