CN109816265A - 知识特征掌握度的评价方法、题目推荐方法及电子设备 - Google Patents
知识特征掌握度的评价方法、题目推荐方法及电子设备 Download PDFInfo
- Publication number
- CN109816265A CN109816265A CN201910105420.9A CN201910105420A CN109816265A CN 109816265 A CN109816265 A CN 109816265A CN 201910105420 A CN201910105420 A CN 201910105420A CN 109816265 A CN109816265 A CN 109816265A
- Authority
- CN
- China
- Prior art keywords
- topic
- feature
- knowledge
- knowledge feature
- answer
- 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
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及学习管理技术领域,具体涉及知识特征掌握度的评价方法、题目推荐方法及电子设备,其中评价方法包括获取各个题目的信息以及各个题目对应的答题信息;对题目所涉及的知识特征进行编码处理,以构建答题特征分布;获取已学习知识特征的掌握度信息;掌握度信息包括每个已学习知识特征的掌握度;根据题目的得分率以及已学习知识特征掌握度信息,确定答题特征分布中知识特征的掌握度。通过将每道题目拆分成多个知识特征,针对每道题目的知识特征进行掌握度评价;通过已学习知识特征的掌握度以及当前所答题目的得分率确定相应的知识特征的掌握度,提高了所得到的知识特征掌握度的准确性,并达到实时更新的目的。
Description
技术领域
本发明涉及学习管理技术领域,具体涉及知识特征掌握度的评价方法、题目推荐方法及电子设备。
背景技术
随着大数据分析技术近年来的快速发展发展,对于大数据的有效利用成为了在线教育领域面临的首要技术问题之一。在大数据技术的支持下,基于学习数据分析的个性化内容推荐、自适应学习等服务应运而生。
基于学习数据分析的直观体现为所学习的题目对应的知识特征掌握度,对于知识特征掌握度进行评价时,现有技术中一般是基于学习者在教学大纲、教材章节或知识点下的学习表现对其知识掌握度进行评价。
上述知识特征是基于教学大纲、教学章节下进行知识掌握度的评价的。但是对于每道题目而言,其所涉及到的知识特征可能是属于不同的教学章节,那么利用现有的知识特征掌握度评价方法,难以对一道题目的多个知识特征(例如教材章节、知识点、题目结构、题型等)同时进行分析。
发明人在基于上述技术问题进行研究时,提出了针对题目所涉及的知识特征进行掌握度的评价。具体地,每次计算一名学生的掌握度都需要调取其所有的答题记录,利用所有的答题记录针对题目所涉及的知识特征进行掌握度的评价。然而,该评价方法会存在学生做题顺序对其掌握度的影响,例如学生存在多次答题,前几次掌握度较低,后几次掌握度很高,实际上他大概率已经掌握了这个知识点。但由于该评价方法利用所有答题记录计算,得出的会是中等掌握度,从而导致准确性低,实时性差。
发明内容
有鉴于此,本发明实施例提供了一种知识特征掌握度的评价方法、题目推荐方法及电子设备,以解决对知识特征掌握度的评价准确性较低的问题。
根据第一方面,本发明实施例提供了一种知识特征掌握度的评价方法,包括:
获取各个题目的信息以及各个题目对应的答题信息;其中,所述题目的信息包括题目所涉及的知识特征,所述答题信息包括所述题目的得分率;
对所述题目所涉及的知识特征进行编码处理,以构建答题特征分布;
获取已学习知识特征的掌握度信息;其中,所述掌握度信息包括每个已学习知识特征的掌握度;
根据所述题目的得分率以及所述已学习知识特征掌握度信息,确定所述答题特征分布中知识特征的掌握度。
结合第一方面,在第一方面第一实施方式中,所述根据所述题目的得分率以及所述已学习知识特征的掌握度信息,确定所述答题特征分布中的知识特征的掌握度,包括:
对应于所述答题特征分布中的每个知识特征,从所述各个题目对应的答题信息中提取包含所述知识特征的题目的得分率,以得到所述知识特征的初始掌握度;
基于提取出的题目的得分率,计算所述知识特征对应的综合题目得分率;
判断所述已学习知识特征中是否包括所述题目所涉及的知识特征;
当所述已学习知识特征中包括所述题目所涉及的知识特征时,从所述已学习知识特征的掌握度信息中提取对应于所述知识特征的初始掌握度;
利用所述综合题目得分率以及所述初始掌握度,确定所述答题特征分布中知识特征的掌握度。
结合第一方面第一实施方式,在第一方面第二实施方式中,所述根据所述题目的得分率以及所述已学习知识特征的掌握度信息,确定所述答题特征分布中的知识特征的掌握度,还包括:
当所述已学习知识特征中不包括所述题目所涉及的知识特征时,设置所述知识特征的初始掌握度为所述知识特征对应的综合题目得分率。
结合第一方面第二实施方式,在第一方面第三实施方式中,所述基于提取出的题目的得分率,计算所述知识特征对应的综合题目得分率,包括:
获取对应于所述提取出的题目的预设权重;
利用所述提取出的题目的得分率以及所述提取出的题目的预设权重,计算所述综合题目得分率。
结合第一方面第三实施方式,在第一方面第四实施方式中,所述题目的信息还包括题目的难度;其中,所述获取对应于所述提取出的题目的预设权重,包括:
利用所述提取出的题目的得分率以及所述题目的难度,计算所述提取出的题目的预设权重。
结合第一方面第四实施方式,在第一方面第五实施方式中,采用如下公式计算所述提取出的题目的预设权重:
αi=βbz+βtz1×|di-(1-ni)|;其中,ni=1-Ci;
式中,i为所述提取出的题目的序号,i=1,2,…,N,N为所述提取出的题目的总数;αi为所述提取出的题目i的预设权重;βbz为标准权重;βtz1为第一权重调整系数;βbz以及βtz1为常数,且βtz1大于0;di为所述提取出的题目i的得分率,所述得分率为题目得分与题目总分的比值;ni为所述提取出的题目i的难度;Ci是常数,为所述题目i的平均得分率。
结合第一方面第三实施方式,在第一方面第六实施方式中,所述题目的信息还包括题目的重要性参数;其中,所述获取对应于所述提取出的题目的预设权重,包括:
利用所述题目的重要性参数,计算所述提取出的题目的预设权重。
结合第一方面第六实施方式,在第一方面第七实施方式中,采用如下公式计算所述提取出的题目的预设权重:
αi=βbz+βtz2×zi;
式中,i为所述提取出的题目的序号,i=1,2,…,N,N为所述提取出的题目的总数;αi为所述提取出的题目i的预设权重;βbz为标准权重;βtz2为第二权重调整系数;βbz以及βtz2为常数,且βtz2大于0;zi为所述提取出的题目i的重要性参数。
结合第一方面第三实施方式,在第一方面第八实施方式中,采用如下公式计算所述综合题目得分率:
式中,dzh为综合题目得分率;i为所述提取出的题目的序号,i=1,2,…,N,N为所述提取出的题目的总数;αi为所述提取出的题目i的预设权重;di为所述提取出的题目i的得分率。
结合第一方面第二实施方式,在第一方面第九实施方式中,所述利用所述综合题目得分率以及初始掌握度,确定所述答题特征分布中知识特征的掌握度,包括:
获取更新权重;
利用所述更新权重、所述综合题目得分率以及初始掌握度,计算所述答题特征分布中知识特征的掌握度。
