CN109272160A - 分数预测系统及预测方法 - Google Patents
分数预测系统及预测方法 Download PDFInfo
- Publication number
- CN109272160A CN109272160A CN201811082931.5A CN201811082931A CN109272160A CN 109272160 A CN109272160 A CN 109272160A CN 201811082931 A CN201811082931 A CN 201811082931A CN 109272160 A CN109272160 A CN 109272160A
- Authority
- CN
- China
- Prior art keywords
- score
- student
- examination question
- examination
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 14
- 239000012141 concentrate Substances 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012015 optical character recognition Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000011020 pilot scale process Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- SBNFWQZLDJGRLK-UHFFFAOYSA-N phenothrin Chemical compound CC1(C)C(C=C(C)C)C1C(=O)OCC1=CC=CC(OC=2C=CC=CC=2)=C1 SBNFWQZLDJGRLK-UHFFFAOYSA-N 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
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—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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及自动化技术领域,具体涉及一种分数预测系统及预测方法,该系统包括:学生练习终端,学生练习终端用于根据学生做题的规律或试卷出题规律对试题库中的试题进行分数预测节点划分,然后将划分在两个分数预测节点之间的试题组成子节点集,之后统计学生完成对应子节点集中试题的个数生成练习试题数,再根据子节点集和学生练习试题数计算两者之间的占比值,并生成作答覆盖率;再然后根据试题来源的不同对试题不同来源的试题进行权重划分,并根据不同来源试题练习的正确率计算其节点题目分数,根据作答覆盖率、节点题目分数和平滑函数计算学生的子节点集预计获得分数作为预测分数的依据。
Description
技术领域
本发明涉及自动化技术领域,具体涉及一种分数预测系统及预测方法。
背景技术
考试是现代生活中每个人都经历过的一个过程,应试者往往会在考试之前对自己的能力进行模拟测试,而一个在线模拟测试系统成为了一个很重要的发展方向。
目前,主要的分数预测方法是通过真实的中学生数据和机器挖掘算法得到影响学生学业的关键因素。比如在校生的家庭背景以及在校行为。通过逻辑回归算法生成离线模型和学业指标评估报告,对学生的期末成绩进行预测,把训练好的离线模型应用到业务场景中去。该方案主要缺点在于,深度挖局算法需要通过学习已知的学生特征信息和真实分数间的关联生成模型,而实际情况是学生的上述信息(或称预测因子)对E端产品来说很难获得,使得预测因子获取不及时,影响预测分数的准确性;另外机器挖掘算法一般比较复杂,计算效率对并发量大的系统计算容易形成瓶颈。
发明内容
本发明目的在于提供一种分数预测系统,以增加E端产品获取预测因子的容易程度。
本发明提供的基础方案为:分数预测系统,包括:学生练习终端,学生练习终端用于根据学生做题的规律或试卷出题规律对试题库中的试题进行分数预测节点划分,然后将划分在两个分数预测节点之间的试题组成子节点集,之后统计学生完成对应子节点集中试题的个数生成练习试题数,再根据子节点集和学生练习试题数计算两者之间的占比值,并生成作答覆盖率;再然后根据试题来源的不同对试题不同来源的试题进行权重划分,并根据不同来源试题练习的正确率计算其节点题目分数,根据作答覆盖率、节点题目分数和平滑函数计算学生的子节点集预计获得分数作为预测分数的依据。
本发明的优点在于:
1、本方案中子节点集预计获得分数反应的是学生对子节点集中试题的掌握程度和熟练程度,且子节点集预计获得分数可以直接通过学生试题练习时的正确率和作答覆盖率计算得到,获取方便。与现有技术相比,现有技术中是通过学生在校行为和学生家庭背景作为预测因子进行学生分数预测,采用这种方式需要调查学生的家庭背景,同时也需要及时的反馈学生在校行为才能进行分数预测,若反馈不及时便会导致学生成绩预测不准确,由此可知,本方案中的获取预测因子更加方便。
2、若学生所完成的试题练习并不多,学生练习终端采集到的正确率等参数便对评判学生成绩贡献并不大,即这时候的正确率没有反应学生普遍知识掌握情况,此时进行分数预测便可能导致分数预测不准确,而平滑函数的增加,使得作答覆盖率不高时预测分数变化不敏感,增加预测的准确性。
3、由于不同来源的试题所侧重的知识点并不相同,即不同来源的试题所覆盖考试重点率并不相同,若学生完成的试题来源于覆盖考试重点率高的试题,则学生考试成绩可能会更好,所以根据试题来源的不同对试题不同来源的试题进行权重划分,并根据对不同来源试题练习的正确率计算其节点题目分数,之后根据作答覆盖率、节点题目分数和平滑函数计算学生的子节点集预计获得分数作为预测分数的依据,能够有效增加分数预测准确性。
进一步,所述学生练习终端包括题目作答覆盖率计算模块,所述题目作答覆盖率计算模块用于根据学生进行试题练习时所完成的试题和子节点集中试题总量之间计算作答覆盖率,计算时一个子节点集中试题总量大于最大预设值时子节点集中试题总量等于最大预设值。
对于知识点的掌握,一般都会具有一个临界点,这时候再进行试题的练习对学生能力的增加作用不大,所以计算作答覆盖率时子节点集大于最大预设值时子节点集的值等于最大预设值能有效增加分数预测准确性。
进一步,所述学生练习终端包括父节点集分数计算模块,所述父节点集分数计算模块用于根据各个节点集预计获得的分数以及不同节点集中试题数之间的比例关系计算各个节点之间的预计获得分数,然后生成父节点集预计获得分数作为预测分数的依据。
由于不同字节点集中试题数量并不一样,而不同的试题量便代表着学生能进行练习的试题量,学生能进行练习的试题量多,学生对该节点集对应的知识点掌握就能更牢固,所以不同节点集中试题数之间的比例关系计算父节点集预计获得分数作为预测分数的依据,进一步增加预测分数的准确性。且不同节点集中试题数之间的比例关系获取方便。
进一步,所述学生练习终端还包括能力维度得分更新计算模块,能力维度得分更新计算模块用于根据试卷中的不同题型对同一科目的试题库中所有试题进行分类,然后根据学生试题练习正误情况分别统计学生不同题型获得的分数,然后生成能力维度得分作为预测分数的依据;随着学生练习题目的正误情况的改变,能力维度得分将随之被迭代更新。
随着学生试题练习量的增加,学生对知识点的熟练掌握程度便增加,所以对学生的能力维度得分将随之被迭代更新,便于增加预测分数的准确性。
进一步,所述学生练习终端还包括考试预测分数计算模块,考试预测分数计算模块用于根据能力维度得分和地区能力维度权重系数计算考试预测分数。
由于不同地区的历史条件、学生教育环境和教学条件的不同,所以不同区域的学生应对不同题型的能力也就不同,根据地区能力维度权重系数计算最终的考试预测分数,进一步增加预测分数的准确性。
另外,针对分数预测系统,还提供了一种分数预测方法,包括如下步骤:
S1:根据科目考试题型进行分数预测节点划分,并将两个分数预测节点之间的试题个数生成子节点集;
S2:记录学生完成对应子节点集中试题练习的个数生成练习试题数,然后根据练习试题数和子节点集中试题个数之比计算学生的作答覆盖率;
S3:对试题的来源进行分类,然后将不同来源的试题根据对比重要性后进行权重的划分,并生成对应的权重系数,之后根据权重系数和每一个学生对每一种类别题型及知识点的掌握程度计算节点题目分数;
S4:根据作答覆盖率、节点题目分数和平滑函数计算学生在对应子节点集中的子节点集预计获得分数,然后根据子节点集预计获得分数以及不同节点集中试题量之间的比例关系计算各个节点之间的预计获得分数,并生成父节点集预计获得分数;
S5:根据试卷中的不同题型对同一科目的试题库中所有试题进行分类,然后根据学生试题练习正误情况分别统计学生不同题型获得的分数后生成能力维度得分,随着学生练习题目的正误情况的改变,对能力维度得分进行迭代更新;
S6:根据能力维度得分和地区能力维度权重系数计算考试预测分数。
步骤S1-S6能够准确的实现考试分数的预测,且计算过程简单,避免计算效率对并发量大的系统计算容易形成瓶颈的问题;另外,预测因子获取方便,预测分数准确性高。
附图说明
图1为本发明实施例一中分数预测系统的逻辑框图;
图2为本发明实施例一中分数预测方法的流程图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例一
如图1所示,分数预测系统包括:学生练习终端,学生练习终端包括:
试题库存储模块,用于分别存储各个学科试题,每一个学科的试题对应一个试题库,比如数学、语文和英语三门学科每一个学科对应一个试题库。
试题库练习模块,用于学生获取试题库中的试题,同时对试题进行显示供学生查看和进行试题练习。
节点划分模块,用于根据学生做题的规律或试卷出题规律进行分数预测节点划分,分数预测节点划分时可以根据同一个学生完成试题库中试题量进行划分,也可以根据学生做题时间进行试题划分,还可以根据学生课本学习的章节内容进行划分,另外还可以根据科目考试题型划分,不同的考试题型得分代表着不同能力的得分,比如英语学科能力要求具备听说读写看能力,而英语的听力便对应考核学生的听能力,英语口语考试便对应考核学生说的能力,单选、完形填空和英语阅读理解便对应考核学生读的能力,英语作文考核的便是学生写的能力。再比如,根据学生完成试题库中试题量进行分数预测节点划分时,当学生每完成五十个试题库中的试题练习则划分一个分数预测节点,即两个分数预测节点之间学生完成试题练习的个数为五十个;若根据学生做题时间进行分数预测节点划分,则以月为分数预测节点的划分,即每一个月结束的一天进行分数预测节点划分,两个分数预测节点之间学生所完成的试题练习的个数便是对应月份学生所完成试题练习的个数;若根据学生课本学习的章节内容(或科目考试题型)进行分数预测节点划分,则两个分数预测节点之间的试题个数为该学生课本中对应章节内容相关的试题,即将试题按照章节分类存储。本实施例下文中将以学生课本章节学习内容进行分数预测节点划分为例展开叙述,且本实施例中称两个分数预测节点之间的试题个数组成的集合为子节点集,且记为e。
试题完成记录模块,用于记录学生完成对应子节点集e中试题的个数,即学生每完成一个试题的练习则完成试题的个数便增加一个,本实施例中称学生完成对应子节点集e中试题的个数为练习试题数,且记为Cs。
题目作答覆盖率计算模块,用于计算学生进行试题练习时所完成的试题与子节点集e中试题总量之间的占比值,该占比值称为作答覆盖率且记为f。作答覆盖率f的具体计算公式如下:
其中,子节点集中试题总量c大于50(即最大预设值)时子节点集中试题总量c的值等于50。
试题来源分类模块,用于对存储到试题库内的所有试题按照不同来源进行分类,然后对分到同一个类别中的试题进行统一标记,不同类别中的试题标记并不相同。试题来源包括:课本章节内容相关的练习试题、模拟考试试卷中的试题以及历年考试真题等。
试题来源权重划分模块,用于根据试题来源对每一个类别的试题进行权重的划分,进行权重划分时通过对比不同类别中试题的重量性进行划分,不同类别的试题划分的权重称为权重系数,权重系数记为qi,不同类别的试题权重系数之和等于一,即其中n为试题的不同类别数。试题的重要性根据不同类别中的试题是否为考试重点进行判定,比如,历年考试真题中的试题覆盖所有考试重点,在权重划分时所占权重最大;而课本章节内容相关的练习试题由于涉及知识点只涉及该章节前面的章节学习内容,所含知识点单一,常常不会作为大型考试(中考、高考或期末考)试题的抽选范围,所以课本章节内容相关的练习试题和历年考试真题相比较,在权重划分时课本章节内容相关的练习试题权重划分更低。
节点题目分数计算模块,用于根据每一个学生对每一种类别试题知识点的掌握程度计算同一个学生在每一个类别能取得的得分率si(得分率根据学生试题练习时的正确率进行判断),然后根据学生所有类别能获得得分率计算节点题目分数,节点题目分数记为s,节点题目分数的计算公式如下:
其中,n为试题的不同类别数;得分率si的计算是根据学生在同一个子节点集中多次进行相同类别试题练习时获得的平均分值以及该类别试题的满分值smax计算获得的,得分率的计算公式如下:
子节点集分数计算模块,用于根据作答覆盖率f、节点题目分数S和平滑函数f(x)计算学生的子节点集预计获得分数,将子节点集预计获得分数记为d,将各个节点集预计获得分数记为di,子节点集预计获得分数计算公式如下:
d=f*S*f(x),x∈[0,1],f(x)∈[0,1]
其中,平滑函数用于平滑子节点集预计获得分数,使得作答覆盖率f较低时子节点集预计获得分数变化不大。
父节点集分数计算模块,用于根据各个节点集预计获得的分数di以及不同节点集中试题总量c之间的比例关系计算各个节点之间的预计获得分数,并根据分数生成父节点集预计获得分数,父节点集预计获得分数记为dp,父节点集预计获得分数dp的具体计算公式如下:
其中,m为子节点集数,ci为子节点集间的试题数比例。
