CN108255812A - 基于语义标注的微积分能力测试题智能生成方法 - Google Patents

基于语义标注的微积分能力测试题智能生成方法 Download PDF

Info

Publication number
CN108255812A
CN108255812A CN201810040931.2A CN201810040931A CN108255812A CN 108255812 A CN108255812 A CN 108255812A CN 201810040931 A CN201810040931 A CN 201810040931A CN 108255812 A CN108255812 A CN 108255812A
Authority
CN
China
Prior art keywords
calculus
topic
knowledge point
algorithm
examination question
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.)
Granted
Application number
CN201810040931.2A
Other languages
English (en)
Other versions
CN108255812B (zh
Inventor
王艺
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.)
Southwest University
Original Assignee
Southwest University
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 Southwest University filed Critical Southwest University
Priority to CN201810040931.2A priority Critical patent/CN108255812B/zh
Publication of CN108255812A publication Critical patent/CN108255812A/zh
Application granted granted Critical
Publication of CN108255812B publication Critical patent/CN108255812B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06Q50/205—Education administration or guidance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Animal Behavior & Ethology (AREA)
  • Primary Health Care (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于语义标注的微积分能力测试题智能生成方法，属于计算机领域。该方法包括以下步骤：S1：构建微积分知识语义本体ClOnt；S2：语义标注微积分试题资源；S3：试题自动生成规则的构建；S4：能力测试评价；S5：基于语义标注的微积分能力测试。本发明以试题资源语义关联为基础，能够根据受试者的能力平水生成测试题，避免覆盖相同知识点的试题在试卷中重复出现，达到有效评价受试者能力的目的；不需要重新构建试题库，只需要构建微积分本体，该本体与试题库独立，可以用于标注任何微积分试题资源，从而减少了开发成本。

