CN107154191B - 习题生成方法、装置、服务器与系统 - Google Patents
习题生成方法、装置、服务器与系统 Download PDFInfo
- Publication number
- CN107154191B CN107154191B CN201710603718.3A CN201710603718A CN107154191B CN 107154191 B CN107154191 B CN 107154191B CN 201710603718 A CN201710603718 A CN 201710603718A CN 107154191 B CN107154191 B CN 107154191B
- Authority
- CN
- China
- Prior art keywords
- page
- learning
- questions
- state
- exercises
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Educational Technology (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种习题生成方法,所述方法包括:采集生理数据;记录页面演示的时间;根据生理数据获取演示所述页面的学习状态;计算页面内容与题目的相关度;根据页面的学习状态及所述题目的相关度生成习题。本发明还提供了一种习题生成装置、服务器和系统,解决现有技术中教师往往没有针对学生的薄弱环节布置习题,学生作题效率低的技术问题。
Description
技术领域
本发明涉及教育领域,具体而言,涉及一种习题生成方法、装置、服务器与系统。
背景技术
当人处于高效学习、低效学习及瞌睡等不同状态时,人体的生理数据特征也不同。例如,根据频率,脑电波可以按频率由低到高分为δ波、θ波、α波、β波等。当频率于8-13Hz的α波段为优势脑电波时,人体进入放松性警觉状态,主意力高度集中,记忆效果好,创造力强,是学习的最佳状态。当频率于13-25Hz的β波为优势脑电波时时,人体处于紧张状态,此时往往课堂气氛过于紧张或压力过大,学生感到厌烦或恐惧。此时大脑过于兴奋或紧张,注意力难于集中,记忆力下降,不容易产生创意,学习能力受到压抑。频率于4-8Hz的θ波为优势脑电波时,人体处于半醒半睡的朦胧状态,学习效率非常低。频率于4Hz以下的δ波为优势脑电波时,人体处于深度睡眠,无法学习。
上课时,学生在长时间的听课过程中难以始终保持的最佳学习状态。大脑经历从能够高效学习的高效期,再到思考、学习状态差的低效期。学生往往难以在理解、记忆低效期时教师所讲授的内容,因而产生知识盲点。教师为了检验学生的学习情况,帮助学生巩固课堂讲授的知识点,常常会布置统一的课后作业。然后,所有学生的课后作业基本一样,学生只能通过题海战术去发现学习中的薄弱环节,耗费时间长,效率低。而学生在上课时学习状态差的低效期所形成的知识盲点,往往被过多的习题所淹没,没有引起充分重视。
针对上述现有技术教师往往没有针对学生的薄弱环节布置习题,学生作题效率低的问题,目前尚未提出有效的解决方案。
发明内容
本发明旨在至少在一定程度上解决上述技术问题。
本发明实施例提供了一种习题生成方法、装置、服务器与系统,以解决现有技术中技术教师往往没有针对学生的薄弱环节布置习题,学生作题效率低的技术问题。
根据本发明实施例的一个方面,提供了一种习题生成方法,包括:
S110:采集生理数据;
S120:记录页面演示的时间;
S130:根据生理数据获取演示所述页面的学习状态;
S140:计算页面内容与题目的相关度;
S150:根据页面的学习状态及所述题目的相关度生成习题。
在一种优选的方案中,所述根据生理数据获取演示所述页面的学习状态步骤还包括:
S131:根据演示所述页面的时间划分生理数据的每页状态判断时间;
S132:对状态判断时间内所采集的生理数据进行预处理;
S133:提取所述经预处理的生理数据的特征信息;
S134:根据所述特征信息判断所述页面的学习状态。
在一种优选的方案中,所述根据所述特征信息判断所述页面的学习状态步骤还包括:
S135:确定采样周期的优势波段;
S136:计算状态判断时间内低效学习波段比例P及睡眠波段比例Q;
S137:根据低效学习波段比例P及睡眠波段比例Q判断状态判断时间内的学习状态。
具体地,根据低效学习波段比例P及睡眠波段比例Q判断状态判断时间内的学习状态级别步骤包括:
当低效学习波段比例P小于或等于第一阈值时,则判断状态判断时间内学习状态处于高效学习期;
当低效学习波段比例P大于第一阈值,且睡眠波段比例Q小于第二阈值时,则判断状态判断时间内学习状态处于低效学习期;
当低效学习波段比例P大于第一阈值,且睡眠波段比例Q大于第二阈值时,则判断状态判断时间内学习状态处于瞌睡期。
在一种优选的方案中,所述计算页面与题目的相关度步骤包括:
S141:根据所述页面中的文本提取关键词;
S142:根据所述关键词获取匹配题目;
S143:计算所述页面内容与所述匹配题目的相关度;
S144:根据相关度对匹配题目排序。
在一种优选的方案中,所述根据页面的学习状态及所述题目的相关度生成习题步骤前包括:
S149:设置总习题数。
在一种优选的方案中,所述根据页面的学习状态及所述题目的相关度生成习题步骤包括:
S151:根据页面的学习状态确定每页习题数;
S152:根据匹配题目的排序选取该页面的候选题目,所述页面的候选题目的个数等于所述该页习题数;
S153:组合所有页面的候选题目生成习题。
根据本发明实施例的一个方面,提供了一种习题生成装置,包括:
