CN107784069A - 一种用于智能诊断学生知识能力的方法 - Google Patents

Abstract

本发明公开了一种用于智能诊断学生知识能力的方法，所述方法包括：将知识点分成多个类别，至少包含文本和问题；将文本以句子为单位，将句子按照不同维度细化并形成知识地图，其中，每一个句子具有不小于一个维度的定义；某句子被手动标定后，触发该句子背后的维度数据，并对触发的维度数据不断进行积累；做题出现错误，后台服务器主动激发该题目相关的句子及其背后的维度数据；后台服务器对出现的错题及手动标记的句子后的维度数据进行交叉比对，进一步确诊错题所涉及的问题，并推送同类题目和/或类似句子给用户。本发明解决了现有技术中无法将试题(问题)和文本进行有效关联，对出现的错题不能进行针对性的准确推送的问题。

Description

一种用于智能诊断学生知识能力的方法

技术领域

本发明属于诊断技术领域，公开了一种用于智能诊断学生知识能力的方法。

背景技术

在教学过程中，需要知道学生对每一个知识点是否掌握，并根据掌握程度对教学工作提供参考，学生也会对未掌握的进行强化。但是在传统的教学中，客观的数据非常薄弱，基本上都是以学生的分数为考核的结果，但是一个试题中可能含有不同方面的知识点，以单一点去衡量是不客观的。同时试题和文本没有关联，只能知道是哪些题型有问题，不能和文本中的知识点进行精准分析。

发明内容

本发明要解决的技术问题在于克服现有技术中，无法将试题(问题)和文本进行有效关联，对出现的错题不能进行针对性的准确推送的问题。

为解决上述技术问题，本发明公开了一种用于智能诊断学生知识能力的方法，所述方法包括：

步骤S1、将知识点分成多个类别，至少包含文本和问题；

步骤S2、将文本以句子为单位，将句子按照不同维度细化并形成知识地图，其中，每一个句子具有不小于一个维度的定义；

步骤S3、某句子被手动标定后，触发该句子背后的维度数据，并对触发的维度数据不断进行积累；

步骤S4、做题出现错误，后台服务器主动激发该错题相关的句子及其背后的维度数据；

步骤S5、后台服务器对出现的错题与被标定的句子进行交叉比对，进一步确诊错题所涉及的问题(主要是知识点缺陷)，并推送同类题目和/或类似句子给用户。

进一步地，所述方法还包括：通过知识地图中对应的问题，主动推送与该问题相应的知识点的视频讲解给用户。

进一步地，所述方法还包括：后台服务器记录观察该错题知识点背后的维度数据的变化，直到该维度数据达标后不再推送视频讲解。

进一步地，所述方法还包括：后台服务器对拟推送的讲解视频进行修改和替换。

进一步地，在上述步骤S2中，所述维度数据包含：文体类型、语法、逻辑关系、词汇等级、难度等级、修辞手法、阅读量、问题类型。

进一步地，对每一个句子设定各种维度类型的关键词，后台服务器通过所设关键词判断该句子所包含的维度数据。

进一步地，在步骤S3中，对某句子进行标定的方法包括点击某单词或者收藏某句子。

进一步地，后台服务器根据错题每种类型的错误率进行推送，错误率越高，推送讲解频率越高。

进一步地，对不同的标定句子还添加有数字标签。

进一步地，通过大量用户数据的数据及学习时间的交叉对比，尤其是完成项目的用户和未完成项目的用户的数据对比，可以预测未完成用户的学习成绩及完成时间。

与现有技术相比，本发明所公开的一种用于智能诊断学生知识能力的方法，通过预先将所涉及的知识点分成多个类别，包括问题和文本，并且对文本进行多个维度的划分形成知识地图，通过后台服务器的辅助，在学生进行测试时，实时根据学生的测试结果，确定学生对知识点的掌握程度，有针对性的进行推送，实现了问题和文本的有效关联，推送知识点更符合学生的薄弱环节，有利于学生检查自身的不足，老师可以有针对性的辅导。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例所提供的一种用于智能诊断学生知识能力的方法的流程图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图来对本发明做进一步说明。

参照图1所示，本发明实施例所公开的一种用于智能诊断学生知识能力的方法，预先将涉及的知识点分成多个类别，在本实施例中，仅以分成问题和文本两类，此处的问题是指在阅读学习过程中出现的问题，问题对应答案，现有技术中，问题和文本通常没有较大关联，只能知道哪些题型有问题，不能和文本中的知识点进行精准分析和推送。本发明旨在对学生在学习过程中的错误类型进行分类标定，通过服务器、计算机设备及其它相关网络设备的辅助，在学生进行测试时，根据学生的测试结果，确定学生对知识点的掌握程度，并针对不同类型有针对性的推送相应知识点给学生，如此，有利于学生检查自身的不足，老师也可以更有针对性的辅导，提高知识点掌握效率。

