CN109242103A - 适用于学习管理系统的知识点难度赋值处理方法及装置 - Google Patents
适用于学习管理系统的知识点难度赋值处理方法及装置 Download PDFInfo
- Publication number
- CN109242103A CN109242103A CN201810802757.0A CN201810802757A CN109242103A CN 109242103 A CN109242103 A CN 109242103A CN 201810802757 A CN201810802757 A CN 201810802757A CN 109242103 A CN109242103 A CN 109242103A
- Authority
- CN
- China
- Prior art keywords
- examination question
- information
- examination
- group data
- data set
- 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
Links
- 238000012545 processing Methods 0.000 title claims abstract description 10
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 30
- 239000012141 concentrate Substances 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 102100022523 Acetoacetyl-CoA synthetase Human genes 0.000 description 1
- 101000678027 Homo sapiens Acetoacetyl-CoA synthetase Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000000322 laser mass spectrometry Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种适用于学习管理系统的知识点难度赋值处理方法及装置。方法包括:接收用户发送的评估请求;根据评估请求生成试题集;接收用户解答试题集中每个试题的题目信息生成的答案信息,并生成答案信息与试题之间的第二对应关系;根据第一对应关系及第二对应关系逐一将每个试题的答案信息与正确答案信息进行比对,确定所有答案信息中正确的答案信息;确定每个正确的答案信息对应的第一试题;确定每个第一试题对应的级别信息;根据所有第一试题的级别信息以及试题集,得到用户的评估结果。达到了对学习风格、认知水平进行语义诊断,使学习资源和教学策略根据用户模型动态呈现,实现了资源共享、重用和个性化推荐的目的。
Description
技术领域
本申请涉及数据处理领域,具体而言,涉及一种适用于学习管理系统的知识点难度赋值处理方法及装置。
背景技术
目前,一些常见的学习管理系统(LMS),如Blackboard、WebCT、Moodle、SaKai等,提供给学习者的都是千篇一律的学习活动顺序和学习资源,而实际上,学习者是存在个性差异的,具有不同的学习风格、认知水平、学习动机、社会背景等。
因此,利用已有的学习资源实现重组推荐给不同的学习者已成为当前热点问题,许多研究者尤其是国外学者相继研发出能提供个性化服务的自适应学习系统,但多数系统中的用户模型研究都侧重于某一个方面,如注重从学习风格角度考虑,有采用蚁群算法和Kolb学习风格模型的AACS;该系统能够依据学习者属性(如学习风格和学习对象),将资源按照文本、视频、动画等类型和介绍性知识、专业性知识等层次,为学习者提供个性化学习资源;有首次基于Felder-Silverman学习风格量表的自适应教育超媒体系统CS383(Carver,Howard,andLane,1999),该系统能够根据学习者风格,如活跃型或思型、感悟型或直觉型、言语型或综合型,适应性地提供学习路径和学习资源,此后相关学习系统如MASPLANG(Pena,Marzo,,anddelaRosa,2002)、Tangow(Paredes&Rodriguez,2004)及LMSs[2](LSabineGraf,2007)也相继采用了Felder-Silverman学习风格量表实现个性化学习资源推荐;注重从认知水平角度考虑,有采用遗传算法的PELS(Chih-MingChen,2007)[3],该系统通过对学习者的前测、后测推断学习者认知能力,然后适应性地提供相应难度级别的学习对象,类似的还有ELM-ART(Weber,1996)[4]。
但是上述支持学习者个性化学习软件系统中用户模型构建得不完整性,无法对学习资源进行语义描述,无法实现对学习风格、认知水平进行语义诊断,进而无法使学习资源和教学策略根据用户模型动态呈现,以及资源共享、重用和个性化推荐等功能。