采集模块,用于采集生理数据;
记录模块,用于记录页面演示的时间;
状态模块,用于根据生理数据获取演示所述页面的学习状态;
相关模块,用于计算页面内容与题目的相关度;
生成模块,用于根据页面的学习状态及所述题目的相关度生成习题。
在一种优选的方案中,所述状态模块包括:
时间单元,用于根据演示所述页面的时间划分生理数据的每页状态判断时间;
预处理单元,用于对状态判断时间内所采集的生理数据进行预处理;
特征提取单元,用于提取所述经预处理的生理数据的特征信息;
状态判断单元,用于根据所述特征信息判断所述页面的学习状态。
在一种优选的方案中,所述状态模块还包括:
确定单元,用于确定采样周期的优势波段;
计算单元,用于计算状态判断时间内低效学习波段比例P及睡眠波段比例Q;
判断单元,用于根据低效学习波段比例P及睡眠波段比例Q判断状态判断时间内的学习状态。
在一种优选的方案中,所述状态模块还包括:
第一判断单元,用于当低效学习波段比例P小于或等于第一阈值时,判断状态判断时间内学习状态处于高效学习期;
第二判断单元,用于当低效学习波段比例P大于第一阈值,且睡眠波段比例Q小于第二阈值时,判断状态判断时间内学习状态处于低效学习期;
第三判断单元,用于当低效学习波段比例P大于第一阈值,且睡眠波段比例Q大于第二阈值时,判断状态判断时间内学习状态处于瞌睡期。
在一种优选的方案中,所述相关模块包括:
提取单元,用于根据所述页面中的文本提取关键词;
获取单元,用于根据所述关键词获取匹配题目;
相关计算单元,用于计算所述页面内容与所述匹配题目的相关度;
排序单元,用于根据相关度对匹配题目排序。
在一种优选的方案中,所述装置还包括:
设置模块,用于设置总习题数。
在一种优选的方案中,所述生成模块包括:
题目单元,用于根据页面的学习状态确定每页习题数;
选取单元,用于根据匹配题目的排序选取该页面的候选题目,所述页面的候选题目的个数等于所述该页习题数;
组合单元,用于组合所有页面的候选题目生成习题。
与现有技术相比,本发明技术方案的优点有:
1、通过计算和对比低效学习波段比例P和睡眠波段比例Q,可以判断出各个页面演示时间中,用户的学习状态,从而可以清楚地发现用户可能存在的学习盲点;
2、教师可以设置统一的总习题数,也可以根据学生的历史数据、上课时的学习状态动态设置总习题数,从而实现因材施教,为不同基础的学生提供不同数量的习题,使学生能够更有效率地学习;
3、对不同学习状态设置不同的题目权重,可以重点突出用户学习状态差时候的知识点相关的题目,题目针对性强,有利于学生发现学习的薄弱环节;
4、对不同页面设置不同的权重系数,可以排除一些没有知识点的页面,如标题、背景介绍等页面的干扰,聚焦于知识点较多,重要程度高的页面,使重要页面的题目数量多,有利于学生掌握重点;
5、可以针对学生处于低学习效率状态下的页面,提供个性化的习题,重点突出,避免了统一布置作业时完成作业耗费时间长,针对性不强,效率低的问题;
6、可以根据包括脑电波、心电、肌电、脉博、心率、皮温、皮电、肌电、人脸图像、血压及血氧中的一种或多种的组合的生理数据判断学生的学习状态。多种生理数据的组合可以更加精确地把握人体状态。
本发明解决现有技术中教师往往没有针对学生的薄弱环节布置习题,学生作题效率低的技术问题,提供一种能够节省作题时间,突出复习重点的习题生成方法、装置、服务器与系统。
附图说明
图1为本发明实施例的一种习题生成方法流程图。
图2为本发明实施例的一种习题生成方法根据生理数据获取演示所述页面的学习状态步骤流程图。
图3为本发明实施例的一种习题生成方法根据所述特征信息判断所述页面的学习状态步骤流程图。
图4为本发明实施例的一种习题生成方法计算页面与题目的相关度步骤流程图。
图5为本发明实施例的一种习题生成方法据页面的学习状态及所述题目的相关度生成习题步骤流程图。
图6为本发明实施例的一种习题生成装置结构示意图。
图7为本发明实施例的一种习题生成装置状态模块结构示意图。
图8为本发明实施例的一种习题生成装置相关模块结构示意图。
图9为本发明实施例的一种习题生成装置生成模块结构示意图。
图10为本发明实施例的一种习题生成服务器结构示意图。
图11为本发明实施例的一种习题生成系统结构示意图。
图12为本发明实施例的一种生理数据采集终端结构示意图。
其中:2、习题生成装置;3、习题生成服务器;210、采集模块;220、记录模块;230、状态模块;231、见附件单元;232、预处理单元;233、特征提取单元;234、状态判断单元;235、确定单元;236、计算单元;237、判断单元;238、第一判断单元;239、第二判断单元;2310、第三判断单元;240、相关模块;241、提取单元;242、获取单元;243、相关计算单元;244、排序单元;250、查询模块;251、题目单元;252、选取单元;253、组合单元;260、设置模块;322、中央处理器;326、电源;330、存储介质;332、存储器;341、操作系统;342、应用程序;344、数据;350、有线或无线网络接口;356、键盘;358、输入输出接口;410、演示终端;420生理数据采集终端;430、用户终端。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,本发明实施例提供了一种习题生成方法,包括:
S110:采集生理数据;
S120:记录页面演示的时间;
S130:根据生理数据获取演示所述页面的学习状态;
S140:计算页面内容与题目的相关度;
S150:根据页面的学习状态及所述题目的相关度生成习题。