能力维度得分更新计算模块,用于根据试卷中的不同题型对同一科目的试题库中所有试题进行分类(比如,英语考试包括口语、听力、阅读和作文五个题型),然后根据学生试题练习正误情况分别统计学生不同题型获得的分数,该分数称为能力维度得分,能力维度得分记为wi。试题练习正误情况指的是学生完成对应试题练习是否做正确。
考试预测分数计算模块,用于根据能力维度得分wi和地区能力维度权重系数计算考试预测分数,考试预测分数记为N,考试预测分数N的具体计算公式如下:
其中,k为题型数,地区能力维度权重系数是根据不同地区在对应题型的能力强度获取,由于不同地区的历史条件、学生教育环境和教学条件的不同,所以不同区域的学生对不同题型的完成能力也就不同。
另外,针对分数预测系统,如图2所示,本实施例还公开了一种分数预测方法,包括如下步骤:
步骤一、子节点集e生成:节点划分模块根据学生做题的规律进行分数预测节点划分,分数预测节点划分时可以根据同一个学生完成试题库中试题量进行划分,也可以根据学生做题时间进行试题划分,还可以根据学生课本学习的章节内容进行划分。本实施例中根据科目考试题型进行分数预测节点划分,则两个分数预测节点之间的试题个数为该题型对应的试题量;称两个分数预测节点之间的试题个数组成的集合为子节点集,且记为e,将子节点集中试题的总量记为c。
步骤二、试题完成记录:试题完成记录模块记录学生完成对应子节点集e中试题练习的个数,即学生每完成一个试题的练习则完成试题的个数便增加一个,称学生完成对应子节点集e中试题的个数为练习试题数,且记为Cs。
步骤三、作答覆盖率计算:题目作答覆盖率计算模块,用于计算学生进行试题练习时所完成的试题(练习试题数Cs)与子节点集中试题总量c之间的占比值,该占比值称为作答覆盖率且记为f。其中,子节点集中试题总量c大于50时子节点集中试题总量c的值等于50。
步骤四、试题来源分类:试题来源分类模块对存储到试题库内所有试题按照不同来源进行分类,然后对分到同一个类别中的试题进行统一标记,不同类别中的试题标记并不相同。试题来源包括:课本章节内容相关的练习试题、模拟考试试卷中的试题以及历年考试真题等。
步骤五、试题来源权重划分:试题来源权重划分模块根据试题来源对每一个类别的试题进行权重的划分,进行权重划分时通过对比不同类别中试题的重量性进行划分,不同类别的试题划分的权重称为权重系数,权重系数记为qi,不同类别的试题权重系数之和等于一,即其中n为试题的不同类别数。
步骤六、节点题目分数计算:节点题目分数计算模块根据每一个学生对每一种类别题型及知识点的掌握程度计算同一个学生在每一个类别能取得的得分率(根据学生练习时的正确率进行判断),然后根据学生所有类别能获得分数计算节点题目分数,节点题目分数记为s。
步骤七、子节点集分数计算:子节点集分数计算模块根据作答覆盖率f、节点题目分数S和平滑函数f(x)计算学生在对应子节点集中的子节点集预计获得分数,将子节点集预计获得分数记为d,将各个节点集预计获得分数记为di。
步骤八、父节点集分数计算:父节点集分数计算模块根据各个节点集预计获得分数di以及不同节点集中试题量c之间的比例关系计算各个节点之间的预计获得分数,该分数称为父节点集预计获得分数,父节点集预计获得分数记为dp。
步骤九、能力维度得分更新计算:能力维度得分更新计算模块根据试卷中的不同题型对同一科目的试题库中所有试题进行分类(比如,英语考试包括口语、听力、阅读和作文五个题型),然后根据学生试题练习正误情况分别统计学生不同题型获得的分数,该分数称为能力维度得分,能力维度得分记为wi。试题练习正误情况指的是学生完成对应试题练习是否做正确,随着学生练习题目的正误情况的改变,能力维度得分wi将随之被迭代更新。
步骤十、考试预测分数计算:考试预测分数计算模块根据能力维度得分wi和地区能力维度权重系数计算考试预测分数,考试预测分数记为N。
实施例二
实施例二与实施例一的区别在于,实施例二中的学生练习终端还包括:
考试分数获取模块,用于批改一个成绩后就将一项成绩录入到学生练习终端,成绩录入时可以将学生练习终端和现有的答题卡光标阅读机数据连接,在答题卡光标阅读机对一个学生答题卡进行扫描后便将对应学生的分数通过考试分数获取模块进行录入。成绩录入时也可以是试卷批改人员批改一个考试试卷后便录入一个学生的考试成绩。
考试分数平均计算模块,用于根据考试分数获取模块获取的学生考试分数进行平均分L的计算,然后将计算的平均分L除以总分数U获取考试分数正确率K0。
预测分数更新模块,用于将更新考试预测分数N,将不同学生之间的考试预测分数N进行平均预测成绩计算,平均预测成绩记为然后将考试满分T除以平均预测成绩得到平均获得分数比R;将考试预测分数计算模块计算的考试预测分数N记为N0,将预测分数更新模块更新的考试预测分数N记为Ni,考试预测分数Ni的计算公式为:
另外,本实施例中的分数预测方法与实施例一相比还包括如下步骤:
步骤十一:在实施例一中的步骤十后,当学生进行考试后,考试试卷阅卷期间,考试分数获取模块对学生的考试成绩进行录入,录入时可以根据题型进行录入,比如选择填空的答题卡通过答题卡光标阅读机进行录入。
步骤十二:考试分数平均计算模块对录入的成绩进行平均分计算。若录入的成绩是通过答题卡光标阅读机录入的,且录入的成绩是根据题型进行录入的,则将平均分数除以总分数U(总分数指的是已录入成绩的考试试题总分)后计算考试分数正确率K0。
步骤十三:预测分数更新模块根据考试预测分数计算模块计算得到的考试预测分数N计算不同学生之间的平均预测成绩然后将考试满分T除以平均预测成绩得到平均获得分数比R,之后根据考试分数正确率K0、考试预测分数N0和平均获得分数比R更新考试预测分数,更新后的考试预测分数记为Ni,考试预测分数Ni将随着考试分数平均计算模块计算的平均分L变化而迭代更新。
由于考生在考试后到考试成绩出来期间比较担忧自己的成绩,而本方案中在阅卷期间根据录入的考试分数再次对学生考试成绩进行预估,使得考试成绩预估更加准确,便于学生在考试完后但成绩没有出来期间查看自己的考试预测分数。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (6)
1.分数预测系统,其特征在于,包括:学生练习终端,学生练习终端用于根据学生做题的规律或试卷出题规律对试题库中的试题进行分数预测节点划分,然后将划分在两个分数预测节点之间的试题组成子节点集,之后统计学生完成对应子节点集中试题的个数生成练习试题数,再根据子节点集和学生练习试题数计算两者之间的占比值,并生成作答覆盖率;再然后根据试题来源的不同对试题不同来源的试题进行权重划分,并根据不同来源试题练习的正确率计算其节点题目分数,根据作答覆盖率、节点题目分数和平滑函数计算学生的子节点集预计获得分数作为预测分数的依据。
2.根据权利要求1所述的分数预测系统,其特征在于:所述学生练习终端包括题目作答覆盖率计算模块,所述题目作答覆盖率计算模块用于根据学生进行试题练习时所完成的试题和子节点集中试题总量之间计算作答覆盖率,计算时一个子节点集中试题总量大于最大预设值时子节点集中试题总量等于最大预设值。
3.根据权利要求2所述的分数预测系统,其特征在于:所述学生练习终端包括父节点集分数计算模块,所述父节点集分数计算模块用于根据各个节点集预计获得的分数以及不同节点集中试题数之间的比例关系计算各个节点之间的预计获得分数,然后生成父节点集预计获得分数作为预测分数的依据。
4.根据权利要求3所述的分数预测系统,其特征在于:所述学生练习终端还包括能力维度得分更新计算模块,能力维度得分更新计算模块用于根据试卷中的不同题型对同一科目的试题库中所有试题进行分类,然后根据学生试题练习正误情况分别统计学生不同题型获得的分数,然后生成能力维度得分作为预测分数的依据;随着学生练习题目的正误情况的改变,能力维度得分将随之被迭代更新。
5.根据权利要求4所述的分数预测系统,其特征在于:所述学生练习终端还包括考试预测分数计算模块,考试预测分数计算模块用于根据能力维度得分和地区能力维度权重系数计算考试预测分数。
6.一种分数预测方法,其特征在于,包括如下步骤:
S1:根据科目考试题型进行分数预测节点划分,并将两个分数预测节点之间的试题个数生成子节点集;
S2:记录学生完成对应子节点集中试题练习的个数生成练习试题数,然后根据练习试题数和子节点集中试题个数之比计算学生的作答覆盖率;
S3:对试题的来源进行分类,然后将不同来源的试题根据对比重要性后进行权重的划分,并生成对应的权重系数,之后根据权重系数和每一个学生对每一种类别题型及知识点的掌握程度计算节点题目分数;
S4:根据作答覆盖率、节点题目分数和平滑函数计算学生在对应子节点集中的子节点集预计获得分数,然后根据子节点集预计获得分数以及不同节点集中试题量c之间的比例关系计算各个节点之间的预计获得分数,并生成父节点集预计获得分数;
S5:根据试卷中的不同题型对同一科目的试题库中所有试题进行分类,然后根据学生试题练习正误情况分别统计学生不同题型获得的分数后生成能力维度得分,随着学生练习题目的正误情况的改变,对能力维度得分进行迭代更新;
S6:根据能力维度得分和地区能力维度权重系数计算考试预测分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811082931.5A CN109272160A (zh) | 2018-09-17 | 2018-09-17 | 分数预测系统及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811082931.5A CN109272160A (zh) | 2018-09-17 | 2018-09-17 | 分数预测系统及预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109272160A true CN109272160A (zh) | 2019-01-25 |
Family
ID=65188837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811082931.5A Pending CN109272160A (zh) | 2018-09-17 | 2018-09-17 | 分数预测系统及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272160A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948050A (zh) * | 2019-02-12 | 2019-06-28 | 东软集团股份有限公司 | 信息处理方法和装置,存储介质和电子设备 |
CN111222684A (zh) * | 2019-11-19 | 2020-06-02 | 浙江创课网络科技有限公司 | 一种基于大数据环境下的成绩预测系统 |
CN111737448A (zh) * | 2020-07-21 | 2020-10-02 | 江西理工大学南昌校区 | 基于答题时长的基础学科简答题的选题方法及系统 |
CN112380429A (zh) * | 2020-11-10 | 2021-02-19 | 武汉天有科技有限公司 | 一种习题推荐方法及装置 |
CN112419813A (zh) * | 2020-11-05 | 2021-02-26 | 马赫 | 一种考生考试试题呈现系统及方法 |
CN113628080A (zh) * | 2021-09-27 | 2021-11-09 | 腾讯科技(深圳)有限公司 | 一种分数预测方法、装置、存储介质和电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682768A (zh) * | 2016-12-08 | 2017-05-17 | 北京粉笔蓝天科技有限公司 | 一种答题分数的预测方法、系统、终端及服务器 |
CN108428073A (zh) * | 2018-05-21 | 2018-08-21 | 刘仕博 | 一种用于教师教学质量的智能评价系统 |
CN108510816A (zh) * | 2018-03-30 | 2018-09-07 | 重庆智考信息技术有限公司 | 在线学习系统及方法 |
-
2018
- 2018-09-17 CN CN201811082931.5A patent/CN109272160A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682768A (zh) * | 2016-12-08 | 2017-05-17 | 北京粉笔蓝天科技有限公司 | 一种答题分数的预测方法、系统、终端及服务器 |
CN108510816A (zh) * | 2018-03-30 | 2018-09-07 | 重庆智考信息技术有限公司 | 在线学习系统及方法 |
CN108428073A (zh) * | 2018-05-21 | 2018-08-21 | 刘仕博 | 一种用于教师教学质量的智能评价系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948050A (zh) * | 2019-02-12 | 2019-06-28 | 东软集团股份有限公司 | 信息处理方法和装置,存储介质和电子设备 |
CN109948050B (zh) * | 2019-02-12 | 2021-04-02 | 东软集团股份有限公司 | 信息处理方法和装置,存储介质和电子设备 |
CN111222684A (zh) * | 2019-11-19 | 2020-06-02 | 浙江创课网络科技有限公司 | 一种基于大数据环境下的成绩预测系统 |
CN111222684B (zh) * | 2019-11-19 | 2023-10-20 | 上海零寅信息科技有限公司 | 一种基于大数据环境下的成绩预测系统 |
CN111737448A (zh) * | 2020-07-21 | 2020-10-02 | 江西理工大学南昌校区 | 基于答题时长的基础学科简答题的选题方法及系统 |
CN111737448B (zh) * | 2020-07-21 | 2020-11-17 | 江西理工大学南昌校区 | 基于答题时长的基础学科简答题的选题方法及系统 |
CN112419813A (zh) * | 2020-11-05 | 2021-02-26 | 马赫 | 一种考生考试试题呈现系统及方法 |
