CN107067849B - 基于云教学平台的家长端系统 - Google Patents

Abstract

本发明公开了一种基于云教学平台的家长端系统，与云教学平台数据库及学生终端通信连接，包括智能组题模块，智能组题模块依据项目反应原理及遗忘曲线评定学生知识点掌握概率并根据评定结果从云教学平台数据库的练习题库中调取所需练习题目并发送到学生终端；在线直播模块，用于将学生终端的实时画面在家长端上进行直播；学习轨迹记录模块，用于记录学生的在线学习情况。本发明采用的技术方案，借助云教学平台数据库中存储的海量数据，从云教学平台数据库的题库调取所需练习题目并发送到学生终端，实现对学生个性化的出题，且可以通过在线直播模块以及学习轨迹记录模块，掌握学生过去及当下的在线学习情况，从而进一步实现与学生的互动。

Description

基于云教学平台的家长端系统

技术领域

本发明涉及在线教学平台。

背景技术

随着网络的发展，学生的学习与网络紧密联系起来。很多学校和教育机构都设计了在线教学平台，但是传统的在线教学平台，注重学生端的开发，家长无法及时掌握学生的在线学习情况。

发明内容

本发明所要解决的技术问题就是提供一种基于云教学平台的家长端系统，便于及时掌握学生的在线学习情况，并可以实现与学生之间的互动。

为解决上述技术问题，本发明采用如下技术方案：基于云教学平台的家长端系统，与云教学平台数据库及学生终端通信连接，所述云教学平台数据库中设有练习题库，其特征在于，

包括智能组题模块，用于从云教学平台数据库的练习题库中调取所需练习题目并发送到学生终端；

在线直播模块，用于将学生终端的实时画面在家长端上进行直播；

学习轨迹记录模块，用于记录学生的在线学习情况；

其中，智能组题模块根据学生知识点掌握概率进行智能组题，学生知识点掌握概率的计算方法如下，依据项目反应理论评定学生对于该知识点掌握的概率，计算公式为P(θ)＝1/(1+e^(b-θ))，其中，θ表示评定学生的能力参数，b表示每个题目的难度系数，θ和b的取值预先设定或者计算得出，e＝2.71828；

智能组题包括如下步骤：

步骤一，确定所需练习的知识点，方法有两种，一种是手动选择，一种是系统自动选择，系统根据知识点的优先级选择知识点，且一次最多选择5个知识点，所需练习的知识点优先级顺序如下：A1>A2>B>C1>C2，

A1为知识点掌握概率<75％且该知识点下题目做题数为0-30，

A2为知识点掌握概率<75％且该知识点下题目做题数为>30，

B为无知识点掌握概率数据且无该知识点练习数据，

C1为知识点掌握概率≥75％且该知识点下题目做题数为0-30，

C2为知识点掌握概率≥75％且该知识点下题目做题数为>30；

步骤二，确定学生的做题总数量N，或者手动选择，或者由系统自动计算；

步骤三，确定每个知识点的做题数量；

当某知识点掌握概率≥75％时，该知识点题目基数为N/n+1；

当某知识点掌握概率50％-75％时，该知识点题目基数为N/n题；

当某知识点掌握概率<50％时，该知识点至少1题；

n表示本次需要练习的知识点数，n或者手动选择，或者系统自动计算，当N/n无法整除时四舍五入，当所需练习的知识点合计组题数目<N时，按知识点的优先级由高到低依次添加1题，直至满足作业最少题目数，当所需练习的知识点合计组题数目>N，按知识点由低到高依次删除1题，直至满足作业题目数要求；步骤四，确定每个知识点选取哪些题，其中，个人易错题目的衍生题目占比为70％，该知识点下的新题目占30％。

进一步的，所述在线直播模块还包括实时统计分析子模块，所述实时统计分析子模块用于统计对应学生端学生进行中练习题目的正确率以及练习题目的花费时间并将结果在家长端进行显示。

进一步的，所述学习轨迹记录模块还包括学习历史比较子模块，所述学习历史比较子模块将对应学生端学生的学习时间、练习题数、题目正确率与全班平均数据进行对比且将比较结果在家长端显示。

进一步的，所述学习轨迹记录模块还包括成长报告子模块，所述成长报告子模块定期向家长端推送学生本时间段内的学习时间、练习题数、题目正确率以及知识点掌握数，同时将上述数据与上一时间段内的数据进行对比并向家长端推送比较结果。