针对相关技术中存在的问题,目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种适用于学习管理系统的知识点难度赋值处理方法及装置,以解决相关技术中存在的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种适用于学习管理系统的知识点难度赋值处理方法。
根据本申请的适用于学习管理系统的知识点难度赋值处理方法包括:
接收用户发送的评估请求;
根据所述评估请求生成试题集;其中,试题集包括一个或多个试题;每个所述试题具有对应的级别信息及难度系数;所述试题包括:题目信息以及与所述题目信息对应的正确答案信息,并生成所述正确答案信息与试题之间的第一对应关系;
接收所述用户解答所述试题集中每个试题的题目信息生成的答案信息,并生成所述答案信息与试题之间的第二对应关系;
根据所述第一对应关系及第二对应关系逐一将每个试题的所述答案信息与正确答案信息进行比对,确定所有答案信息中正确的答案信息;
确定每个所述正确的答案信息对应的第一试题;
确定每个所述第一试题对应的级别信息;
根据所有所述第一试题的级别信息以及试题集,得到所述用户的评估结果。
进一步的,如前述的方法,所述根据所述第一对应关系及第二对应关系逐一将每个试题的所述答案信息与正确答案信息进行比对,包括:
通过第二对应关系确定所述答案信息对应的所述试题;
通过所述第一对应关系确定所述试题对应的正确答案信息;
通过语义识别和/或图像识别判断所述答案信息是否正确。
进一步的,如前述的方法,
预先生成第一试题组数据集、第二试题组数据集以及第三试题组数据集;其中,所述第一试题组数据集对应第一级别信息,所述第二试题组数据集对应第二级别信息,所述第三试题组数据集对应第三级别信息;
在每个试题组数据集中生成不同难度系数的试题;
确定所述试题与所述难度系数之间的第三对应关系;
确定所述试题与所述级别信息之间的第四对应关系。
进一步的,如前述的方法,所述根据所有所述第一试题的难度系数以及试题集,得到所述用户的评估结果;包括:
预先设置评估阈值信息;
根据所述第四对应关系确定所述试题集中每个级别信息对应的试题个数;
根据所述每个所述第一试题对应的级别信息确定每个级别信息对应的第一试题个数;
根据每个级别信息对应的试题个数及第一试题个数确定所述试题集中每个级别信息对应的所有试题的正确率;
根据所述第三对应关系确定各个试题的难度系数,并确定所述试题集中每个级别信息对应的所有试题的平均难度系数;
将所述每个级别信息对应的所有试题的正确率及平均难度系数与所述评估阈值信息进行对比,得到所述用户的评估结果。
进一步的,如前述的方法,根据所述评估请求生成试题集,包括:
分别从所述第一试题组数据集、第二试题组数据集以及第三试题组数据集中各调取三个试题;
根据所述从所述第一试题组数据集、第二试题组数据集以及第三试题组数据集中各调取的三个试题生成所述试题集。
为了实现上述目的,根据本申请的另一方面,提供了一种适用于学习管理系统的知识点难度赋值处理装置。
根据本申请的适用于学习管理系统的知识点难度赋值处理装置包括:
请求接收单元,用于接收用户发送的评估请求;
试题集生成单元,用于根据所述评估请求生成试题集;其中,试题集包括一个或多个试题;每个所述试题具有对应的级别信息及难度系数;所述试题包括:题目信息以及与所述题目信息对应的正确答案信息,并生成所述正确答案信息与试题之间的第一对应关系;
答案信息处理单元,用于接收所述用户解答所述试题集中每个试题的题目信息生成的答案信息,并生成所述答案信息与试题之间的第二对应关系;
答案信息判断单元,用于根据所述第一对应关系及第二对应关系逐一将每个试题的所述答案信息与正确答案信息进行比对,确定所有答案信息中正确的答案信息;
正确试题确定单元,用于确定每个所述正确的答案信息对应的第一试题;
第一试题信息确定单元,用于确定每个所述第一试题对应的级别信息;
评估单元,用于根据所有所述第一试题的级别信息以及试题集,得到所述用户的评估结果。
进一步的,如前述的装置,所述答案信息判断单元,包括:
试题确定模块,用于通过第二对应关系确定所述答案信息对应的所述试题;
正确答案信息确定模块,用于通过所述第一对应关系确定所述试题对应的正确答案信息;
判断模块,用于通过语义识别和/或图像识别判断所述答案信息是否正确。
进一步的,如前述的装置,还包括:试题生成单元;所述试题生成单元包括:
试题组数据集生成模块,用于预先生成第一试题组数据集、第二试题组数据集以及第三试题组数据集;其中,所述第一试题组数据集对应第一级别信息,所述第二试题组数据集对应第二级别信息,所述第三试题组数据集对应第三级别信息;
试题生成模块,用于在每个试题组数据集中生成不同难度系数的试题;
第三对应关系确定模块,用于确定所述试题与所述难度系数之间的第三对应关系;
第四对应关系确定模块,用于确定所述试题与所述级别信息之间的第四对应关系。
进一步的,如前述的装置,所述评估单元包括:
