CN107203583A - 一种基于大数据分析的智能组题方法 - Google Patents

一种基于大数据分析的智能组题方法 Download PDF

Info

Publication number
CN107203583A
CN107203583A CN201710190075.4A CN201710190075A CN107203583A CN 107203583 A CN107203583 A CN 107203583A CN 201710190075 A CN201710190075 A CN 201710190075A CN 107203583 A CN107203583 A CN 107203583A
Authority
CN
China
Prior art keywords
topic
knowledge point
student
knowledge
probability
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.)
Pending
Application number
CN201710190075.4A
Other languages
English (en)
Inventor
张延光
陈冬华
朱毅
范亮
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.)
Hangzhou Bosch Data Network Co Ltd
Original Assignee
Hangzhou Bosch Data Network 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 Hangzhou Bosch Data Network Co Ltd filed Critical Hangzhou Bosch Data Network Co Ltd
Priority to CN201710190075.4A priority Critical patent/CN107203583A/zh
Publication of CN107203583A publication Critical patent/CN107203583A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance

Abstract

本发明公开了一种基于大数据分析的智能组题方法，根据学生知识点诊断结果进行智能组题，学生知识点诊断结果依据项目反应理论和遗忘曲线理论进行大数据分析，智能组题包括如下步骤：步骤一，确定所需练习的知识点；步骤二，确定学生的做题总数量N；步骤三，确定每个知识点的做题数量；步骤四，确定每个知识点选取哪些题。本发明根据学生个人的知识点掌握情况、学习能力、学习意愿、答题速度等指标，充分考量学生的智力因素与非智力因素，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。

Description

一种基于大数据分析的智能组题方法
技术领域
本发明涉及在线学习组题方法。
背景技术
随着网络的发展，用户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与试题系统，但是传统的组题方法，完全依靠在题库中随机抽取，无法针对不同的用户，做到客观有针对性的组题。
发明内容
本发明所要解决的技术问题就是提供一种基于大数据分析的智能组题方法，对用户的在线学习数据进行分析，并针对性的组题。
为解决上述技术问题，本发明采用如下技术方案：一种基于大数据分析的智能组题方法，根据学生知识点诊断结果进行智能组题，学生知识点诊断结果或者采用手动输入，或者由系统自动给出诊断结果；系统自动给出诊断结果的方法如下：
步骤一，依据项目反应理论评定用户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表示评定用户的能力参数，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；
步骤二，依据遗忘曲线的R值评定用户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；
步骤三，实时计算P(θ)*R，根据P(θ)*R的结果对用户对该知识点的掌握情况进行诊断，且每次出题前，重新计算P(θ)*R作为智能组题的依据；
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％。
作为优选，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。
作为优选，步骤二中系统自动计算学生的做题总数量N，N＝Nmin+X，X的取值范围为(0，Nmax－Nmin)，Nmax、Nmin预先设定或者默认Nmax＝8、Nmin＝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。
作为优选，针对该知识点的每个题目，对全平台用户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Pmin的题目难度系数赋值为1，正确率最高Pmax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-Pmin)/(Pmax-Pmin)。
作为优选，每个题目的难度系数每间隔一个月重新计算并更新。
作为优选，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。
作为优选，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。
本发明采用的技术方案，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。
因此，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。
具体实施方式
本发明提供了一种基于大数据分析的智能组题方法，根据学生知识点诊断结果进行智能组题，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。
以下结合项目反应原理(IRT)的1PL模型的P(θ)以及遗忘曲线的R值进行计算，对平台用户的知识点掌握情况进行诊断。
实施例1，一种在线学习知识点诊断方法，包括如下步骤：
步骤一，评定用户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表示评定用户的能力参数，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，指对于全平台用户而言，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。
根据全平台海量用户的练习累计数据，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，Za/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Z0.025＝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(Pmin)的题目难度系数赋值为1，正确率最高(Pmax)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-Pmin)/(Pmax-Pmin)。
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。
步骤二，评定用户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，当结果大于等于0.75时该用户知识点达标，反之不达标。
之所以确定75％，一个是结合具体的答题数据及代表性学生的分析，同时也采用了专家访谈，即经验丰富教师的意见。
当然，也可以不考虑遗忘曲线的R值，直接根据计算公式P(θ)＝1/(1+e^(b-θ))，确定学生知识点掌握概率，这个概率即为学生知识点诊断结果。
实施例2，与实施例1的不同在于，进一步的，对每个难度段的题目，随机抽取样本，难度系数在统计分析结果基础上，通过专家评定，最终确定，确保题目难度系数的客观准确。即专家根据经验首先明确难度最高题目的难度系数，然后根据丰富的教学经验，对个别题目进行检验。
实施例3，与实施例1和2的不同在于，将专家评定结果与统计分析赋值结果进行综合，确定每个个题目的最终难度系数b＝0.5*累积数据分析结果+0.5*专家难度赋值。
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＝Nmin+X，X的取值范围为(0，Nmax－Nmin)，Nmax、Nmin预先设定或者默认Nmax＝8、Nmin＝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。
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 (7)

