CN108921349B - 一种基于贝叶斯网络预测做题错误位置的方法 - Google Patents
一种基于贝叶斯网络预测做题错误位置的方法 Download PDFInfo
- Publication number
- CN108921349B CN108921349B CN201810726199.4A CN201810726199A CN108921349B CN 108921349 B CN108921349 B CN 108921349B CN 201810726199 A CN201810726199 A CN 201810726199A CN 108921349 B CN108921349 B CN 108921349B
- Authority
- CN
- China
- Prior art keywords
- answering
- network node
- probability
- steps
- responder
- 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及机器学习技术领域,公开了一种基于贝叶斯网络预测做题错误位置的方法。通过本发明创造,提供了一种可在最小化人力成本的同时保证对作答者做题表现或做题错误位置预测精确性的估算方法,进而可为进行针对性的讲解提供更精确的信息,即相比于同类方法,可以提供细致到步骤级别的估计正确率,因此可以更加有效地预测当前学生在题目上的表现,评估当前学生的完成情况,而非传统粗糙的题目级别正确和错误。此外,该方法可以通过收集更多事实来修正当前的估计,因此可以根据需要的精度灵活调整需要收集的事实数量与类别,因此基本不会受到应用场景限制。
Description
技术领域
本发明属于机器学习技术领域,具体涉及一种可应用于教育行业的且基于贝叶斯网络预测做题错误位置的方法。
背景技术
在教育行业中,对学生在每道题目上进行表现预测,并正确评估学生在题目上的实际表现,是对学生进行更加针对性的讲解十分重要。
在传统方式下,这部分一般由讲解教师来完成。经验丰富的教师的确可以有效定位一道题目的易错点。但是每次做题都由教师进行分析会消耗大量的人力,并且考虑到目前教师与学生的比例,实际一位教师常常要负责多个学生,因此很难清楚记得每个学生的具体情况,最后给出的预测或估计的做题错误位置更加贴近大多数学生的平均水平。
目前常见的自动化预测则是根据学生本人的能力以及题目所需要的能力直接评估题目完成的正确率。该种评估方式解决了人力的问题,可以无人力干预情况下完成评估,然而该种评估方式只考虑了题目涉及的内容覆盖,而没有考虑题目本身的结构的影响,因此评估的结果准确度较低。同时,该方案也只能估计学生在整个题目上的正确率,而无法更加具体地估计在解题过程中会发生哪些问题,因此即使完成了评估,其结果的利用价值也并不高。
目前一种折中的方式是针对每道题目开发独立的分析方案,根据学生在当前题目场景下的交互结果一一进行判断,从而确定做题错误位置。但是也存在不少缺点:首先是该方案无法在用户尚未提供任何交互结果的情况下给出有意义的结果,其次是每个题目开发专门的分析方案则需要大量的人力资源,虽然看起来一劳永逸,但是开发这样的方案同时需要技术资源与教学资源,且题目之前没有可复用的内容,导致开发成本居高不下,基本不可能用在现实产品中。
发明内容
为了解决现有技术中所存在的上述问题,本发明目的在于提供一种基于贝叶斯网络预测做题错误位置的方法。
本发明所采用的技术方案为:
一种基于贝叶斯网络预测做题错误位置的方法,包括如下步骤:
S100.在数据库中预先存储作答者当前能力数据和作答试题的试题基本数据,其中,所述作答者当前能力数据包含作答者在各个知识点的当前能力值,所述试题基本数据包含具有至少两个解答步骤的标准答案、用于表达所有解答步骤先后验关系的拓扑序以及对应每个解答步骤的知识点、知识点难度值和知识点区分度值;
S101.针对作答试题的每个解答步骤,根据所述作答者当前能力数据和所述试题基本数据,计算得到相应的单独做对预测概率;
S102.根据作答试题的所述拓扑序构建贝叶斯网络,使每个网络节点对应一个解答步骤,并标记该网络节点的发生事件为“做对对应解答步骤”;