进一步的，针对该知识点的每个题目，对全平台学生预先设定统一的难度系数标准，每个题目的难度系数预先设定，或者根据抽样结果确定，抽样确定方法包括如下步骤：

步骤一，选取学生样本；

步骤二，根据每道题所抽取的学生样本，计算出每道题的平均正确率，对正确率最低P_min的题目难度系数赋值为1，正确率最高P_max的题目难度系数赋值为0.01，而对于正确率为m的题目难度系数确定的方法为K＝1-(1-0.01)·(m-P_min)/(P_max-P_min)。

进一步的，θ的计算方法为：选取该知识点最近30题，计算ln(答题正确数/答题错误数)，当答题正确数为0或者答题错误数为0时，答题正确数或答题错误数采用修正值0.5。

进一步的，依据遗忘曲线的R值评定学生对于该知识点的记忆程度，计算公式为R＝e^(-t/s)，其中，t为以天为基本单位的时间间隔，s为记忆强度，e＝2.71828；

s的计算方法为，每个知识点初始s＝1，且s最小为1，练习答案正确，则该题的直接和间接知识点的s＝s+1，练习答案错误，直接知识点s＝s-1，间接知识点s＝s-(1-0.2n)，n为该间接知识点与直接知识点之间的相隔层级，n>5时把n视为5；

t的计算方法为，当一道题做正确时，该题的直接知识点和间接知识点的记忆时间＝该题练习的日期，t＝当前日期-记忆时间；

然后结合遗忘曲线的R值对学生知识点掌握概率进行修正，修正方法为，实时计算P(θ)*R，P(θ)*R的结果即为最终学生知识点掌握概率，且每次出题前，重新计算P(θ)*R作为智能组题的依据。

进一步的，每个知识点的初始R＝0，每天重新计算R，当一道题做正确时，该题的直接知识点和间接知识点的R＝1。

进一步的，在步骤一中，当同一优先级的知识点数不超过5个时，选取下一个优先级的知识点，当同一优先级的知识点数量超过5个时，A1、C1同类型的优先级按掌握概率确认优先级，掌握概率越低优先级越高；A2、C2同类型的优先级按做题数量确认优先级，做题数量越低，优先级越高，当做题数量相同时优先级按掌握概率由低到高排列。

进一步的，步骤二中系统自动计算学生的做题总数量N，N＝N_min+X，X的取值范围为(0，N_max－N_min)，N_max、N_min预先设定或者默认N_max＝8、N_min＝0，X根据学生学科知识能力、学习意愿、做题速度对学生进行分类确定，

学科知识能力由θ值确定，θ值越大表示学科知识能力越强；

学习意愿选取学生的做题数量为衡量指标，学生做题数量越多，学习意愿越强；做题速度按知识点下所有题目的做题总时长与做题数量的比值确定，比值越小做题速度越快；

分别将学生的学习知识能力由强到弱，学习意愿由强到弱，做题速度由快到慢在全国进行排序，当排名处于全国前33.33％，学习能力、学习意愿、做题速度定义为中、中、中；当排名处于全国中间33.33％，学习能力、学习意愿、做题速度定义为低、低、慢；当排名处于全国后33.33％，学习能力、学习意愿、做题速度定义为低、低、慢。

本发明采用的技术方案，借助云教学平台数据库中存储的海量数据，从云教学平台数据库的题库调取所需练习题目并发送到学生终端，实现对学生个性化的出题，降低学生学习过程中的抵抗情绪，并提升学生的学习效果。

另外，家长端可以通过在线直播模块以及学习轨迹记录模块，掌握学生过去及当下的在线学习情况，从而进一步实现与学生的互动。

具体实施方式

基于云教学平台的家长端系统，与云教学平台数据库及学生终端通信连接，包括智能组题模块，用于从云教学平台数据库的题库中调取所需练习题目并发送到学生终端；

在线直播模块，用于将学生终端的实时画面在家长端进行直播；

学习轨迹记录模块，用于记录学生的在线学习情况。

在线直播模块还包括实时统计分析子模块，所述实时统计分析子模块用于统计对应学生端学生进行中练习题目的正确率以及练习题目的花费时间并将结果在家长端进行显示。其中，练习题目的正确率以及练习题目的花费时间都是智能组题模块本次组题给学生练习过程中产生的数据，通过宏观掌握学生的练习进度，从而更好地帮助、辅导学生成长。