阈值设定模块,用于预先设置评估阈值信息;
第一数量确定模块,用于根据所述第四对应关系确定所述试题集中每个级别信息对应的试题个数;
第二数量确定模块,用于根据所述每个所述第一试题对应的级别信息确定每个级别信息对应的第一试题个数;
正确率确定模块,用于根据每个级别信息对应的试题个数及第一试题个数确定所述试题集中每个级别信息对应的所有试题的正确率;
平均难度系数确定模块,用于根据所述第三对应关系确定各个试题的难度系数,并确定所述试题集中每个级别信息对应的所有试题的平均难度系数;
评估结果确定模块,用于将所述每个级别信息对应的所有试题的正确率及平均难度系数与所述评估阈值信息进行对比,得到所述用户的评估结果。
进一步的,如前述的装置,所述试题集生成单元,包括:
试题调取模块,用于分别从所述第一试题组数据集、第二试题组数据集以及第三试题组数据集中各调取三个试题;
试题集生成模块,用于根据所述从所述第一试题组数据集、第二试题组数据集以及第三试题组数据集中各调取的三个试题生成所述试题集。
在本申请实施例中,采用通过结合试题难度及级别进行评估的方式,通过接收用户发送的评估请求;根据所述评估请求生成试题集;其中,试题集包括一个或多个试题;每个所述试题具有对应的级别信息及难度系数;所述试题包括:题目信息以及与所述题目信息对应的正确答案信息,并生成所述正确答案信息与试题之间的第一对应关系;接收所述用户解答所述试题集中每个试题的题目信息生成的答案信息,并生成所述答案信息与试题之间的第二对应关系;根据所述第一对应关系及第二对应关系逐一将每个试题的所述答案信息与正确答案信息进行比对,确定所有答案信息中正确的答案信息;确定每个所述正确的答案信息对应的第一试题;确定每个所述第一试题对应的级别信息;根据所有所述第一试题的级别信息以及试题集,得到所述用户的评估结果。达到了对学习风格、认知水平进行语义诊断,使学习资源和教学策略根据用户模型动态呈现,实现了资源共享、重用和个性化推荐的目的。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请一种实施例的方法流程示意图;
图2是根据如图1所述步骤S7的一种实施例的方法流程示意图;以及
图3是根据本申请一种实施例的装置功能模块连接示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中,术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例,并非用于限定所指示的装置、元件或组成部分必须具有特定方位,或以特定方位进行构造和操作。
并且,上述部分术语除了可以用于表示方位或位置关系以外,还可能用于表示其他含义,例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言,可以根据具体情况理解这些术语在本申请中的具体含义。
此外,术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如,可以是固定连接,可拆卸连接,或整体式构造;可以是机械连接,或电连接;可以是直接相连,或者是通过中间媒介间接相连,又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了实现上述目的,根据本申请的一个方面,提供了一种适用于学习管理系统的知识点难度赋值处理方法。
根据本申请的适用于学习管理系统的知识点难度赋值处理方法如图1所示,包括如下的步骤S1至步骤S7:
S1.接收用户发送的评估请求;一般的,所述评估请求可以时通过本地端对系统发送的,也可以是通过网络向远程的服务器发起;
S2.根据所述评估请求生成试题集;其中,试题集包括一个或多个试题;每个所述试题具有对应的级别信息及难度系数;所述试题包括:题目信息以及与所述题目信息对应的正确答案信息,并生成所述正确答案信息与试题之间的第一对应关系;一般的,所述试题与级别信息及难度系数之间具有唯一对应关系;且所述正确答案信息与试题之间也是唯一对应关系;
S3.接收所述用户解答所述试题集中每个试题的题目信息生成的答案信息,并生成所述答案信息与试题之间的第二对应关系;具体的,当用户对试题A进行解答生成答案信息B之后,建立所述A与B之间的第二对应关系;
S4.根据所述第一对应关系及第二对应关系逐一将每个试题的所述答案信息与正确答案信息进行比对,确定所有答案信息中正确的答案信息;
S5.确定每个所述正确的答案信息对应的第一试题;
S6.确定每个所述第一试题对应的级别信息;
S7.根据所有所述第一试题的级别信息以及试题集,得到所述用户的评估结果。
在一些实施例中,如前述的方法,所述步骤S4根据所述第一对应关系及第二对应关系逐一将每个试题的所述答案信息与正确答案信息进行比对,包括:
S41.通过第二对应关系确定所述答案信息对应的所述试题;
S42.通过所述第一对应关系确定所述试题对应的正确答案信息;
S43.通过语义识别和/或图像识别判断所述答案信息是否正确。
在一些实施例中,如前述的方法,还包括:
预先生成第一试题组数据集、第二试题组数据集以及第三试题组数据集;其中,所述第一试题组数据集对应第一级别信息,所述第二试题组数据集对应第二级别信息,所述第三试题组数据集对应第三级别信息;
在每个试题组数据集中生成不同难度系数的试题;
确定所述试题与所述难度系数之间的第三对应关系;
确定所述试题与所述级别信息之间的第四对应关系。
具体的,一种应用例可以是:按照布卢姆认知理论,将学生对知识的理解分6个等级,即知识、领会、应用、分析、综合、评价,按1到6的顺序程度不断加深,在SAELS中将知识理解等级设定为三个级别:识记、领会、运用(包含运用、分析、综合、评价),分别对应第一试题组数据集、第二试题组数据集以及第三试题组数据集;分别赋值属性值是1、2、3;对于某一级别的试题,其难度也有不同,不同难度的题对分析学生认知程度的贡献不同,在本申请中可以将难度级别D划分为3个级别,如易:D∈[0.8,1],中:D∈[0.4,0.7],难:D∈[0.1,0.3]。
在一些实施例中,如图2所示,所述步骤S7.根据所有所述第一试题的难度系数以及试题集,得到所述用户的评估结果;包括:
S71.预先设置评估阈值信息;
S72.根据所述第四对应关系确定所述试题集中每个级别信息对应的试题个数;
S73.根据所述每个所述第一试题对应的级别信息确定每个级别信息对应的第一试题个数;
S74.根据每个级别信息对应的试题个数及第一试题个数确定所述试题集中每个级别信息对应的所有试题的正确率;
S75.根据所述第三对应关系确定各个试题的难度系数,并确定所述试题集中每个级别信息对应的所有试题的平均难度系数;
S76.将所述每个级别信息对应的所有试题的正确率及平均难度系数与所述评估阈值信息进行对比,得到所述用户的评估结果。
具体的,在上述应用例的基础上:
1、若概念知识等级是识记,arank∈[0.4,1]且V∈{2/3,1},则推断学习者达到要求,推荐后续学习知识,未达到要求需要重新学习,同时系统推荐难度系数difficulty∈(0,1)稍微小点的学习资源,否则即使用户再次登录SAELS中,系统依然会继续推荐未达标知识。
2、若概念知识等级是领会,arank∈[0.4,1]且V∈{2/3,1}或arank∈[0.1,0.3]且V∈{1/3,2/3,1},则推断学习者达到要求,其中若arank∈[0.4,1]且V=1/3,则推荐建议重新学习,同时系统推荐难度系数difficulty∈(0,1)稍微小点的学习资源。
3、若概念知识等级是应用,arank∈[0.4,1]且V∈{2/3,1}或arank∈[0.1,0.3]且V∈{1/3,2/3,1},则推断学习者达到要求,其中若arank∈[0.4,1]且V=1/3,推荐建议重新学习,同时系统推荐难度系数小的学习资源。
其中实际累积计分(rscore)和参考值(rvalue)及平均难度级别(arank),示例如下表1所示。
表1
所谓实际累积计分是指学生回答正确试题个数与试题级别属性值的乘积值,如rscore=i*c(i是答案信息正确的个数,c∈{1,2,3});所谓参考值是指概念知识试题个数n(在SAELS中,n=3)与试题级别属性值的乘积值,如rvalue=n*c(c∈{1,2,3});所谓平均难度级别是指概念知识难度级别的平均值,即:arank=ni=1ΣDin(n=3,D∈[0.1,1])将计算出的实际累积计分与参考值比较,即rscore/rvalue,得到一个0-1之间的值V。
具体的,当一个用户完成测试后,且测试结果如上表1所示,且识记类概念知识arank=0.83∈[0.4,1],V=3/3=1∈{2/3,1},说明识记类知识点已掌握;领会类概念知识arank=0.53∈[0.4,1],V=4/6=2/3∈{2/3,1},说明领会类知识点已掌握;应用类概念知识arank=0.2∈[0.1,0.3],V=3/9=1/3∈{1/3,2/3,1},推荐建议重新学习同时系统推荐难度系数小的学习资源。当然,系统根据测验做出的判断调整每个概念知识测试题数、积累相对分数合格值、难度级别或者改变预设的目标层次,以便达到一个比较满意的效果。
在一些实施例中,如前述的方法,根据所述评估请求生成试题集,包括:
分别从所述第一试题组数据集、第二试题组数据集以及第三试题组数据集中各调取三个试题;
根据所述从所述第一试题组数据集、第二试题组数据集以及第三试题组数据集中各调取的三个试题生成所述试题集。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
根据本发明实施例,还提供了一种用于实施上述适用于学习管理系统的知识点难度赋值处理方法的适用于学习管理系统的知识点难度赋值处理装置,如图3所示,该装置包括:
请求接收单元1,用于接收用户发送的评估请求;
试题集生成单元2,用于根据所述评估请求生成试题集;其中,试题集包括一个或多个试题;每个所述试题具有对应的级别信息及难度系数;所述试题包括:题目信息以及与所述题目信息对应的正确答案信息,并生成所述正确答案信息与试题之间的第一对应关系;