S103.针对贝叶斯网络中所有入度不为0的非起始网络节点,按照如下方式进行拆点:将该网络节点拆分为一对具有先后验关系的先验网络节点A和后验网络节点B,并标记该先验网络节点A的发生事件为“对应解答步骤的所有条件完备”,标记该后验网络节点B的发生事件为“做对对应解答步骤”,该后验网络节点B的后验概率设置为对应解答步骤的单独做对预测概率;
针对贝叶斯网络中所有入度为0的起始网络节点,设置对应的先验概率为对应解答步骤的单独做对预测概率;
S104.根据部分解答步骤的已知事实状态,设置在贝叶斯网络中且发生事件为“做对对应解答步骤”的对应网络节点的确定发生概率,其中,所述已知事实状态为核查成功或核查失败;
S105.对贝叶斯网络进行求解,推导出各个未设置确定发生概率的网络节点的预估发生概率,其中,未设置确定发生概率的网络节点与未确定已知事实状态的解答步骤对应;
S106.针对各个未确定已知事实状态的解答步骤,按照如下公式计算恰好在对应解答步骤做错的预测概率:
式中,pA为对应解答步骤的先验网络节点A的预估发生概率,pB为对应解答步骤的后验网络节点B的预估发生概率,p为对应解答步骤的起始网络节点的预估发生概率。
优化的,在所述步骤S101中,根据所述作答者当前能力数据和所述试题基本数据,计算得到解答步骤的单独做对预测概率的方法包括如下步骤:
从所述试题基本数据中查找到对应该解答步骤的知识点、知识点难度值和知识点区分度值,从所述作答者当前能力数据中查找到作答者在对应该解答步骤的知识点的当前能力值,然后将所述当前能力值、所述知识点难度值和所述知识点区分度值输入IRT数学模型,将该IRT数学模型的输出概率作为对应该解答步骤的单独做对预测概率。具体的,所述IRT数学模型为3参数Normal-ogive模型或3参数Logistic模型。
优化的,所述步骤S104包括如下步骤:
针对已知事实状态为核查成功的解答步骤,设置在贝叶斯网络中且发生事件为“做对对应解答步骤”的网络节点的确定发生概率为100%;
针对已知事实状态为核查失败的解答步骤,设置在贝叶斯网络中且发生事件为“做对对应解答步骤”的网络节点的确定发生概率为0%。
优化的,在所述步骤S104之前,还包括如下步骤:
针对新标记已知事实状态为核查成功的解答步骤,上调作答者在对应解答步骤的知识点的当前能力值,然后更新存储所述作答者当前能力数据。
优化的,在所述步骤S104之前,还包括如下步骤:
针对新标记已知事实状态为核查失败的解答步骤,下调作答者在对应该解答步骤的知识点的当前能力值,然后更新存储所述作答者当前能力数据。
进一步优化的,在更新存储所述作答者当前能力数据之后,重新执行步骤S101~S103。
优化的,在所述步骤S106之后,还包括如下步骤:
S107.将对应预测概率PER最大值的解答步骤作为首选做题错误位置。
优化的,在所述步骤S106之后,还包括如下步骤:
S108.通过人机交互,若存在新标记已知事实状态的解答步骤,则返回执行步骤S104~S106。
优化的,所述试题基本数据还包含题目内容、对应至少一个解答步骤的解题技巧和/或对应每个解答步骤的权重系数。
本发明的有益效果为:
(1)本发明创造提供了一种可在最小化人力成本的同时保证对作答者做题表现或做题错误位置预测精确性的估算方法,进而可为进行针对性的讲解提供更精确的信息;
(2)相比于同类方法,可以提供细致到步骤级别的估计正确率,因此可以更加有效地预测当前学生在题目上的表现,评估当前学生的完成情况,而非传统粗糙的题目级别正确和错误;
(3)该方法在预测中充分考虑了题目中步骤结构对正确率的影响,因此相比于传统的方法得到的结果更加准确;
(4)该方法不需要大量人力干涉,只需要根据步骤之间的依赖关系对题目进行设定,即可在无人干预下为任意学生进行有效评估,避免了过高的人力成本;
(5)该方法可以通过收集更多事实来修正当前的估计,因此可以根据需要的精度灵活调整需要收集的事实数量与类别,因此基本不会受到应用场景限制。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,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是本发明提供的基于贝叶斯网络预测做题错误位置的方法流程示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步阐述。在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,单独存在B,同时存在A和B三种情况,本文中术语“/和”是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A,单独存在A和B两种情况,另外,本文中字符“/”,一般表示前后关联对象是一种“或”关系。