具体地,所述的生理数据可以包括脑电波、心电、肌电、脉博、心率、皮温、皮电、肌电、人脸图像、血压及血氧中的一种或多种的组合。多种生理数据的组合可以更加精确地把握人体状态。
在一种示例性实施例中,采集生理数据的采样间隔为1至3秒,采样长度为5至10秒。
具体地,在所述根据生理数据获取演示所述页面的学习状态步骤前,使生理数据时间与音频时间同步,从而使生理数据的时间与视频中的时间关联起来。
具体地,记录页面演示的时间步骤中,在演示PPT、PDF等页面时,自动记录每页的开始时间和结束时间。
在具体实施过程中,如图2所示,所述根据生理数据获取演示所述页面的学习状态步骤还包括:
S131:根据演示所述页面的时间划分生理数据的每页状态判断时间;
S132:对状态判断时间内所采集的生理数据进行预处理;
S133:提取所述经预处理的生理数据的特征信息;
S134:根据所述特征信息判断所述页面的学习状态。
具体地,根据演示所述页面的时间划分生理数据的每页状态判断时间步骤中,可以将页面的开始时间和结束时间设为该页的状态判断时间。如第1页是上午9:00到9:10分期间演示的,则该页的状态判断时间为9:00-9:10。
在一种优选的实施例中,所述的生理数据为脑电波数据,以下以脑电波为例进一步说明本发明实施例的内容。
具体地,由于脑电信号比较弱,在采集、传输过程中容易受到影响,因此需要对所采集的脑电波进行预处理,进行降噪、去伪迹,预处理的方法包括:采用时域分析方法、频域分析方法、小波变换或小波包变换等方法。
在一种示例性实施例中,利用小波包变换,可以提取所述经小波包变换预处理后的脑电波的特征信息。选取db4作为小波基,根据脑电波的输出频率,及脑电波的频率划分,小波包的分解层数优选为6层,利用小波包分解系数作为特征可以提取到δ波、θ波、α波及β波的功率谱。
在具体实施过程中,如图3所示,所述根据所述特征信息判断所述页面的学习状态步骤还包括:
S135:确定采样周期的优势波段;
S136:计算状态判断时间内低效学习波段比例P及睡眠波段比例Q;
S137:根据低效学习波段比例P及睡眠波段比例Q判断状态判断时间内的学习状态。
具体地,确定采样周期的优势波段步骤中,比较每个采样周期中对应的特征信息中δ波、θ波、α波及β波的能量分布情况,确定能量占比最大的波段为该采样周期的优势波段。
具体地,计算状态判断时间内低效学习波段比例P及睡眠波段比例Q步骤中,根据由若干个连续脑电波采样周期组成的状态判断时间内,δ波、θ波、α波及β波占优势波段的采样周期的数量,计算学习波段比例P及睡眠波段比例Q。
所述低效学习波段比例P的计算公式为:
。
所述睡眠波段比例Q的计算公式为:
其中:
M为状态判断时间内,当前优势波段为α波时的采样周期数量;
N为状态判断时间内,当前优势波段为β波时的采样周期数量;
L为状态判断时间内,当前优势波段为δ波或θ波时的采样周期数量。
具体地,根据低效学习波段比例P及睡眠波段比例Q判断状态判断时间内的学习状态级别步骤包括:
当低效学习波段比例P小于或等于第一阈值时,则判断状态判断时间内学习状态处于高效学习期;
当低效学习波段比例P大于第一阈值,且睡眠波段比例Q小于第二阈值时,则判断状态判断时间内学习状态处于低效学习期;
当低效学习波段比例P大于第一阈值,且睡眠波段比例Q大于第二阈值时,则判断状态判断时间内学习状态处于瞌睡期。
在一种示例性实施例中,所述第一阈值为0.4。
在一种示例性实施例中,所述第二阈值为0.5。
例如, T21(10点55分10秒-10点55分15秒)、T22(10点55分16秒-10点55分21秒)、T23(10点55分22秒-10点55分27秒)、T24(10点55分28秒-10点55分33秒)、T25(10点55分34秒-10点55分39秒)为PPT讲至第2页的状态判断时间,其中T21、T22为α波占优势波段、T25为β波占优势波段,T24、T23为优势波段为δ波或θ波。则按照低效学习波段比例P的计算公式可得P=0.6,大于第一阈值为0.4;按照睡眠波段比例Q的计算公式可得Q=0.66,大于第二阈值0.5。因此,第2页对应的学习状态为瞌睡期。
通过计算和对比低效学习波段比例P和睡眠波段比例Q,可以判断出各个页面演示时间中,用户的学习状态,从而可以清楚地发现用户可能存在的学习盲点。
在具体实施过程中,如图4所示,所述计算页面与题目的相关度步骤包括:
S141:根据所述页面中的文本提取关键词;
S142:根据所述关键词获取匹配题目;
S143:计算所述页面内容与所述匹配题目的相关度;
S144:根据相关度对匹配题目排序。
具体地,根据所述页面中的文本提取关键词步骤中,获取页面中的文本内容,再提取文本内容中的关键词。提取关键词的主要方法包括:基于统计特征的方法,基于词语网络的方法和基于语义分析的方法,由于其为本领域技术人员的常规技术手段,故此处不再赘述。
具体地,根据所述关键词获取匹配题目步骤中,所述题目可以从用户预设置的题库中查找。从题库中查找题目,可以有效控制题目的范围,使题目与相关知识点匹配度更高。所述题目也可以根据关键词自动在网络中查询题目。通如,在上高中物理的欧姆定律这节课时,根据PPT第2页的内容,提取到了关键词“欧姆定律”、“电流”及“电阻”,则可以根据这些关键词查询用户预设置的高中物理题库,也可以根据这些关键词在网络上查找相关题目,得到对应于这些关键词的匹配题目。所述的匹配题目数量不少于一个。
具体地,计算所述页面内容与所述匹配题目的相关度步骤中,将每个题目中的文本与所述页面内容的文本进行相关度计算,所述相关度计算方法包括:基于语义词典的方法、基于语料库的方法、基于维基百科的方法以及基于搜索引擎的方法等,但不限于所举示例,具体实现可以参考现有的一些算法。计算完成后,得到每个匹配题目的相关度。通过相关度计算,可以清楚题目与页面内容的匹配程度。