所述学习轨迹记录模块还包括学习历史比较子模块，所述学习历史比较子模块将对应学生端学生的学习时间、练习题数、题目正确率与全班平均数据进行对比且将比较结果在家长端显示。学习时间、练习题数、题目正确率由系统自动记录，而且系统可以设定这个历史的时限，比如一天、一周、一个月等，这样对比数据同时可以分科目、分时间段筛选，帮助家长更清晰、直观地了解学生在班级中的水平。

所述学习轨迹记录模块还包括成长报告子模块，所述成长报告子模块定期向家长端推送学生本时间段内的学习时间、练习题数、题目正确率以及知识点掌握数，同时将上述数据与上一时间段内的数据进行对比并向家长端推送比较结果。学习时间、练习题数、题目正确率以及知识点掌握数由系统自动记录，定期的时间可以设定，可以为每一天、一周、一个月等，通过学习日报、周报、月报，定期向家长推送学生近期学期情况数据，而且学习周报和月报都会就学习时间和掌握知识点与学生上一时段数据进行对比，提示学生近期的学习动态情况。

其中，智能组题模块根据学生知识点掌握概率进行智能组题，学生知识点诊断结果或者采用手动输入，或者由系统自动计算给出诊断结果。学生知识点诊断结果由具有相应权限的管理员手动输入赋值，一般为教师，该教师掌握学生的学习情况，以下所涉及的手动输入赋值也相同。

当然，该教师也可以根据学生以往的学习大数据分析结果，确定学生知识点诊断结果。

系统自动给出诊断结果，根据项目反应理论进行大数据分析，或者将项目反应理论与遗忘曲线的R值结合进行分析计算。

项目反应理论(Item Response Theory，IRT)是一系列心理统计学模型的总称，是针对经典测量理论(Classical Test Theory，简称CTT)的局限性提出来的。IRT是用来分析考试成绩或者问卷调查数据的数学模型，这些模型的目标是来确定的潜在心理特征(latent trait)是否可以通过测试题被反应出来，以及测试题和被测试者之间的互动关系。

现代远程教育以计算机网络为基础来实施教学的各个环节，有着信息化水平高的特点。这一特殊的教学环境非常有利于项目反应原理(又称IRT，Item Response Theory)发挥优势，提高教学质量。

遗忘曲线由德国心理学家艾宾浩斯(H.Ebbinghaus)研究发现，这条曲线告诉人们在学习中的遗忘是有规律的，遗忘的进程很快，并且先快后慢。

实施例1，一种学生知识点掌握概率的计算方法，计算公式为P(θ)＝1/(1+e^(b-θ))，其中，θ表示评定学生的能力参数，b表示每个题目的难度系数，e为常数2.71828；

其中，针对该知识点，b采用标准难度系数，指对于全平台学生而言，通过定量与定性的研究方法，分析确定的统一的难度系数标准。

根据全平台海量学生的练习累计数据，结合每道题目的正确率(每道题目的正确率采用全国各地(县区)的平均正确率，用以降低全国各地区教学水平差异的影响，进而保证标准难度系数对于全国各地的通用性及合理性)，按照科学的统计分析方法，对题目难度系数进行赋值(对全国各地采用配比抽样，组成题目难度评定样本，根据正确率最低与正确率最高对定义难度最高系数与难度最低系数，并对每道题目进行难度赋值)。具体包括如下步骤：

抽样方法细述：首先研究的问题为题目a全国各地区学生的平均正确率，地区的级别为县区，使估算误差出不超过0.5％，且具有95％的可信度。

利用

确认样本大小，其中d为允许的估算误差0.5％，α＝1-95％＝0.05，Z_a/2通过查标准正太分布表获得，上侧面积α/2＝0.05/2＝0.025，则对应的Z值Z_0.025＝1.96，π为根据历史答题数据确定的全国该题目的正确率。根据各地回答该问题学生的比例确定样本中该地区需随机抽取的样本学生数(每个地区的样本数＝确定的样本数*(本地区回答问题的学生人数/回答该问题的所有学生人数))，最终组成研究样本。

上述的抽样方法只是一种举例，当然也可以采用其他现有的抽样方法，在此不再一一赘述。对本发明来说，更重要的还在于根据抽样结果，进行难度系数赋值的方法。

难度系数赋值方法：根据每道题所抽取的学生样本，可计算出每道题的平均正确率。对正确率最低(P_min)的题目难度系数赋值为1，正确率最高(P_max)的题目难度系数赋值为0.01，对于正确率为m的题目难度系数确定的方法为K＝1-(1-0.01)·(m-P_min)/(P_max-P_min)。