本发明的方法具体包括如下步骤：

步骤S1、将文本以不同的维度进行细化，所述维度包括文体、语法、逻辑、阅读量、以及考察的知识点等方面，或者还包括词汇等级、难度等级、题目类型、修辞等方面，对文本进行多维度划分。举例来说，文本的文体分类包括对文本是属于英语、经济、历史、数学等类型进行一个维度的细化区分；语法分类主要针对文体为英语的类型，包括涉及的语法是虚拟语气、主从复合句、助动词与情态动词、动词的时态与语态、反义疑问句等类型进行一个维度的细化区分；逻辑分类也主要针对英语文体，包括判断文本的逻辑是属于因果关系、转折关系、条件关系、递进关系等进行一个维度的细化区分；阅读量包括该文本被翻阅的次数、文本本身的字数、涵盖的单词量、某一词汇被阅读或者被引用的次数等信息；考察的知识点主要是针对所考察问题而言。按照不同的维度细化后定义为知识地图，此处的知识地图主要是指按照所定义的各个维度进行排列布局形成多维度、多线程关系，形成的知识地图储存在后台的服务器数据库中。比如，将每个语句分成四个维度，竖向排列，不同的语句形成多个竖向排列的多个维度，将这些竖列依次连接对应起来就形成了多行多列的表格形式，此表格可看做本发明中的知识地图。其中，针对所述知识地图上的每一个不同的句子根据其所在的维度进行添加数字标签，比如在标定第一个句子，给它添加数字标签“1”，也即第一个标定句子包含“G1、W1、L1”等，在标定第二个句子时，给它添加数字标签“2”，形成“G2、W2、L2”等”，以此类推，如此可避免标定重复，比如当标定的不同语句的知识点相同或者说其背后的维度数据相同时，不再重复标定，节省资源。

步骤S2、将文本以句子为单位，将句子设定上述步骤S1中的关键词，并按照类型对每个句子进行标定，该类型包括但不限于文体、语法、逻辑、阅读量、考察知识点等。此处，每一个句子都有大于一个维度的定义，每一个句子均与知识地图关联。也就是说，每一个句子至少包含两个维度，至少从该句子中能确定两个特征，比如：针对某一语句，能够确定该句子所属的文体、语法两个维度特征，针对另一语句，能够确定该句子所属的文体、语法、逻辑和词汇量四个维度特征。理论上，维度越多，划分的越精细，对后续的知识点推送越精确。在按照维度区分后，设定每一个维度的关键词，通过设定的关键词判断维度特征，比如定义语法的虚拟语气为Grammar 1(if，would)，当检索到某文本出现(if，would)类型时，判定为语法的虚拟语气类型。

步骤S3、学生在学习的过程中，点击某单词或者收藏某语句都会触发上述步骤S2中的数据。学生在阅读某文本过程中，点击某单词会被认定为学生将该单词确定为需要了解和学习的对象，收藏某语句也会被认定为将该语句确定为需要了解和学习的对象。在点击某单词或者收藏某语句，或者采用其它具有针对某语句(包含语句内的单词)的特定操作时会被系统检测到学生的具体操作时，都会触发上述步骤S2中的数据，也即将该句子所属维度进行一次记录。学生在不断学习过程中，多次点击单词或者收藏某语句会不断触发上述步骤S2中的数据，对该语句所属知识点所在维度进行多次交叉记录；而不同的语句可能涉及相同的语法、相同的逻辑等维度，而原则上，触发次数越多则将被认定为该知识点存在的缺陷越严重，后期进行知识点讲解推送的概率也将越大，背后数据的触发仍然是通过对某维度设定的关键词进行判定的。

步骤S4、学生做题，做题后答案数据会不断发送到服务器的数据库中，与数据库中预置答案进行比对，如果出现错误，则会自动激发做错的题目相关的句子及其背后的数据，背后的数据包括语法、逻辑、词汇量、考察知识点等多个维度，记录学生可能存在的知识点缺陷。此处的学生做题是学生通过客户端，包括智能手机、平板电脑、笔记本、台式计算机等相关电子设备触控点击做题。当用户做错题时，说明用户对于该题目背后的知识点有缺陷，后台服务器则会推送与错题相关的知识点，而该知识点通过不同的维度划分，推送更精准。

步骤S5、出现错题，会不断累积并激发该错题背后的数据，通过与标定句子背后的数据进行交叉比对，确诊学生遇到的知识点问题，并通过数据库比对，找到与该错题相同的题目和/或类似的句子，返回给客户端，推送给学生，进一步测试确诊问题。

步骤S6、服务器通过数据库中记录的知识地图对应的问题，主动推送与该知识点相关的视频讲解，并记录观察该知识点的数据变化，直到问题达标为准，如果该知识点没有达标，也就是说该知识点缺陷没有消除，则一直推送相关知识点给学生。

步骤S7、后台服务器还对数据库中的视频进行修改、删除或者增加，以替代讲解不好的视频，这样，使得推送的视频讲解更精确。

步骤S8、后台服务器在学生学习过程中，不断持续记录所有的学习行为产生的数据。这些数据主要是根据学生做题，以及学生收藏某语句相应产生。这些数据包括学生在语法、单词量、逻辑、文体类型、问题考察点等各维度数据。