具体地,根据相关度对匹配题目排序步骤中,比较匹配题目的相关度,按匹配度大到小进行排序。例如,第2页的匹配题目有6个(以下简称T1-T6),T21匹配度为0.2,T22匹配度为0.7,T23匹配度为0.8,T24匹配度为0.5,T25匹配度为0.1,T26匹配度为0.3,则根据相关度进行从大到小排序后,所述匹配题目排序为:T3、T2、T4、T6、T1、T5。
在具体实施过程中,如图5所示,所述根据页面的学习状态及所述题目的相关度生成习题步骤前包括:
S149:设置总习题数。
具体地,教师可以设置统一的总习题数,也可以根据学生的历史数据、上课时的学习状态动态设置总习题数,从而实现因材施教,为不同基础的学生提供不同数量的习题,使学生能够更有效率地学习。
在具体实施过程中,如图5所示,所述根据页面的学习状态及所述题目的相关度生成习题步骤包括:
S151:根据页面的学习状态确定每页习题数;
S152:根据匹配题目的排序选取该页面的候选题目,所述页面的候选题目的个数等于所述该页习题数;
S153:组合所有页面的候选题目生成习题。
具体地,在根据页面的学习状态确定每页习题数步骤中,如果在演示到该页面时处于瞌睡期,则学生在该时间段内可能忽略的知识点更多,因此分配更多的题目;如果在该页面时处于低效学习期,则学生在该时间段内学习效率较低,需要分配比瞌睡期少,但比高效学期期多的习题数;如果在该页面时处于高效学习期,则只需要少数题目来巩固学习效果即可。在示范性实施例中,为不同学习状态设置不同的权重。每页习题数计算公式为:
其中,T total 为总习题数;
t n 为第n页习题数;
X n 为第n页对应学习状态所对应的权重;
∑Xi为所有页的权重之和;
在示例性实施例中,设置瞌睡期、低效学期期、高效学期的题目权重分别为4:2:1。例如,如果演示页面总有5页,总习题数预设为18,且第1页、第2页、第3页时处于高效学习期,第4页处于低效学习期,第5页处于瞌睡期,则根据比例,得出第1到第5页的权重为1:1:1:2:4,则第1页到第3页每页的习题数分别为18×1/(1+1+1+2+4)=2,第4页习题数为18×2/(1+1+1+2+4)=4,第5页习题数为18×4/(1+1+1+2+4)=8。
对不同学习状态设置不同的题目权重,可以重点突出用户学习状态差时候的知识点相关的题目,题目针对性强,有利于学生发现学习的薄弱环节。
具体地,在根据页面的学习状态确定每页习题数步骤前,设置每页的权重系数;在根据页面的学习状态确定每页习题数步骤中,每页习题数计算公式为:
其中,T total 为总习题数;
t n 为第n页习题数;
xX n 为第n页学习状态所对应的权重;
X i 为第i页学习状态所对应的权重;
P i 为第i页的权重系数
∑P i X i 为所有页的权重与权重系数乘积之和;
在示例性实施例中,设置瞌睡期、低效学期期、高效学期的题目权重分别为4:2:1。例如,页面总有5页,总习题数预设为18,设置第1到第5页的权重系数为0:1:1:2:1。且在演示页面时,甲学生在第1页、第2页、第3页时处于高效学习期,第4页处于低效学习期,第5页处于瞌睡期,则根据比例,得出第1到第5页的权重为1:1:1:2:4,第1到第5页的权重与权重系数乘积之和分别为:0:1:1:4:4,则第1页习题数为18×0/(0+1+1+4+4)=0,第2页习题数为18×1/(0+1+1+4+4)=1.8,第3页习题数为18×1/(0+1+1+4+4)=1.8,第4页习题数为18×4/(0+1+1+4+4)=7.2,第5页习题数为18×4/(0+1+1+4+4)=7.2。故得到第1到第5页的习题数分别为0、2、2、7、7。
对不同页面设置不同的权重系数,可以排除一些没有知识点的页面,如标题、背景介绍等页面的干扰,聚焦于知识点较多,重要程度高的页面,使重要页面的题目数量多,有利于学生掌握重点。
具体地,根据匹配题目的排序选取该页面的候选题目步骤中,所述页面的候选题目的个数等于所述该页习题数。例如,第2页按相关度从大到小排序后,匹配题目排序为:T23、T22、T24、T26、T21、T25,而第2页习题数为2,则取排序为前2的题目作为候选题目,即T23、T22。
具体地,组合所有页面的候选题目生成习题步骤中,将每个页面的候选题目组合,即可得到针对每个学生的个性化习题。例如,第1页候选题题目为0,第2页的候选题目为T23、T22,第3页候选题目为T31、T32,第4页候选题目为T44、T42、T47、T49、T41、T48、T46,第4页候选题目为T59、T51、T58、T56、T54、T52、T57,则生成的习题包括:{T23、T22、T31、T32、T44、T42、T47、T49、T41、T48、T46、T59、T51、T58、T56、T54、T52、T57}。
在具体实施过程中,组合所有页面的候选题目生成习题步骤后,还包括:发送习题到用户终端。
通过本发明实施例的习题生成方法,可以针对学生处于低学习效率状态下的页面,提供个性化的习题,重点突出,避免了统一布置作业时耗费时间长,效率低的问题。
本发明实施例解决现有技术中教师往往没有针对学生的薄弱环节布置习题,学生作题效率低的技术问题,提供一种能够节省作题时间,突出复习重点的习题生成方法。
实施例2
如图6所示,本发明实施例提供了一种习题生成装置2,包括:
采集模块210,用于采集生理数据;
记录模块220,用于记录页面演示的时间;
状态模块230,用于根据生理数据获取演示所述页面的学习状态;