CN112380429A (zh) * | 2020-11-10 | 2021-02-19 | 武汉天有科技有限公司 | 一种习题推荐方法及装置 |
CN113628080A (zh) * | 2021-09-27 | 2021-11-09 | 腾讯科技(深圳)有限公司 | 一种分数预测方法、装置、存储介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272160A (zh) | 分数预测系统及预测方法 | |
CN112508334B (zh) | 融合认知特性及试题文本信息的个性化组卷方法及系统 | |
CN107230174B (zh) | 一种基于网络的在线互动学习系统和方法 | |
Bekele et al. | A bayesian approach to predict performance of a student (bapps): A case with ethiopian students | |
Stapel et al. | An Ensemble Method to Predict Student Performance in an Online Math Learning Environment. | |
Jayakodi et al. | WordNet and cosine similarity based classifier of exam questions using bloom’s taxonomy | |
CN107657559A (zh) | 一种中文阅读能力测评方法及系统 | |
Asanbe et al. | Teachers’ performance evaluation in higher educational institution using data mining technique | |
CN103544393B (zh) | 追踪儿童语言能力发展的方法 | |
CN107274020A (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 | |
CN106960245A (zh) | 一种基于认知过程链的个体知识评价方法及系统 | |
CN112184089B (zh) | 试题难度预测模型的训练方法、装置、设备及存储介质 | |
CN113851020A (zh) | 一种基于知识图谱的自适应学习平台 | |
CN114579760A (zh) | 一种基于学生错题知识点自适应阶段学习系统 | |
CN114429212A (zh) | 智能学习知识能力跟踪方法、电子设备及存储介质 | |
Al Husaini et al. | Factors affecting students’ academic performance: A review | |
Sorour et al. | Evaluation of effectiveness of time-series comments by using machine learning techniques | |
Ali | Early Assessment of Student's Learning Outcomes using Prediction Model under Outcome-Based Education System. | |
CN114925610A (zh) | 一种学习者知识结构与水平建模方法、系统、设备及终端 | |
CN108921434A (zh) | 一种通过人机交互完成用户能力预测的方法 | |
CN115409257A (zh) | 一种基于条件密度估计模型的成绩分布预测方法及系统 | |
CN114386327A (zh) | 一种基于深度学习的高校专业课程成绩预测方法 | |
Rüdian et al. | Automatic Feedback for Open Writing Tasks: Is this text appropriate for this lecture? | |
CN112766765A (zh) | 基于区间中智理论的专业学习能力评价方法及系统 | |
Gorin et al. | Test design with higher order cognition in mind |
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: 20190125 |
|
RJ01 | Rejection of invention patent application after publication |