在本发明的步骤中，还包括：通过大量用户数据的数据及学习时间的交叉对比，尤其是完成某科目的用户和未完成某科目的用户的数据对比，比如针对TOEFL，根据各自前期的学习时间、速度、准确率，进行对比分析，可以预测未完成用户的学习成绩及完成时间。

下表展示了本发明的一个应用实施例。

其中，G＝grammar(语法)，W＝word(单词量)，L＝logic(逻辑)，S＝style(文体)，Q＝question(问题考察点)，*＝警告(错误)；表中，竖列(G、W、L、S、Q)表示学生在做题过程中针对某一语句进行收藏或者点击某一单词时，产生的背后所有不同维度(五个维度)的数据，横排(G、W、L、S、Q)表示不同的语句涵盖的同一维度不同的知识点(9种)数据。上表实则也为本发明实施例中的知识地图的实例，知识地图以行列式表格展现，将每个语句分成语法、单词量、逻辑、文体类型、问题考察点五个维度，而不同的维度各自间也具有九种不同的类型，比如此表中将语法分为九种，逻辑关系划分为九种，问题考察点分为九种。本领域技术人员应当理解的是，关于维度划分以及不同维度间的各自类型，不限于本实施例所公开的模式，理论上，划分的维度越多，各个维度的类型分类越多，最后能够预判的知识点越精确。

从表中可看出，G2出现警告，证明学生在该语法上面存在缺陷，后台服务器则按照同类题目推送句子给客户端，并在此知识点基础上推送相应的视频讲解内容，同时，在知识地图上继续观察该知识点变化，主要观察警告是否还存在。如果G2不再出现问题，或者出现问题错误率极低，则警告消失，如果G2还出问题，则重新返回推送句子和视频讲解流程。

后台服务器根据错题每种类型的错误率进行推送，错误率越高，推送视频讲解的频率和概率越高。举例来说，选取某测试文章作为目标，学生完成测试，后台服务器统计每种类型的错误率，当某类型错误率大于0、小于20％时，设置推送率为10％；当某类型错误率大于20％、小于50％时，设置推送率为50％；当某类型错误率大于50％时，设置推送率为100％。当然，本领域技术人员应当理解的是，推送率和错误率的设定不限于上述所列举的方式。

与现有技术相比，本发明所公开的一种用于智能诊断学生知识能力的方法，通过设定知识地图，预先将所涉及的知识点分成多个类别，包括问题和文本，并且将知识地图的数据在文本的句子及问题背后加上数字标签，以示区分，通过后台服务器的辅助，在学生进行测试时，或者学习时点击文本的时候，实时根据学生的测试结果及实时点击的内容，产生大量数据到后台进行分析比对，确定学生对知识点的掌握程度，有针对性的进行推送，实现了问题(试题)和文本的有效关联，推送知识点更符合学生的薄弱环节，有利于学生检查自身的不足，老师更可以有针对性的进行辅导。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。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。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (9)

1.一种用于智能诊断学生知识能力的方法，其特征在于，所述方法包括：

步骤S1、将知识点分成多个类别，至少包含文本和问题；

步骤S2、将文本以句子为单位，将句子按照不同维度细化并形成知识地图，其中，每一个句子具有不小于一个维度的定义；

步骤S3、某句子被手动标定后，触发该句子背后的维度数据，并对触发的维度数据不断进行积累；

步骤S4、做题出现错误，后台服务器主动激发该错题相关的句子及其背后的维度数据；

步骤S5、后台服务器对出现的错题与手动标定的句子进行交叉比对，进一步确诊错题所涉及的知识点，并推送同类问题和/或类似句子给用户。

2.根据权利要求1所述的用于智能诊断学生知识能力的方法，其特征在于，所述方法还包括：通过知识地图中对应的问题，主动推送与该问题相应的知识点的视频讲解给用户。

3.根据权利要求2所述的用于智能诊断学生知识能力的方法，其特征在于，所述方法还包括：后台服务器记录观察该错题知识点背后的维度数据的变化，直到该维度数据达标后不再推送视频讲解。

4.根据权利要求3所述的用于智能诊断学生知识能力的方法，其特征在于，所述方法还包括：后台服务器对拟推送的讲解视频进行修改和替换。

5.根据权利要求1所述的用于智能诊断学生知识能力的方法，其特征在于，在上述步骤S2中，所述维度数据包含：文体类型、语法、逻辑关系、词汇等级、难度等级、修辞手法、阅读量、问题类型。

6.根据权利要求5所述的用于智能诊断学生知识能力的方法，其特征在于，对每一个句子设定各种维度类型的关键词，后台服务器通过所设关键词判断该句子所包含的维度数据。

7.根据权利要求1所述的用于智能诊断学生知识能力的方法，其特征在于，在步骤S3中，对某句子进行标定的方法包括点击某单词或者收藏某句子。

8.根据权利要求2所述的用于智能诊断学生知识能力的方法，其特征在于，后台服务器根据错题每种类型的错误率进行推送，错误率越高，推送讲解频率越高。

9.根据权利要求5所述的用于智能诊断学生知识能力的方法，其特征在于，对不同的标定句子还添加有数字标签。