相关模块240,用于计算页面内容与题目的相关度;
生成模块250,用于根据页面的学习状态及所述题目的相关度生成习题。
在具体实施过程中,所述的生理数据可以包括脑电波、心电、肌电、脉博、心率、皮温、皮电、肌电、人脸图像、血压及血氧中的一种或多种的组合。
在具体实施过程中,如图7所示,所述状态模块230还包括:
时间单元231,用于根据演示所述页面的时间划分生理数据的每页状态判断时间;
预处理单元232,用于对状态判断时间内所采集的生理数据进行预处理;
特征提取单元233,用于提取所述经预处理的生理数据的特征信息;
状态判断单元234,用于根据所述特征信息判断所述页面的学习状态。
在一种优选的实施例中,所述的生理数据为脑电波数据,以下以脑电波为例进一步说明本发明实施例状态模块的内容。
在具体实施过程中,如图7所示,所述状态模块230还包括:
确定单元235,用于确定采样周期的优势波段;
计算单元236,用于计算状态判断时间内低效学习波段比例P及睡眠波段比例Q;
判断单元237,用于根据低效学习波段比例P及睡眠波段比例Q判断状态判断时间内的学习状态。
具体地,确定单元235用于比较每个采样周期中对应的特征信息中δ波、θ波、α波及β波的能量分布情况,确定能量占比最大的波段为该采样周期的优势波段。
具体地,计算单元236用于根据由若干个连续脑电波采样周期组成的状态判断时间内,δ波、θ波、α波及β波占优势波段的采样周期的数量,计算学习波段比例P及睡眠波段比例Q。
所述低效学习波段比例P的计算公式为:
所述睡眠波段比例Q的计算公式为:
其中:
M为状态判断时间内,当前优势波段为α波时的采样周期数量;
N为状态判断时间内,当前优势波段为β波时的采样周期数量;
L为状态判断时间内,当前优势波段为δ波或θ波时的采样周期数量。
在具体实施过程中,如图7所示,所述状态模块230还包括:
第一判断单元238,用于当低效学习波段比例P小于或等于第一阈值时,判断状态判断时间内学习状态处于高效学习期;
第二判断单元239,用于当低效学习波段比例P大于第一阈值,且睡眠波段比例Q小于第二阈值时,判断状态判断时间内学习状态处于低效学习期;
第三判断单元2310,用于当低效学习波段比例P大于第一阈值,且睡眠波段比例Q大于第二阈值时,判断状态判断时间内学习状态处于瞌睡期。
在具体实施过程中,如图8所示,所述相关模块240包括:
提取单元241,用于根据所述页面中的文本提取关键词;
获取单元242,用于根据所述关键词获取匹配题目;
相关计算单元243,用于计算所述页面内容与所述匹配题目的相关度;
排序单元244,用于根据相关度对匹配题目排序。
在具体实施过程中,如图6所示,所述装置2还包括:
设置模块260,用于设置总习题数。
在具体实施过程中,如图9所示,所述生成模块250包括:
题目单元251,用于根据页面的学习状态确定每页习题数;
选取单元252,用于根据匹配题目的排序选取该页面的候选题目,所述页面的候选题目的个数等于所述该页习题数;
组合单元253,用于组合所有页面的候选题目生成习题。
本发明实施例解决现有技术中教师往往没有针对学生的薄弱环节布置习题,学生作题效率低的技术问题,提供一种能够节省作题时间,突出复习重点的习题生成装置。
实施例3
图10是本发明实施例中习题生成服务器的结构示意图。该习题生成服务器3可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessing units,CPU)322(例如,一个或一个以上处理器)和存储器332,一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中,存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器322可以设置为与存储介质330通信,在习题生成服务器3上执行存储介质330中的一系列指令操作。所述中央处理器322用于运行应用程序342,其中,在所述应用程序342运行时执行上述方法的全部或部分步骤。
习题生成服务器3还可以包括一个或一个以上电源326,一个或一个以上有线或无线网络接口350,一个或一个以上输入输出接口358,一个或一个以上键盘356,和/或,一个或一个以上操作系统341,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
本发明实施例解决现有技术中教师往往没有针对学生的薄弱环节布置习题,学生作题效率低的技术问题,提供一种能够节省作题时间,突出复习重点的习题生成服务器。
实施例4
如图11所示,本实施例提供了一种习题生成系统,包括:
演示终端410、生理数据采集终端420、用户终端430及根据实施例3所述的习题生成服务器3。
演示终端410用于演示页面,记录演示时间并传输到习题生成服务器3。
生理数据采集终端420用于采集生理数据信号,并传输到习题生成服务器。在一种示例性实施例中,如图12所示,生理数据采集终端420包括ThinkGear AM模块,该模块通过前额电极和耳垂处的电位获得脑电波。通过生理数据采集终端捕获脑电波信号,处理后筛选出脑波频谱、脑电信号质量、原始脑电波等数据,传输到习题生成服务器。生理数据采集终端420也包括可以检测脑电波、心电、肌电、脉博、心率、皮温、皮电、肌电、人脸图像、血压及血氧中的一种或多种的组合的可穿载设备,如智能手环。在具体实施过程中,如图11所示,生理数据采集终端420可以直接通过网络连接到习题生成服务器;如图12所示,也可以连接到用户终端430,由用户终端430将生理数据传输到习题生成服务器。