另外，题目的难度系数每月进行更新。

θ的计算方法为：为降低历史能力对最新能力的影响，同时保障能力评估的准确性，选取该知识点最近练习的30题，计算ln(答题正确数/答题错误数)，当答题正确数为0或者答题错误数为0时，答题正确数或答题错误数采用修正值0.5。当然为了保证θ的准确性，也可以选择选取该知识点最近练习30题以上甚至更多题目。

实施例2，在实施例1的基础上，结合项目反应原理(IRT)的1PL模型的P(θ)以及遗忘曲线的R值进行计算，对平台学生的知识点掌握概率进行诊断。

一种在线学习知识点诊断方法，包括如下步骤：

步骤一，依据项目反应原理评定学生对于该知识点掌握的概率，其与实施例1相同，在此不再赘述。

步骤二，评定学生对于该知识点的记忆程度，计算公式为R＝e^(-t/s)，其中，t为以天为基本单位的时间间隔，s为记忆强度，e为常数2.71828；

s的计算方法为，每个知识点初始s＝1，且s最小为1，练习答案正确，则该题的直接和间接知识点的s＝s+1，练习答案错误，直接知识点s＝s-1，间接知识点s＝s-(1-0.2n)，n为该间接知识点与直接知识点之间的相隔层级，n>5时把n视为5。

直接知识点指与该题目直接关联的知识点，间接知识点指与该题目的知识点相关联的知识点。因为知识点与知识点不是相互独立的，是有先后或者父子级关系的，学生所学的所有知识点是个网状关系，知识点之间彼此相互联系。例如乘除法混合运算属于子级知识点，四则混合运算属于父级知识点，当一个学生练了一个乘除法混合运算的题目，但同时对四则混合运算也间接的进行了练习，因为四则混合运算里面包含乘除法混合运算，这时乘法混合运算为直接知识点，四则混合运算为间接知识点。间接知识点与直接知识点的相隔层级指在知识点关系图中，之间相隔几个知识点，层级越低两个知识点的关联层度越大，层级越大，两个知识点的关联层度越小。

t的计算方法为，t＝当前日期-记忆时间，当一道题做正确时，该题的直接知识点和间接知识点的记忆时间＝该题练习的日期，也就是答对该题时的具体日期。

每个知识点的初始R＝0，每天(凌晨)重新计算R，当一道题做正确时，该题的直接知识点和间接知识点的R＝1。

步骤三，实时计算P(θ)*R，获得修正后的学生知识点掌握概率。

当结果大于等于0.75时该学生知识点达标，反之不达标。

依据项目反应理论和遗忘曲线R值对学生知识点掌握情况进行诊断，而且智能组题方法不仅考虑了学生个人的知识点掌握情况、而且对学习能力、学习意愿、答题速度等指标也作为参数进行考量。

根据上述方法确定学生知识点诊断结果后，系统就可以进行智能组题了。

以下结合具体实施方式对智能组题的方法说明如下：

步骤一，确定所需练习的知识点，方法有两种，一种是手动选择，一种是系统自动选择，教师可根据每个知识点班级的掌握人数确定需要练习的知识点，系统根据知识点的优先级选择知识点，且一次最多选择5个知识点，

所需练习的知识点优先级顺序如下：A1>A2>B>C1>C2，

A1为知识点掌握概率<75％且该知识点下题目做题数为0-30，

A2为知识点掌握概率<75％且该知识点下题目做题数为>30，

B为无知识点掌握概率数据且无该知识点练习数据，

C1为知识点掌握概率≥75％且该知识点下题目做题数为0-30，

C2为知识点掌握概率≥75％且该知识点下题目做题数为>30；

当同一优先级的知识点数不超过5个时，选取下一个优先级的知识点，当同一优先级的知识点数量超过5个时：A1、C1同类型的优先级按掌握概率确认优先级，掌握概率越低优先级越高；A2、C2同类型的优先级按做题数量确认优先级，做题数量越低，优先级越高，当做题数量相同时优先级按掌握概率由低到高排列。

步骤二，确定学生的做题总数量N，或者手动选择，或者由系统自动计算；

系统自动计算学生的做题总数量N，N＝N_min+X，X的取值范围为(0，N_max－N_min)，N_max、N_min预先设定或者默认N_max＝8、N_min＝0，