Description

基于语义标注的微积分能力测试题智能生成方法
技术领域
本发明属于计算机领域，涉及基于语义标注的微积分能力测试题智能生成方法。
背景技术
微积分是工科必修的专业基础课，其特点是知识点抽象且数量多，学习周期长，其试题有一定的计算量及难度，导致本科生学习效果不佳。在微积分课程学习过程中，亟需一种有效评测学生微积分能力的测试方法，以帮助学生及时发现知识点的掌握情况，从而更有针对性地学习，达到提高学习效果的目的。
现有的试题自动生成方法一般基于关系数据库如SQL Server或者Access等，根据用户设置的对题型的约束条件，例如：抽取选择题、填空题和计算题的数量等，通过检索关系数据库生成满足约束条件的试卷。这类试卷自动生成方法缺乏对试题内在关系的建模，从而无法根据试题所考察的知识点的依赖关系等生成试题，导致自动生成的试卷内容重复，覆盖知识点不完全且缺乏逻辑性，无法有效评测受试者的能力。
语义标注(Semantic Annotation)是利用语义本体对文档进行标记，通过文档的内容进行解析并根据相应的语义本体概念进行标记，实现对文档内容的管理。语义标注涉及语义网标准包括资源描述框架(Resource Description Framework)、网络本体语言(WebOntology Language)等，及自然语言处理(Natural Language Processing)技术。语义标注主要应用于文档的内容管理，包括分类和搜索，以及数据挖掘等。目前，语义标注在试卷自动生成方面的还没有应用方法。
发明内容
有鉴于此，本发明的目的在于提供一种基于语义标注的微积分能力测试题智能生成方法，目的是解决现有试题自动生成方法无法根据受试者的能力水平，智能地从题库中选择合适的题目，达到对答题者微积分能力有效评测的问题。本发明的关键在于通过构建微积分语义本体、并利用语义标注技术，构建试题资源之间的语义关联，再通过定义试题选择语义规则，从而实现根据受试者的能力水平智能地生成微积分试题，达到有效评价受试者微积分能力的目的。
为达到上述目的，本发明提供如下技术方案：
基于语义标注的微积分能力测试题智能生成方法，包括以下步骤：
S1：构建微积分知识语义本体ClOnt；
S2：语义标注微积分试题资源；
S3：试题自动生成规则的构建；
S4：能力测试评价；
S5：基于语义标注的微积分能力测试。
进一步，所述步骤S1具体为：
S101：确定微积分知识本体所包含的知识点；
S102：确定知识点间的关联；
S103：构建ClOnt本体的元素。
进一步，所述步骤S102具体为：知识点间的关联包括依赖关系、相关关系和包含关系；
所述依赖关系为：设知识点A和B有依赖关系：A依赖于B，即A的定义或者证明必须借助于B才能实现；
所述相关关系为：设知识点A和B有相关关系：A与B相关，即A和B在他们的定义或者证明中涉及到其他相同的知识点；
所述包含关系为：设知识点A和B有包含关系：A包含B，即B是A的子概念，是A的组成部分。
进一步，所述步骤S103具体为：
(1)构建Definition,Theorem,Law和Formula四个本体顶层类；
(2)将微积分知识点构建为ClOnt本体的实例，分别隶属于Definition,Theorem,Law和Formula四个类；在定义实例时，将知识点的中英文名称构建为实例的标签，用rdfs:label进行定义，实现中英双语本体；
(3)将知识点间的三种关系：依赖关系hasPrerequisite、相关关系relatedTo和包含关系inlcude分别构建为ClOnt本体的属性；其中，hasPrerequisite和inlcude属性定义为传递属性TransitiveProperty，relatedTo定义为对称关系SymmetricProperty；
(4)根据知识点间的关系构建实例之间的关联；
(5)基于OWL推理引擎SwiftOWLIM，对微积分语义本体ClOnt进行推理；推理基于所定义的属性hasPrerequisite和include的传递性，以及属性relatedTo的对称性。
进一步，所述步骤S2具体为：
S201：使用文本解析工具NERD对试题文本进行解析，生成文本实体集合E；