答案信息处理单元3,用于接收所述用户解答所述试题集中每个试题的题目信息生成的答案信息,并生成所述答案信息与试题之间的第二对应关系;
答案信息判断单元4,用于根据所述第一对应关系及第二对应关系逐一将每个试题的所述答案信息与正确答案信息进行比对,确定所有答案信息中正确的答案信息;
正确试题确定单元5,用于确定每个所述正确的答案信息对应的第一试题;
第一试题信息确定单元6,用于确定每个所述第一试题对应的级别信息;
评估单元7,用于根据所有所述第一试题的级别信息以及试题集,得到所述用户的评估结果。
具体的,本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
在一些实施例中,如前述的装置,所述答案信息判断单元,包括:
试题确定模块,用于通过第二对应关系确定所述答案信息对应的所述试题;
正确答案信息确定模块,用于通过所述第一对应关系确定所述试题对应的正确答案信息;
判断模块,用于通过语义识别和/或图像识别判断所述答案信息是否正确。
具体的,本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
在一些实施例中,如前述的装置,还包括:试题生成单元;所述试题生成单元包括:
试题组数据集生成模块,用于预先生成第一试题组数据集、第二试题组数据集以及第三试题组数据集;其中,所述第一试题组数据集对应第一级别信息,所述第二试题组数据集对应第二级别信息,所述第三试题组数据集对应第三级别信息;
试题生成模块,用于在每个试题组数据集中生成不同难度系数的试题;
第三对应关系确定模块,用于确定所述试题与所述难度系数之间的第三对应关系;
第四对应关系确定模块,用于确定所述试题与所述级别信息之间的第四对应关系。
具体的,本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
在一些实施例中,如前述的装置,所述评估单元包括:
阈值设定模块,用于预先设置评估阈值信息;
第一数量确定模块,用于根据所述第四对应关系确定所述试题集中每个级别信息对应的试题个数;
第二数量确定模块,用于根据所述每个所述第一试题对应的级别信息确定每个级别信息对应的第一试题个数;
正确率确定模块,用于根据每个级别信息对应的试题个数及第一试题个数确定所述试题集中每个级别信息对应的所有试题的正确率;
平均难度系数确定模块,用于根据所述第三对应关系确定各个试题的难度系数,并确定所述试题集中每个级别信息对应的所有试题的平均难度系数;
评估结果确定模块,用于将所述每个级别信息对应的所有试题的正确率及平均难度系数与所述评估阈值信息进行对比,得到所述用户的评估结果。
具体的,本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
在一些实施例中,如前述的装置,所述试题集生成单元,包括:
试题调取模块,用于分别从所述第一试题组数据集、第二试题组数据集以及第三试题组数据集中各调取三个试题;
试题集生成模块,用于根据所述从所述第一试题组数据集、第二试题组数据集以及第三试题组数据集中各调取的三个试题生成所述试题集。
具体的,本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种适用于学习管理系统的知识点难度赋值处理方法,其特征在于,包括:
接收用户发送的评估请求;
根据所述评估请求生成试题集;其中,试题集包括一个或多个试题;每个所述试题具有对应的级别信息及难度系数;所述试题包括:题目信息以及与所述题目信息对应的正确答案信息,并生成所述正确答案信息与试题之间的第一对应关系;
接收所述用户解答所述试题集中每个试题的题目信息生成的答案信息,并生成所述答案信息与试题之间的第二对应关系;
根据所述第一对应关系及第二对应关系逐一将每个试题的所述答案信息与正确答案信息进行比对,确定所有答案信息中正确的答案信息;
确定每个所述正确的答案信息对应的第一试题;
确定每个所述第一试题对应的级别信息;
根据所有所述第一试题的级别信息以及试题集,得到所述用户的评估结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一对应关系及第二对应关系逐一将每个试题的所述答案信息与正确答案信息进行比对,包括:
通过第二对应关系确定所述答案信息对应的所述试题;
通过所述第一对应关系确定所述试题对应的正确答案信息;
通过语义识别和/或图像识别判断所述答案信息是否正确。
3.根据权利要求1所述的方法,其特征在于,
预先生成第一试题组数据集、第二试题组数据集以及第三试题组数据集;其中,所述第一试题组数据集对应第一级别信息,所述第二试题组数据集对应第二级别信息,所述第三试题组数据集对应第三级别信息;
在每个试题组数据集中生成不同难度系数的试题;
确定所述试题与所述难度系数之间的第三对应关系;
确定所述试题与所述级别信息之间的第四对应关系。
4.根据权利要求3所述的方法,其特征在于,所述根据所有所述第一试题的难度系数以及试题集,得到所述用户的评估结果;包括:
预先设置评估阈值信息;
根据所述第四对应关系确定所述试题集中每个级别信息对应的试题个数;
根据所述每个所述第一试题对应的级别信息确定每个级别信息对应的第一试题个数;
根据每个级别信息对应的试题个数及第一试题个数确定所述试题集中每个级别信息对应的所有试题的正确率;
根据所述第三对应关系确定各个试题的难度系数,并确定所述试题集中每个级别信息对应的所有试题的平均难度系数;
将所述每个级别信息对应的所有试题的正确率及平均难度系数与所述评估阈值信息进行对比,得到所述用户的评估结果。
5.根据权利要求3所述的方法,其特征在于,根据所述评估请求生成试题集,包括:
分别从所述第一试题组数据集、第二试题组数据集以及第三试题组数据集中各调取三个试题;
根据所述从所述第一试题组数据集、第二试题组数据集以及第三试题组数据集中各调取的三个试题生成所述试题集。
6.一种适用于学习管理系统的知识点难度赋值处理装置,其特征在于,包括:
请求接收单元,用于接收用户发送的评估请求;
试题集生成单元,用于根据所述评估请求生成试题集;其中,试题集包括一个或多个试题;每个所述试题具有对应的级别信息及难度系数;所述试题包括:题目信息以及与所述题目信息对应的正确答案信息,并生成所述正确答案信息与试题之间的第一对应关系;
答案信息处理单元,用于接收所述用户解答所述试题集中每个试题的题目信息生成的答案信息,并生成所述答案信息与试题之间的第二对应关系;
答案信息判断单元,用于根据所述第一对应关系及第二对应关系逐一将每个试题的所述答案信息与正确答案信息进行比对,确定所有答案信息中正确的答案信息;
正确试题确定单元,用于确定每个所述正确的答案信息对应的第一试题;
第一试题信息确定单元,用于确定每个所述第一试题对应的级别信息;
评估单元,用于根据所有所述第一试题的级别信息以及试题集,得到所述用户的评估结果。
7.根据权利要求6所述的装置,其特征在于,所述答案信息判断单元,包括:
试题确定模块,用于通过第二对应关系确定所述答案信息对应的所述试题;
正确答案信息确定模块,用于通过所述第一对应关系确定所述试题对应的正确答案信息;
判断模块,用于通过语义识别和/或图像识别判断所述答案信息是否正确。
8.根据权利要求6所述的装置,其特征在于,还包括:试题生成单元;所述试题生成单元包括:
试题组数据集生成模块,用于预先生成第一试题组数据集、第二试题组数据集以及第三试题组数据集;其中,所述第一试题组数据集对应第一级别信息,所述第二试题组数据集对应第二级别信息,所述第三试题组数据集对应第三级别信息;
试题生成模块,用于在每个试题组数据集中生成不同难度系数的试题;
第三对应关系确定模块,用于确定所述试题与所述难度系数之间的第三对应关系;
第四对应关系确定模块,用于确定所述试题与所述级别信息之间的第四对应关系。
9.根据权利要求8所述的装置,其特征在于,所述评估单元包括:
阈值设定模块,用于预先设置评估阈值信息;
第一数量确定模块,用于根据所述第四对应关系确定所述试题集中每个级别信息对应的试题个数;
第二数量确定模块,用于根据所述每个所述第一试题对应的级别信息确定每个级别信息对应的第一试题个数;
正确率确定模块,用于根据每个级别信息对应的试题个数及第一试题个数确定所述试题集中每个级别信息对应的所有试题的正确率;
平均难度系数确定模块,用于根据所述第三对应关系确定各个试题的难度系数,并确定所述试题集中每个级别信息对应的所有试题的平均难度系数;
评估结果确定模块,用于将所述每个级别信息对应的所有试题的正确率及平均难度系数与所述评估阈值信息进行对比,得到所述用户的评估结果。
10.根据权利要求8所述的装置,其特征在于,所述试题集生成单元,包括:
试题调取模块,用于分别从所述第一试题组数据集、第二试题组数据集以及第三试题组数据集中各调取三个试题;
试题集生成模块,用于根据所述从所述第一试题组数据集、第二试题组数据集以及第三试题组数据集中各调取的三个试题生成所述试题集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810802757.0A CN109242103A (zh) | 2018-07-20 | 2018-07-20 | 适用于学习管理系统的知识点难度赋值处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810802757.0A CN109242103A (zh) | 2018-07-20 | 2018-07-20 | 适用于学习管理系统的知识点难度赋值处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109242103A true CN109242103A (zh) | 2019-01-18 |
Family