1.一种基于大数据分析的智能组题方法，其特征在于，根据学生知识点诊断结果进行智能组题，学生知识点诊断结果或者采用手动输入，或者由系统自动给出诊断结果；系统自动给出诊断结果的方法如下：
步骤一，依据项目反应理论评定用户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表示评定用户的能力参数，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；
步骤二，依据遗忘曲线的R值评定用户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；
步骤三，实时计算P(θ)*R，根据P(θ)*R的结果对用户对该知识点的掌握情况进行诊断，且每次出题前，重新计算P(θ)*R作为智能组题的依据；
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％。
2.根据权利要求1所述的一种基于大数据分析的智能组题方法，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。
3.根据权利要求1所述的一种基于大数据分析的智能组题方法，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＝Nmin+X，X的取值范围为(0，Nmax－Nmin)，Nmax、Nmin预先设定或者默认Nmax＝8、Nmin＝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。
4.根据权利要求1至3任意一项所述的一种基于大数据分析的智能组题方法，其特征在于：针对该知识点的每个题目，对全平台用户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Pmin的题目难度系数赋值为1，正确率最高Pmax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-Pmin)/(Pmax-Pmin)。
5.根据权利要求4所述的一种基于大数据分析的智能组题方法，其特征在于：每个题目的难度系数每间隔一个月重新计算并更新。
6.根据权利要求1所述的一种基于大数据分析的智能组题方法，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。
7.根据权利要求1所述的一种基于大数据分析的智能组题方法，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。
CN201710190075.4A 2017-03-27 2017-03-27 一种基于大数据分析的智能组题方法 Pending CN107203583A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710190075.4A CN107203583A (zh) 2017-03-27 2017-03-27 一种基于大数据分析的智能组题方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710190075.4A CN107203583A (zh) 2017-03-27 2017-03-27 一种基于大数据分析的智能组题方法

Publications (1)

Publication Number Publication Date
CN107203583A true CN107203583A (zh) 2017-09-26

Family

ID=59905577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710190075.4A Pending CN107203583A (zh) 2017-03-27 2017-03-27 一种基于大数据分析的智能组题方法

Country Status (1)

Country Link
CN (1) CN107203583A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832453A (zh) * 2017-11-24 2018-03-23 重庆科技学院 面向个性化学习方案的虚拟试卷推荐方法
CN109033418A (zh) * 2018-08-07 2018-12-18 广东小天才科技有限公司 一种学习内容的智能推荐方法及学习设备
CN109086939A (zh) * 2018-08-14 2018-12-25 合肥知多少教育科技有限公司 一种做题结果的录入方法及装置
CN109255019A (zh) * 2018-09-07 2019-01-22 广州爱易学智能信息科技有限公司 一种基于人工智能的在线题库及其应用方法
CN109464799A (zh) * 2018-11-02 2019-03-15 福建书香伟业教育科技有限公司 一种两人pk的比赛方法以及计算机可读存储介质
CN109493264A (zh) * 2018-11-23 2019-03-19 深圳市睿思特智能科技有限公司 一种精准定位学习难度的施教方法及教育机器人
CN109492896A (zh) * 2018-11-02 2019-03-19 福建书香伟业教育科技有限公司 一种校际间比赛时选择参赛学生的方法及计算机设备
CN109559580A (zh) * 2018-12-29 2019-04-02 武汉易测云网络科技有限公司 一种在线学习系统
CN109800436A (zh) * 2019-01-30 2019-05-24 云图元睿（上海）科技有限公司 问卷调查方法及系统
CN110020203A (zh) * 2019-03-29 2019-07-16 电子科技大学 一种基于个体训练特征的智能选题系统
CN110246072A (zh) * 2019-06-24 2019-09-17 上海乂学教育科技有限公司 由机器设备执行的复习方法
CN110377814A (zh) * 2019-05-31 2019-10-25 平安国际智慧城市科技股份有限公司 题目推荐方法、装置及介质
CN111737450A (zh) * 2020-08-05 2020-10-02 江西风向标教育科技有限公司 试卷组卷方法、装置、存储介质及计算机设备
CN112131349A (zh) * 2020-09-30 2020-12-25 上海松鼠课堂人工智能科技有限公司 对知识点掌握状态进行测量的方法
CN112785465A (zh) * 2019-11-11 2021-05-11 上海泽稷教育培训有限公司 知识点推送方法、系统、介质及装置

