CN109949638A - 知识掌握程度确定方法、装置、终端和介质 - Google Patents
知识掌握程度确定方法、装置、终端和介质 Download PDFInfo
- Publication number
- CN109949638A CN109949638A CN201910323251.6A CN201910323251A CN109949638A CN 109949638 A CN109949638 A CN 109949638A CN 201910323251 A CN201910323251 A CN 201910323251A CN 109949638 A CN109949638 A CN 109949638A
- Authority
- CN
- China
- Prior art keywords
- user
- answer
- knowledge
- exam pool
- accuracy
- 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 55
- 238000012360 testing method Methods 0.000 claims abstract description 169
- 238000013507 mapping Methods 0.000 claims description 36
- 230000015572 biosynthetic process Effects 0.000 claims description 18
- 238000003786 synthesis reaction Methods 0.000 claims description 18
- 239000002131 composite material Substances 0.000 claims description 10
- 238000013101 initial test Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 9
- 238000013517 stratification Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001568 sexual effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000003733 optic disk Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种知识掌握程度确定方法、装置、终端和介质，其中，该方法包括：根据用户选择的知识，确定至少一个目标知识点；利用知识图谱，确定每个目标知识点关联的题库，其中，每个题库中包括预设数量的测试题目集合，每个测试题目集合对应不同的难度等级；在每个题库中，依据难度等级，获取用户解答至少一个测试题目集合的答题正确率；根据用户针对每个题库的答题正确率，确定用户对每个题库对应的目标知识点的掌握程度；根据用户对每个目标知识点的掌握程度，确定用户对知识的综合掌握程度。本发明实施例可以实现基于层次化的知识点题目测试，提高确定用户知识掌握程度的准确性的效果。
Description
技术领域
本发明实施例涉及教育学习技术领域，尤其涉及一种知识掌握程度确定方法、装置、终端和介质。
背景技术
知识考评仍是当前社会人才选拔的一个重要手段，例如资格认证、招聘或者考取证书等，均有相应的规范考试。在正式考评之前，对用户的知识掌握程度进行有效的评估，可以作为预测用户考评结果的重要参考，辅助用户查漏补缺。
目前，用户知识掌握程度的评估主要通过从特定题库中随机抽取题目生成测试题，每个测试题对应一定分值，最终根据用户答对的题目数量计算用户分数，从而确定用户的知识掌握等级。然而，随机抽取测试题目的方式，在评估用户的知识掌握程度的过程中，存在较大的偶然性，例如每次抽取的题目难度分布不均匀，每次抽取的题目涉及的知识点存在片面性，均会导致对用户的知识掌握程度的评估结果缺乏准确性。
发明内容
本发明实施例提供一种知识掌握程度确定方法、装置、终端和介质，以实现基于层次化的知识点题目测试，提高确定用户知识掌握程度的准确性。
第一方面，本发明实施例提供了一种知识掌握程度确定方法，该方法包括：
根据用户选择的知识，确定至少一个目标知识点；
利用知识图谱，确定每个目标知识点关联的题库，其中，每个题库中包括预设数量的测试题目集合，每个测试题目集合对应不同的难度等级；
在每个题库中，依据所述难度等级，获取用户解答至少一个测试题目集合的答题正确率；
根据用户针对每个题库的答题正确率，确定用户对每个题库对应的目标知识点的掌握程度；
根据用户对每个目标知识点的掌握程度，确定用户对所述知识的综合掌握程度。
第二方面，本发明实施例还提供了一种知识掌握程度确定装置，该装置包括：
目标知识点确定模块，用于根据用户选择的知识，确定至少一个目标知识点；
关联题库确定模块，用于利用知识图谱，确定每个目标知识点关联的题库，其中，每个题库中包括预设数量的测试题目集合，每个测试题目集合对应不同的难度等级；
答题正确率获取模块，用于在每个题库中，依据所述难度等级，获取用户解答至少一个测试题目集合的答题正确率；
知识点掌握程度确定模块，用于根据用户针对每个题库的答题正确率，确定用户对每个题库对应的目标知识点的掌握程度；
综合掌握程度确定模块，用于根据用户对每个目标知识点的掌握程度，确定用户对所述知识的综合掌握程度。
第三方面，本发明实施例还提供了一种终端，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的知识掌握程度确定方法。
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，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的知识掌握程度确定方法。
本发明实施例通过利用知识图谱，确定用户选择的知识下每个目标知识点关联的题库，依据每个题库中题目难度等级，确定用户针对每个题库的答题正确率，进而得到用户对每个目标知识点的掌握程度，最终根据每个知识点的掌握程度分析确定用户对知识的综合掌握程度，解决了现有技术中由于随机抽取的测试题目中难度分布存在随机性以及涉及的知识点存在片面性等因素，导致用户知识掌握程度的确定准确性较低的问题，实现了基于层次化的知识点题目测试，提高确定用户知识掌握程度的准确性的效果。
附图说明
图1是本发明实施例一提供的知识掌握程度确定方法的流程图；
图2是本发明实施例二提供的知识掌握程度确定方法的流程图；
图3是本发明实施例三提供的知识掌握程度确定方法的流程图；
图4是本发明实施例四提供的知识掌握程度确定装置的结构示意图；
图5是本发明实施例五提供的一种终端的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的知识掌握程度确定方法的流程图，本实施例可适用于利用包括知识、知识点和题目之间的相关性的知识图谱，确定用户对知识掌握程度的情况，该方法可以由知识掌握程度确定装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在具有确定用户的知识掌握程度功能的终端上，例如智能移动终端、个人电脑、学习机或者具有教育学习功能的机器人等。