实施例一
如图1所示,本实施例提供的所述基于贝叶斯网络预测做题错误位置的方法,包括如下步骤。
S100.在数据库中预先存储作答者当前能力数据和作答试题的试题基本数据,其中,所述作答者当前能力数据包含作答者在各个知识点的当前能力值,所述试题基本数据包含具有至少两个解答步骤的标准答案、用于表达所有解答步骤先后验关系的拓扑序以及对应每个解答步骤的知识点、知识点难度值和知识点区分度值。
在所述步骤S100中,所述解答步骤先后验关系是指对于解答步骤a和解答步骤b,若必须先做对解答步骤a,才能再做对解答步骤b,则解答步骤a与解答步骤b具有先后验关系:解答步骤a为先验步骤,解答步骤b为后验步骤。从而可以得到具有一定拓扑网络结构的且表达所有解答步骤先后验关系的拓扑序。此外,优化的,所述试题基本数据还可以包含题目内容、对应至少一个解答步骤的解题技巧和/或对应每个解答步骤的权重系数等。
S101.针对作答试题的每个解答步骤,根据所述作答者当前能力数据和所述试题基本数据,计算得到相应的单独做对预测概率。
在所述步骤S101中,所述单独做对预测概率是指作答者在该解答步骤所需要的条件(例如先做对位于拓扑序前面的所有先验步骤)完备的情况下正确作答该解答步骤的概率。优化的,对于计算得到解答步骤的单独做对预测概率的方法,可以但不限于包括如下步骤:从所述试题基本数据中查找到对应该解答步骤的知识点、知识点难度值和知识点区分度值,从所述作答者当前能力数据中查找到作答者在对应该解答步骤的知识点的当前能力值,然后将所述当前能力值、所述知识点难度值和所述知识点区分度值输入IRT数学模型,将该IRT数学模型的输出概率作为对应该解答步骤的单独做对预测概率。
所述IRT数学模型是基于IRT理论(Item Response Theory,项目反应理论,又称题目反应理论或潜在特质理论,是一系列心理统计学模型的总称)的且用来分析考试成绩或者问卷调查数据的现有数学模型。具体的,所述IRT数学模型可以但不限于为3参数Normal-ogive模型或3参数Logistic模型。
S102.根据作答试题的所述拓扑序构建贝叶斯网络,使每个网络节点对应一个解答步骤,并标记该网络节点的发生事件为“做对对应解答步骤”。
在所述步骤S102中,所述贝叶斯网络是一种基于贝叶斯理论的且由一个有向无环图(DAG)和条件概率表(CPT)组成拓扑网络结构,其通过一个有向无环图来表示一组随机变量跟它们的条件依赖关系,通过条件概率分布来参数化,每一个网络节点都通过P(node|Pa(node))来参数化,Pa(node)表示贝叶斯网络中的先验节点,因此构建的初始贝叶斯网络的拓扑网络结构与作答试题的拓扑序完全一致,该初始贝叶斯网络的网络节点的对应条件概率即为“在给定所有依赖解答步骤结果的情况下正确作答该解答步骤的概率”,即解答步骤的单独做对预测概率。
S103.针对贝叶斯网络中所有入度不为0的非起始网络节点,按照如下方式进行拆点:将该网络节点拆分为一对具有先后验关系的先验网络节点A和后验网络节点B,并标记该先验网络节点A的发生事件为“对应解答步骤的所有条件完备”,标记该后验网络节点B的发生事件为“做对对应解答步骤”,该后验网络节点B的后验概率设置为对应解答步骤的单独做对预测概率;针对贝叶斯网络中所有入度为0的起始网络节点,设置对应的先验概率为对应解答步骤的单独做对预测概率。
在所述步骤S103中,所述先验网络节点A的先验事件为对应解答步骤依赖的其他解答步骤的后验网络节点B或起始网络节点,在所有先验事件发生时,该先验网络节点A的条件概率为100%,否则为0%。所述后验网络节点B的先验事件为同一解答步骤对应的先验网络节点A,因此在所述先验网络节点A的事件发生时,所述后验网络节点B的条件概率(即后验概率)即为对应解答步骤的单独做对预测概率,而在所述先验网络节点A的事件未发生时,所述后验网络节点B的条件概率为0%。
S104.根据部分解答步骤的已知事实状态,设置在贝叶斯网络中且发生事件为“做对对应解答步骤”的对应网络节点的确定发生概率,其中,所述已知事实状态为核查成功或核查失败。