S202：使用文本匹配算法：字符串近似匹配算法n-gram和edit distance以及语言学算法将实体集合E中的实体与ClOnt实例进行匹配；
S203：根据匹配结果生成试题资源的标注，并存贮于RDF语义数据库。
进一步，所述步骤S3具体为：
利用Sparql语言，定义基于语义标注的智能试题抽取规则；
规则1：从试题库中选择与当前试题Qi相似的题目；所述相似指题目涉及到的知识点是相同的或者相关的；规则1由Algorithm 1实现；Algorithm 1依赖于知识点间的相关关系及包含关系，选择与当前试题Qi相似的题目，且返回结果限制为M个，M>0；
规则2：从试题库中选择当前题目Qi的前继题目；所述前继题目指该题目涉及到的知识点是Qi涉及知识点的基础；规则2由Algorithm 2实现；Algorithm 2依赖于知识点的依赖关系，选择当前试题的前继题目，且返回结果限制为N个，N>0；
规则3：从试题库中选择当前题目Qi的后继题目；所述后继题目指该题目涉及到的知识点以Qi涉及的知识点为基础；规则3由Algorithm 3实现；Algorithm 3依赖于知识点的依赖关系，选择当前试题Qi的后继题目，且返回结果限制为R个，R>0；
进一步，所述步骤S4具体为：
受试者的测试终止后，提供受试者的微积分成绩及知识点掌握评价；能力测试评价算法由算法4给出；能力测试评价结果包括答题的正确率以及所掌握的微积分知识点；
进一步，所述步骤S5具体为：
受试者开始测试后，系统首先随机选择一道试题测试，若受试者回答正确，系统基于算法1选择M个与前一试题相关的题目；若受试者回答错误，系统会基于算法2选择N个前一试题的前继题目；
根据M个试题的回答结果，若结果正确，则系统基于算法3选择R个后继题目；若回答错误，则基于算法2选择N个前继题目；
根据N个试题的回答结果，若结果正确，则系统基于算法1选择M个相关题目；若结果错误，则基于算法2选择N个前继题目；
根据N个试题的回答结果，若结果正确，则系统基于算法1选择M个相关题目；若结果错误，则基于算法2选择N个前继题目；若答题结束，系统则根据算法4给出受试者微积分能力测试的评价。
本发明的有益效果在于：本发明所提出的微积分试题智能生成方法与现有技术的主要区别是利用了语义标注技术，基于所构建的微积分本体对试题之间的语义关系进行了建模，并利用Sparql语言定义试题选择规则。本发明的优势主要有两点：(1)以试题资源语义关联为基础能够根据受试者的能力平水生成测试题，避免覆盖相同知识点的试题在试卷中重复出现，达到有效评价受试者能力的目的；(2)本方法不需要重新构建试题库，只需要构建微积分本体，该本体与试题库独立，可以用于标注任何微积分试题资源，从而减少了开发成本。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为ClOnt本体实例结构图；(a)为属于Definition类的实例；(b)为属于Theorem类、Formula类和Law类的实例；
图2为ClOnt本体部分实例关系图；
图3为本体关系推理原理；(a)为传递性关系推理；(b)为对称性关系推理；
图4为推理后的本体实例关系示意图；
图5为基于ClOnt本体对微积分试题的语义标注；
图6为基于语义标注的微积分能力测试流程图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
1.构建微积分知识语义本体
本发明采用国内外主流微积分教材：《高等数学》(同济大学数学系编写，高等教育出版，第七版)和《Thomas’Calculus》(Maurice D.Weir,Joel Hass，Pearson Education,Inc.，Thirteenth Edition,2016)作为微积分语义本体构建的依据。所构建的微积分语义本体ClOnt是中文和英文双语本体，以支持对中文及英文试题的语义标注。由于中英文教材的体系结构不同，部分知识点介绍的先后顺序不同，例如：中文教材《高等数学》先介绍不定积分再介绍定积分，而《Thomas’Calculus》先介绍定积分，再介绍不定积分。在构建微积分知识本体ClOnt时，不能照搬教材的知识体系，而应根据知识点间的依赖关系而建立。下面介绍ClOnt的构建方法。