如图1所示，本实施例提供的知识掌握程度确定方法可以包括：
S110、根据用户选择的知识，确定至少一个目标知识点。
通常一类知识可以包括多个知识点，当确定用户选择的知识后，可以依据该知识下各个知识点的重要性，或者用户对该知识下各个知识点的学习情况，确定至少一个可以用于评估用户对该知识的掌握程度的目标知识点。
S120、利用知识图谱，确定每个目标知识点关联的题库，其中，每个题库中包括预设数量的测试题目集合，每个测试题目集合对应不同的难度等级。
知识图谱中包括了各类知识与各细分的知识点的关联性，并且每个知识点均有对应的关联题库，因而，当用户开始解答测试题库中的测试题目时，便可建立用户与题目之间的相关性，并保存在知识图谱中。每个题库中测试题目的难度等级可以根据具体的划分规则进行确定，例如划分结果包括但不限于简单、中等和困难等。属于每种难度等级的测试题目集合中包括的测试题目数量可以适应性设置，本实施例不作具体限定，即每个测试题目集合中可以包括对应的知识点下难度等级相同的所有测试题目，也可以包括对应的知识点下难度等级相同的部分具有代表性的测试题目。
S130、在每个题库中，依据难度等级，获取用户解答至少一个测试题目集合的答题正确率。
根据预先确定的测试题目解答顺序，例如解答顺序是由难到易或者测试题目由易到难，依次获取用户解答每个题库中的至少一个测试题目集合的答题正确率。每个测试题目集合对应的答题正确率，可以通过用户解答该测试题目集合中的全部或者部分测试题目来确定，这与预先确定的每个测试题目集合中的题量有关。例如，当每个测试题目集合中包括的测试题目数量较多时，可以向用户推荐预设数量的具有代表性的优选测试题目，将用户解答这些优选测试题目的答题正确率作为解答该测试题目集合的答题正确率。
S140、根据用户针对每个题库的答题正确率，确定用户对每个题库对应的目标知识点的掌握程度。
根据用户在每个题库中的测试题目解答顺序，可以将用户解答一个或者多个测试题目集合的答题正确率，作为确定用户对相应目标知识点的掌握程度的依据。具体的，可以利用预先设定的答题正确率与知识点掌握程度的对应关系，确定用户对每个题库对应的目标知识点的掌握程度。用户对目标知识点的掌握程度可以根据预设的掌握程度划分规则进行确定，划分结果可以包括但不限于了解、掌握、熟练和精通等。例如，答题正确率为0-60％，对应的知识点掌握程度是“了解”；答题正确率为60％-85％，对应的知识点掌握程度是“掌握”；答题正确率为85％-95％，对应的知识点掌握程度是“熟练”；答题正确率为95％-100％，对应的知识点掌握程度是“精通”。
可选的，该方法还包括：在确定用户对每个题库对应的目标知识点的掌握程度之后，依据确定的掌握程度，更新知识图谱中用户与每个目标知识点的关系。例如当确定用户对目标知识点掌握程度为“熟悉”时，当前测试过程结束，可以在知识图谱中将用户与目标知识点的关系更新为“用户-知识点-熟悉”，从而实现对用户学习情况的实时记录，实时把握用户对目标知识点的掌握程度。
可选的，该方法还包括：在确定用户对每个题库对应的目标知识点的掌握程度之后，依据确定的掌握程度，更新知识图谱中每个目标知识点的关联题库。
其中，对目标知识点的关联题库进行更新包括：根据当前确定的用户对目标知识点的掌握程度，将每个目标知识点关联的题库中包括的测试题目难度等级结构进行更新或调整。例如，当确定用户当前对目标知识点的掌握程度是“熟悉”时，可以增加难度等级较高的测试题目集合，减少难度等级较低的测试题目集合；当确定用户当前对目标知识点的掌握程度是“了解”时，可以增加难度等级较低的测试题目集合，减少难度等级较高的测试题目集合。通过关联题库的动态更新，可以使得目标知识点的关联题库更加贴近用户当前对知识点的掌握水平，有利于后续对用户的知识点掌握程度进行快速而有效的评估。
S150、根据用户对每个目标知识点的掌握程度，确定用户对知识的综合掌握程度。
基于知识与知识点之间的关系，可以将用户对每个目标知识点的掌握程度进行综合性汇总，得到用户对该知识的综合掌握程度，其中，综合性汇总的过程可以基于预先构建的知识掌握程度综合分析模型实现，也可以根据预先确定的知识掌握程度综合分析策略实现。例如，根据用户对每个目标知识点的掌握程度，确定用户对知识的综合掌握程度，包括：根据用户对每个目标知识点的掌握程度，以及每个目标知识点在知识中的权重系数，确定用户对知识的综合掌握程度，其中，权重系数用于反应每个目标知识点在知识中的重要性，知识点在知识体系中的重要性越强，对应的权重系数越大，由此确定的用户对知识的综合掌握程度也更加客观与准确。
本实施例中，当用户开始答题时，会生成包括“用户-题目-知识点”的关联关系的知识图谱，而且每当确定用户的知识点掌握程度后，通过更新该知识图谱，实现将用户与知识点掌握程度实时关联起来。当用户完成所有目标知识点的测试后，再将所有“用户-题目-知识点”的关联关系的知识图谱进行分析汇总，并与“知识点-知识”的关联关系的知识图谱进行整合，得出包括“用户-题目-知识点-知识”的关联关系的知识图谱，从而确定用户对于该知识的掌握程度，得到包括“用户-知识-掌握程度”的关联关系的知识图谱。
本实施例的技术方案通过利用知识图谱，确定用户选择的知识下每个目标知识点关联的题库，依据每个题库中题目难度等级，确定用户针对每个题库的答题正确率，进而得到用户对每个目标知识点的掌握程度，根据每个知识点的掌握程度分析确定用户对知识的综合掌握程度，解决了现有技术中由于随机抽取的测试题目中难度分布存在随机性以及涉及的知识点存在片面性等因素，导致用户知识掌握程度的确定准确性较低的问题，实现了基于层次化的知识点题目测试，提高确定用户知识掌握程度的准确性的效果；并且，在确定用户对目标知识点的掌握程度之后，通过更新知识图谱中用户与目标知识点的关系，实现了对用户学习情况的实时记录；通过目标知识点的关联题库的动态更新，有助于后续进一步对用户的知识点掌握程度进行快速而有效的评估。
实施例二
图2是本发明实施例二提供的知识掌握程度确定方法的流程图，本实施例是在上述实施例的基础上进一步进行优化与扩展。如图2所示，该方法可以包括：
S210、根据用户选择的知识，确定至少一个目标知识点。
S220、利用知识图谱，确定每个目标知识点关联的题库，其中，每个题库中包括预设数量的测试题目集合，每个测试题目集合对应不同的难度等级。
S230、在每个题库中，获取用户解答第一难度等级的测试题目集合的第一答题正确率。
S240、如果第一答题正确率满足第一阈值要求，则获取用户解答第二难度等级的测试题目集合的第二答题正确率，根据第二答题正确率确定用户针对每个题库的答题正确率。其后，转入操作260。
示例性的，如果每个题库中测试题目解答顺序是由易到难，即第一难度等级的测试题目集合中题目的难度等级要低于第二难度等级的测试题目集合，当第一答题正确率大于或等于第一阈值，为保证确定用户对目标知识点的掌握程度的准确性，则继续获取用户的第二答题正确率；如果每个题库中测试题目解答顺序是由难到易，即第一难度等级的测试题目集合中题目的难度等级要高于第二难度等级的测试题目集合，当第一答题正确率小于第一阈值，同样为保证确定用户对目标知识点的掌握程度的准确性，则继续获取用户的第二答题正确率。并且，此时第二难度等级的测试题目集合可以是指难度等级与第一难度等级不同，对应一个或者多个难度等级的测试题目集合，具体与设定的测试题目难度等级的循环次数有关。例如如果预先设定经过两个难度等级循环确定用户针对每个题库的答题正确率，则第二难度等级的测试题目集合即指难度等级与第一难度等级不同的另一个测试题目集合；如果预先设定经过三个或者三个以上的难度等级循环确定用户针对每个题库的答题正确率，则第二难度等级的测试题目集合即指难度等级与第一难度等级不同，对应多个难度等级的多个测试题目集合。
S250、如果第一答题正确率不满足第一阈值要求，则将第一答题正确率作为用户针对每个题库的答题正确率。其后，转入操作260。
与第一答题正确率满足第一阈值要求时的情况类似，如果每个题库中测试题目解答顺序是由易到难，当第一答题正确率小于第一阈值，即用户当前对目标知识点的掌握水平并不高，没有必要进行下一难度等级的测试，将此时的第一答题正确率作为用户针对该题库的答题正确率；如果每个题库中测试题目解答顺序是由难到易，当第一答题正确率大于或等于第一阈值，则说明用户当前对目标知识点的掌握水平已经较高，也无需进行下一难度等级的测试。
S260、根据用户针对每个题库的答题正确率，确定用户对每个题库对应的目标知识点的掌握程度。
S270、根据用户对每个目标知识点的掌握程度，确定用户对知识的综合掌握程度。
在上述技术方案的基础上，进一步的，每个难度等级的测试题目集合包括初始测试题目子集合和候选测试题目子集合；
相应的，在每个题库中，获取用户解答第一难度等级的测试题目集合的第一答题正确率，包括：
在每个题库中，获取用户解答第一难度等级的初始测试题目子集合的第一初始答题正确率；
相应的，第一答题正确率满足第一阈值要求，包括：第一初始答题正确率满足第一初始阈值要求，即如果每个题库中测试题目解答顺序是由易到难，则第一初始答题正确率大于或等于第一初始阈值；如果每个题库中测试题目解答顺序是由难到易，则第一初始答题正确率小于第一初始阈值；
相应的，如果第一答题正确率不满足第一阈值要求，则将第一答题正确率作为用户针对每个题库的答题正确率，包括：
如果第一初始答题正确率不满足第一初始阈值要求，则获取用户解答第一难度等级的候选测试题目子集合的第一候选答题正确率；
根据第一初始答题正确率和第一候选答题正确率，确定用户解答第一难度等级的测试题目集合的第一综合答题正确率；
如果第一综合答题正确率不满足第一综合阈值要求，则将第一综合答题正确率作为用户针对每个题库的答题正确率。
当第一初始答题正确率不满足第一初始阈值要求时，通过进行两次难度等级相同的测试题目子集合的解答，可以减小偶然性带来的误差，保证对用户的知识点掌握程度的确定准确性。其中，难度等级相同的初始测试题目子集合和候选测试题目子集合中，分别包括的测试题目数量本实施例不作具体限定。
此外，由第一初始答题正确率和第一候选答题正确率，可以分别得到用户针对初始测试题目子集合和候选测试题目子集合的正确答题数量，进而结合两个测试子集合中的测试题目总数，便可得到第一综合答题正确率，即正确答题总数量与两次测试题目总数的比值。当然，第一综合答题正确率也可以基于其他的计算策略而定，例如第一初始答题正确率与第一候选答题正确率之和。
进一步的，如果第一综合答题正确率满足第一综合阈值要求，则获取用户解答第二难度等级的测试题目集合的第二答题正确率，根据第二答题正确率确定用户针对每个题库的答题正确率；
其中，获取用户解答第二难度等级的测试题目集合的第二答题正确率，根据第二答题正确率确定用户针对每个题库的答题正确率，包括：
获取用户解答第二难度等级的初始测试题目子集合的第二初始答题正确率；
根据第二初始答题正确率与第二初始阈值要求的关系，将与第二初始答题正确率相关的第二综合答题正确率作为用户针对每个题库的答题正确率，或者，将用户解答第三难度等级的测试题目集合的相关答题正确率作为用户针对每个题库的答题正确率。
无论是在第一初始答题正确率满足第一初始阈值要求，或者第一综合答题正确率满足第一综合阈值要求时，第二初始答题正确率与第二初始阈值要求的关系包括：第二初始答题正确率满足第二初始阈值要求，或者第二初始答题正确率不满足第二初始阈值要求。并且，在每种分支情况下，用户针对每个题库的答题正确率的确定过程，与首轮测试过程基于第一初始答题正确率与第一初始阈值的关系确定用户针对每个题库的答题正确率的执行逻辑相同，在此不再赘述。
第二综合答题正确率可以根据用户解答第二难度等级的初始测试题目子集合的第二初始答题正确率，以及用户解答第二难度等级的候选测试题目子集合的第二候选答题正确率进行确定。第三难度等级的测试题目集合可以是指难度等级与第一难度等级和第二难度等级均不同，对应一个或者多个难度等级的测试题目集合，具体与设定的测试题目难度等级的循环次数有关。
需要说明的是，本实施例中出现的序号，例如第一和第二等，并不是对具体的名词含义的顺序性限定，只是用于区分不同操作阶段的名词。
本实施例的技术方案通过在确定用户对每个目标知识点的掌握程度的过程中，根据关联题库中的测试题目解答顺序，依次获取每个难度等级的测试题目集合的答题正确率，并根据当前答题正确率与相应阈值要求的关系，确定是将当前答题正确率作为用户针对每个题库的答题正确率，或者继续获取用户对另一难度等级的测试题目集合的答题正确率，从而确定用户对该目标知识点的掌握程度，实现了针对每个目标知识点的用户掌握程度的层次化确定；然后基于用户对每个目标知识点的掌握程度，分析得到用户的知识综合掌握程度，实现了针对具体知识的用户掌握程度的层次化确定，解决了现有技术中确定用户的知识掌握程度的准确性较低的问题，减少了知识掌握程度确定过程中的偶然性因素，提高了用户知识掌握程度的确定准确性；同时，在对每个目标知识点的掌握程度确定过程中，根据针对具体难度等级的题目测试循环中得到的答题正确率与相应阈值的关系，及时结束当前题目测试或进入下一循环的测试，在保证用户知识掌握程度确定的准确性的基础上，节省了测试的有效时长。
实施例三
图3是本发明实施例三提供的知识掌握程度确定方法的流程图，本实施例是在上述实施例的基础上，以每个题库中测试题目集合对应的难度等级为简单、中等和困难为例，依次按照难度等级由易到难的变化，确定用户针对每个题库的答题正确率，对用户的知识掌握程度确定过程进行示例性说明。如图3所示，该方法可以包括：
S301、根据用户选择的知识，确定至少一个目标知识点。
S302、利用知识图谱，确定每个目标知识点关联的题库，其中，每个题库中包括难度等级分别为简单、中等和困难的三个测试题目集合。
S303、在每个题库中，选择与当前目标知识点关联的“简单”等级的第一数量L0道测试题目，并推荐给用户。
即根据知识图谱中“题目-知识点”的关联关系，从题库中推选出L0(L0>＝1)道与当前目标知识点关联的“简单”等级的测试题目，推荐给用户，并生成包括“用户-题目-知识点”的关联关系的知识图谱。
S304、确定用户解答该第一数量L0道测试题目的答题正确率是否大于第一初始阈值a0。
如果是，表示用户通过了“简单”等级的测试，则转入操作S309；如果否，则转入操作S305。
S305、继续选择与当前目标知识点关联的“简单”等级的第二数量L1道测试题目，并推荐给用户。
其中，该第一数量L0道测试题目即相当于“简单”等级的测试题目集合中的初始测试题目子集合，该第二数量L1道测试题目即相当于“简单”等级的测试题目集合中的候选测试题目子集合。经过两次同难度等级的答题测试，可以减少用户对知识点掌握程度的确定过程中偶然性带来的误差，提高准确性。
S306、确定用户解答第一数量L0道测试题目和第二数量L1道测试题目的第一综合答题正确率。
S307、确定第一综合答题正确率是否大于第一综合阈值a1。
如果是，表示用户当前通过了“简单”等级的测试，则转入操作S309；如果否，则转入操作S308。
S308、依据第一综合答题正确率确定用户对当前目标知识点的掌握程度为“了解”。同时，可以在知识图谱中将用户与目标知识点的关系更新为“用户-知识点-了解”，用户对当前目标知识点的掌握程度确定过程结束。
S309、选择与当前目标知识点关联的“中等”等级的第三数量M0道测试题目，并推荐给用户。
S310、确定用户解答该第三数量M0道测试题目的答题正确率是否大于第二初始阈值b0。
如果是，表示用户通过了“中等”等级的测试，则转入操作S315；如果否，则转入操作S311。
S311、继续选择与当前目标知识点关联的“中等”等级的第四数量M1道测试题目，并推荐给用户。
其中，该第三数量M0道测试题目即相当于“中等”等级的测试题目集合中的初始测试题目子集合，该第四数量M1道测试题目即相当于“中等”等级的测试题目集合中的候选测试题目子集合。
S312、确定用户解答第三数量M0道测试题目和第四数量M1道测试题目的第二综合答题正确率。
S313、确定第二综合答题正确率是否大于第二综合阈值b1。
如果是，表示用户当前通过了“中等”等级的测试，则转入操作S315；如果否，则转入操作S314。
S314、依据第二综合答题正确率确定用户对当前目标知识点的掌握程度为“掌握”。同时，可以在知识图谱中将用户与目标知识点的关系更新为“用户-知识点-掌握”，用户对当前目标知识点的掌握程度确定过程结束。
S315、选择与当前目标知识点关联的“困难”等级的第五数量N0道测试题目，并推荐给用户。
S316、确定用户解答该第五数量N0道测试题目的答题正确率是否大于第三初始阈值c0。
如果是，表示用户通过了“困难”等级的测试，则转入操作S321；如果否，则转入操作S317。
S317、继续选择与当前目标知识点关联的“困难”等级的第六数量N1道测试题目，并推荐给用户。
其中，该第五数量N0道测试题目即相当于“困难”等级的测试题目集合中的初始测试题目子集合，该第六数量N1道测试题目即相当于“困难”等级的测试题目集合中的候选测试题目子集合。
S318、确定用户解答该第五数量N0道测试题目和第六数量N1道测试题目的第三综合答题正确率。
本实施例中涉及的第一数量至第五数量，只是用于区分不同阶段选定的测试题目数量，不存在顺序性限定，并且每个阶段的测试题目数量可以适应性设置，可以是相同的值或者不同的值，本实施例对此不作具体限定。
S319、确定第三综合答题正确率是否大于第三综合阈值c1。
如果是，表示用户当前通过了“困难”等级的测试，则转入操作S321；如果否，则转入操作S320。
S320、依据第三综合答题正确率确定用户对当前目标知识点的掌握程度为“熟练”。同时，可以在知识图谱中将用户与目标知识点的关系更新为“用户-知识点-熟练”，用户对当前目标知识点的掌握程度确定过程结束。
S321、依据当前答题正确率确定用户对当前目标知识点的掌握程度为“精通”。
如果是由操作S316转入操作S321，则当前答题正确率即用户解答第五数量N0道测试题目的答题正确率；如果是由操作S319转入操作S321，则当前答题正确率即第三综合答题正确率。确定用户对当前目标知识点的掌握程度后，可以在知识图谱中将用户与目标知识点的关系更新为“用户-知识点-精通”，用户对当前目标知识点的掌握程度确定过程结束。
S322、根据用户对每个目标知识点的掌握程度，确定用户对知识的综合掌握程度。
本实施例的技术方案通过在确定用户对每个目标知识点的掌握程度的过程中，根据每个题库中的由易到难的测试题目解答顺序，依次获取每个难度等级的测试题目集合的答题正确率，并根据当前答题正确率与相应阈值要求的关系，确定是将当前答题正确率作为用户针对每个题库的答题正确率，或者继续获取用户对难度等级增加的测试题目集合的答题正确率，从而确定用户对该目标知识点的掌握程度，实现了针对每个目标知识点的用户掌握程度的层次化确定；然后基于用户对每个目标知识点的掌握程度，分析得到用户的知识综合掌握程度，实现了针对具体知识的用户掌握程度的层次化确定，解决了现有技术中确定用户的知识掌握程度的准确性较低的问题，减少了知识掌握程度确定过程中的偶然性因素带来的误差，提高了用户知识掌握程度的确定准确性；同时，在对每个目标知识点的掌握程度确定过程中，根据针对具体难度等级的题目测试循环中得到的答题正确率与相应阈值的关系，及时结束当前题目测试或进入下一循环的测试，在保证用户知识掌握程度确定的准确性的基础上，节省了测试的有效时长。
实施例四
图4是本发明实施例四提供的知识掌握程度确定装置的结构示意图，本实施例可适用于利用包括知识、知识点和题目之间的相关性的知识图谱，确定用户对知识掌握程度的情况。该装置可以采用软件和/或硬件的方式实现，并可集成在具有确定用户的知识掌握程度功能的终端上，例如智能移动终端、个人电脑、学习机或者具有教育学习功能的机器人等。
如图4所示，本实施例提供的知识掌握程度确定装置可以包括目标知识点确定模块410、关联题库确定模块420、答题正确率获取模块430、知识点掌握程度确定模块440和综合掌握程度确定模块450，其中：
目标知识点确定模块410，用于根据用户选择的知识，确定至少一个目标知识点；
关联题库确定模块420，用于利用知识图谱，确定每个目标知识点关联的题库，其中，每个题库中包括预设数量的测试题目集合，每个测试题目集合对应不同的难度等级；
答题正确率获取模块430，用于在每个题库中，依据难度等级，获取用户解答至少一个测试题目集合的答题正确率；
知识点掌握程度确定模块440，用于根据用户针对每个题库的答题正确率，确定用户对每个题库对应的目标知识点的掌握程度；
综合掌握程度确定模块450，用于根据用户对每个目标知识点的掌握程度，确定用户对知识的综合掌握程度。
可选的，答题正确率获取模块430包括：
第一答题正确率确定单元，用于在每个题库中，获取用户解答第一难度等级的测试题目集合的第一答题正确率；
题库解答正确率第一确定单元，用于如果第一答题正确率满足第一阈值要求，则获取用户解答第二难度等级的测试题目集合的第二答题正确率，根据第二答题正确率确定用户针对每个题库的答题正确率；
题库解答正确率第二确定单元，用于如果第一答题正确率不满足第一阈值要求，则将第一答题正确率作为用户针对每个题库的答题正确率。
可选的，每个难度等级的测试题目集合包括初始测试题目子集合和候选测试题目子集合；
相应的，第一答题正确率确定单元具体用于：
在每个题库中，获取用户解答第一难度等级的初始测试题目子集合的第一初始答题正确率；
相应的，题库解答正确率第一确定单元具体用于：如果第一初始答题正确率满足第一初始阈值要求，则获取用户解答第二难度等级的测试题目集合的第二答题正确率，根据第二答题正确率确定用户针对每个题库的答题正确率；
相应的，题库解答正确率第二确定单元具体用于：
如果第一初始答题正确率不满足第一初始阈值要求，则获取用户解答第一难度等级的候选测试题目子集合的第一候选答题正确率；
根据第一初始答题正确率和第一候选答题正确率，确定用户解答第一难度等级的测试题目集合的第一综合答题正确率；
如果第一综合答题正确率不满足第一综合阈值要求，则将第一综合答题正确率作为用户针对每个题库的答题正确率。
可选的，题库解答正确率第二确定单元还用于：
如果第一综合答题正确率满足第一综合阈值要求，则获取用户解答第二难度等级的测试题目集合的第二答题正确率，根据第二答题正确率确定用户针对每个题库的答题正确率；
进一步的，题库解答正确率第一确定单元或者题库解答正确率第二确定单元的执行操作中，获取用户解答第二难度等级的测试题目集合的第二答题正确率，根据第二答题正确率确定用户针对每个题库的答题正确率，包括：
获取用户解答第二难度等级的初始测试题目子集合的第二初始答题正确率；
根据第二初始答题正确率与第二初始阈值要求的关系，将与第二初始答题正确率相关的第二综合答题正确率作为用户针对每个题库的答题正确率，或者，将用户解答第三难度等级的测试题目集合的相关答题正确率作为用户针对每个题库的答题正确率。
可选的，该装置还包括：
关联关系更新模块，用于在确定用户对每个题库对应的目标知识点的掌握程度之后，依据确定的掌握程度，更新知识图谱中用户与每个目标知识点的关系。
可选的，该装置还包括：
关联题库更新模块，用于在确定用户对每个题库对应的目标知识点的掌握程度之后，依据确定的掌握程度，更新知识图谱中每个目标知识点的关联题库。
可选的，综合掌握程度确定模块450具体用于：
根据用户对每个目标知识点的掌握程度，以及每个目标知识点在知识中的权重系数，确定用户对知识的综合掌握程度，其中，权重系数用于反应每个目标知识点在知识中的重要性。
本发明实施例所提供的知识掌握程度确定装置可执行本发明任意实施例所提供的知识掌握程度确定方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本发明任意方法实施例中的描述。
实施例五
图5是本发明实施例五提供的一种终端的结构示意图。图5示出了适于用来实现本发明实施方式的示例性终端512的框图。图5显示的终端512仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。终端512典型的可以是能够执行知识掌握程度确定操作的智能移动终端、个人电脑、学习机或者具有教育学习功能的机器人等。
如图5所示，终端512以通用终端的形式表现。终端512的组件可以包括但不限于：一个或者多个处理器516，存储装置528，连接不同系统组件(包括存储装置528和处理器516)的总线518。
总线518表示几类总线结构中的一种或多种，包括存储装置总线或者存储装置控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance，ISA)总线，微通道体系结构(Micro Channel Architecture，MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
终端512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被终端512访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)530和/或高速缓存存储器532。终端512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统534可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘，例如只读光盘(Compact Disc Read-Only Memory，CD-ROM),数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储装置528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如存储装置528中，这样的程序模块542包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。
终端512也可以与一个或多个外部终端514(例如键盘、指向终端、显示器524等)通信，还可与一个或者多个使得用户能与该终端512交互的终端通信，和/或与使得该终端512能与一个或多个其它计算终端进行通信的任何终端(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且，终端512还可以通过网络适配器520与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器520通过总线518与终端512的其它模块通信。应当明白，尽管图中未示出，可以结合终端512使用其它硬件和/或软件模块，包括但不限于：微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器516通过运行存储在存储装置528中的程序，从而执行各种功能应用以及数据处理，例如实现本发明任意实施例所提供的知识掌握程度确定方法，该方法可以包括：
根据用户选择的知识，确定至少一个目标知识点；
利用知识图谱，确定每个目标知识点关联的题库，其中，每个题库中包括预设数量的测试题目集合，每个测试题目集合对应不同的难度等级；
在每个题库中，依据所述难度等级，获取用户解答至少一个测试题目集合的答题正确率；
根据用户针对每个题库的答题正确率，确定用户对每个题库对应的目标知识点的掌握程度；
根据用户对每个目标知识点的掌握程度，确定用户对所述知识的综合掌握程度。
实施例六
本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的知识掌握程度确定方法，该方法可以包括：
根据用户选择的知识，确定至少一个目标知识点；
利用知识图谱，确定每个目标知识点关联的题库，其中，每个题库中包括预设数量的测试题目集合，每个测试题目集合对应不同的难度等级；
在每个题库中，依据所述难度等级，获取用户解答至少一个测试题目集合的答题正确率；
根据用户针对每个题库的答题正确率，确定用户对每个题库对应的目标知识点的掌握程度；
根据用户对每个目标知识点的掌握程度，确定用户对所述知识的综合掌握程度。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种知识掌握程度确定方法，其特征在于，包括：
根据用户选择的知识，确定至少一个目标知识点；
利用知识图谱，确定每个目标知识点关联的题库，其中，每个题库中包括预设数量的测试题目集合，每个测试题目集合对应不同的难度等级；
在每个题库中，依据所述难度等级，获取用户解答至少一个测试题目集合的答题正确率；
根据用户针对每个题库的答题正确率，确定用户对每个题库对应的目标知识点的掌握程度；
根据用户对每个目标知识点的掌握程度，确定用户对所述知识的综合掌握程度。
2.根据权利要求1所述的方法，其特征在于，所述在每个题库中，依据所述难度等级，获取用户解答至少一个测试题目集合的答题正确率，包括：
在每个题库中，获取用户解答第一难度等级的测试题目集合的第一答题正确率；
如果所述第一答题正确率满足第一阈值要求，则获取用户解答第二难度等级的测试题目集合的第二答题正确率，根据所述第二答题正确率确定所述用户针对每个题库的答题正确率；
如果所述第一答题正确率不满足第一阈值要求，则将所述第一答题正确率作为所述用户针对每个题库的答题正确率。
3.根据权利要求2所述的方法，其特征在于，每个难度等级的测试题目集合包括初始测试题目子集合和候选测试题目子集合；
相应的，所述在每个题库中，获取用户解答第一难度等级的测试题目集合的第一答题正确率，包括：
在每个题库中，获取用户解答第一难度等级的初始测试题目子集合的第一初始答题正确率；
相应的，所述第一答题正确率满足第一阈值要求，包括：所述第一初始答题正确率满足第一初始阈值要求；
相应的，如果所述第一答题正确率不满足第一阈值要求，则将所述第一答题正确率作为所述用户针对每个题库的答题正确率，包括：
如果所述第一初始答题正确率不满足第一初始阈值要求，则获取用户解答所述第一难度等级的候选测试题目子集合的第一候选答题正确率；
根据所述第一初始答题正确率和所述第一候选答题正确率，确定用户解答所述第一难度等级的测试题目集合的第一综合答题正确率；
如果所述第一综合答题正确率不满足第一综合阈值要求，则将所述第一综合答题正确率作为所述用户针对每个题库的答题正确率。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
如果所述第一综合答题正确率满足第一综合阈值要求，则获取用户解答所述第二难度等级的测试题目集合的第二答题正确率，根据所述第二答题正确率确定所述用户针对每个题库的答题正确率；
其中，所述获取用户解答所述第二难度等级的测试题目集合的第二答题正确率，根据所述第二答题正确率确定所述用户针对每个题库的答题正确率，包括：
获取用户解答所述第二难度等级的初始测试题目子集合的第二初始答题正确率；
根据所述第二初始答题正确率与第二初始阈值要求的关系，将与所述第二初始答题正确率相关的第二综合答题正确率作为所述用户针对每个题库的答题正确率，或者，将用户解答第三难度等级的测试题目集合的相关答题正确率作为所述用户针对每个题库的答题正确率。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在所述确定用户对每个题库对应的目标知识点的掌握程度之后，依据确定的掌握程度，更新所述知识图谱中用户与每个目标知识点的关系。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在所述确定用户对每个题库对应的目标知识点的掌握程度之后，依据确定的掌握程度，更新所述知识图谱中每个目标知识点的关联题库。
7.根据权利要求1所述的方法，其特征在于，所述根据用户对每个目标知识点的掌握程度，确定用户对所述知识的综合掌握程度，包括：
根据用户对每个目标知识点的掌握程度，以及每个目标知识点在所述知识中的权重系数，确定用户对所述知识的综合掌握程度，其中，所述权重系数用于反应每个目标知识点在所述知识中的重要性。
8.一种知识掌握程度确定装置，其特征在于，包括：
目标知识点确定模块，用于根据用户选择的知识，确定至少一个目标知识点；
关联题库确定模块，用于利用知识图谱，确定每个目标知识点关联的题库，其中，每个题库中包括预设数量的测试题目集合，每个测试题目集合对应不同的难度等级；
答题正确率获取模块，用于在每个题库中，依据所述难度等级，获取用户解答至少一个测试题目集合的答题正确率；
知识点掌握程度确定模块，用于根据用户针对每个题库的答题正确率，确定用户对每个题库对应的目标知识点的掌握程度；
综合掌握程度确定模块，用于根据用户对每个目标知识点的掌握程度，确定用户对所述知识的综合掌握程度。
9.一种终端，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的知识掌握程度确定方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的知识掌握程度确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910323251.6A CN109949638A (zh) | 2019-04-22 | 2019-04-22 | 知识掌握程度确定方法、装置、终端和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910323251.6A CN109949638A (zh) | 2019-04-22 | 2019-04-22 | 知识掌握程度确定方法、装置、终端和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109949638A true CN109949638A (zh) | 2019-06-28 |
Family
ID=67014563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910323251.6A Pending CN109949638A (zh) | 2019-04-22 | 2019-04-22 | 知识掌握程度确定方法、装置、终端和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109949638A (zh) |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110287293A (zh) * | 2019-07-08 | 2019-09-27 | 上海乂学教育科技有限公司 | 自动推题管理系统 |
| CN110544414A (zh) * | 2019-07-31 | 2019-12-06 | 安徽淘云科技有限公司 | 知识图谱的处理方法和装置 |
| CN110718105A (zh) * | 2019-10-10 | 2020-01-21 | 江苏曲速教育科技有限公司 | 个性化个人假期作业本、生成方法及使用方法 |
| CN110737771A (zh) * | 2019-09-12 | 2020-01-31 | 北京十分科技有限公司 | 一种基于大数据的题目分配方法及其装置 |
| CN111191910A (zh) * | 2019-12-26 | 2020-05-22 | 上海乂学教育科技有限公司 | 基于学习路径规划的学习系统 |
| CN111210685A (zh) * | 2020-01-08 | 2020-05-29 | 郑州市金水区大山培训学校有限公司 | 知识掌握情况的测试方法、装置和设备 |
| CN111274411A (zh) * | 2020-01-22 | 2020-06-12 | 文思海辉智科科技有限公司 | 课程推荐方法、装置、电子设备及可读存储介质 |
| CN111402093A (zh) * | 2020-02-17 | 2020-07-10 | 浙江创课网络科技有限公司 | 基于大数据和人工智能的互联网精准化教学辅导管理系统 |
| CN111782782A (zh) * | 2020-06-09 | 2020-10-16 | 苏宁金融科技(南京)有限公司 | 智能客服的咨询回复方法、装置、计算机设备和存储介质 |
| CN111798138A (zh) * | 2020-07-07 | 2020-10-20 | 广州视源电子科技股份有限公司 | 数据处理方法、计算机存储介质及相关设备 |
| CN111914176A (zh) * | 2020-08-07 | 2020-11-10 | 腾讯科技（深圳）有限公司 | 题目的推荐方法及装置 |
| CN111949882A (zh) * | 2020-08-18 | 2020-11-17 | 西安邮电大学 | 一种领域知识点结构缺陷智能诊断方法 |
| CN112348725A (zh) * | 2020-11-30 | 2021-02-09 | 上海松鼠课堂人工智能科技有限公司 | 基于大数据的知识点难度定级方法 |
| CN112507140A (zh) * | 2021-02-08 | 2021-03-16 | 深圳市阿卡索资讯股份有限公司 | 一种个性化智能学习推荐方法、装置、设备及存储介质 |
| CN113077368A (zh) * | 2021-04-26 | 2021-07-06 | 上海电机学院 | 基于智能手机的个性化在线教育系统 |
| CN113344204A (zh) * | 2021-06-10 | 2021-09-03 | 合肥工业大学 | 多重逻辑问题的认知数据处理方法及装置 |
| CN113409174A (zh) * | 2020-09-29 | 2021-09-17 | 腾讯科技（深圳）有限公司 | 知识点测评方法和装置 |
| CN113450611A (zh) * | 2021-06-25 | 2021-09-28 | 平安科技（深圳）有限公司 | 一种基于答题形式的测试方法、装置、介质及电子设备 |
| CN113793539A (zh) * | 2021-09-16 | 2021-12-14 | 联想(北京)有限公司 | 辅助教学方法、装置及电子设备和存储介质 |
| CN114117224A (zh) * | 2021-11-29 | 2022-03-01 | 海信集团控股股份有限公司 | 确定知识点的掌握程度的方法、装置及存储介质 |
| CN114529436A (zh) * | 2022-02-10 | 2022-05-24 | 珠海读书郎软件科技有限公司 | 一种知识点掌握程度评估方法、装置及介质 |
| CN114529432A (zh) * | 2022-01-21 | 2022-05-24 | 珠海读书郎软件科技有限公司 | 一种基于大数据的知识点难度定级方法 |
| CN114549248A (zh) * | 2022-02-22 | 2022-05-27 | 广州起祥科技有限公司 | 一种错因分析方法、装置及电子设备 |
| CN114742678A (zh) * | 2022-05-13 | 2022-07-12 | 北京举个例子科技有限公司 | 线上教学知识点标签方法、装置、存储介质及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106409034A (zh) * | 2016-11-24 | 2017-02-15 | 广东小天才科技有限公司 | 一种家庭作业的智能布置方法及设备 |
| CN107016890A (zh) * | 2017-04-26 | 2017-08-04 | 广东小天才科技有限公司 | 一种知识掌握程度的检测方法及系统 |
| CA3029215A1 (en) * | 2016-06-23 | 2017-12-28 | Pluralsight, LLC | Extrapolating probabilistic predictions for skills using unanswered questions and determining corresponding instructional content |
| 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 |
-
2019
- 2019-04-22 CN CN201910323251.6A patent/CN109949638A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CA3029215A1 (en) * | 2016-06-23 | 2017-12-28 | Pluralsight, LLC | Extrapolating probabilistic predictions for skills using unanswered questions and determining corresponding instructional content |
| CN106409034A (zh) * | 2016-11-24 | 2017-02-15 | 广东小天才科技有限公司 | 一种家庭作业的智能布置方法及设备 |
| CN107016890A (zh) * | 2017-04-26 | 2017-08-04 | 广东小天才科技有限公司 | 一种知识掌握程度的检测方法及系统 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 李金波: "《让考试更科学：基于命题视角的研究》", 31 January 2012 * |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110287293A (zh) * | 2019-07-08 | 2019-09-27 | 上海乂学教育科技有限公司 | 自动推题管理系统 |
| CN110544414A (zh) * | 2019-07-31 | 2019-12-06 | 安徽淘云科技有限公司 | 知识图谱的处理方法和装置 |
| CN110737771A (zh) * | 2019-09-12 | 2020-01-31 | 北京十分科技有限公司 | 一种基于大数据的题目分配方法及其装置 |
| CN110737771B (zh) * | 2019-09-12 | 2022-09-27 | 北京十分科技有限公司 | 一种基于大数据的题目分配方法及其装置 |
| CN110718105A (zh) * | 2019-10-10 | 2020-01-21 | 江苏曲速教育科技有限公司 | 个性化个人假期作业本、生成方法及使用方法 |
| CN111191910A (zh) * | 2019-12-26 | 2020-05-22 | 上海乂学教育科技有限公司 | 基于学习路径规划的学习系统 |
| CN111210685A (zh) * | 2020-01-08 | 2020-05-29 | 郑州市金水区大山培训学校有限公司 | 知识掌握情况的测试方法、装置和设备 |
| CN111274411A (zh) * | 2020-01-22 | 2020-06-12 | 文思海辉智科科技有限公司 | 课程推荐方法、装置、电子设备及可读存储介质 |
| CN111402093A (zh) * | 2020-02-17 | 2020-07-10 | 浙江创课网络科技有限公司 | 基于大数据和人工智能的互联网精准化教学辅导管理系统 |
| CN111782782A (zh) * | 2020-06-09 | 2020-10-16 | 苏宁金融科技(南京)有限公司 | 智能客服的咨询回复方法、装置、计算机设备和存储介质 |