在所述步骤S104中,所述已知事实状态用于标识通过人机交互,作答者在对应解答步骤的确认结果,其中,核查成功表示作答者阅读了对应解答步骤的答案,并确认该解答步骤做对;核查失败表示作答者阅读了对应解答步骤的答案,并确认该解答步骤做错。此外,所述已知事实状态还可以有如下状态:校验失败,用于表示作答者对比了对应解答步骤的结论,但与最终答案的结论不一致,即该解答步骤有疑问;阅览答案,用于表示做答者并未作答到对应解答步骤,仅仅阅读了该解答步骤的答案。
由于做对或做错部分解答步骤,会反映作答者在对应知识点的当前能力值,因此为了进一步提升预测准确度,在所述步骤S104之前,还优选包括如下步骤:针对新标记已知事实状态为核查成功的解答步骤,上调作答者在对应解答步骤的知识点的当前能力值,然后更新存储所述作答者当前能力数据;针对新标记已知事实状态为核查失败的解答步骤,下调作答者在对应该解答步骤的知识点的当前能力值,然后更新存储所述作答者当前能力数据。并在更新存储所述作答者当前能力数据之后,重新执行步骤S101~S103。
在所述步骤S104中,优化的,可以但不限于包括如下步骤:
针对已知事实状态为核查成功的解答步骤,设置在贝叶斯网络中且发生事件为“做对对应解答步骤”的网络节点的确定发生概率为100%;
针对已知事实状态为核查失败的解答步骤,设置在贝叶斯网络中且发生事件为“做对对应解答步骤”的网络节点的确定发生概率为0%。
由此通过前述设置,对于作答者已经做对的解答步骤,其贝叶斯网络中的意义可表示对应后验网络节点B的事件最终发生(确定发生概率100%);做错同理,可表示对应后验网络节点B的事件最终未发生(确定发生概率0%)。若完全没有事实(即没有已知事实状态为核查成功或核查失败的解答步骤),则之后估计的结果是作答者做对每个解答步骤的概率;若已经具有部分事实(即有已知事实状态为核查成功或核查失败的解答步骤),则之后估计的结果是给定这些事实作为条件的做对每个解答步骤的条件概率。
S105.对贝叶斯网络进行求解,推导出各个未设置确定发生概率的网络节点的预估发生概率,其中,未设置确定发生概率的网络节点与未确定已知事实状态的解答步骤对应。
在所述步骤S105中,所述对贝叶斯网络进行求解的算法为现有算法。所述预估发生概率即为在对应解答步骤或按所述拓扑序顺序位于对应解答步骤之前的先验解答步骤均做对的预测概率。
S106.针对各个未确定已知事实状态的解答步骤,按照如下公式计算恰好在对应解答步骤做错的预测概率:
式中,pA为对应解答步骤的先验网络节点A的预估发生概率,pB为对应解答步骤的后验网络节点B的预估发生概率,p为对应解答步骤的起始网络节点的预估发生概率。
由此通过前述步骤S100~106,可以得到如下三种概率:作答者在各个解答步骤的单独做对预测概率、作答者到各个未确定已知事实状态的解答步骤为止仍未发生错误的预测概率(即在对应解答步骤或按所述拓扑序顺序位于对应解答步骤之前的先验解答步骤均做对的预测概率)和作答者恰好在各个对应未确定已知事实状态的解答步骤做错的预测概率。基于这三种概率,可以推算得到作答者在每一解答步骤上的错误概率,因此可以广泛利用于任何需要对学生在题目上表现预测的场合。此外,优化的,在所述步骤S106之后,还包括如下步骤:S107.将对应预测概率PER最大值的解答步骤作为首选做题错误位置,进而可以精确定位做题错误位置。
优化的,为了及时更新输出结果,在所述步骤S106之后,还包括如下步骤:S108.通过人机交互,若存在新标记已知事实状态的解答步骤,则返回执行步骤S104~S106。
综上,采用本实施例所提供的基于贝叶斯网络预测做题错误位置的方法,具有如下技术效果:
(1)本实施例提供了一种可在最小化人力成本的同时保证对作答者做题表现或做题错误位置预测精确性的估算方法,进而可为进行针对性的讲解提供更精确的信息;
(2)相比于同类方法,可以提供细致到步骤级别的估计正确率,因此可以更加有效地预测当前学生在题目上的表现,评估当前学生的完成情况,而非传统粗糙的题目级别正确和错误;
(3)该方法在预测中充分考虑了题目中步骤结构对正确率的影响,因此相比于传统的方法得到的结果更加准确;
(4)该方法不需要大量人力干涉,只需要根据步骤之间的依赖关系对题目进行设定,即可在无人干预下为任意学生进行有效评估,避免了过高的人力成本;
(5)该方法可以通过收集更多事实来修正当前的估计,因此可以根据需要的精度灵活调整需要收集的事实数量与类别,因此基本不会受到应用场景限制。
本发明不局限于上述可选的实施方式,任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制,本发明的保护范围应当以权利要求书中界定的为准,并且说明书可以用于解释权利要求书。
Claims (10)
1.一种基于贝叶斯网络预测做题错误位置的方法,其特征在于,包括如下步骤:
S100.在数据库中预先存储作答者当前能力数据和作答试题的试题基本数据,其中,所述作答者当前能力数据包含作答者在各个知识点的当前能力值,所述试题基本数据包含具有至少两个解答步骤的标准答案、用于表达所有解答步骤先后验关系的拓扑序以及对应每个解答步骤的知识点、知识点难度值和知识点区分度值;
S101.针对作答试题的每个解答步骤,根据所述作答者当前能力数据和所述试题基本数据,计算得到相应的单独做对预测概率;
S102.根据作答试题的所述拓扑序构建贝叶斯网络,使每个网络节点对应一个解答步骤,并标记该网络节点的发生事件为“做对对应解答步骤”;
S103.针对贝叶斯网络中所有入度不为0的非起始网络节点,按照如下方式进行拆点:将该网络节点拆分为一对具有先后验关系的先验网络节点A和后验网络节点B,并标记该先验网络节点A的发生事件为“对应解答步骤的所有条件完备”,标记该后验网络节点B的发生事件为“做对对应解答步骤”,该后验网络节点B的后验概率设置为对应解答步骤的单独做对预测概率;
针对贝叶斯网络中所有入度为0的起始网络节点,设置对应的先验概率为对应解答步骤的单独做对预测概率;
S104.根据部分解答步骤的已知事实状态,设置在贝叶斯网络中且发生事件为“做对对应解答步骤”的对应网络节点的确定发生概率,其中,所述已知事实状态为核查成功或核查失败;
S105.对贝叶斯网络进行求解,推导出各个未设置确定发生概率的网络节点的预估发生概率,其中,未设置确定发生概率的网络节点与未确定已知事实状态的解答步骤对应;
S106.针对各个未确定已知事实状态的解答步骤,按照如下公式计算恰好在对应解答步骤做错的预测概率:
式中,pA为对应解答步骤的先验网络节点A的预估发生概率,pB为对应解答步骤的后验网络节点B的预估发生概率,p为对应解答步骤的起始网络节点的预估发生概率。
2.如权利要求1所述的一种基于贝叶斯网络预测做题错误位置的方法,其特征在于,在所述步骤S101中,根据所述作答者当前能力数据和所述试题基本数据,计算得到解答步骤的单独做对预测概率的方法包括如下步骤:
从所述试题基本数据中查找到对应该解答步骤的知识点、知识点难度值和知识点区分度值,从所述作答者当前能力数据中查找到作答者在对应该解答步骤的知识点的当前能力值,然后将所述当前能力值、所述知识点难度值和所述知识点区分度值输入IRT数学模型,将该IRT数学模型的输出概率作为对应该解答步骤的单独做对预测概率。
3.如权利要求2所述的一种基于贝叶斯网络预测做题错误位置的方法,其特征在于,所述IRT数学模型为3参数Normal-ogive模型或3参数Logistic模型。
4.如权利要求1所述的一种基于贝叶斯网络预测做题错误位置的方法,其特征在于,所述步骤S104包括如下步骤:
针对已知事实状态为核查成功的解答步骤,设置在贝叶斯网络中且发生事件为“做对对应解答步骤”的网络节点的确定发生概率为100%;
针对已知事实状态为核查失败的解答步骤,设置在贝叶斯网络中且发生事件为“做对对应解答步骤”的网络节点的确定发生概率为0%。
5.如权利要求1所述的一种基于贝叶斯网络预测做题错误位置的方法,其特征在于,在所述步骤S104之前,还包括如下步骤:
针对新标记已知事实状态为核查成功的解答步骤,上调作答者在对应解答步骤的知识点的当前能力值,然后更新存储所述作答者当前能力数据。
6.如权利要求1所述的一种基于贝叶斯网络预测做题错误位置的方法,其特征在于,在所述步骤S104之前,还包括如下步骤:
针对新标记已知事实状态为核查失败的解答步骤,下调作答者在对应该解答步骤的知识点的当前能力值,然后更新存储所述作答者当前能力数据。
7.如权利要求5或6所述的一种基于贝叶斯网络预测做题错误位置的方法,其特征在于,在更新存储所述作答者当前能力数据之后,重新执行步骤S101~S103。
8.如权利要求1所述的一种基于贝叶斯网络预测做题错误位置的方法,其特征在于,在所述步骤S106之后,还包括如下步骤:
S107.将对应预测概率PER最大值的解答步骤作为首选做题错误位置。
9.如权利要求1所述的一种基于贝叶斯网络预测做题错误位置的方法,其特征在于,在所述步骤S106之后,还包括如下步骤:
S108.通过人机交互,若存在新标记已知事实状态的解答步骤,则返回执行步骤S104~S106。
10.如权利要求1所述的一种基于贝叶斯网络预测做题错误位置的方法,其特征在于,所述试题基本数据还包含题目内容、对应至少一个解答步骤的解题技巧和/或对应每个解答步骤的权重系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810726199.4A CN108921349B (zh) | 2018-07-04 | 2018-07-04 | 一种基于贝叶斯网络预测做题错误位置的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810726199.4A CN108921349B (zh) | 2018-07-04 | 2018-07-04 | 一种基于贝叶斯网络预测做题错误位置的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108921349A CN108921349A (zh) | 2018-11-30 |
CN108921349B true CN108921349B (zh) | 2020-11-10 |
Family
ID=64425099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810726199.4A Active CN108921349B (zh) | 2018-07-04 | 2018-07-04 | 一种基于贝叶斯网络预测做题错误位置的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921349B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598995B (zh) * | 2019-01-08 | 2020-11-17 | 上海健坤教育科技有限公司 | 基于贝叶斯知识跟踪模型的智能教学系统 |
CN110807469B (zh) * | 2019-09-19 | 2020-09-11 | 华中师范大学 | 融合长短时记忆与贝叶斯网络的知识追踪方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512770A (zh) * | 2015-12-17 | 2016-04-20 | 陕西师范大学 | 一种基于混合式分解技术的学生能力预测方法 |
US10776741B2 (en) * | 2015-12-29 | 2020-09-15 | Workfusion, Inc. | Task-level answer confidence estimation for worker assessment |
CN107644387A (zh) * | 2016-07-21 | 2018-01-30 | 上海莘越软件科技有限公司 | 一种针对初中平面几何思维过程的教学系统 |
CN106779079A (zh) * | 2016-11-23 | 2017-05-31 | 北京师范大学 | 一种基于多模型数据驱动的知识点掌握状态的预测系统及方法 |
CN107729440A (zh) * | 2017-09-29 | 2018-02-23 | 华北理工大学 | 一种基于贝叶斯网络的结构化文档检索模型及其检索方法 |
CN107967254B (zh) * | 2017-10-31 | 2021-05-04 | 科大讯飞股份有限公司 | 知识点预测方法及装置、存储介质、电子设备 |
CN108172050B (zh) * | 2017-12-26 | 2020-12-22 | 科大讯飞股份有限公司 | 数学主观题解答结果批改方法及系统 |
-
2018
- 2018-07-04 CN CN201810726199.4A patent/CN108921349B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108921349A (zh) | 2018-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378818B (zh) | 基于难度的个性化习题推荐方法、系统及介质 | |