X根据学生学科知识能力、学习意愿、做题速度对学生进行分类确定，

学科知识能力由θ值确定，θ值越大表示学科知识能力越强；

学习意愿选取学生的做题数量为衡量指标，学生做题数量越多，学习意愿越强；

做题速度按知识点下所有题目的做题总时长与做题数量的比值确定，比值越小做题速度越快；

分别将学生的学习知识能力由强到弱，学习意愿由强到弱，做题速度由快到慢在全国进行排序，当排名处于全国前33.33％，学习能力、学习意愿、做题速度定义为中、中、中；当排名处于全国中间33.33％，学习能力、学习意愿、做题速度定义为低、低、慢；当排名处于全国后33.33％，学习能力、学习意愿、做题速度定义为低、低、慢。

步骤三，确定每个知识点的做题数量；

当某知识点掌握概率≥75％时，该知识点题目基数为N/n+1；

当某知识点掌握概率50％-75％时，该知识点题目基数为N/n题；

当某知识点掌握概率<50％时，该知识点至少1题；

n表示本次需要练习的知识点数，n或者手动选择，或者系统自动计算，当N/n无法整除时四舍五入，当所需练习的知识点合计组题数目<N时，按知识点的优先级由高到低依次添加1题，直至满足作业最少题目数，当所需练习的知识点合计组题数目>N，按知识点由低到高依次删除1题，直至满足作业题目数要求；

步骤四，确定每个知识点选取哪些题，其中，个人易错题目的衍生题目占比为70％，该知识点下的新题目占30％。

每次智能出题前，重新计算P(θ)*R作为智能组题的依据。

本发明的智能组题方法充分考量学生的智力因素与非智力因素，组题时针对不同的学生个体，科学的控制题目难度、题目数量，对学生个性化的进行出题，降低学生学习过程中的抵抗情绪，并提升学生的学习效果。

除上述优选实施例外，本发明还有其他的实施方式，本领域技术人员可以根据本发明作出各种改变和变形，只要不脱离本发明的精神，均应属于本发明权利要求书中所定义的范围。

Claims (8)

1.基于云教学平台的家长端系统，与云教学平台数据库及学生终端通信连接，所述云教学平台数据库中设有练习题库，其特征在于，

包括智能组题模块，用于从云教学平台数据库的练习题库中调取所需练习题目并发送到学生终端；

在线直播模块，用于将学生终端的实时画面在家长端上进行直播；

学习轨迹记录模块，用于记录学生的在线学习情况；

其中，智能组题模块根据学生知识点掌握概率进行智能组题，学生知识点掌握概率的计算方法如下，依据项目反应理论评定学生对于该知识点掌握的概率，计算公式为P(θ)＝1/(1+e^(b-θ))，其中，θ表示评定学生的能力参数，b表示每个题目的难度系数，θ和b的取值预先设定或者计算得出，e＝2.71828；

智能组题包括如下步骤：

步骤一，确定所需练习的知识点，方法有两种，一种是手动选择，一种是系统自动选择，系统根据知识点的优先级选择知识点，且一次最多选择5个知识点，所需练习的知识点优先级顺序如下：A1>A2>B>C1>C2，

A1为知识点掌握概率<75％且该知识点下题目做题数为0-30，

A2为知识点掌握概率<75％且该知识点下题目做题数为>30，

B为无知识点掌握概率数据且无该知识点练习数据，

C1为知识点掌握概率≥75％且该知识点下题目做题数为0-30，

C2为知识点掌握概率≥75％且该知识点下题目做题数为>30；

步骤二，确定学生的做题总数量N，或者手动选择，或者由系统自动计算；

步骤三，确定每个知识点的做题数量；

当某知识点掌握概率≥75％时，该知识点题目基数为N/n+1；

当某知识点掌握概率50％-75％时，该知识点题目基数为N/n题；

当某知识点掌握概率<50％时，该知识点至少1题；

n表示本次需要练习的知识点数，n或者手动选择，或者系统自动计算，当N/n无法整除时四舍五入，当所需练习的知识点合计组题数目<N时，按知识点的优先级由高到低依次添加1题，直至满足作业最少题目数，当所需练习的知识点合计组题数目>N，按知识点由低到高依次删除1题，直至满足作业题目数要求；