结合第一方面第九实施方式,在第一方面第十实施方式中,所述获取更新权重,包括:
基于所述答题特征分布,确定本次答题数;所述本次答题数为所述答题特征分布中包含所述知识特征的题目数;
利用所述本次答题数,计算所述更新权重。
结合第一方面第十实施方式,在第一方面第十一实施方式中,采用如下公式计算所述更新权重:
式中,G为所述更新权重,当G>1时,G取1;Cd为所述本次答题数;Cys为预设答题数阈值且为正整数。
结合第一方面第九实施方式,在第一方面第十二实施方式中,所述获取更新权重,包括:
获取本次答题与上次答题的时间间隔;
利用所述时间间隔,计算所述更新权重。
结合第一方面第十二实施方式,在第一方面第十三实施方式中,采用如下公式计算所述更新权重:
G=G0+Cyw×Δt;
式中,G为所述更新权重,当G>1时,G取1;G0为大于0且小于1的常数,表示预设基准权重;Cyw为大于0的常数,表示遗忘系数;Δt为答题时间间隔。
结合第一方面第十实施方式至第十三实施方式中任一项,在第一方面第十四实施方式中,采用如下公式计算所述答题特征分布中知识特征的掌握度:
ZW=ZW0×(1-G)+dzh×G;
式中,ZW为所述更新后的所述答题特征分布中知识特征的掌握度;ZW0为所述初始掌握度;G为所述更新权重;dzh所述综合题目得分率。
结合第一方面,在第一方面第十五实施方式中,对所述各个题目所涉及的知识特征进行编码处理,以构建答题特征分布,包括:
获取知识特征列表;所述知识特征列表中的知识特征为所述各个题目所涉及的知识特征以及所述掌握度信息中的知识特征的并集;
在所述知识特征列表中,标记出所述各个题目所涉及的知识特征,以构建所述答题特征分布。
结合第一方面,在第一方面第十六实施方式中,所述对所述各个题目所涉及的知识特征进行编码处理,以构建答题特征分布,还包括:
获取与所述各个题目所涉及的知识特征具有相关性的知识特征;
在所述知识特征列表中,对应于每个所述题目标记出所述具有相关性的知识特征。
结合第一方面第十五实施方式或第十六实施方式,在第一方面第十七实施方式中,所述对所述各个题目所涉及的知识特征进行编码处理,以构建答题特征分布,还包括:
获取所述各个题目所涉及的知识特征的上级知识特征;
在所述知识特征列表中,对应于每个所述题目标记出所述上级知识特征。
结合第一方面,在第一方面第十八实施方式中,所述掌握度信息还包括对应于每个已学习知识特征的已答题数;其中,所述方法还包括:
基于所述答题特征分布,确定本次答题数;所述本次答题数为所述答题特征分布中包含所述知识特征的题目数;
计算所述已答题数与本次答题数之和,以得到总答题数;
根据所述总答题数,对所述答题特征分布中知识特征的掌握度进行调整。
结合第一方面第十八实施方式,在第一方面第十九实施方式中,采用如下公式计算调整后的掌握度:
式中,ZWt为调整后的掌握度;ZW为所述答题特征分布中知识特征的掌握度;Cz为所述总答题数;Cmys为正整数,表示预设目标答题数。
根据第二方面,本发明实施例还提供了一种题目推荐方法,包括:
根据本发明第一方面,或第一方面任一项实施方式中所述的知识特征掌握度的评价方法,确定答题者对至少一个知识特征的掌握度;
利用所述至少一个知识特征的掌握度,确定题库中待选题目的分数;其中,所述待选题目为包含所述知识特征的题目;
基于所述待选题目的分数,进行题目推荐。
结合第二方面,在第二方面第一实施方式中,所述基于所述待选题目的分数,进行题目推荐,包括:
当所述待选题目的分数小于第一阈值时,从所述题库中提取题目难度小于第二阈值且题目重要性大于第三阈值的待选题目;
对提取出的待选题目按照分数从低到高进行推荐。
结合第二方面,在第二方面第二实施方式中,所述基于所述待选题目的分数,进行题目推荐,包括:
从题库中提取题目难度小于第二阈值且题目重要性大于第三阈值的待选题目;
对提取出的待选题目按照分数从低到高推荐预设数量的题目。
结合第二方面,在第二方面第三实施方式中,所述基于所述待选题目的分数,进行题目推荐,包括:
当所述待选题目的分数大于第一阈值时,从所述题库中提取题目难度大于第二阈值且题目重要性大于第三阈值的待选题目;
对提取出的待选题目按照分数从低到高进行推荐。
结合第二方面,在第二方面第三实施方式中,所述基于所述待选题目的分数,进行题目推荐,包括:
从题库中提取题目难度大于第二阈值且题目重要性大于第三阈值的待选题目;
对提取出的待选题目按照分数从低到高推荐预设数量的题目。
结合第二方面、第二方面第一实施方式至第三实施方式中任一项,在第二方面第二实施方式中,所述题库中待选题目的分数为所述知识特征掌握度的平均值,或所述知识特征掌握度的最小值,或所述知识特征掌握度的最大值中的一种。
根据第三方面,本发明实施例还提供了一种电子设备,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行本发明第一方面,或第一方面任一项实施方式中所述的知识特征掌握度的评价方法或本发明第二方面,或第二方面任一项实施方式中所述的题目推荐方法。
根据第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行本发明第一方面,或第一方面任一项实施方式中所述的知识特征掌握度的评价方法或本发明第二方面,或第二方面任一项实施方式中所述的题目推荐方法。
本发明实施例提供的技术方案,具有如下有益效果:
1.本发明实施例提供的知识特征掌握度的评价方法,通过对题目所涉及的知识特征进行编码处理,即将每道题目拆分成多个知识特征,针对每道题目的知识特征进行掌握度评价;此外,通过已学习知识特征的掌握度以及当前所答题目的得分率确定相应的知识特征的掌握度,可以实现在每道或多道题目答完之后确定知识特征的掌握度,提高了所得到的知识特征掌握度的准确性,达到实时更新的目的。
2.本发明实施例提供的知识特征掌握度的评价方法,利用题目中所涉及的知识特征、与题目所涉及知识特征具有相关性的知识特征、题目所涉及知识特征的上级知识特征构建答题特征分布,极大程度地包含了题目所涉及的知识特征相关或有关联关系的知识特征,提高了所得到的知识特征掌握度的准确性。
3.本发明实施例提供的知识特征掌握度的评价方法,利用总答题数对答题特征分布中知识特征的掌握度进行调整,进一步提高了所得到的知识特征掌握度的准确性。
4.本发明实施例提供的题目推荐方法,利用知识特征的掌握度确定题库中待选题目的分数进行题目推荐,将题库中待选题目的分数与知识特征的掌握度结合,使得所推荐的题目符合答题者的弱点巩固或拓展提高的需求。
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是根据本发明实施例的知识特征掌握度的评价方法的流程图;
图2是根据本发明实施例的知识特征掌握度的评价方法的流程图;
图3是根据本发明实施例的知识特征掌握度的评价方法的流程图;
图4是根据本发明实施例的题目推荐方法的流程图;
图5是根据本发明实施例的知识特征掌握度的评价装置的结构框图;
图6是根据本发明实施例的题目推荐装置的结构框图;
图7是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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。
需要说明的是,答题者通过电子设备进行答题操作,其中,一次答题的过程可以是一道题目,或多道题目。本发明实施例提供的指示特征掌握度的评价方法可以是在每一道题目答完之后,对题目所涉及的知识特征掌握度进行确定(其中,所述的确定包括对已学习知识特征的掌握度的更新,以及初次学习知识特征掌握度的创建),以实现实时更新的目的。或者,也可以是在预设目标答题数的题目答完之后,进行知识特征掌握度的确定(例如,可以是在2道题目答完,或5道题目答完)等等。