CN111582694B (zh) | 一种学习评估方法及装置 | |
CN104835087B (zh) | 教育测试系统的数据处理方法及装置 | |
De La Torre | An empirically based method of Q‐matrix validation for the DINA model: Development and applications | |
CN111274411A (zh) | 课程推荐方法、装置、电子设备及可读存储介质 | |
US20220318941A1 (en) | Apparatus, system, and operation method thereof for evaluating skill of user through artificial intelligence model trained through transferrable feature applied to plural test domains | |
Conati | Bayesian student modeling | |
JP6807909B2 (ja) | データ評価方法、装置、機器及び読み取り可能な記憶媒体 | |
CN110807469A (zh) | 融合长短时记忆与贝叶斯网络的知识追踪方法及系统 | |
CN110929020B (zh) | 基于测试成绩的知识点掌握度分析方法 | |
CN108921349B (zh) | 一种基于贝叶斯网络预测做题错误位置的方法 | |
CN113851020A (zh) | 一种基于知识图谱的自适应学习平台 | |
JP2018205354A (ja) | 学習支援装置、学習支援システム及びプログラム | |
CN113379320A (zh) | 学习效果的评估方法、装置、设备及存储介质 | |
CN112905784A (zh) | 基于学生画像的个性化试题推荐方法 | |
CN114201684A (zh) | 一种基于知识图谱的自适应学习资源推荐方法及系统 | |
CN113409174A (zh) | 知识点测评方法和装置 | |
CN108921434B (zh) | 一种通过人机交互完成用户能力预测的方法 | |
CN116028702A (zh) | 学习资源推荐方法、系统及电子设备 | |
US20170206456A1 (en) | Assessment performance prediction | |
US20140255896A1 (en) | Automated testing and improvement of teaching approaches | |
CN115422457A (zh) | 一种基于教育云平台的试题随机生成方法及系统 | |
Mostafavi et al. | Data-Driven Proficiency Profiling. | |
Pominov et al. | Adaptive trainer for preparing students for mathematical exams | |
CN115984053A (zh) | 试题推荐方法、装置、电子设备和存储介质 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 1 / F cb101-017, building 8, yard 1, Zhongguancun East Road, Haidian District, Beijing Patentee after: Beijing Sita Intelligent Technology Co.,Ltd. Address before: 1 / F cb101-017, building 8, yard 1, Zhongguancun East Road, Haidian District, Beijing Patentee before: BEIJING XIZI EDUCATION TECHNOLOGY Co.,Ltd. |