(1)确定微积分知识本体所包含的知识点。表1列出了微积分知识本体所包含的62个单变量微分知识点的中英文名称。
表1单变量微积分知识点中英文名称
(2)确定知识点间的关联
知识点之间的关联是测试题智能生成的关键。本发明识别了下列三种关系。
(i)依赖关系。设知识点A和B有依赖关系：A依赖于B，即A的定义或者证明必须借助于B才能实现。例如，知识点“隐函数”依赖于“函数”，“导数”依赖于“函数的极限”。依赖关系是一种偏序关系，即它满足关系的自反性、传递性、和反对称性。
(ii)相关关系。设知识点A和B有相关关系：A与B相关，即A和B在他们的定义或者证明中涉及到其他相同的知识点。例如，知识点“驻点”与“极值”相关，“相关变化率”与“导数”相关。相关关系是一种相容关系，即它满足自反性和对称性，但不满足传递性。
(iii)包含关系。设知识点A和B有包含关系：A包含B，即B是A的子概念，是A的组成部分。例如，知识点“极值”包含“极大值”，“极值”包含“极小值”。包含关系是一种偏序关系，即它满足关系的自反性、传递性和反对称性。
(3)构建ClOnt本体的元素
ClOnt本体元素包括类、实例和属性。下面介绍在TopBraid Composer(TBC)Maestro Edition Version 4.2.1本体开发环境中构建ClOnt本体的类、实例和属性的方法。
(i)构建Definition,Theorem,Law,和Formula四个本体顶层类。表2列出了上述四个类的名称和其在本体中的定义。
表2 ClOnt本体顶层类定义
(ii)将表1中的微积分知识点构建为ClOnt本体的实例，分别隶属于Definition,Theorem,Law,和Formula四个类。图1是在TopBraid中显示ClOnt本体的实例及类结构图。图1(a)是属于Definition的实例，图1(b)是属于Theorem、Formula、和Law的实例，总共有62个实例。在定义实例时，将表1中知识点的中英文名称构建为实例的标签，用rdfs:label进行定义，实现中英双语本体。
(b)属于Theorem类、Formula类和Law类的实例
(iii)将知识点间的三种关系：依赖关系、相关关系和包含关系分别构建为ClOnt本体的属性。表3列出了根据1(2)中所述三种关系生成的三个相应本体属性的定义。注意到，hasPrerequisite和inlcude属性定义为传递属性：TransitiveProperty，relatedTo定义为对称关系SymmetricProperty.
表3 ClOnt本体属性定义
(iv)根据知识点间的关系构建实例之间的关联。例如：知识点“导数(derivative)”依赖于“函数的极限(limit of function)”，在语义本体中定义为：
:Derivative:hasPrerequisite:LimitOfFunction.
知识点“极值(local extrema)”包含“极小值(local minimum value)”和“极大值(local maximum value)”定义为：
:LocalExtrema:include:LocalMaximum,:LocalMinimum.
图2显示了ClOnt本体部分实例之间的关系图。
(v)基于OWL推理引擎SwiftOWLIM，对微积分语义本体ClOnt进行推理。推理主要基于所定义的属性hasPrerequisite和include的传递性，以及属性relatedTo的对称性。图3以图2中知识点导数(derivative)，函数的极限(limit offunction)，函数(function)，极值(local extrema)和最值(absolute extrema)之间的关系为例，显示了传递性和对称性的推理原理。(a)为传递性关系推理；(b)为对称性关系推理；图3中的实线箭头是定义的关系，虚线箭头表示由推理产生的实例间的关系。通过推理，图2中知识点中的关系变为图4中，即，知识点之间的关系得到扩张。
2.语义标注微积分试题资源