根据本发明实施例,提供了一种知识特征掌握度的评价方法实施例,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。
在本实施例中提供了一种知识特征掌握度的评价方法,可用于上述的电子设备,如手机、平板电脑等,图1是根据本发明实施例的知识特征掌握度的评价方法的流程图,如图1所示,该流程包括如下步骤:
S11,获取各个题目的信息以及各个题目对应的答题信息。
其中,所述题目的信息包括题目所涉及的知识特征,所述答题信息包括题目的得分率。
答题者在题目作答完成之后,电子设备提取出题目的信息以及答题信息。进一步地,题目的信息包括题目所涉及的知识特征,例如,题目1所涉及的知识特征为知识特征A,知识特征B,知识特征C;题目2所涉及的知识特征为知识特征B,知识特征D,知识特征E。答题信息包括题目的得分率,其中题目的得分率为题目得分占题目总分的比例,例如:题目1的得分为8分,题目1的总分为10分,那么题目1的得分率为0.8。
其中,题目所涉及的知识特征的提取可以是在电子设备中存储有知识特征的数据库,对题目进行字段匹配,以提取出题目所涉及的知识特征;或者,采用其他方式进行知识特征的获取;在此对电子设备获取各个题目所涉及的知识特征的具体方式并不做任何限制,只需保证电子设备能够获取到各个题目所涉及的知识特征即可。
S12,对题目所涉及的知识特征进行编码处理,以构建答题特征分布。
电子设备所获取到的知识特征进行编码,其中同一知识特征的编码方式相同。例如,可以是以题目为单位,每道题目所涉及到的知识特征进行依次编码,得到题目对应的知识特征字符串;再将所有题目对应的知识特征字符串进行组合,即可构建答题特征分布。
后续利用该答题特征分布,即可确定出当前答题的题目总数、各个题目所涉及的知识特征,以及包含某一知识特征的题目数等等。
S13,获取已学习知识特征的掌握度信息。
其中,所述掌握度信息包括每个已学习知识特征的掌握度。
在电子设备中存储有已学习知识特征的掌握度信息,例如,已学习的知识特征为4个,即知识特征A、知识特征B、知识特征C以及知识特征F,对应的掌握度信息可以采用如下形式表示:
知识特征A,掌握度0.5;知识特征B,掌握度0.7;知识特征C,掌握度0.9;知识特征F,掌握度0.2。
其中,已学习知识特征的掌握度信息中各个知识特征对应的掌握度作为本次知识特征掌握度确定的初始掌握度。后续在对某一题目所涉及的知识特征的进行更新时,电子设备将对应的掌握度进行修改。例如,当前答题为题目1,所涉及的知识特征为知识特征A,知识特征B,知识特征C,在确定出各个知识特征对应的掌握度之后,在已学习知识特征的掌握度中进行相应修改;即,分别将知识特征A,知识特征B,知识特征C对应的掌握度修改为更新后的掌握度。
S14,根据题目的得分率以及已学习知识特征掌握度信息,确定答题特征分布中知识特征的掌握度。
具体地,确定答题特征分布中知识特征的掌握度时,需要对答题特征分布中的知识特征(即,当前答题题目所涉及的所有知识特征)进行更新;在确定某一知识特征(例如,知识特征A)的掌握度时,从S11中所获取的题目信息中提取出所有包含知识特征A的题目的得分率,例如,包含知识特征A的题目为题目1以及题目2,那么即提取出题目1的得分率,以及题目2的得分率。
此外,在确定掌握度时还需提取出已学习知识特征掌握度信息中对应知识特征的掌握度,例如,提取出知识特征A的掌握度,以作为知识特征A的初始掌握度。
电子设备在得到包含知识特征A的所有题目的得分率、知识特征A的初始掌握度之后,即可对知识特征A的掌握度进行更新。例如,可以是计算出包含知识特征A的所有题目得分率的平均值,利用得分率平均值对知识特征A的掌握度进行更新;或者也可以采用其他方式对知识特征进行更新,只需保证在对知识特征进行更新时,涉及到题目的得分率以及已学习知识特征掌握度信息即可。在下文中,将对该步骤进行详细描述。
本实施例提供的知识特征掌握度的评价方法,通过对题目所涉及的知识特征进行编码处理,即将每道题目拆分成多个知识特征,针对每道题目的知识特征进行掌握度评价;此外,通过已学习知识特征的掌握度以及当前所答题目的得分率对相应的知识特征的掌握度进行更新,可以实现在每道或多道题目答完之后进行掌握度的确定,提高了所得到的知识特征掌握度的准确性,达到实时更新的目的。
在本实施例中提供了一种知识特征掌握度的评价方法,可用于上述的电子设备,如手机、平板电脑等,图2是根据本发明实施例的知识特征掌握度的评价方法的流程图,如图2所示,该流程包括如下步骤:
S21,获取各个题目的信息以及各个题目对应的答题信息。
其中,所述题目的信息包括题目所涉及的知识特征,所述答题信息包括题目的得分率。
例如,答题者在答题开始时,还可以输入答题者姓名(或ID)、年级、所在地区等等之类的答题者信息。其余详细请参见图1所示实施例的S11,在此不再赘述。
S22,对题目所涉及的知识特征进行编码处理,以构建答题特征分布。
S221,获取知识特征列表。
其中,所述知识特征列表中的知识特征为各个题目所涉及的知识特征以及掌握度信息中的知识特征的并集。
具体地,掌握度信息中的知识特征为已学习的知识特征。例如,已学习的知识特征为知识特征A、知识特征B、知识特征C以及知识特征F;各个题目所涉及的知识特征为:题目1所涉及的知识特征为知识特征A,知识特征B,知识特征C;题目2所涉及的知识特征为知识特征B,知识特征D,知识特征E。那么,知识特征列表中的知识特征可以表示为:
知识特征A,知识特征B,知识特征C,知识特征F,知识特征D,知识特征E。
S222,在知识特征列表中,标记出各个题目所涉及的知识特征,以构建答题特征分布。
其中,题目对应的知识特征编码为题目所涉及的知识特征在知识特征列表中是否对应的表示。当知识特征列表中的知识特征在题目所涉及的知识特征中存在对应的表示时,知识特征列表中的知识特征标记为1;当不存在对应的表示时,知识特征列表中的知识特征标记为0。继续采用上述的例子,所构建出的答题特征分别如下表所示:
由上表可以看出,将答题特征分布中每一行为各个题目所涉及的知识特征的编码,每一列为包含各个知识特征的题目数量。
例如,对于知识特征A而言,有1道题目涉及该知识特征;对于知识特征B而言,有2道题目涉及该知识特征。
S23,获取已学习知识特征的掌握度信息。
其中,所述掌握度信息包括每个已学习知识特征的掌握度。
详细请参见图1所示实施例的S13,在此不再赘述。
S24,根据题目的得分率以及已学习知识特征掌握度信息,确定答题特征分布中知识特征的掌握度。
至此电子设备所得到的数据包括:各个题目的信息、各个题目对应的答题信息、已学习知识特征的掌握度信息以及答题特征分布。其中,在确定答题特征分布中的每个知识特征的掌握度时,所采用的数据包括:各个题目所涉及的知识特征、各个题目的得分率、已学习知识特征的掌握度(即,答题特征分布中知识特征的初始掌握度)。具体地,采用上述数据对答题特征分布中知识特征的掌握度进行更新时,包括以下步骤:
S241,对应于答题特征分布中的每个知识特征,从各个题目对应的答题信息中提取包含知识特征的题目的得分率。
例如,请参见上述构建出的答题特征分布,包含知识特征A的题目为题目1,因此,对应于知识特征A提取出题目1的得分率;包含知识特征B的题目为题目1以及题目2,因此,对应于知识特征B提取出题目1以及题目2的得分率;依次类推……
S242,基于提取出的题目的得分率,计算知识特征对应的综合题目得分率。
对应于每个知识特征,所提取出的题目的得分率的数量即为答题特征分布中包含知识特征的题目的数量。例如,知识特征A,所提取题目的得分率为题目1的得分率;知识特征B,所提取出的题目的得分率为题目1以及题目2的得分率。
计算知识特征对应的综合题目得分率可以是采用如下步骤:
(1)获取对应于提取出的题目的预设权重。
其中,预设权重可以是不等于0的固定值;也可以是采用计算的方式得出,即:
电子设备中S21中所获取的题目的信息还包括题目的难度,可以利用提取出的题目的得分率以及题目的难度,计算提取出的题目的预设权重。
可以采用如下公式计算提取出的题目的预设权重:
αi=βbz+βtz1×|di-(1-ni)|;其中,ni=1-Ci;(1)
式中,i为提取出的题目的序号,i=1,2,…,N,N为提取出的题目的总数;αi为提取出的题目i的预设权重;βbz为标准权重;βtz1为第一权重调整系数;βbz以及βtz1为常数,且βtz1大于0;di为提取出的题目i的得分率,所述得分率为题目得分与题目总分的比值;ni为提取出的题目i的难度;Ci是常数,为题目i的平均得分率。其中,平均得分率可以是所有地区的所有答题者对应于题目i的得分率的平均值;也可以是设定值等等。
具体地,N可以进一步理解为答题特征分布中,包含某一知识特征的题目的数量,例如,对应知识特征A而言,N=1;对应知识特征B而言,N=2。
继续以知识特征A以及知识特征B为例,对应于知识特征A,包含知识特征A的题目为题目1,那么可以得到:对应于知识特征A,所提取出的题目的预设权重:
α1=βbz+βtz1×|d1-(1-n1)|;
对应于知识特征B,包含知识特征B的题目为题目1以及题目2,那么可以得到:对应于知识特征B,所提取出的题目的预设权重为两个:
α1=βbz+βtz1×|d1-(1-n1)|;
α2=βbz+βtz1×|d2-(1-n2)|。
作为本实施例的一种可选实施方式,所提取出的题目的预设权重还可以采用如下方式计算出:
电子设备中S21中所获取的题目的信息还包括题目的重要性参数;可以利用所述题目的重要性参数,计算提取出的题目的预设权重。
采用如下公式计算提取出的题目的预设权重:
αi=βbz+βtz2×zi; (2)
式中,i为所述提取出的题目的序号,i=1,2,…,N,N为所述提取出的题目的总数;αi为所述提取出的题目i的预设权重;βbz为标准权重;βtz2为第二权重调整系数;βbz以及βtz2为常数,且βtz2大于0;zi为所述提取出的题目i的重要性参数。
继续以知识特征A以及知识特征B为例,对应于知识特征A,包含知识特征A的题目为题目1,那么可以得到:对应于知识特征A,所提取出的题目的预设权重:
α1=βbz+βtz2×z1;
对应于知识特征B,包含知识特征B的题目为题目1以及题目2,那么可以得到:对应于知识特征B,所提取出的题目的预设权重为两个:
α1=βbz+βtz2×z1;
α2=βbz+βtz2×z2。
(2)利用提取出的题目的得分率以及提取出的题目的预设权重,计算综合题目得分率。
采用如下公式计算所述综合题目得分率:
式中,dzh为综合题目得分率;i为所述提取出的题目的序号,i=1,2,…,N,N为所述提取出的题目的总数;αi为提取出的题目i的预设权重;di为提取出的题目i的得分率。
例如,对应于知识特征A,综合题目得分率可以表示为:
对应于知识特征B,综合题目得分率可以表示为:
可选地,可以是利用公式(1)或公式(2),计算出答题特征分布中各个题目对应的预设权重;然后针对每个知识特征,从计算出的各个题目对应的预设权重中提取出包含该知识特征的题目的预设权重;再利用公式(3)计算出各个知识特征对应的综合题目得分率。
S243,判断题目所涉及的知识特征是否为已学习知识特征。
其中,在S21中的各个题目的信息中涉及的知识特征,与S23中已学习知识特征不全相同,有可能是题目所涉及的知识特征并不是已学习知识特征,而是初次学习的知识特征。
例如,各个题目所涉及的知识特征为:题目1所涉及的知识特征为知识特征A,知识特征B,知识特征C;题目2所涉及的知识特征为知识特征B,知识特征D,知识特征E。已学习的知识特征为知识特征A、知识特征B、知识特征C以及知识特征F。那么,对于知识特征D以及知识特征E而言,属于是初次学习的知识特征。
因此,电子设备通过判断已学习知识特征中是否包含题目所涉及的知识特征,即可确定答题特征分布中的哪些知识特征是已学习知识特征,哪些特征是初次学习的知识特征。
当电子设备确定出题目所涉及的知识特征属于已学习知识特征时,则执行S244;否则,执行S245。
S244,从已学习知识特征的掌握度信息中提取对应于知识特征的掌握度,以得到所述知识特征的初始掌握度。
例如,请参见图所示实施例的S13,对应于知识特征A,初始掌握度为0.5;对应于知识特征B,初始掌握度0.7;依次类推……
S245,设置知识特征的初始掌握度为知识特征对应的综合题目得分率。
当电子设备确定出题目所涉及的知识特征为初次学习的知识特征时,电子设备将S242中得出的知识特征对应的综合题目得分率设置为该知识特征的初始掌握度。
例如,知识特征D的初始掌握度为知识特征D对应的综合题目得分率,知识特征E的初始掌握度为知识特征E对应的综合题目得分率。
S246,利用综合题目得分率以及初始掌握度,确定答题特征分布中知识特征的掌握度。
具体地,包括以下步骤:
(1)获取更新权重。
其中,更新权重可以是固定值,值域为[0,1]。也可以是采用计算的方式计算出更新权重,具体地,包括:
(a)基于答题特征分布,确定本次答题数。
所述本次答题数为答题特征分布中包含知识特征的题目数。例如,对应于知识特征A,本次答题数为1;对应于知识特征B,本地答题数为2。
(b)利用本次答题数,计算更新权重。
采用如下公式计算更新权重:
式中,G为所述更新权重,当G>1时,G取1;Cd为本次答题数;Cys为预设答题数阈值且为正整数。
作为本实施例的一种可选实施方式,还可以采用计算的方式计算出更新权重,具体地,包括:
(a)获取本次答题与上次答题的时间间隔。
答题者在答题开始时电子设备记录每次答题的时间,相邻两次的答题时间之间的间隔,即为本次答题与上次答题的时间间隔。
(b)利用时间间隔,计算更新权重。
采用如下公式计算更新权重:
G=G0+Cyw×Δt;
式中,G为所述更新权重,当G>1时,G取1;G0为大于0且小于1的常数,表示预设基准权重;Cyw为大于0的常数,表示遗忘系数;Δt为答题时间间隔。
(2)利用更新权重、综合题目得分率以及初始掌握度,计算答题特征分布中知识特征的掌握度。
采用如下公式计算答题特征分布中知识特征的掌握度:
ZW=ZW0×(1-G)+dzh×G;
式中,ZW为所述答题特征分布中知识特征的掌握度;ZW0为所述初始掌握度;G为所述更新权重;dzh所述综合题目得分率。
作为本实施例的一种可选实施方式,上述实施例中的S22对所述各个题目所涉及的知识特征进行编码处理,以构建答题特征分布,还包括:
(a)获取与各个题目所涉及的知识特征具有相关性的知识特征。
(b)在知识特征列表中,对应于每个所述题目标记出具有相关性的知识特征。
具体地,在构建答题特征分布时,不仅是将各个所涉及的知识特征进行标记,还需要标记出与各个题目所涉及的知识特征具有相关性的知识特征。
作为本实施例的另一种可选实施方式,上述实施例中的S22对所述各个题目所涉及的知识特征进行编码处理,以构建答题特征分布,还包括:
(a)获取各个题目所涉及的知识特征的上级知识特征。
(b)在知识特征列表中,对应于每个题目标记出上级知识特征。
具体地,在构建答题特征分布时,不仅是将各个所涉及的知识特征进行标记,还需要标记出与各个题目所涉及的知识特征的上级知识特征。
或者进一步可选地,在构建答题特征分布时,不仅是将各个所涉及的知识特征进行标记,还需要标记出与各个题目所涉及的知识特征具有相关性的知识特征,以及标记出与各个题目所涉及的知识特征的上级知识特征。
其中,与各个题目所涉及的知识特征具有相关性的知识特征以及上级知识特征可以是利用教学大纲或教材章节得出,在此对具有相关性的知识特征以及上级知识特征的获取并不做任何限定。
本发明实施例提供的知识特征掌握度的评价方法,利用题目中所涉及的知识特征、与题目所涉及知识特征具有相关性的知识特征、题目所涉及知识特征的上级知识特征构建答题特征分布,极大程度地包含了题目所涉及的知识特征相关或有关联关系的知识特征,提高了所得到的知识特征掌握度的准确性。
在本实施例中提供了一种知识特征掌握度的评价方法,可用于上述的电子设备,如手机、平板电脑等,图3是根据本发明实施例的知识特征掌握度的评价方法的流程图。如图3所示,该流程包括如下步骤:
S31,获取各个题目的信息以及各个题目对应的答题信息。
其中,所述题目的信息包括题目所涉及的知识特征,所述答题信息包括题目的得分率。
详细请参见图2所示实施例的S21,在此不再赘述。
S32,对题目所涉及的知识特征进行编码处理,以构建答题特征分布。
详细请参见图2所示实施例的S22,在此不再赘述。
S33,获取已学习知识特征的掌握度信息。
其中,所述掌握度信息包括每个已学习知识特征的掌握度,还包括对应于每个已学习知识特征的已答题数。
例如:知识特征A,掌握度0.5,已答题数10;
知识特征B,掌握度0.7,已答题数15;
知识特征C,掌握度0.9,已答题数20;
知识特征F,掌握度0.2,已答题数12。
详细请参见图2所示实施例的S23,在此不再赘述。
S34,根据题目的得分率以及已学习知识特征掌握度信息,确定答题特征分布中知识特征的掌握度。
详细请参见图2所示实施例的S24,在此不再赘述。
S35,基于答题特征分布,确定本次答题数。
其中,所述本次答题数为答题特征分布中包含知识特征的题目数。例如,对应于知识特征A,本次答题数为1;对应于知识特征B,本次答题数为2。
S36,计算已答题数与本次答题数之和,以得到总答题数。
电子设备在S33中所获取的已学习知识特征的掌握度信息中包括有每个已学习知识特征的已答题数;例如,知识特征A的已答题数为10,本次答题数为1,那么知识特征A的总答题数为11。
S37,根据总答题数,对答题特征分布中知识特征的掌握度进行调整。
具体地,可以采用如下公式计算调整后的掌握度:
式中,ZWt为调整后的掌握度;ZW为所述答题特征分布中知识特征的掌握度;Cz为所述总答题数;Cmys为正整数,表示预设目标答题数。
与图2所示实施例相比,本实施例利用总答题数对答题特征分布中知识特征的掌握度进行调整,进一步提高了所得到的知识特征掌握度的准确性。
根据本发明实施例,提供了一种题目推荐方法实施例,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。
在本实施例中提供了一种题目推荐方法,可用于上述的电子设备,如手机、平板电脑等,图4是根据本发明实施例的知识特征掌握度的评价方法的流程图,如图4所示,该流程包括如下步骤:
S41,根据上述实施例所述的知识特征掌握度的评价方法,确定答题者对至少一个知识特征的掌握度。
电子设备在图1至图3实施例中所述的知识特征掌握度评价方法确定答题者对于某一个或某些知识特征的掌握度。
S42,利用至少一个知识特征的掌握度,确定题库中待选题目的分数。
其中,所述待选题目为包含知识特征的题目。具体地,待选题目为题库所有题目中,所包含知识特征为答题者掌握度中包含知识特征的子集的题目;或者,待选题目为与答题者当前作答题目包含知识特征有交集,且其所包含知识特征为答题者掌握度中包含知识特征的子集的题目。
进一步地,所述题库中待选题目的分数为知识特征掌握度的平均值,或知识特征掌握度的最小值,或知识特征掌握度的最大值中的一种。例如,待选题目的分数计算方法可以是上述图2所示实施例的S222中答题特征分布中知识特征编码为1的位置对应的知识特征掌握度的平均值,或答题特征分布中知识特征编码为1的位置对应的知识特征掌握度的最小值,或答题特征分布中知识特征编码为1的位置对应的知识特征掌握度的最大值。
S43,基于待选题目的分数,进行题目推荐。
电子设备在得到待选题目的分数之后,可以按照分数的高低进行题目推荐,也可以是在题目推荐时结合题目难度,题目重要性等等进行题目推荐。
作为本实施例的一种可选实施方式,S43的题目推荐可以采用如下方式:
当待选题目的分数小于第一阈值时,从题库中提取题目难度小于第二阈值且题目重要性大于第三阈值的待选题目;对提取出的待选题目按照分数从低到高进行推荐。
作为本实施例的另一种可选实施方式,S43的题目推荐可以采用如下方式:
从题库中提取题目难度小于第二阈值且题目重要性大于第三阈值的待选题目;对提取出的待选题目按照分数从低到高推荐预设数量的题目。
作为本实施例的另一种可选实施方式,S43的题目推荐可以采用如下方式:
当待选题目的分数大于第一阈值时,从题库中提取题目难度大于第二阈值且题目重要性大于第三阈值的待选题目;对提取出的待选题目按照分数从低到高进行推荐。
作为本实施例的另一种可选实施方式,S43的题目推荐可以采用如下方式:
从题库中提取题目难度大于第二阈值且题目重要性大于第三阈值的待选题目;对提取出的待选题目按照分数从低到高推荐预设数量的题目。
本实施例提供的题目推荐方法,利用知识特征的掌握度确定题库中待选题目的分数进行题目推荐,将题库中待选题目的分数与知识特征的掌握度结合,使得所推荐的题目符合答题者的弱点巩固或拓展提高的需求。
在本实施例中还提供了一种知识特征掌握度的评价装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种知识特征掌握度的评价装置,如图5所示,包括:
第一获取模块51,用于获取各个题目的信息以及各个题目对应的答题信息;其中,所述题目的信息包括题目所涉及的知识特征,所述答题信息包括所述题目的得分率。
构建模块52,用于对所述题目所涉及的知识特征进行编码处理,以构建答题特征分布。
第二获取模块53,用于获取已学习知识特征的掌握度信息;其中,所述掌握度信息包括每个已学习知识特征的掌握度。
掌握度更新模块54,用于根据所述题目的得分率以及所述已学习知识特征掌握度信息,确定所述答题特征分布中知识特征的掌握度。
本实施例提供的知识特征掌握度的评价装置,通过对题目所涉及的知识特征进行编码处理,即将每道题目拆分成多个知识特征,针对每道题目的知识特征进行掌握度评价;此外,通过已学习知识特征的掌握度以及当前所答题目的得分率确定相应的知识特征的掌握度,可以实现在每道或多道题目答完之后进行掌握度的确定,提高了所得到的知识特征掌握度的准确性,达到实时更新的目的。
在本实施例中还提供了一种题目推荐装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种题目推荐装置,如图6所示,包括:
掌握度确定模块61,用于根据图1至图3任一项所示实施例中所述的知识特征掌握度的评价方法,确定答题者对至少一个知识特征的掌握度。
分数确定模块62,用于利用所述至少一个知识特征的掌握度,确定题库中待选题目的分数;其中,所述待选题目为包含所述知识特征的题目。
题目推荐模块63,用于基于所述待选题目的分数,进行题目推荐。
本发明实施例提供的题目推荐装置,利用知识特征的掌握度确定题库中待选题目的分数进行题目推荐,将题库中待选题目的分数与知识特征的掌握度结合,使得所推荐的题目符合答题者的弱点巩固或拓展提高的需求。
本实施例中的知识特征掌握度的评价装置以及题目推荐装置是以功能单元的形式来呈现,这里的单元是指ASIC电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本发明实施例还提供一种电子设备,具有上述图5所示的知识特征掌握度的评价装置或图6所示的题目推荐装置。
请参阅图7,图7是本发明可选实施例提供的一种电子设备的结构示意图,如图7所示,该电子设备可以包括:至少一个处理器71,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口73,存储器74,至少一个通信总线72。其中,通信总线72用于实现这些组件之间的连接通信。其中,通信接口73可以包括显示屏(Display)、键盘(Keyboard),可选通信接口73还可以包括标准的有线接口、无线接口。存储器74可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器74可选的还可以是至少一个位于远离前述处理器71的存储装置。其中处理器71可以结合图5或图6所描述的装置,存储器74中存储应用程序,且处理器71调用存储器74中存储的程序代码,以用于执行上述任一方法步骤。
其中,通信总线72可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线72可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器74可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器74还可以包括上述种类的存储器的组合。
其中,处理器71可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器71还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器74还用于存储程序指令。处理器71可以调用程序指令,实现如本申请图1至3实施例中所示的知识特征掌握度的评价方法或图4实施例中所示的题目推荐方法。
本发明实施例还提供了一种非暂态计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的知识特征掌握度的评价方法或题目推荐方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (28)
1.一种知识特征掌握度的评价方法,其特征在于,包括:
获取各个题目的信息以及各个题目对应的答题信息;其中,所述题目的信息包括题目所涉及的知识特征,所述答题信息包括所述题目的得分率;
对所述题目所涉及的知识特征进行编码处理,以构建答题特征分布;
获取已学习知识特征的掌握度信息;其中,所述掌握度信息包括每个已学习知识特征的掌握度;
根据所述题目的得分率以及所述已学习知识特征掌握度信息,确定所述答题特征分布中知识特征的掌握度。
2.根据权利要求1所述的方法,其特征在于,所述根据所述题目的得分率以及所述已学习知识特征的掌握度信息,确定所述答题特征分布中的知识特征的掌握度,包括:
对应于所述答题特征分布中的每个知识特征,从所述各个题目对应的答题信息中提取包含所述知识特征的题目的得分率;
基于提取出的题目的得分率,计算所述知识特征对应的综合题目得分率;
判断所述题目所涉及的知识特征是否为所述已学习知识特征;
当所述题目所涉及的知识特征为所述已学习知识特征时,从所述已学习知识特征的掌握度信息中提取对应于所述知识特征的掌握度,以得到所述知识特征的初始掌握度;
利用所述综合题目得分率以及所述初始掌握度,确定所述答题特征分布中知识特征的掌握度。
3.根据权利要求2所述的方法,其特征在于,所述根据所述题目的得分率以及所述已学习知识特征的掌握度信息,确定所述答题特征分布中的知识特征的掌握度,还包括:
当所述题目所涉及的知识特征不是所述已学习知识特征时,设置所述知识特征的初始掌握度为所述知识特征对应的综合题目得分率。
4.根据权利要求3所述的方法,其特征在于,所述基于提取出的题目的得分率,计算所述知识特征对应的综合题目得分率,包括:
获取对应于所述提取出的题目的预设权重;
利用所述提取出的题目的得分率以及所述提取出的题目的预设权重,计算所述综合题目得分率。
5.根据权利要求4所述的方法,其特征在于,所述题目的信息还包括题目的难度;其中,所述获取对应于所述提取出的题目的预设权重,包括:
利用所述提取出的题目的得分率以及所述题目的难度,计算所述提取出的题目的预设权重。
6.根据权利要求5所述的方法,其特征在于,采用如下公式计算所述提取出的题目的预设权重:
αi=βbz+βtz1×|di-(1-ni)|;其中,ni=1-Ci;
式中,i为所述提取出的题目的序号,i=1,2,…,N,N为所述提取出的题目的总数;αi为所述提取出的题目i的预设权重;βbz为标准权重;βtz1为第一权重调整系数;βbz以及βtz1为常数,且βtz1大于0;di为所述提取出的题目i的得分率,所述得分率为题目得分与题目总分的比值;ni为所述提取出的题目i的难度;Ci是常数,为所述题目i的平均得分率。
7.根据权利要求4所述的方法,其特征在于,所述题目的信息还包括题目的重要性参数;其中,所述获取对应于所述提取出的题目的预设权重,包括:
利用所述题目的重要性参数,计算所述提取出的题目的预设权重。
8.根据权利要求7所述的方法,其特征在于,采用如下公式计算所述提取出的题目的预设权重:
αi=βbz+βtz2×zi;
式中,i为所述提取出的题目的序号,i=1,2,…,N,N为所述提取出的题目的总数;αi为所述提取出的题目i的预设权重;βbz为标准权重;βtz2为第二权重调整系数;βbz以及βtz2为常数,且βtz2大于0;zi为所述提取出的题目i的重要性参数。
9.根据权利要求4所述的方法,其特征在于,采用如下公式计算所述综合题目得分率:
式中,dzh为综合题目得分率;i为所述提取出的题目的序号,i=1,2,…,N,N为所述提取出的题目的总数;αi为所述提取出的题目i的预设权重;di为所述提取出的题目i的得分率。
10.根据权利要求3所述的方法,其特征在于,所述利用所述综合题目得分率以及初始掌握度,确定所述答题特征分布中知识特征的掌握度,包括:
获取更新权重;
利用所述更新权重、所述综合题目得分率以及初始掌握度,计算所述答题特征分布中知识特征的掌握度。
11.根据权利要求10所述的方法,其特征在于,所述获取更新权重,包括:
基于所述答题特征分布,确定本次答题数;所述本次答题数为所述答题特征分布中包含所述知识特征的题目数;
利用所述本次答题数,计算所述更新权重。
12.根据权利要求11所述的方法,其特征在于,采用如下公式计算所述更新权重:
式中,G为所述更新权重,当G>1时,G取1;Cd为所述本次答题数;Cys为预设答题数阈值且为正整数。
13.根据权利要求10所述的方法,其特征在于,所述获取更新权重,包括:
获取本次答题与上次答题的时间间隔;
利用所述时间间隔,计算所述更新权重。
14.根据权利要求13所述的方法,其特征在于,采用如下公式计算所述更新权重:
G=G0+Cyw×Δt;
式中,G为所述更新权重,当G>1时,G取1;G0为大于0且小于1的常数,表示预设基准权重;Cyw为大于0的常数,表示遗忘系数;Δt为答题时间间隔。
15.根据权利要求11-14中任一项所述的方法,其特征在于,采用如下公式计算所述答题特征分布中知识特征的掌握度:
ZW=ZW0×(1-G)+dzh×G;
式中,ZW为所述答题特征分布中知识特征的掌握度;ZW0为所述初始掌握度;G为所述更新权重;dzh所述综合题目得分率。
16.根据权利要求1所述的方法,其特征在于,对所述各个题目所涉及的知识特征进行编码处理,以构建答题特征分布,包括:
获取知识特征列表;所述知识特征列表中的知识特征为所述各个题目所涉及的知识特征以及所述掌握度信息中的知识特征的并集;
在所述知识特征列表中,标记出所述各个题目所涉及的知识特征,以构建所述答题特征分布。
17.根据权利要求1所述的方法,其特征在于,所述对所述各个题目所涉及的知识特征进行编码处理,以构建答题特征分布,还包括:
获取与所述各个题目所涉及的知识特征具有相关性的知识特征;
在所述知识特征列表中,对应于每个所述题目标记出所述具有相关性的知识特征。
18.根据权利要求16或17所述的方法,其特征在于,所述对所述各个题目所涉及的知识特征进行编码处理,以构建答题特征分布,还包括:
获取所述各个题目所涉及的知识特征的上级知识特征;
在所述知识特征列表中,对应于每个所述题目标记出所述上级知识特征。
19.根据权利要求1所述的方法,其特征在于,所述掌握度信息还包括对应于每个已学习知识特征的已答题数;其中,所述方法还包括:
基于所述答题特征分布,确定本次答题数;所述本次答题数为所述答题特征分布中包含所述知识特征的题目数;
计算所述已答题数与本次答题数之和,以得到总答题数;
根据所述总答题数,对所述答题特征分布中知识特征的掌握度进行调整。
20.根据权利要求19所述的方法,其特征在于,采用如下公式计算调整后的掌握度:
式中,ZWt为调整后的掌握度;ZW为所述答题特征分布中知识特征的掌握度;Cz为所述总答题数;Cmys为正整数,表示预设目标答题数。
21.一种题目推荐方法,其特征在于,包括:
根据权利要求1-20中任一项所述的知识特征掌握度的评价方法,确定答题者对至少一个知识特征的掌握度;
利用所述至少一个知识特征的掌握度,确定题库中待选题目的分数;其中,所述待选题目为包含所述知识特征的题目;
基于所述待选题目的分数,进行题目推荐。
22.根据权利要求21所述的方法,其特征在于,所述基于所述待选题目的分数,进行题目推荐,包括:
当所述待选题目的分数小于第一阈值时,从所述题库中提取题目难度小于第二阈值且题目重要性大于第三阈值的待选题目;
对提取出的待选题目按照分数从低到高进行推荐。
23.根据权利要求21所述的方法,其特征在于,所述基于所述待选题目的分数,进行题目推荐,包括:
从题库中提取题目难度小于第二阈值且题目重要性大于第三阈值的待选题目;
对提取出的待选题目按照分数从低到高推荐预设数量的题目。
24.根据权利要求21所述的方法,其特征在于,所述基于所述待选题目的分数,进行题目推荐,包括:
当所述待选题目的分数大于第一阈值时,从所述题库中提取题目难度大于第二阈值且题目重要性大于第三阈值的待选题目;
对提取出的待选题目按照分数从低到高进行推荐。
25.根据权利要求21所述的方法,其特征在于,所述基于所述待选题目的分数,进行题目推荐,包括:
从题库中提取题目难度大于第二阈值且题目重要性大于第三阈值的待选题目;
对提取出的待选题目按照分数从低到高推荐预设数量的题目。
26.根据权利要求21-25中任一项所述的方法,其特征在于,所述题库中待选题目的分数为所述知识特征掌握度的平均值,或所述知识特征掌握度的最小值,或所述知识特征掌握度的最大值中的一种。
27.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-20中任一项所述的知识特征掌握度的评价方法或21-26中任一项所述的题目推荐方法。
28.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-20所述的知识特征掌握度的评价方法或21-26中任一项所述的题目推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910105420.9A CN109816265B (zh) | 2019-02-01 | 2019-02-01 | 知识特征掌握度的评价方法、题目推荐方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910105420.9A CN109816265B (zh) | 2019-02-01 | 2019-02-01 | 知识特征掌握度的评价方法、题目推荐方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109816265A true CN109816265A (zh) | 2019-05-28 |
CN109816265B CN109816265B (zh) | 2022-03-01 |
Family
ID=66605143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910105420.9A Active CN109816265B (zh) | 2019-02-01 | 2019-02-01 | 知识特征掌握度的评价方法、题目推荐方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816265B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110851721A (zh) * | 2019-11-12 | 2020-02-28 | 成都精准云教育科技有限公司 | 根据用户个体特征推荐试题的方法及设备 |
CN111179675A (zh) * | 2019-12-30 | 2020-05-19 | 安徽知学科技有限公司 | 个性化练习题推荐方法、系统、计算机设备以及存储介质 |
CN111858906A (zh) * | 2020-07-21 | 2020-10-30 | 广州视源电子科技股份有限公司 | 习题推荐方法、装置、电子设备及计算机可读存储介质 |
CN112235333A (zh) * | 2019-07-15 | 2021-01-15 | 北京字节跳动网络技术有限公司 | 一种功能包管理方法、装置、设备及存储介质 |
CN112365183A (zh) * | 2020-11-26 | 2021-02-12 | 江西台德智慧科技有限公司 | 一种人工智能教育的方法及装置 |
CN113297371A (zh) * | 2021-07-28 | 2021-08-24 | 北京猿力未来科技有限公司 | 推荐题目库的生成方法、装置、设备及存储介质 |
CN116307869A (zh) * | 2023-03-06 | 2023-06-23 | 北京一起教育科技发展有限公司 | 基于点阵笔数据的学习情况评价方法、装置和电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105070130A (zh) * | 2015-08-04 | 2015-11-18 | 北京优宇通教育科技有限公司 | 水平测评方法和系统 |
CN105184709A (zh) * | 2015-08-20 | 2015-12-23 | 浙江通关教育科技有限公司 | 一种基于知识点体系的学科测评系统及方法 |
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 |
CN106599999A (zh) * | 2016-12-09 | 2017-04-26 | 北京爱论答科技有限公司 | 少量题目精准探测学生细分薄弱知识点的测评方法及系统 |
CN107622709A (zh) * | 2017-09-18 | 2018-01-23 | 哈尔滨成长科技有限公司 | 知识点掌握程度评价方法、介质和电子设备 |
CN107665473A (zh) * | 2016-07-27 | 2018-02-06 | 科大讯飞股份有限公司 | 学习路径规划方法和装置 |
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 |
-
2019
- 2019-02-01 CN CN201910105420.9A patent/CN109816265B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105070130A (zh) * | 2015-08-04 | 2015-11-18 | 北京优宇通教育科技有限公司 | 水平测评方法和系统 |
CN105184709A (zh) * | 2015-08-20 | 2015-12-23 | 浙江通关教育科技有限公司 | 一种基于知识点体系的学科测评系统及方法 |
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 |
CN107665473A (zh) * | 2016-07-27 | 2018-02-06 | 科大讯飞股份有限公司 | 学习路径规划方法和装置 |
CN106599999A (zh) * | 2016-12-09 | 2017-04-26 | 北京爱论答科技有限公司 | 少量题目精准探测学生细分薄弱知识点的测评方法及系统 |
CN107622709A (zh) * | 2017-09-18 | 2018-01-23 | 哈尔滨成长科技有限公司 | 知识点掌握程度评价方法、介质和电子设备 |
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 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112235333A (zh) * | 2019-07-15 | 2021-01-15 | 北京字节跳动网络技术有限公司 | 一种功能包管理方法、装置、设备及存储介质 |
CN110851721A (zh) * | 2019-11-12 | 2020-02-28 | 成都精准云教育科技有限公司 | 根据用户个体特征推荐试题的方法及设备 |
CN111179675A (zh) * | 2019-12-30 | 2020-05-19 | 安徽知学科技有限公司 | 个性化练习题推荐方法、系统、计算机设备以及存储介质 |
CN111179675B (zh) * | 2019-12-30 | 2022-09-06 | 安徽知学科技有限公司 | 个性化练习题推荐方法、系统、计算机设备以及存储介质 |
CN111858906A (zh) * | 2020-07-21 | 2020-10-30 | 广州视源电子科技股份有限公司 | 习题推荐方法、装置、电子设备及计算机可读存储介质 |
CN111858906B (zh) * | 2020-07-21 | 2023-11-03 | 广州视源电子科技股份有限公司 | 习题推荐方法、装置、电子设备及计算机可读存储介质 |
CN112365183A (zh) * | 2020-11-26 | 2021-02-12 | 江西台德智慧科技有限公司 | 一种人工智能教育的方法及装置 |
CN113297371A (zh) * | 2021-07-28 | 2021-08-24 | 北京猿力未来科技有限公司 | 推荐题目库的生成方法、装置、设备及存储介质 |
CN116307869A (zh) * | 2023-03-06 | 2023-06-23 | 北京一起教育科技发展有限公司 | 基于点阵笔数据的学习情况评价方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109816265B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816265A (zh) | 知识特征掌握度的评价方法、题目推荐方法及电子设备 | |
CN109887362B (zh) | 一种用于教学的人机交互式自动展示系统 | |
CN111858906B (zh) | 习题推荐方法、装置、电子设备及计算机可读存储介质 | |
CN109146741A (zh) | 一种基于能力测评的课程推送方法、装置及设备 | |
CN105894372A (zh) | 预测群体信用的方法和装置 | |
CN110110899B (zh) | 知识掌握度的预测方法、自适应学习方法及电子设备 | |
CN109634426B (zh) | 基于Unity3D的高自由度实验类三维虚拟仿真方法和系统 | |
CN108597278A (zh) | 一种中小学生数字化课堂智能交互教学系统 | |
CN108228674A (zh) | 一种基于dkt的信息处理方法及装置 | |
CN111597305B (zh) | 实体标记方法、装置、计算机设备和存储介质 | |
CN110222195A (zh) | 题目作答结果与知识点关系的挖掘方法及电子装置 | |
CN114429212A (zh) | 智能学习知识能力跟踪方法、电子设备及存储介质 | |
CN103744889A (zh) | 一种用于对问题进行聚类处理的方法与装置 | |
JP2005070465A (ja) | 学習ドリル配信システム | |
CN102467835A (zh) | 学习终端检选数字内容的系统及方法 | |
CN113377942A (zh) | 一种试卷生成方法、装置、计算机设备及存储介质 | |
Liang et al. | Building multi-layer social knowledge maps with Google Maps API | |
CN113886580A (zh) | 一种情感评分方法、装置及电子设备 | |
JP5224499B2 (ja) | 教材学習用記憶媒体 | |
CN116595196A (zh) | 基于知识图谱的课程推荐方法、装置、电子设备及介质 | |
CN111949882B (zh) | 一种领域知识点结构缺陷智能诊断方法 | |
CN113935869A (zh) | 一种学生主客观因素结合的成绩预测方法及系统 | |
CN112614034A (zh) | 一种试题推荐方法、装置、电子设备和可读存储介质 | |
CN117726082B (zh) | 一种教学资源推荐方法、装置、电子设备及可读存储介质 | |
OSMAN | The Impact of Pre-Lecture Quizzes on Students’ Performance in Blended Learning |
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 |