步骤四，确定每个知识点选取哪些题，其中，个人易错题目的衍生题目占比为70％，该知识点下的新题目占30％；

针对该知识点的每个题目，对全平台学生预先设定统一的难度系数标准，每个题目的难度系数预先设定，或者根据抽样结果确定，抽样确定方法包括如下步骤：

步骤一，选取学生样本；

步骤二，根据每道题所抽取的学生样本，计算出每道题的平均正确率，对正确率最低P_min的题目难度系数赋值为1，正确率最高P_max的题目难度系数赋值为0.01，而对于正确率为m的题目难度系数确定的方法为K＝1-(1-0.01)·(m-P_min)/(P_max-P_min)；

依据遗忘曲线的R值评定学生对于该知识点的记忆程度，计算公式为R＝e^(-t/s)，其中，t为以天为基本单位的时间间隔，s为记忆强度，e＝2.71828；

s的计算方法为，每个知识点初始s＝1，且s最小为1，练习答案正确，则该题的直接和间接知识点的s＝s+1，练习答案错误，直接知识点s＝s-1，间接知识点s＝s-(1-0.2n)，n为该间接知识点与直接知识点之间的相隔层级，n>5时把n视为5；

t的计算方法为，当一道题做正确时，该题的直接知识点和间接知识点的记忆时间＝该题练习的日期，t＝当前日期-记忆时间；

然后结合遗忘曲线的R值对学生知识点掌握概率进行修正，修正方法为，实时计算P(θ)*R，P(θ)*R的结果即为最终学生知识点掌握概率，且每次出题前，重新计算P(θ)*R作为智能组题的依据。

2.根据权利要求1所述的基于云教学平台的家长端系统，其特征在于：所述在线直播模块还包括实时统计分析子模块，所述实时统计分析子模块用于统计对应学生端学生进行中练习题目的正确率以及练习题目的花费时间并将结果在家长端进行显示。

3.根据权利要求1所述的基于云教学平台的家长端系统，其特征在于：所述学习轨迹记录模块还包括学习历史比较子模块，所述学习历史比较子模块将对应学生端学生的学习时间、练习题数、题目正确率与全班平均数据进行对比且将比较结果在家长端显示。

4.根据权利要求3所述的基于云教学平台的家长端系统，其特征在于：所述学习轨迹记录模块还包括成长报告子模块，所述成长报告子模块定期向家长端推送学生本时间段内的学习时间、练习题数、题目正确率以及知识点掌握数，同时将上述数据与上一时间段内的数据进行对比并向家长端推送比较结果。

5.根据权利要求1所述的基于云教学平台的家长端系统，其特征在于：θ的计算方法为：选取该知识点最近30题，计算ln(答题正确数/答题错误数)，当答题正确数为0或者答题错误数为0时，答题正确数或答题错误数采用修正值0.5。

6.根据权利要求1所述的基于云教学平台的家长端系统，其特征在于：每个知识点的初始R＝0，每天重新计算R，当一道题做正确时，该题的直接知识点和间接知识点的R＝1。

7.根据权利要求1所述的基于云教学平台的家长端系统，其特征在于：在步骤一中，当同一优先级的知识点数不超过5个时，选取下一个优先级的知识点，当同一优先级的知识点数量超过5个时，A1、C1同类型的优先级按掌握概率确认优先级，掌握概率越低优先级越高；A2、C2同类型的优先级按做题数量确认优先级，做题数量越低，优先级越高，当做题数量相同时优先级按掌握概率由低到高排列。

8.根据权利要求1所述的基于云教学平台的家长端系统，其特征在于：

步骤二中系统自动计算学生的做题总数量N，N＝N_min+X，X的取值范围为(0，N_max－N_min)，N_max、N_min预先设定或者默认N_max＝8、N_min＝0，

X根据学生学科知识能力、学习意愿、做题速度对学生进行分类确定，

学科知识能力由θ值确定，θ值越大表示学科知识能力越强；

学习意愿选取学生的做题数量为衡量指标，学生做题数量越多，学习意愿越强；做题速度按知识点下所有题目的做题总时长与做题数量的比值确定，比值越小做题速度越快；

分别将学生的学习知识能力由强到弱，学习意愿由强到弱，做题速度由快到慢在全国进行排序，当排名处于全国前33.33％，学习能力、学习意愿、做题速度定义为中、中、中；当排名处于全国中间33.33％，学习能力、学习意愿、做题速度定义为低、低、慢；当排名处于全国后33.33％，学习能力、学习意愿、做题速度定义为低、低、慢。