用户终端430用于接收习题生成服务器所生成的习题,并展示到介质上。用户终端430可以是带有显示屏和通信模块的智能设备,如智能手机、平板电脑、个人电脑等智能终端设备,也可以是带网络通信功能的电子纸、电子书。在一种示范性实施例中,用户终端430可以是带有网络打印功能的打印机,用于接收习题生成服务器所生成的习题,并打印到纸上。
演示终端410、生理数据采集终端420、用户终端430及习题生成服务器3之间通过网络相连接,所述网络可以是基于通信标准的无线网络,如WiFi,2G、3G或5G,NB-IOT或它们的组合,还可以包括超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
本发明实施例解决现有技术中教师往往没有针对学生的薄弱环节布置习题,学生作题效率低的技术问题,提供一种能够节省作题时间,突出复习重点的习题生成系统。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (9)
2.根据权利要求1所述的习题生成方法,其特征在于,所述计算页面与题目的相关度步骤包括:
根据所述页面中的文本提取关键词;
根据所述关键词获取匹配题目;
计算所述页面内容与所述匹配题目的相关度;
根据相关度对匹配题目排序。
3.根据权利要求2所述的习题生成方法,其特征在于,记录页面演示的时间步骤中,在演示PPT、PDF页面时,自动记录每页的开始时间和结束时间。
4.一种习题生成方法,其特征在于,所述方法包括:
采集生理数据;
记录页面演示的时间;
根据生理数据获取演示所述页面的学习状态;
计算所述页面内容与题目的相关度;
根据所述页面的学习状态及所述题目的相关度生成习题;
其中,所述根据页面的学习状态及所述题目的相关度生成习题步骤包括:
设置每页的权重系数;
根据页面的学习状态确定每页习题数;
根据匹配题目的排序选取该页面的候选题目,所述页面的候选题目的个数等于所述该页习题数;
组合所有页面的候选题目生成习题;
其中,在根据页面的学习状态确定每页习题数步骤中,每页习题数计算公式为:
其中,Ttotal为总习题数;
tn为第n页习题数;
xn为第n页学习状态所对应的权重;
xi为第i页学习状态所对应的权重;
Pi为第i页的权重系数;
∑Pixi为所有页的权重与权重系数乘积之和。
5.根据权利要求1至4之一所述的习题生成方法,其特征在于,所述生理数据包括脑电波,所述根据生理数据获取演示所述页面的学习状态步骤还包括:
S131:根据演示所述页面的时间划分生理数据的每页状态判断时间;
S132:对状态判断时间内所采集的生理数据进行预处理;
S133:提取所述经预处理的生理数据的特征信息;
S134:根据所述特征信息判断所述页面的学习状态。
6.根据权利要求5所述的习题生成方法,其特征在于,所述生理数据包括脑电波,所述根据所述特征信息对学习状态划分级别步骤包括:
确定采样周期的优势波段;
计算状态判断时间内低效学习波段比例P及睡眠波段比例Q;
根据低效学习波段比例P及睡眠波段比例Q判断状态判断时间内的学习状态;
其中,所述低效学习波段比例P的计算公式为:
所述睡眠波段比例Q的计算公式为:
其中,
M为状态判断时间内,当前优势波段为α波时的采样周期数量;
N为状态判断时间内,当前优势波段为β波时的采样周期数量;
L为状态判断时间内,当前优势波段为δ波或θ波时的采样周期数量;
根据低效学习波段比例P及睡眠波段比例Q判断状态判断时间内的学习状态级别步骤包括:
当低效学习波段比例P小于或等于第一阈值时,则判断状态判断时间内学习状态处于高效学习期;
当低效学习波段比例P大于第一阈值,且睡眠波段比例Q小于第二阈值时,则判断状态判断时间内学习状态处于低效学习期;
当低效学习波段比例P大于第一阈值,且睡眠波段比例Q大于第二阈值时,则判断状态判断时间内学习状态处于瞌睡期。
7.一种习题生成装置,其特征在于,所述装置包括:
采集模块,用于采集生理数据;
记录模块,用于记录页面演示的时间;
状态模块,用于根据生理数据获取演示所述页面的学习状态;
相关模块,用于计算所述页面内容与题目的相关度;
生成模块,用于根据所述页面的学习状态及所述题目的相关度生成习题;
题目单元,用于根据页面的学习状态确定每页习题数;
选取单元,用于根据匹配题目的排序选取该页面的候选题目,所述页面的候选题目的个数等于所述该页习题数;
组合单元,用于组合所有页面的候选题目生成习题;
其中,其中,每页习题数计算公式为:
其中,Ttotal为总习题数;
tn为第n页习题数;
xn为第n页对应学习状态所对应的权重;
∑xi为所有页的权重之和。
8.一种习题生成服务器,其特征在于,所述服务器包括:
存储介质,用于存储应用程序或数据;
中央处理器,其中,所述中央处理器用于运行应用程序,所述应用程序运行时执行如下操作:
采集生理数据;
记录页面演示的时间;
根据生理数据获取演示所述页面的学习状态;
计算所述页面内容与题目的相关度;
根据所述页面的学习状态及所述题目的相关度生成习题;
其中,所述根据页面的学习状态及所述题目的相关度生成习题步骤包括:
根据页面的学习状态确定每页习题数;
根据匹配题目的排序选取该页面的候选题目,所述页面的候选题目的个数等于所述该页习题数;
组合所有页面的候选题目生成习题;
其中,每页习题数计算公式为:
其中,Ttotal为总习题数;
tn为第n页习题数;
xn为第n页对应学习状态所对应的权重;
∑xi为所有页的权重之和。
9.一种习题生成系统,其特征在于,所述系统包括:
演示终端、生理数据采集终端、用户终端及根据权利要求8所述的习题生成服务器;