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832453A (zh) * 2017-11-24 2018-03-23 重庆科技学院 面向个性化学习方案的虚拟试卷推荐方法
CN109033418A (zh) * 2018-08-07 2018-12-18 广东小天才科技有限公司 一种学习内容的智能推荐方法及学习设备
CN109086939A (zh) * 2018-08-14 2018-12-25 合肥知多少教育科技有限公司 一种做题结果的录入方法及装置
CN109255019B (zh) * 2018-09-07 2021-06-08 广州爱易学智能信息科技有限公司 一种在线查询题库及其应用方法
CN109255019A (zh) * 2018-09-07 2019-01-22 广州爱易学智能信息科技有限公司 一种基于人工智能的在线题库及其应用方法
CN109492896A (zh) * 2018-11-02 2019-03-19 福建书香伟业教育科技有限公司 一种校际间比赛时选择参赛学生的方法及计算机设备
CN109464799A (zh) * 2018-11-02 2019-03-15 福建书香伟业教育科技有限公司 一种两人pk的比赛方法以及计算机可读存储介质
CN109493264A (zh) * 2018-11-23 2019-03-19 深圳市睿思特智能科技有限公司 一种精准定位学习难度的施教方法及教育机器人
CN109559580A (zh) * 2018-12-29 2019-04-02 武汉易测云网络科技有限公司 一种在线学习系统
CN109559580B (zh) * 2018-12-29 2021-07-02 武汉易测云网络科技有限公司 一种在线学习系统
CN109800436A (zh) * 2019-01-30 2019-05-24 云图元睿（上海）科技有限公司 问卷调查方法及系统
CN110020203A (zh) * 2019-03-29 2019-07-16 电子科技大学 一种基于个体训练特征的智能选题系统
CN110020203B (zh) * 2019-03-29 2023-03-21 电子科技大学 一种基于个体训练特征的智能选题系统
CN110377814A (zh) * 2019-05-31 2019-10-25 平安国际智慧城市科技股份有限公司 题目推荐方法、装置及介质
CN110246072A (zh) * 2019-06-24 2019-09-17 上海乂学教育科技有限公司 由机器设备执行的复习方法
CN110246072B (zh) * 2019-06-24 2021-03-05 上海松鼠课堂人工智能科技有限公司 由机器设备执行的复习方法
CN112785465A (zh) * 2019-11-11 2021-05-11 上海泽稷教育培训有限公司 知识点推送方法、系统、介质及装置
CN112785465B (zh) * 2019-11-11 2023-03-24 上海泽稷教育培训有限公司 知识点推送方法、系统、介质及装置
CN111737450B (zh) * 2020-08-05 2021-01-01 江西风向标教育科技有限公司 试卷组卷方法、装置、存储介质及计算机设备
CN111737450A (zh) * 2020-08-05 2020-10-02 江西风向标教育科技有限公司 试卷组卷方法、装置、存储介质及计算机设备
CN112131349A (zh) * 2020-09-30 2020-12-25 上海松鼠课堂人工智能科技有限公司 对知识点掌握状态进行测量的方法
CN112131349B (zh) * 2020-09-30 2021-08-06 上海松鼠课堂人工智能科技有限公司 对知识点掌握状态进行测量的方法

Similar Documents

Publication Publication Date Title
CN107203583A (zh) 一种基于大数据分析的智能组题方法
CN107203582A (zh) 一种基于项目反应理论分析结果的智能组题方法
CN107067849A (zh) 基于云教学平台的家长端系统
CN109903617B (zh) 个性化练习方法和系统
Lai et al. The contributions of school quality and teacher qualifications to student performance: Evidence from a natural experiment in Beijing middle schools
CN107248019A (zh) 一种云教学平台在线教学评价系统
CN107133196A (zh) 一种基于大数据的知识点掌握概率计算方法
Bozick et al. Mathematics Coursetaking and Achievement at the End of High School: Evidence from the Education Longitudinal Study of 2002 (ELS: 2002). Statistical Analysis Report. NCES 2008-319.
CN110378818A (zh) 基于难度的个性化习题推荐方法、系统及介质
CN107274020B (zh) 一种基于协同过滤思想的学习者学科总测成绩预测系统及方法
CN107256522A (zh) 基于云教学平台的教学评价系统
CN106875769A (zh) 一种数学练习用出题系统
Suwarto et al. The COVID-19 Pandemic and The Characteristic Comparison of English Achievement Tests
Ahmad et al. An improved course assessment measurement for analyzing learning outcomes performance using Rasch model
Mahmudah et al. Academic Resilience and Science Academic Emotion in Numeration under Online Learning: Predictive Capacity of an Artificial Neural Network
Gorbunova Testing Methodology in the Student Learning Process.
CN109800880A (zh) 基于动态学习风格信息的自适应学习特征提取系统及应用
CN106971356A (zh) 一种基于答题数据的知识点记忆程度计算方法
CN107038663A (zh) 一种在线学习知识点诊断方法
Osarumwense et al. Assessment of Model-fit for 2016 and 2017 Biology Multiple Choice Test Items of the National Business and Technical Examination Board
Loeb et al. What Do We Know about the Use of Value-Added Measures for Principal Evaluation? What We Know Series: Value-Added Methods and Applications. Knowledge Brief 9.
McAlpine Design requirements of a databank
CN114881827B (zh) 一种基于互联网的远程在线教育培训方法、系统及存储介质
Khan et al. Analysis of Intelligent System for Student’s Performance using E-learning Approach
Purnamasari et al. The Characteristic Of Islamic Religion And Character Education Test Using Rasch Model

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20170926

RJ01 Rejection of invention patent application after publication