| CN111798138A (zh) * | 2020-07-07 | 2020-10-20 | 广州视源电子科技股份有限公司 | 数据处理方法、计算机存储介质及相关设备 |
| CN111914176A (zh) * | 2020-08-07 | 2020-11-10 | 腾讯科技（深圳）有限公司 | 题目的推荐方法及装置 |
| CN111914176B (zh) * | 2020-08-07 | 2023-10-27 | 腾讯科技（深圳）有限公司 | 题目的推荐方法及装置 |
| CN111949882A (zh) * | 2020-08-18 | 2020-11-17 | 西安邮电大学 | 一种领域知识点结构缺陷智能诊断方法 |
| CN111949882B (zh) * | 2020-08-18 | 2023-09-08 | 西安邮电大学 | 一种领域知识点结构缺陷智能诊断方法 |
| CN113409174A (zh) * | 2020-09-29 | 2021-09-17 | 腾讯科技（深圳）有限公司 | 知识点测评方法和装置 |
| CN112348725A (zh) * | 2020-11-30 | 2021-02-09 | 上海松鼠课堂人工智能科技有限公司 | 基于大数据的知识点难度定级方法 |
| CN112507140B (zh) * | 2021-02-08 | 2021-06-04 | 深圳市阿卡索资讯股份有限公司 | 一种个性化智能学习推荐方法、装置、设备及存储介质 |
| CN112507140A (zh) * | 2021-02-08 | 2021-03-16 | 深圳市阿卡索资讯股份有限公司 | 一种个性化智能学习推荐方法、装置、设备及存储介质 |
| CN113077368A (zh) * | 2021-04-26 | 2021-07-06 | 上海电机学院 | 基于智能手机的个性化在线教育系统 |
| CN113344204A (zh) * | 2021-06-10 | 2021-09-03 | 合肥工业大学 | 多重逻辑问题的认知数据处理方法及装置 |
| CN113344204B (zh) * | 2021-06-10 | 2022-11-18 | 合肥工业大学 | 多重逻辑问题的认知数据处理方法及装置 |
| CN113450611A (zh) * | 2021-06-25 | 2021-09-28 | 平安科技（深圳）有限公司 | 一种基于答题形式的测试方法、装置、介质及电子设备 |
| CN113793539A (zh) * | 2021-09-16 | 2021-12-14 | 联想(北京)有限公司 | 辅助教学方法、装置及电子设备和存储介质 |
| CN114117224A (zh) * | 2021-11-29 | 2022-03-01 | 海信集团控股股份有限公司 | 确定知识点的掌握程度的方法、装置及存储介质 |
| CN114529432A (zh) * | 2022-01-21 | 2022-05-24 | 珠海读书郎软件科技有限公司 | 一种基于大数据的知识点难度定级方法 |
| CN114529436A (zh) * | 2022-02-10 | 2022-05-24 | 珠海读书郎软件科技有限公司 | 一种知识点掌握程度评估方法、装置及介质 |
| CN114549248A (zh) * | 2022-02-22 | 2022-05-27 | 广州起祥科技有限公司 | 一种错因分析方法、装置及电子设备 |
| CN114742678A (zh) * | 2022-05-13 | 2022-07-12 | 北京举个例子科技有限公司 | 线上教学知识点标签方法、装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109949638A (zh) | 知识掌握程度确定方法、装置、终端和介质 | |
| CN110263179A (zh) | 学习路径推送方法、装置、计算机设备和存储介质 | |
| Rubin | Multiple imputation | |
| CN110147428B (zh) | 知识点掌握度的更新方法、装置、设备和存储介质 | |
| CN111026664B (zh) | 基于ann的程序检测方法和检测系统及应用 | |
| CN108763329A (zh) | 语音交互系统智商水平的评测方法、装置以及计算机设备 | |
| CN110019686A (zh) | 知识点掌握度的确定方法、装置、设备和存储介质 | |
| CN117290694A (zh) | 问答系统评估方法、装置、计算设备及存储介质 | |
| CN110096512A (zh) | 题库建立方法、装置、学习设备及存储介质 | |
| CN109032947A (zh) | 用于操作系统的测试方法、装置、设备和存储介质 | |
| CN116306863A (zh) | 基于对比学习的协同知识追踪建模方法及系统 | |
| CN111477051A (zh) | 一种测评方法、装置、电子设备及存储介质 | |
| CN112651864A (zh) | 一种基于计算机系统随机数生成的义务教育派位入学方法 | |
| CN105117330A (zh) | Cnn代码测试方法及装置 | |
| CN110334353B (zh) | 词序识别性能的分析方法、装置、设备及存储介质 | |
| CN114328460A (zh) | 一种智能生成套题的方法、装置、计算机可读存储介质和电子设备 | |
| CN113642667A (zh) | 一种增强策略确定方法、装置、电子设备及存储介质 | |
| Cheng et al. | Exercise recommendation method combining neuralcd and neumf models | |
| CN114238613B (zh) | 一种确定知识点掌握程度的方法、装置及电子设备 | |
| Falk | A note on the interpretation and simulation of reparameterized intercepts in constrained versions of the nominal response model | |
| Chen et al. | The Application of Bi-LSTM in Computerized Adaptive Test Research | |
| Li | Data-Driven Prediction of Students' Online Learning Needs and Optimization of Knowledge Library Management. | |
| CN116303559B (zh) | 表格问答的控制方法、系统及存储介质 | |
| CN116976434B (zh) | 一种基于知识点扩散表示的知识追踪方法及存储介质 | |
| Song et al. | A deep knowledge tracking model integrating difficulty factors |
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: 20190628 |