所述演示终端用于演示页面,记录演示时间并传输到所述习题生成服务器;
所述生理数据采集终端用于采集生理数据信号,并传输到所述习题生成服务器;
所述用户终端用于接收所述习题生成服务器所生成的习题并展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710603718.3A CN107154191B (zh) | 2017-07-23 | 2017-07-23 | 习题生成方法、装置、服务器与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710603718.3A CN107154191B (zh) | 2017-07-23 | 2017-07-23 | 习题生成方法、装置、服务器与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107154191A CN107154191A (zh) | 2017-09-12 |
CN107154191B true CN107154191B (zh) | 2020-01-31 |
Family
ID=59796920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710603718.3A Active CN107154191B (zh) | 2017-07-23 | 2017-07-23 | 习题生成方法、装置、服务器与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107154191B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615425A (zh) * | 2018-04-28 | 2018-10-02 | 重庆玮宜电子科技有限公司 | 在线教育交互系统 |
CN108648537A (zh) * | 2018-04-28 | 2018-10-12 | 重庆玮宜电子科技有限公司 | 一种在线教育提问方法 |
CN110825892A (zh) * | 2019-11-01 | 2020-02-21 | 广州云蝶科技有限公司 | 一种课件生成方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103092863A (zh) * | 2011-11-03 | 2013-05-08 | 郭亮 | 一种问卷数据处理方法 |
CN103971553A (zh) * | 2014-05-29 | 2014-08-06 | 深圳图瑞交互信息技术有限公司 | 反馈式教学系统和反馈式教学方法 |
CN104809920A (zh) * | 2015-04-01 | 2015-07-29 | 广东小天才科技有限公司 | 一种个性化的学习方法和学习装置 |
CN105139695A (zh) * | 2015-09-28 | 2015-12-09 | 南通大学 | 一种基于脑电波采集的课堂教学监测方法及系统 |
CN105528917A (zh) * | 2016-02-15 | 2016-04-27 | 小天才科技有限公司 | 一种网络教学效果反馈的方法、装置和系统 |
CN106372217A (zh) * | 2016-09-06 | 2017-02-01 | 苏州奥普特克自动化科技有限公司 | 习题记录方法及装置 |
CN106547815A (zh) * | 2016-09-23 | 2017-03-29 | 厦门市杜若科技有限公司 | 一种基于大数据的针对性作业生成方法与系统 |
CN106781785A (zh) * | 2017-01-04 | 2017-05-31 | 广东小天才科技有限公司 | 一种基于大数据的题目难度构建方法及装置、服务设备 |
-
2017
- 2017-07-23 CN CN201710603718.3A patent/CN107154191B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103092863A (zh) * | 2011-11-03 | 2013-05-08 | 郭亮 | 一种问卷数据处理方法 |
CN103971553A (zh) * | 2014-05-29 | 2014-08-06 | 深圳图瑞交互信息技术有限公司 | 反馈式教学系统和反馈式教学方法 |
CN104809920A (zh) * | 2015-04-01 | 2015-07-29 | 广东小天才科技有限公司 | 一种个性化的学习方法和学习装置 |
CN105139695A (zh) * | 2015-09-28 | 2015-12-09 | 南通大学 | 一种基于脑电波采集的课堂教学监测方法及系统 |
CN105528917A (zh) * | 2016-02-15 | 2016-04-27 | 小天才科技有限公司 | 一种网络教学效果反馈的方法、装置和系统 |
CN106372217A (zh) * | 2016-09-06 | 2017-02-01 | 苏州奥普特克自动化科技有限公司 | 习题记录方法及装置 |
CN106547815A (zh) * | 2016-09-23 | 2017-03-29 | 厦门市杜若科技有限公司 | 一种基于大数据的针对性作业生成方法与系统 |