本发明利用ClOnt本体对微积分试题资源进行语义标注，从而实现利用ClOnt本体元素间的关系构建试题资源间的关系，最终实现测试题智能生成。图5是语义标注微积分试题资源的示意图。图5上方显示了ClOnt本体部分实例及关系，下方显示了三道微积分试题。通过文本解析算法对试题文本进行解析，提取出试题文本中的实体(entity)，即图5中试题的阴影部分，再利用ClOnt本体的实例对解析的文本实体标注，即图5的虚线箭头所示，从而将试题资源与ClOnt本体元素关联起来，生成了试题资源间的语义关系。语义标注具体过程如下：
(1)使用文本解析工具NERD(http://nerd.eurecom.fr/)对试题文本进行解析，生成文本实体集合E。例如，图5的试题Q2:“Find the limit ofthe function f(x)＝tanx/xas x approaches x＝0.”该题目文本解析结果为E＝{limit offunction}。图5试题文本的阴影部分显示了解析出的实体。
(2)使用文本匹配算法：字符串近似匹配算法n-gram和edit distance以及语言学算法将实体集合E中的实体与ClOnt实例进行匹配。例如：E＝{function,derivative}，实体“function”与本体实例Function匹配，实体“derivative”与本体实例Derivative匹配。上述文本匹配算法能够处理实体的动词、名词和形容词形式，将其与同义的实例匹配。例如，图5中，Q1文本中的实体differentiable与本体实例Derivative匹配。
(3)根据匹配结果生成试题资源的标注，并存贮于RDF语义数据库。图5中，Q1的文本被ClOnt本体的实例标注，因此Q1被该实例标注，最终生成相应的RDF数据：
:Q1:annotatedBy:Derivative.
类似地，根据Q2和Q3的文本标注结果，生成相应的RDF数据为：
:Q2:annotatedBy:LimitOfFunction.
:Q3:annotatedBy:LocalMinimum.
3.试题自动生成规则的构建
利用Sparql语言，下面定义基于语义标注的智能试题抽取规则。
规则1：从试题库中选择与当前试题Qi相似的题目。这里，相似指题目涉及到的知识点是相同的或者相关的。规则1由Algorithm 1实现。Algorithm 1依赖于知识点间的相关关系及包含关系，选择与当前试题Qi相似的题目，且返回结果限制为M个(M>0)。
规则2：从试题库中选择当前题目Qi的前继题目。这里，前继题目指该题目涉及到的知识点是Qi涉及知识点的基础。规则2由Algorithm 2实现。Algorithm 2依赖于知识点的依赖关系，选择当前试题的前继题目，且返回结果限制为N个(N>0)。
规则3：从试题库中选择当前题目Qi的后继题目。这里，后继题目指该题目涉及到的知识点以Qi涉及的知识点为基础。规则3由Algorithm 3实现。Algorithm 3依赖于知识点的依赖关系，选择当前试题Qi的后继题目，且返回结果限制为R个(R>0)。
4.能力测试评价方法
受试者的测试终止后，本发明所提出的能力测试方法能够提供受试者的微积分成绩及知识点掌握评价。能力测试评价算法由算法4给出。能力测试评价结果包括答题的正确率以及所掌握的微积分知识点。
5.基于语义标注的微积分能力测试题生成流程
图6是基于语义标注的微积分能力测试方法的流程图。受试者开始测试后，系统首先随机选择一道试题测试，若受试者回答正确，系统会基于算法1选择M个与前一试题相关的题目；若受试者回答错误，系统会基于算法2选择N个前一试题的前继题目。根据M个试题的回答结果，若结果正确则系统基于算法3选择R个后继题目；若回答错误，则基于算法2选择N个前继题目。根据N个试题的回答结果，若结果正确则系统基于算法1选择M个相关题目；若结果错误，则基于算法2选择N个前继题目。根据N个试题的回答结果，若结果正确则系统基于算法1选择M个相关题目；若结果错误，则基于算法2选择N个前继题目。若答题结束，系统则根据算法4给出受试者微积分能力测试的评价。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (8)