ID=65072286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810802757.0A Pending CN109242103A (zh) | 2018-07-20 | 2018-07-20 | 适用于学习管理系统的知识点难度赋值处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242103A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852071A (zh) * | 2019-11-08 | 2020-02-28 | 科大讯飞股份有限公司 | 知识点检测方法、装置、设备及可读存储介质 |
CN111782815A (zh) * | 2019-04-04 | 2020-10-16 | 北京三好互动教育科技有限公司 | 一种知识测评的方法、装置、存储介质及电子设备 |
CN112668542A (zh) * | 2021-01-07 | 2021-04-16 | 上海艾因思萌信息科技有限公司 | 基于蚁群算法的幼儿互动学习编辑方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101582101A (zh) * | 2008-05-15 | 2009-11-18 | 梁昌年 | 利用计算机系统为用户提供个性化学习的方法及其装置 |
CN103914567A (zh) * | 2014-04-23 | 2014-07-09 | 北京奇虎科技有限公司 | 匹配目标试题答案的方法和装置 |
CN105787839A (zh) * | 2016-03-23 | 2016-07-20 | 成都准星云学科技有限公司 | 一种学习资源推送方法和装置 |
CN106407237A (zh) * | 2015-08-03 | 2017-02-15 | 科大讯飞股份有限公司 | 在线学习试题推荐方法及系统 |
CN107992595A (zh) * | 2017-12-12 | 2018-05-04 | 广东小天才科技有限公司 | 一种学习内容推荐方法、装置及智能设备 |
-
2018
- 2018-07-20 CN CN201810802757.0A patent/CN109242103A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101582101A (zh) * | 2008-05-15 | 2009-11-18 | 梁昌年 | 利用计算机系统为用户提供个性化学习的方法及其装置 |
CN103914567A (zh) * | 2014-04-23 | 2014-07-09 | 北京奇虎科技有限公司 | 匹配目标试题答案的方法和装置 |
CN106407237A (zh) * | 2015-08-03 | 2017-02-15 | 科大讯飞股份有限公司 | 在线学习试题推荐方法及系统 |
CN105787839A (zh) * | 2016-03-23 | 2016-07-20 | 成都准星云学科技有限公司 | 一种学习资源推送方法和装置 |
CN107992595A (zh) * | 2017-12-12 | 2018-05-04 | 广东小天才科技有限公司 | 一种学习内容推荐方法、装置及智能设备 |
Non-Patent Citations (2)
Title |
---|
万永权等: "反馈式个性化试题推荐方法", 《计算机应用与软件》 * |
朱天宇等: "基于认知诊断的个性化试题推荐方法", 《计算机学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111782815A (zh) * | 2019-04-04 | 2020-10-16 | 北京三好互动教育科技有限公司 | 一种知识测评的方法、装置、存储介质及电子设备 |
CN110852071A (zh) * | 2019-11-08 | 2020-02-28 | 科大讯飞股份有限公司 | 知识点检测方法、装置、设备及可读存储介质 |
CN110852071B (zh) * | 2019-11-08 | 2023-10-24 | 科大讯飞股份有限公司 | 知识点检测方法、装置、设备及可读存储介质 |
CN112668542A (zh) * | 2021-01-07 | 2021-04-16 | 上海艾因思萌信息科技有限公司 | 基于蚁群算法的幼儿互动学习编辑方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Weber et al. | Pedagogical Agents for Interactive Learning: A Taxonomy of Conversational Agents in Education. | |
US20160005323A1 (en) | Adaptive e-learning system and method | |