CN106781785A (zh) * | 2017-01-04 | 2017-05-31 | 广东小天才科技有限公司 | 一种基于大数据的题目难度构建方法及装置、服务设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107154191A (zh) | 2017-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108000526B (zh) | 用于智能机器人的对话交互方法及系统 | |
US10019912B2 (en) | Providing information to a user through somatosensory feedback | |
US10013977B2 (en) | Smart home control method based on emotion recognition and the system thereof | |
CN107154191B (zh) | 习题生成方法、装置、服务器与系统 | |
DeVaul et al. | MIThril 2003: applications and architecture | |
CN110519636B (zh) | 语音信息播放方法、装置、计算机设备及存储介质 | |
Babadi et al. | A review of multitaper spectral analysis | |
US11511436B2 (en) | Robot control method and companion robot | |
CN105468596B (zh) | 图片检索方法和装置 | |
US20130024457A1 (en) | Automatic Frequently Asked Question Compilation From Community-Based Question Answering Archive | |
Thüs et al. | Mobile learning in context | |
CN105139237A (zh) | 信息推送的方法和装置 | |
CN103294199B (zh) | 一种基于脸部肌音信号的无声信息识别系统 | |
US9031816B2 (en) | Independent component analysis processor | |
Mohanchandra et al. | A communication paradigm using subvocalized speech: translating brain signals into speech | |
WO2018098932A1 (zh) | 一种基于语音识别的主动型搜索方法和装置 | |
Ntalampiras | A transfer learning framework for predicting the emotional content of generalized sound events | |
CN110852109A (zh) | 语料生成方法、语料生成装置、和存储介质 | |
CN112446590B (zh) | 一种综合性学生管理系统、方法、介质及终端 | |
Chen et al. | WiFace: Facial expression recognition using Wi-Fi signals | |
CN112052297B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
Ramsay et al. | The intrinsic memorability of everyday sounds | |
CN107562866A (zh) | 基于用户需求的匹配方法及装置 | |
Zagorskis et al. | Emotions identification utilizing periodic handwriting on mobile surfaces | |
Dudzik et al. | A blast from the past: Personalizing predictions of video-induced emotions using personal memories as context |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20191225 Address after: 10 / F, Saige International Shopping Center, No.123, Chang'an Middle Road, Yanta District, Xi'an City, Shaanxi Province Applicant after: Shaanxi Wendu Education Technology Co., Ltd. Address before: Plant 526238 of Guangdong Province Wang Zhaoqing City Road East Building 3, a leather company self building room 101 Applicant before: Zhaoqing high tech Zone light Intelligent Technology Development Co Ltd |
|
GR01 | Patent grant | ||
GR01 | Patent grant |