1.基于语义标注的微积分能力测试题智能生成方法，其特征在于：该方法包括以下步骤：
S1：构建微积分知识语义本体ClOnt；
S2：语义标注微积分试题资源；
S3：试题自动生成规则的构建；
S4：能力测试评价；
S5：基于语义标注的微积分能力测试。
2.根据权利要求1所述的基于语义标注的微积分能力测试题智能生成方法，其特征在于：所述步骤S1具体为：
S101：确定微积分知识本体所包含的知识点；
S102：确定知识点间的关联；
S103：构建ClOnt本体的元素。
3.根据权利要求2所述的基于语义标注的微积分能力测试题智能生成方法，其特征在于：所述步骤S102具体为：知识点间的关联包括依赖关系、相关关系和包含关系；
所述依赖关系为：设知识点A和B有依赖关系：A依赖于B，即A的定义或者证明必须借助于B才能实现；
所述相关关系为：设知识点A和B有相关关系：A与B相关，即A和B在他们的定义或者证明中涉及到其他相同的知识点；
所述包含关系为：设知识点A和B有包含关系：A包含B，即B是A的子概念，是A的组成部分。
4.根据权利要求2所述的基于语义标注的微积分能力测试题智能生成方法，其特征在于：所述步骤S103具体为：
(1)构建Definition,Theorem,Law和Formula四个本体顶层类；
(2)将微积分知识点构建为ClOnt本体的实例，分别隶属于Definition,Theorem,Law和Formula四个类；在定义实例时，将知识点的中英文名称构建为实例的标签，用rdfs:label进行定义，实现中英双语本体；
(3)将知识点间的三种关系：依赖关系hasPrerequisite、相关关系relatedTo和包含关系inlcude分别构建为ClOnt本体的属性；其中，hasPrerequisite和inlcude属性定义为传递属性TransitiveProperty，relatedTo定义为对称关系SymmetricProperty；
(4)根据知识点间的关系构建实例之间的关联；
(5)基于OWL推理引擎SwiftOWLIM，对微积分语义本体ClOnt进行推理；推理基于所定义的属性hasPrerequisite和include的传递性，以及属性relatedTo的对称性。
5.根据权利要求1所述的基于语义标注的微积分能力测试题智能生成方法，其特征在于：所述步骤S2具体为：
S201：使用文本解析工具NERD对试题文本进行解析，生成文本实体集合E；
S202：使用文本匹配算法：字符串近似匹配算法n-gram和edit distance以及语言学算法将实体集合E中的实体与ClOnt实例进行匹配；
S203：根据匹配结果生成试题资源的标注，并存贮于RDF语义数据库。
6.根据权利要求1所述的基于语义标注的微积分能力测试题智能生成方法，其特征在于：所述步骤S3具体为：
利用Sparql语言，定义基于语义标注的智能试题抽取规则；
规则1：从试题库中选择与当前试题Qi相似的题目；所述相似指题目涉及到的知识点是相同的或者相关的；规则1由Algorithm 1实现；Algorithm 1依赖于知识点间的相关关系及包含关系，选择与当前试题Qi相似的题目，且返回结果限制为M个，M>0；
规则2：从试题库中选择当前题目Qi的前继题目；所述前继题目指该题目涉及到的知识点是Qi涉及知识点的基础；规则2由Algorithm 2实现；Algorithm 2依赖于知识点的依赖关系，选择当前试题的前继题目，且返回结果限制为N个，N>0；
规则3：从试题库中选择当前题目Qi的后继题目；所述后继题目指该题目涉及到的知识点以Qi涉及的知识点为基础；规则3由Algorithm 3实现；Algorithm 3依赖于知识点的依赖关系，选择当前试题Qi的后继题目，且返回结果限制为R个，R>0；
7.根据权利要求1所述的基于语义标注的微积分能力测试题智能生成方法，其特征在于：所述步骤S4具体为：
受试者的测试终止后，提供受试者的微积分成绩及知识点掌握评价；能力测试评价算法由算法4给出；能力测试评价结果包括答题的正确率以及所掌握的微积分知识点；
8.根据权利要求7所述的基于语义标注的微积分能力测试题智能生成方法，其特征在于：所述步骤S5具体为：
受试者开始测试后，系统首先随机选择一道试题测试，若受试者回答正确，系统基于算法1选择M个与前一试题相关的题目；若受试者回答错误，系统会基于算法2选择N个前一试题的前继题目；
根据M个试题的回答结果，若结果正确，则系统基于算法3选择R个后继题目；若回答错误，则基于算法2选择N个前继题目；
根据N个试题的回答结果，若结果正确，则系统基于算法1选择M个相关题目；若结果错误，则基于算法2选择N个前继题目；
根据N个试题的回答结果，若结果正确，则系统基于算法1选择M个相关题目；若结果错误，则基于算法2选择N个前继题目；若答题结束，系统则根据算法4给出受试者微积分能力测试的评价。
CN201810040931.2A 2018-01-16 2018-01-16 基于语义标注的微积分能力测试题智能生成方法 Expired - Fee Related CN108255812B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810040931.2A CN108255812B (zh) 2018-01-16 2018-01-16 基于语义标注的微积分能力测试题智能生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810040931.2A CN108255812B (zh) 2018-01-16 2018-01-16 基于语义标注的微积分能力测试题智能生成方法

Publications (2)

Publication Number Publication Date
CN108255812A true CN108255812A (zh) 2018-07-06
CN108255812B CN108255812B (zh) 2021-03-23

Family

ID=62741372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810040931.2A Expired - Fee Related CN108255812B (zh) 2018-01-16 2018-01-16 基于语义标注的微积分能力测试题智能生成方法

Country Status (1)

Country Link
CN (1) CN108255812B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241534A (zh) * 2018-09-12 2019-01-18 重庆工业职业技术学院 一种基于文本ai学习的考题自动生成方法和装置
CN110599377A (zh) * 2019-09-16 2019-12-20 中国人民解放军国防科技大学 在线学习的知识点排序方法和装置
CN111564072A (zh) * 2020-06-09 2020-08-21 暗物智能科技(广州)有限公司 一种平面几何自动出题方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1585086A1 (en) * 2004-04-06 2005-10-12 Universidad Autonoma de Madrid Systems and method for the design and delivery of tests based on semantic annotations
CN104462228A (zh) * 2014-11-13 2015-03-25 中国信息安全测评中心 基于语义的注册信息安全人员认证能力测评方法及系统
CN105956144A (zh) * 2016-05-13 2016-09-21 安徽教育网络出版有限公司 一种多标签学习资源关联度定量计算方法
CN107169043A (zh) * 2017-04-24 2017-09-15 成都准星云学科技有限公司 一种基于标准答案的知识点自动提取方法及系统
CN107301163A (zh) * 2016-04-14 2017-10-27 科大讯飞股份有限公司 包含公式的文本语义解析方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1585086A1 (en) * 2004-04-06 2005-10-12 Universidad Autonoma de Madrid Systems and method for the design and delivery of tests based on semantic annotations
CN104462228A (zh) * 2014-11-13 2015-03-25 中国信息安全测评中心 基于语义的注册信息安全人员认证能力测评方法及系统
CN107301163A (zh) * 2016-04-14 2017-10-27 科大讯飞股份有限公司 包含公式的文本语义解析方法及装置
CN105956144A (zh) * 2016-05-13 2016-09-21 安徽教育网络出版有限公司 一种多标签学习资源关联度定量计算方法
CN107169043A (zh) * 2017-04-24 2017-09-15 成都准星云学科技有限公司 一种基于标准答案的知识点自动提取方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241534A (zh) * 2018-09-12 2019-01-18 重庆工业职业技术学院 一种基于文本ai学习的考题自动生成方法和装置
CN109241534B (zh) * 2018-09-12 2022-12-27 重庆工业职业技术学院 一种基于文本ai学习的考题自动生成方法和装置
CN110599377A (zh) * 2019-09-16 2019-12-20 中国人民解放军国防科技大学 在线学习的知识点排序方法和装置
CN111564072A (zh) * 2020-06-09 2020-08-21 暗物智能科技(广州)有限公司 一种平面几何自动出题方法及系统
CN111564072B (zh) * 2020-06-09 2022-02-01 暗物智能科技(广州)有限公司 一种平面几何自动出题方法及系统

Also Published As

Publication number Publication date
CN108255812B (zh) 2021-03-23

Similar Documents

Publication Publication Date Title
Gangemi et al. Frame-based detection of opinion holders and topics: a model and a tool
Gaeta et al. Ontology extraction for knowledge reuse: The e-learning perspective
Silva et al. Automatic question classifiers: A systematic review
Chergui et al. Integrating a Bayesian semantic similarity approach into CBR for knowledge reuse in Community Question Answering
Diab et al. Classification of questions and learning outcome statements (los) into blooms taxonomy (bt) by similarity measurements towards extracting of learning outcome from learning material
Sun et al. A WordNet-based near-synonyms and similar-looking word learning system
Gugnani et al. Generating unified candidate skill graph for career path recommendation
CN108021703B (zh) 一种谈话式智能教学系统
Santhanavijayan et al. Automatic generation of multiple choice questions for e-assessment
CN108255812A (zh) 基于语义标注的微积分能力测试题智能生成方法
Steinmetz et al. From natural language questions to SPARQL queries: a pattern-based approach
Atapattu et al. Automated extraction of semantic concepts from semi-structured data: Supporting computer-based education through the analysis of lecture notes
Zaiß Instance-based ontology matching and the evaluation of matching systems.
Wen et al. CQACD: A concept question-answering system for intelligent tutoring using a domain ontology with rich semantics
Sukkarieh et al. Auto-marking 2: An update on the UCLES-Oxford University research into using computational linguistics to score short, free text responses
Wang Construction of Intelligent Evaluation Model of English Composition Based on Machine Learning
Almotairi et al. Developing a Semantic Question Answering System for E-Learning Environments Using Linguistic Resources.
Pham et al. An intelligent searching system for academic courses of programming based on Ontology Query-Onto
Damljanovic Natural language interfaces to conceptual models
Singh et al. Computer application for assessing subjective answers using AI
Jain et al. Automatic extraction of prerequisites and learning outcome from learning material
Liu et al. PrimeNet: A framework for commonsense knowledge representation and reasoning based on conceptual primitives
Wisniewski et al. SeeQuery: An Automatic Method for Recommending Translations of Ontology Competency Questions into SPARQL-OWL
Almuayqil et al. Towards an ontology-based fully integrated system for student e-assessment
Arbizu Extracting knowledge from documents to construct concept maps

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210323

CF01 Termination of patent right due to non-payment of annual fee