CN109977230A - 适合自适应教学的选择题错因分析方法 - Google Patents

Abstract

本发明公开的适合自适应教学的选择题错因分析方法，涉及教育教学领域，通过将选择题的一个或多个选项设为正确选项，将剩余的选项设为错误选项，根据选择题的题干，确定与题干关联的知识点名称，根据错误选项对应的题干，获取与题干关联的知识点名称，根据错误选项的内容，获取用户输入的选择题的编号，判断编号对应的选项是否为正确选项，若否，则根据选项对应的题干，获取与题干关联的知识点名称、超纳米级知识点名称及超纳米级知识点内容并展示编号、超纳米级知识点名称及超纳米级知识点内容，利用通用语言模型对超纳米级知识点名称及超纳米级知识点内容进行语义分析，节省了大量的人力、提高了对学生训练的效果。

Description

适合自适应教学的选择题错因分析方法

技术领域

本发明涉及教育教学领域，具体涉及一种适合自适应教学的选择题错因分析方法。

背景技术

在如今的选择题学习中，由于正确选项和错误选项普遍存在共性，对于正确选项和错误选项的简单区分都可以实现。但关于每道选择题不同的错误选项所体现出来的错误特征是不尽相同的，这对应着每个学生的不同个性化需求。由于教师数量有限，在大量学生进行大量习题的训练学习时，导致老师是无力针对每个学生的每道选择题的错误选项的错因进行甄别判断。这种需求随着学生数量和题目数量的扩大，是目前的教育教学无力彻底有效解决的。

发明内容

为解决现有技术的不足，本发明实施例提供了一种适合自适应教学的选择题错因分析方法，该方法包括：

将选择题的一个或多个选项设为正确选项，将剩余的选项设为错误选项，其中，所述正确选项及错误选项均包括编号和内容，一个编号对应一个内容；

根据所述选择题的题干，确定与题干关联的知识点名称，其中，该知识点名称设置在预设的错因库中，所述错因库还包括多个超纳米级知识点名称及多个超纳米级知识点内容，一个知识点名称关联多个超纳米级知识点名称，一个超纳米级知识点名称关联一个超纳米级知识点内容；

根据所述错误选项对应的题干，获取与所述题干关联的知识点名称，根据所述错误选项的内容，从所述知识点名称关联的多个超纳米级知识点名称中确定与所述错误选项关联的超纳米级知识点名称；

获取用户输入的选择题的编号，判断所述编号对应的选项是否为正确选项，若否，则根据所述选项对应的题干，获取与题干关联的知识点名称、超纳米级知识点名称及超纳米级知识点内容并展示所述编号、所述超纳米级知识点名称及所述超纳米级知识点内容；

利用通用语言模型对所述超纳米级知识点名称及所述超纳米级知识点内容进行语义分析，将所述超纳米级知识点名称及所述超纳米级知识点内容分类为用户错因及题目错因，为述超纳米级知识点名称及所述超纳米级知识点内容打上相应的标签并展示所述标签，其中，所述标签包括“用户错因”及“题目错因”。

进一步地，根据所述选择题的题干，确定与所述题干关联的预置错因库中的知识点名称包括：

分别计算所述题干与各个知识点名称之间的文本相似度，将大于设定阈值的文本相似度对应的知识点名称与所述题干关联。

进一步地，根据所述错误选项对应的题干，获取与所述题干关联的知识点名称，根据所述错误选项的内容，从所述知识点名称关联的多个超纳米级知识点名称中确定与所述错误选项关联的超纳米级知识点名称包括：

计算所述错误选项的内容与所述知识点名称关联的各个超纳米级知识点名称之间的文本相似度，将大于设定阈值的文本相似度对应的超纳米级知识点名称与所述错误选项关联。

本发明实施例提供的适合自适应教学的选择题错因分析方法，具有以下有益效果：

(1)能够自动个性化地锁定学生最细小的知识漏洞，节省了大量的人力；

(2)学生可以通过查看某次训练的多个选择题的重叠错因，确定自己的薄弱项，由于是机器实现计算处理，得到的错因精确度较高，提高了对学生训练的效果。

(3)可实现对各个科目的选择题的错误选项进行分析，实用性较强。

附图说明

图1为本发明实施例提供的适合自适应教学的选择题错因分析方法流程示意图。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

如图1所示，本发明实施例提供的题目错因分析及展示方法包括以下步骤：

S101，将选择题的一个或多个选项设为正确选项，将剩余的选项设为错误选项，其中，所述正确选项及错误选项均包括编号和内容，一个编号对应一个内容。

作为一个具体的实施例，针对下面的选择题：

【题干】关于路程和位移的关系中，以下说法中正确的是()

【选项A】物体通过的路程不同，位移一定不同

【选项B】物体通过的路程一定小于或等于位移的大小

【选项C】物体向某一方向做直线运动，通过的路程就是位移

【选项D】物体沿某一方向做直线运动，通过的路程等于位移的大小

在此题目中，将选项D设为正确选项，无错因。A、B、C为错误选项。选其中任意一个错误答案的同时，也意味着D选项对应的知识点也是不理解的。

S102，根据选择题的题干，确定与题干关联的知识点名称，其中，该知识点名称设置在预设的错因库中，该错因库还包括多个超纳米级知识点名称及多个超纳米级知识点内容，一个知识点名称关联多个超纳米级知识点名称，一个超纳米级知识点名称关联一个超纳米级知识点内容。

作为一个具体的实施例，如表1所示，表1为错因库的部分内容，该错因库还包括序号及超纳米级知识点编号，其中，82-94为序号，wl_gzcy_8_1-wl_gzcy_8_1为超纳米级知识点编号。以上述选择题为例，该选择题的题干关联的知识点名称为：位移。

表1

S103，根据错误选项对应的题干，获取与题干关联的知识点名称，根据错误选项的内容，从知识点名称关联的多个超纳米级知识点名称中确定与错误选项关联的超纳米级知识点名称。

作为一个具体的实施例，以表1及上述选择题为例，该选择题的选项A关联的超纳米级知识点名称包括“路程的定义”、“位移的定义”、“位移与路程的关系2”及“位移大小等于路程的条件”，选项B关联的超纳米级知识点名称包括“物体回到原点时，位移为零”、“位移大小与路程的关系”及“位移大小等于路程的条件”，选项C关联的超纳米级知识点名称包括“位移与路程的关系1”及“位移大小等于路程的条件”。

S104，获取用户输入的选择题的编号，判断所述编号对应的选项是否为正确选项，若否，则根据选项对应的题干，获取与题干关联的知识点名称、超纳米级知识点名称及超纳米级知识点内容并展示编号、超纳米级知识点名称及超纳米级知识点内容。

如表1所示，与“路程的定义”关联的超纳米级知识点内容为“物体/质点运动所经历的轨迹长度叫路程”，与“位移的定义”关联的超纳米级知识点内容为“物体/质点的位置变化叫做位移”。

S105，利用通用语言模型对超纳米级知识点名称及超纳米级知识点内容进行语义分析，将超纳米级知识点名称及超纳米级知识点内容分类为用户错因及题目错因，为超纳米级知识点名称及超纳米级知识点内容打上相应的标签并展示该标签，其中，所述标签包括“用户错因”及“题目错因”。

作为一个具体的实施例，以表1、表2及上述选择题为例，选择选项A的用户错因包括“路程的定义”、位移的定义”及“位移与路程的关系2”，选择选项A的题目错因包括“位移大小等于路程的条件”。

表2

可选地，根据选择题的题干，确定与题干关联的预置错因库中的知识点名称包括：

分别计算题干与各个知识点名称之间的文本相似度，将大于设定阈值的文本相似度对应的知识点名称与题干关联。

可选地，根据错误选项对应的题干，获取与题干关联的知识点名称，根据错误选项的内容，从知识点名称关联的多个超纳米级知识点名称中确定与错误选项关联的超纳米级知识点名称包括：

计算错误选项的内容与知识点名称关联的各个超纳米级知识点名称之间的文本相似度，将大于设定阈值的文本相似度对应的超纳米级知识点名称与所述错误选项关联。

其中，计算文本相识度采用的算法包括斯皮尔曼相关系数算法及余弦相似度算法。

本发明实施例提供的适合自适应教学的选择题错因分析方法，通过将选择题的一个或多个选项设为正确选项，将剩余的选项设为错误选项，根据选择题的题干，确定与题干关联的知识点名称，根据错误选项对应的题干，获取与题干关联的知识点名称，根据错误选项的内容，从知识点名称关联的多个超纳米级知识点名称中确定与错误选项关联的超纳米级知识点名称，获取用户输入的选择题的编号，判断编号对应的选项是否为正确选项，若否，则根据选项对应的题干，获取与题干关联的知识点名称、超纳米级知识点名称及超纳米级知识点内容并展示编号、超纳米级知识点名称及超纳米级知识点内容，利用通用语言模型对超纳米级知识点名称及超纳米级知识点内容进行语义分析，将超纳米级知识点名称及超纳米级知识点内容分类为用户错因及题目错因并为超纳米级知识点名称及超纳米级知识点内容打上相应的标签，节省了大量的人力、提高了对学生训练的效果。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。

Claims (3)

1.一种适合自适应教学的选择题错因分析方法，其特征在于，包括：

将选择题的一个或多个选项设为正确选项，将剩余的选项设为错误选项，其中，所述正确选项及错误选项均包括编号和内容，一个编号对应一个内容；

根据所述选择题的题干，确定与题干关联的知识点名称，其中，该知识点名称设置在预设的错因库中，所述错因库还包括多个超纳米级知识点名称及多个超纳米级知识点内容，一个知识点名称关联多个超纳米级知识点名称，一个超纳米级知识点名称关联一个超纳米级知识点内容；

根据所述错误选项对应的题干，获取与所述题干关联的知识点名称，根据所述错误选项的内容，从所述知识点名称关联的多个超纳米级知识点名称中确定与所述错误选项关联的超纳米级知识点名称；

获取用户输入的选择题的编号，判断所述编号对应的选项是否为正确选项，若否，则根据所述选项对应的题干，获取与题干关联的知识点名称、超纳米级知识点名称及超纳米级知识点内容并展示所述编号、所述超纳米级知识点名称及所述超纳米级知识点内容；

利用通用语言模型对所述超纳米级知识点名称及所述超纳米级知识点内容进行语义分析，将所述超纳米级知识点名称及所述超纳米级知识点内容分类为用户错因及题目错因，为所述超纳米级知识点名称及所述超纳米级知识点内容打上相应的标签并展示所述标签，其中，所述标签包括“用户错因”及“题目错因”。

2.根据权利要求1所述的适合自适应教学的选择题错因分析方法，其特征在于，根据所述选择题的题干，确定与所述题干关联的预置错因库中的知识点名称包括：

分别计算所述题干与各个知识点名称之间的文本相似度，将大于设定阈值的文本相似度对应的知识点名称与所述题干关联。

3.根据权利要求1所述的适合自适应教学的选择题错因分析方法，其特征在于，根据所述错误选项对应的题干，获取与所述题干关联的知识点名称，根据所述错误选项的内容，从所述知识点名称关联的多个超纳米级知识点名称中确定与所述错误选项关联的超纳米级知识点名称包括：

计算所述错误选项的内容与所述知识点名称关联的各个超纳米级知识点名称之间的文本相似度，将大于设定阈值的文本相似度对应的超纳米级知识点名称与所述错误选项关联。