Elander et al. | Paradigms revisited: a quantitative investigation into a model to integrate objectivism and constructivism in instructional design | |
CN109242103A (zh) | 适用于学习管理系统的知识点难度赋值处理方法及装置 | |
KR102197752B1 (ko) | 맞춤형 자동 문항 생성을 통한 인공지능 기반 학습 방법 및 시스템 | |
Fourali | Using fuzzy logic in educational measurement: the case of portfolio assessment | |
Nuankaew et al. | Students model in different learning styles of academic achievement at the university of Phayao, Thailand | |
CN111831914A (zh) | 一种在线教育的智能推题系统 | |
JP3883795B2 (ja) | 受講講習会選定装置、受講講習会選定方法、及び記憶媒体 | |
Liyanage et al. | A framework for adaptive learning management systems using learning styles | |
Barria-Pineda et al. | Explaining need-based educational recommendations using interactive open learner models | |
Mamcenko et al. | On application of case-based reasoning to personalise learning | |
Blocksidge et al. | Adapting and evolving: Generation Z's information beliefs | |
JP6397146B1 (ja) | 学習支援装置及びプログラム | |
EP3834056A1 (en) | Live bi-directional video/audio feed generation between a consumer and a service provider | |
Anitha et al. | Proposing a novel approach for classification and sequencing of learning objects in E-learning systems based on learning style | |
KR101640867B1 (ko) | 기계학습 기반 학습자 맞춤형 학습과정 제공 방법 및 학습자 맞춤형 학습 시스템 | |
Castillo et al. | Adaptive Bayes for a student modeling prediction task based on learning styles | |
Rahma et al. | Towards a framework for building automatic recommendations of answers in MOOCs' Discussion Forums | |
CN109800880B (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 | |
Ufuophu-Biri et al. | The place of digital nativity and digital immigration on internet accessibility and usage by students and lecturers of tertiary institutions of learning in Delta State, Nigeria | |
Rezaei et al. | Prediction of learner’s appropriate online community of practice in question and answering website: similarity in interaction, interest, prior knowledge | |
CN109213927A (zh) | 学习资源推荐处理方法及装置 | |
Koh et al. | The Role of Nonverbal Communication in Asynchronous Talk Channels. | |
CN112287115A (zh) | 基于知识掌握程度图的个性化教学方法、系统及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |