CN110020203A - 一种基于个体训练特征的智能选题系统 - Google Patents
一种基于个体训练特征的智能选题系统 Download PDFInfo
- Publication number
- CN110020203A CN110020203A CN201910247293.6A CN201910247293A CN110020203A CN 110020203 A CN110020203 A CN 110020203A CN 201910247293 A CN201910247293 A CN 201910247293A CN 110020203 A CN110020203 A CN 110020203A
- Authority
- CN
- China
- Prior art keywords
- feature
- training
- user
- exam pool
- degree
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/954—Navigation, e.g. using categorised browsing
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于个体训练特征的只能选题系统,属于推荐技术领域。本发明针对现有方案未曾以实际的训练效果为选题作动态指导,不能实现满足个体需求的智能选择的技术问题,提出了一种基于个体训练特征的智能选题系统,针对学习个体采样学习效果数据,通过机器学习分析,形成该个体的动态训练特征集,指导个体训练题库的动态生成,建立针对性学习训练内容,达到学习个体和学习内容匹配度最高,减少冗余训练,挖掘用户个体薄弱知识点,同时能根据个体能力的不断变化智能动态地调整算法输出,以适应用户个体不断变化的要求。
Description
技术领域
本发明属于推荐技术领域,具体属于一种向用户推荐个性化匹配的训练选题。
背景技术
随着推荐技术的发展,出现了各种有针对性的推荐系统,例如向用户推荐待购买的商品,向用户推荐与其偏好相匹配的电影,音乐等等,从而减少用户对海量数据的手动搜索,降低数据在网络中的传输量。提升网络利用率。
虽然,目前已出现了针对训练题的推荐系统,但是其推荐的目标一般则从知识本身的特点的角度,并同时结合考核目标设置训练方式。但并未涉及到训练者个体特征,也未以实际的训练效果为选题作动态指导,不能针对个体的知识弱点有效选题。
发明内容
本发明的发明目的在于:针对上述存在的问题,提供一种基于个体训练特征的智能选题系统。
本发明的基于个体训练特征的智能选题系统包括客户端、推荐匹配处理模块和数据库,
其中,所述数据库包括用户信息数据库,个体特征库和特征题库;
所述客户端包括用户的试题显示界面,试题导入接口以及个性化特征测试界面;
所述用户的试题显示界面用于用户录入个体特征并传输给推荐匹配处理模块;用户的初始个体特征信息可以基于预设的录入提示信息输入对应的个体特征信息;
所述个体特征包括针对不同的知识点知识遗忘度Vl,间接分析能力Ud,综合分析能力Us,计算能力Uc,抽象理解能力Ua;
所述试题导入接口用于向数据库中的标准题库提供试题数据;
所述推荐匹配处理模块包括用户管理、个体特征分析、习题管理和标准题库和推荐匹配处理模块;
其中,所述用户管理模块用于对用户注册的信息行管理和维护,并基于用户的注册信息形成用户信息数据库并存入数据库中;
习题管理模块用于对智能选题系统的管理人员输入的训练习题进行管理和维护;
个体特征分析模块根据客户端传输的个体特征信息,为每个用户构建个体特征库并存入数据库中;所述个体特征库按照每个知识点为单位,分别从知识遗忘度Vl,间接分析能力Ud,综合分析能力Us,计算能力Uc,和抽象理解能力Ua进行表征;
标准题库用于存储历年来的各类考试题,并对各类考试题进行知识特征标注,形成特征题库并存入数据库中;
推荐匹配处理模块从数据库中读取当前用户的个体特征库,并基于数据库中的特征题库为当前用户匹配对应的训练试题集合并反馈给客户端,供用户在客户端的试题显示界面中就反馈的训练试题集合进行试题在线训练;同时,每次在线训练完成后,试题显示界面会采集对应的个体特征并发送给推荐匹配处理模块的个体特征分析模块,更新用户的个体特征库。
综上所述,由于采用了上述技术方案,本发明的有益效果是:针对训练题目覆盖知识点众多、知识组合变化繁复、题目内容跨度大、个体对不同题目把握能力千差万别的特点,提出一种智能选题算法。将题库按照遗忘度、抽象度、间接度、综合度、计算复杂度进行信息结构化分类,用户个体通过训练实时生成反应知识掌握能力的个体特征库。选题系统通过实现该算法,动态从题库中智能选取切合个体的训练集。
附图说明
图1为智能知识训练系统示意图。
图2智能知识训练处理流程示意图。
图3推荐匹配处理模块为当前用户匹配对应的训练试题集的处理流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合实施方式和附图,对本发明作进一步地详细描述。
根据个体特点进行相应能力训练是未来个性化教育的发展趋势,而传统选题方案方法一般则从知识本身的特点的角度,并同时结合考核目标设置训练方式。但并未涉及到训练者个体特征,也未以实际的训练效果为选题作动态指导,不能针对个体的知识弱点有效选题。
因而,为了从用户的个性需求考量,为用户提供一种能实现智能选题的平台(基于用户需求向用户推荐满足其需求的训练题),提升现有的训练题推荐的准确性和便捷性。
本发明的智能选题系统,针对学习个体(用户)采样学习效果数据,通过机器学习分析,形成该个体的动态训练特征集,指导个体训练题库的动态生成,建立针对性学习训练内容,达到学习个体和学习内容匹配度最高,减少冗余训练,挖掘用户个体薄弱知识点,同时能根据个体能力的不断变化智能动态地调整算法输出,以适应用户个体不断变化的要求。
本发明所涉及的处理方式主要包括:
(1)知识特征提取。
该过程将标准题库转变为具有知识特征标注的特征题库,以便于基于训练者知识不足的特征选取匹配度高的训练题集。具体是对标准题库中每道题加入基本信息、间接度、综合度、计算复杂度、抽象度几个方面的特征标签。
所述基本信息包括题目内容、所属学科、覆盖的知识点集、各知识点属性。其中,每个知识点属性用于表达该知识点具体的应用环境限定,即该知识点的动态子特征,用于更好的精确匹配对应的训练题集合。例如,有机化学中的知识点“取代反应”,其属性只有一个:什么物质的取代反应;物理中的知识点“动能守恒”,其属性包括:守恒系统中的物体个数、系统包括的运动种类1、…、系统包括的运动种类n。
所述间接度用于表征求解题目的逻辑复杂度,间接度越高,则题目逻辑复杂度越高。
本具体实时实施方式中,定义间接度的表达式为:
其中Dd表示间接度,Z1表示题目涉及到的知识点集合,Z2表示题目答案涉及到的知识点集合,NZ表示下标表示的集合Z中元素的个数。
且,Dd=0表示题目中所有条件都是直接给出;
Dd=i(i>0)表示求解题目需要其它i个额外的知识点才能求解得到正确的答案。
所述综合度用于表征题目所涉及的知识点数目,其值越高则题目内容组合复杂度越高。本具体实施方式中,定义符号Ds表示综合度。
所述计算复杂度用于表征题目所需花费的时间,对于中学范围的题目,其计算类型包括加减、乘除、三角函数、指数对数函数,而函数运算通过转化后变为四则运算,计算量最终反应为所涉及的四则运算量。
本具体实施方式中,定义计算复杂度的表达式为:
其中,Dc表示计算复杂度,k表示加减法总次数,N表示乘除法总次数,mi表示第i次乘法的m因子的位数,ni表示第i次乘法中n因子的位数。
所述抽限度用于表征题目所涉及的过程或现象的易理解程度,通常表现在用户个体做题的正确率和做题时间上。即抽限度越高,表达题目越抽象,理解推理和分析解答试题的时间越长,正确率越低。
本具体实施方式中,定义抽象度的表达式为:
其中,Da表示抽象度,T表示解答题目的参考完成时间,T表示用户个体实际解答题目完成时间,X表示题目参考正确率,B为布尔值,取值为1时表示用户个体解答错误,取值为0表示用户个体解答正确。
综上,本发明中,特征题库的结构化标签如下表1所示。
表1特征表
字段名 | 含义 |
TID | 标识号 |
Content | 训练题内容 |
Subject | 所属学科 |
KID<sub>1</sub> | 知识点1的标识号 |
KID<sub>1</sub>-A<sub>1</sub> | 知识点1的属性1 |
… | |
KID<sub>1</sub>-A<sub>n</sub> | 知识点1的属性n |
KID<sub>2</sub> | 覆盖知识点2的标识号 |
KID<sub>2</sub>-A<sub>1</sub> | 知识点2的属性1 |
… | |
KID<sub>2</sub>-A<sub>n</sub> | 知识点2的属性n |
…… | |
KID<sub>n</sub> | 覆盖知识点n的标识号 |
KID<sub>n</sub>-A<sub>1</sub> | 知识点n的属性1 |
… | |
KID<sub>n</sub>-A<sub>n</sub> | 知识点n的属性n |
D<sub>d</sub> | 间接度 |
D<sub>s</sub> | 综合度 |
D<sub>a</sub> | 抽象度 |
D<sub>c</sub> | 计算复杂度 |
(2)个性特征表示。
针对某训练个体,系统根据每次训练效果,动态评估其特征指标,形成其个体学习特征,为其下次训练造题提供标准,其中,本发明中所涉及的个体学习特征包括:知识遗忘度、间接分析能力、综合分析能力、计算能力和抽象理解能力。其具体定义如下:
知识遗忘度Vl,用于标志对标号为l的知识的遗忘程度度量,其值越大遗忘程度越高。该值的计算方法根据记忆规律,最近训练结果权值最高。用n表示训练者(用户)在最近的一段历史训练时间内对知识l进行训练的次数,且每次训练i(n+1>i>0)对应训练题的综合度为Dsi,间接度为Dsi,则对应的当前知识点l的遗忘度为:
其中,i取值从训练时间最近到最远的顺序,ki取值为该次训练从最近计算是第几次训练。为排除成功训练,B变量为布尔取值,若训练成功,B=0,训练失败,B=1。
例如,对应某知识点,最近共训练了5次,从远到近的结果依次为(F、F、F、T、T),其中F表示成功,T表示失败,则
随着训练题综合度和间接度的提高,失败涉及综合分析能力和逻辑推导能力,相应失败对遗忘度的依赖度下降,失败对遗忘度的影响度也下降。
在训练者不断训练过程中,其对不同知识点的遗忘度是动态变化的,每训练一次会根据训练结果更新本次训练题所涉及知识点在训练者特征库中对应的遗忘度Vl值(该表示方式与前文不匹配,请核对)。
间接分析能力Ud,对于某知识点,当训练题的间接度达到或超过Ud时,训练者会失败。
综合分析能力Us,对于某知识点,当训练题的综合度达到或超过Us时,训练者会失败。
计算能力Uc,对于某知识点,当训练题的计算复杂度达到或超过Uc时,训练者会失败。
抽象理解能力Ua,表示对于某知识点当训练题的抽象度达到或超过Ua时,训练者会失败。
由于训练题目中,这四种能力是混合在一起的,一个训练者在某训练题目中失败可能是因为各种特征混合度达到一定程度才发生,因此失败不能单独考虑单一特征,需要多特征同时考量,具体情况如下。
对每个知识点,分为四个特征表,分别是单特征表、双特征表、三特征表和全特征表;
表2单特征表
该表中特征指训练题的知识特征。阈值表示涉及该知识点的训练题单一特征达到或超过阈值,训练者会失败;
表3双特征表
特征 | 阈值 |
(D<sub>d</sub>、D<sub>s</sub>) | (U<sub>d2</sub>、U<sub>s2</sub>) |
(D<sub>d</sub>、D<sub>c</sub>) | (U<sub>d2</sub>、U<sub>c2</sub>) |
(D<sub>d</sub>、D<sub>a</sub>) | (U<sub>d2</sub>、U<sub>a2</sub>) |
(D<sub>s</sub>、D<sub>c</sub>) | (U<sub>s2</sub>、U<sub>c2</sub>) |
(D<sub>s</sub>、D<sub>a</sub>) | (U<sub>s2</sub>、U<sub>a2</sub>) |
(D<sub>c</sub>、D<sub>a</sub>) | (U<sub>c2</sub>、U<sub>a2</sub>) |
该表中特征和阈值为二元组,表示涉及某知识点的训练题某两个特征的组合达到二元组阈值,(该阈值取值可以是多种二元组合),则训练者会失败;
表4三特征表
特征 | 阈值 |
(D<sub>s</sub>、D<sub>c</sub>、D<sub>a</sub>) | (U<sub>s3</sub>、U<sub>c3</sub>、U<sub>a3</sub>) |
(D<sub>d</sub>、D<sub>c</sub>、D<sub>a</sub>) | (U<sub>d3</sub>、U<sub>c3</sub>、U<sub>a3</sub>) |
(D<sub>d</sub>、D<sub>s</sub>、D<sub>a</sub>) | (U<sub>d3</sub>、U<sub>s3</sub>、U<sub>a3</sub>) |
(D<sub>d</sub>、D<sub>s</sub>、D<sub>c</sub>) | (U<sub>d3</sub>、U<sub>s3</sub>、U<sub>c3</sub>) |
该表中特征和阈值为三元组,表示涉及某知识点的训练题某三个特征的组合达到三元组阈值,(该阈值取值可以是多种三元组合),则训练者会失败;
表5全特征表
特征 | 阈值 |
(D<sub>d</sub>、D<sub>s</sub>、D<sub>c</sub>、D<sub>a</sub>) | (U<sub>d4</sub>、U<sub>s4</sub>、U<sub>c4</sub>、U<sub>a4</sub>) |
该表中特征和阈值为四元组,表示涉及某知识点的训练题的四个特征组合达到四元组阈值,(该阈值取值可以是多种四元组合),则训练者会失败;
训练者每完成一次训练,将根据其是否完成训练各步骤、以及训练各步骤的特征值,给训练者重新评估并更新其特征值。例如:训练前,对于某知识点,(Ud2,Us2)特征为(2、2),完成本次训练,训练者成功完成了(Dd=2、Ds=1)的训练步骤,则更新,(Ud2,Us2)为(3、2)。
综上,个体训练者特征描述如表6。
表6个体特征表
字段名 | 含义 |
PID | 训练者标识号 |
KID | 知识点标识号 |
V<sub>id</sub> | 知识点遗忘值 |
U<sub>d</sub>、U<sub>s</sub>、U<sub>c</sub>、U<sub>a</sub> | 单特征阈值 |
(U<sub>d2</sub>、U<sub>s2</sub>),(U<sub>d2</sub>、U<sub>c2</sub>),(U<sub>d2</sub>、U<sub>a2</sub>),(U<sub>s2</sub>、U<sub>c2</sub>),(U<sub>s2</sub>、U<sub>a2</sub>),(U<sub>c2</sub>、U<sub>a2</sub>) | 双特征阈值 |
(U<sub>s3</sub>、U<sub>c3</sub>、U<sub>a3</sub>),(U<sub>d3</sub>、U<sub>c3</sub>、U<sub>a3</sub>),(U<sub>d3</sub>、U<sub>s3</sub>、U<sub>a3</sub>),(U<sub>d3</sub>、U<sub>s3</sub>、U<sub>c3</sub>) | 三特征阈值 |
(U<sub>d4</sub>、U<sub>s4</sub>、U<sub>c4</sub>、U<sub>a4</sub>) | 全特征阈值 |
为了实现基于个体训练特征的智能选题系统,本具体实施方式中,采用BS架构实现,其包括客户端、系统处理模块(推荐匹配处理模块),数据库三部分,其中客户端可称为本系统的前台,推荐匹配处理模块和数据库可称为本系统的后台。
参见图1,各部分的具体的实现方式为:
(1)客户端。
客户端包括用户的试题显示界面,试题导入接口以及个性化特征测试界面。
其中,用户的试题显示界面可以通过js(javascript),css(Cascading StyleSheets),html等实现,所述用户的试题显示界面通过http协议与系统处理模块进行通信;且该界面是后台通过json(JavaScript Object Notation,JS对象简谱)数据格式传输到浏览器端,若试题中涉及到公式,则用公式表示格式LaTex格式表示,试题中涉及到的图表则采用图片格式显示;
个性化特征测试界面用于录入用户的个体特征(Individual characteristics),可以设置一个用户在线能力测试,并通过用户在线能力测试,将测试的结果以json数据格式传输到系统处理模块,从而采集到用户的个体特征并传输给系统处理模块传输;其中用户在线能力测试,则是针对不同的知识点,去获取用户的知识遗忘度Vl,间接分析能力Ud,综合分析能力Us,计算能力Uc,抽象理解能力Ua五个维度的个体特征。
试题导入接口用于向数据库中的特征题库提供试题数据,通常导入的为非格式化文档的试题数据,再基于需求进行统一的格式化处理。
(2)系统处理模块。
系统处理模块包括用户管理、个体特征分析、习题管理和标准题库和推荐匹配处理等模块。
其中,用户管理模块用于对用户注册的信息行管理和维护,即将用户注册信息存入本发明的选题系统后端的数据中,以及在用户登录时,基于数据库中的用户信息进行登录验证处理等;
习题管理模块用于对选题系统后台导入的训练习题进行管理和维护;
个体特征分析模块根据用户从个性化测试界面测试的结果得到个体特征库W,个体特征库主要是按照每个知识点为单位,分别从知识遗忘度Vl,间接分析能力Ud,综合分析能力Us,计算能力Uc,抽象理解能力Ua五个维度来进行衡量。
其中1,2,3……n分别表示知识点1,知识点2,知识点3……知识点n,Vlj表示知识点j的知识遗忘度,Udj表示知识点j的间接分析能力,Usj表示知识点j的综合分析能力,Ucj表示知识点j的计算能力,Uaj表示知识点j的抽象理解能力。
标准题库用于存储历年来的各类考试题,并对各类考试题进行知识特征标注,形成特征题库Ω,如图2中(1)所示;从而为每道题目增加智能选题处理(推荐匹配处理模块)需要判决的知识特征标签。
在某训练者进行训练时,推荐匹配处理模块从个体特征库中,提取该训练者训练历史积累的知识掌握程度的能力特征W,作为针对该训练者选题的参数,输入到预设的选题匹配规则(选题算法)中进行训练题(训练样本)匹配处理,如图2中(2)所示;基于所述选题匹配规则选择出个体训练样本后,提交给训练者进行训练(客户端在试题显示界面中就反馈的训练试题集合进行试题在线训练;),根据训练结果重新评估训练者个体特征,如图2中(3)所示;根据评估结果,更新个体特征库W,如图2中(4)所示。
参见图3,本具体实施方式中,选题匹配规则具体为:
选择遗忘度Vl最大的知识点集:
1)对每个知识点,根据训练者单特征进行试题遴选,具体如下:
a)在Ω中,选择间接度满足特征的训练子集Ωd={Ω|Dd≥Ud};
b)在Ω中,选择综合度满足特征的训练子集Ωs={Ω|Ds≥Us};
c)在Ω中,选择计算复杂度满足特征的训练子集Ωc={Ω|Dc≥Uc};
d)在Ω中,选择抽象度满足特征的训练子集Ωa={Ω|Da≥Ua};
2)对每个知识点,根据训练者双特征进行试题遴选,具体如下:
a)在Ω中,选择间接度和综合度满足特征的训练子集Ωds:
Ωds={Ω|Dd≥Ud2且Ds≥Us2};
b)在Ω中,选择间接度和计算复杂度满足特征的训练子集Ωdc:
Ωdc={Ω|Dd≥Ud2且Dc≥Uc2};
c)在Ω中,选择间接度和抽象度满足特征的训练子集Ωda:
Ωda={Ω|Dd≥Ud2且Da≥Ua2};
d)在Ω中,选择综合度和计算复杂度特征的训练子集Ωsc:
Ωsc={Ω|Ds≥Us2且Dc≥Uc2};
e)在Ω中,选择综合度和抽象度满足特征的训练子集Ωsa:
Ωsa={Ω|Ds≥Us2且Da≥Ua2};
f)在Ω中,选择计算复杂度和抽象度特征的训练子集Ωca::
Ωca={Ω|Dc≥Uc2且Da≥Ua2};
3)对每个知识点,根据训练者三特征进行试题遴选,具体如下:
a)在Ω中,选择满足(综合度、计算复杂度、抽象度)特征的训练子集~Ωd:
~Ωd={Ω|Ds≥Us3且Dc≥Uc3且Da≥Ua3};
b)在Ω中,选择满足(间接度、计算复杂度、抽象度)特征的训练子集~Ωs:
~Ωs={Ω|Dd≥Ud3且Dc≥Uc3且Da≥Ua3};
c)在Ω中,选择满足(间接度、综合度、抽象度)特征的训练子集~Ωc:
~Ωc={Ω|Dd≥Ud3且Ds≥Us3且Da≥Ua3};
d)在Ω中,选择满足(间接度、综合度、计算复杂度)特征的训练子集~Ωa:
~Ωa={Ω|Dd≥Ud3且Ds≥Us3且Dc≥Uc3};
4)对每个知识点,根据训练者全特征进行试题遴选,具体如下:
a)在Ω中,选择满足(间接度、综合度、计算复杂度、抽象度)特征的训练子集Ω4:
Ω4={Ω|Dd≥Ud4且Ds≥Us4且Dc≥Uc4且Da≥Ua4};
5)所选训练集为Ωall:
Ωall=Ωd∪Ωs∪Ωc∪Ωa∪Ωds∪Ωdc∪Ωda∪Ωsc∪Ωsa∪Ωca∪~Ωd∪~Ωds∪~Ωc∪~Ωa
∪Ω4。
(3)数据库
数据库包括用户信息数据库,个体特征库和特征题库,其中个体特征库可采用Neo4j图数据库进行存储,特征题库和用户信息可采用用MySQL数据库存储,通过数据访问接口JDBC与系统处理模块进行通信。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (3)
1.基于个体训练特征的智能选题系统,其特征在于,包括客户端、推荐匹配处理模块和数据库;
其中,所述数据库包括用户信息数据库,个体特征库和特征题库;
所述客户端包括用户的试题显示界面,试题导入接口以及个性化特征测试界面;
所述用户的试题显示界面用于用户录入个体特征并传输给推荐匹配处理模块;
所述个体特征包括针对不同的知识点知识遗忘度Vl,间接分析能力Ud,综合分析能力Us,计算能力Uc,抽象理解能力Ua;
所述试题导入接口用于向数据库中的标准题库提供试题数据;
所述推荐匹配处理模块包括用户管理、个体特征分析、习题管理和标准题库和推荐匹配处理模块;
其中,所述用户管理模块用于对用户注册的信息行管理和维护,并基于用户的注册信息形成用户信息数据库并存入数据库中;
习题管理模块用于对智能选题系统的管理人员输入的训练习题进行管理和维护;
个体特征分析模块根据客户端传输的个体特征信息,为每个用户构建个体特征库并存入数据库中;所述个体特征库按照每个知识点为单位,分别从知识遗忘度Vl,间接分析能力Ud,综合分析能力Us,计算能力Uc,和抽象理解能力Ua进行表征;
标准题库用于存储历年来的各类考试题,并对各类考试题进行知识特征标注,形成特征题库并存入数据库中;
推荐匹配处理模块从数据库中读取当前用户的个体特征库,并基于数据库中的特征题库为当前用户匹配对应的训练试题集合并反馈给客户端,供用户在客户端的试题显示界面中就反馈的训练试题集合进行试题在线训练;同时,每次在线训练完成后,试题显示界面会采集对应的个体特征并发送给推荐匹配处理模块的个体特征分析模块,更新用户的个体特征库。
2.如权利要求1所述的系统,其特征在于,用户的初始个体特征信息基于预设的录入提示信息输入对应的个体特征信息。
3.如权利要求1或2所述的系统,其特征在于,推荐匹配处理模块为当前用户匹配对应的训练试题集具体为:
对每个知识点,根据训练者单特征进行试题遴选,具体如下:
在特征题库Ω中,选择间接度满足特征的训练子集Ωd={Ω|Dd≥Ud};
在特征题库Ω中,选择综合度满足特征的训练子集Ωs={Ω|Ds≥Us};
在特征题库Ω中,选择计算复杂度满足特征的训练子集Ωc={Ω|Dc≥Uc};
在特征题库Ω中,选择抽象度满足特征的训练子集Ωa={Ω|Da≥Ua};
对每个知识点,根据训练者双特征进行试题遴选,具体如下:
在特征题库Ω中,选择间接度和综合度满足特征的训练子集Ωds:
Ωds={Ω|Dd≥Ud2且Ds≥Us2};
在特征题库Ω中,选择间接度和计算复杂度满足特征的训练子集Ωdc:
Ωdc={Ω|Dd≥Ud2且Dc≥Uc2};
在特征题库Ω中,选择间接度和抽象度满足特征的训练子集Ωda:
Ωda={Ω|Dd≥Ud2且Da≥Ua2};
在特征题库Ω中,选择综合度和计算复杂度特征的训练子集Ωsc:
Ωsc={Ω|Ds≥Us2且Dc≥Uc2};
在特征题库Ω中,选择综合度和抽象度满足特征的训练子集Ωsa:
Ωsa={Ω|Ds≥Us2且Da≥Ua2};
在特征题库Ω中,选择计算复杂度和抽象度特征的训练子集Ωca::
Ωca={Ω|Dc≥Uc2且Da≥Ua2};
对每个知识点,根据训练者三特征进行试题遴选,具体如下:
在特征题库Ω中,选择满足综合度、计算复杂度和抽象度特征的训练子集~Ωd:
~Ωd={Ω|Ds≥Us3且Dc≥Uc3且Da≥Ua3};
在特征题库Ω中,选择满足间接度计算复杂度和抽象度特征的训练子集~Ωs:
~Ωs={Ω|Dd≥Ud3且Dc≥Uc3且Da≥Ua3};
在特征题库Ω中,选择满足间接度、综合度和抽象度特征的训练子集~Ωc:
~Ωc={Ω|Dd≥Ud3且Ds≥Us3且Da≥Ua3};
在特征题库Ω中,选择满足间接度、综合度和计算复杂度特征的训练子集~Ωa:
~Ωa={Ω|Dd≥Ud3且Ds≥Us3且Dc≥Uc3};
对每个知识点,根据训练者全特征进行试题遴选,具体如下:
在特征题库Ω中,选择满足(间接度、综合度、计算复杂度、抽象度)特征的训练子集Ω4:Ω4={Ω|Dd≥Ud4且Ds≥Us4且Dc≥Uc4且Da≥Ua4};
设置当前用户匹配对应的训练试题集为Ωall:
Ωall=Ωd∪Ωs∪Ωc∪Ωa∪Ωds∪Ωdc∪Ωda∪Ωsc∪Ωsa∪Ωca∪~Ωd∪~Ωds∪~Ωc∪~Ωa∪Ω4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910247293.6A CN110020203B (zh) | 2019-03-29 | 2019-03-29 | 一种基于个体训练特征的智能选题系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910247293.6A CN110020203B (zh) | 2019-03-29 | 2019-03-29 | 一种基于个体训练特征的智能选题系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110020203A true CN110020203A (zh) | 2019-07-16 |
CN110020203B CN110020203B (zh) | 2023-03-21 |
Family
ID=67190176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910247293.6A Active CN110020203B (zh) | 2019-03-29 | 2019-03-29 | 一种基于个体训练特征的智能选题系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110020203B (zh) |
Cited By (1)
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091479B (zh) * | 2014-06-24 | 2016-08-10 | 上海摩识信息科技有限公司 | 个性化作业系统及其作业方法 |
US9530328B2 (en) * | 2013-12-17 | 2016-12-27 | Chien Cheng Liu | Intelligent teaching and tutoring test method |
CN107203583A (zh) * | 2017-03-27 | 2017-09-26 | 杭州博世数据网络有限公司 | 一种基于大数据分析的智能组题方法 |
CN108694501A (zh) * | 2018-05-04 | 2018-10-23 | 北京航空航天大学 | 一种面向xAPI的个性化学习效果分析系统及方法 |
CN109299380A (zh) * | 2018-10-30 | 2019-02-01 | 浙江工商大学 | 在线教育平台中基于多维特征的习题个性化推荐方法 |
-
2019
- 2019-03-29 CN CN201910247293.6A patent/CN110020203B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9530328B2 (en) * | 2013-12-17 | 2016-12-27 | Chien Cheng Liu | Intelligent teaching and tutoring test method |
CN104091479B (zh) * | 2014-06-24 | 2016-08-10 | 上海摩识信息科技有限公司 | 个性化作业系统及其作业方法 |
CN107203583A (zh) * | 2017-03-27 | 2017-09-26 | 杭州博世数据网络有限公司 | 一种基于大数据分析的智能组题方法 |
CN108694501A (zh) * | 2018-05-04 | 2018-10-23 | 北京航空航天大学 | 一种面向xAPI的个性化学习效果分析系统及方法 |
CN109299380A (zh) * | 2018-10-30 | 2019-02-01 | 浙江工商大学 | 在线教育平台中基于多维特征的习题个性化推荐方法 |
Cited By (1)
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110020203B (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Young | Technology-enhanced mathematics instruction: A second-order meta-analysis of 30 years of research | |
Diaby et al. | How to use multi-criteria decision analysis methods for reimbursement decision-making in healthcare: a step-by-step guide | |
Yun et al. | Analysis of the teaching quality on deep learning-based innovative ideological political education platform | |
Brese | TEDS-M 2008 User Guide for the International Database. | |
Mohan et al. | A BigData approach for classification and prediction of student result using MapReduce | |
Schochet | Analyzing grouped administrative data for RCTs using design-based methods | |
Aguagallo et al. | Analysis of Student Performance Applying Data Mining Techniques in a Virtual Learning Environment. | |
Chaudhary et al. | Student future prediction using machine learning | |
Wang | Model construction and research on decision support system for education management based on data mining | |
Ma et al. | Predicting examinee performance based on a fuzzy cloud cognitive diagnosis framework in e-learning environment | |
CN110020203A (zh) | 一种基于个体训练特征的智能选题系统 | |
Fernandes et al. | Educational data mining: Discovery standards of academic performance by students in public high schools in the federal district of brazil | |
Westfall et al. | Teaching principal components using correlations | |
Cai et al. | Improving educational assessment: multivariate statistical methods | |
Heys | Machine learning as a tool to identify critical assignments | |
KR20210058376A (ko) | 인공지능 기반 동영상 해답 제공을 이용한 학습 시스템 | |
Li et al. | Experimental Design and Statistical Power for Cluster Randomized Cost-Effectiveness Trials | |
KR20010083847A (ko) | 대입전형 합격가능확률 계산 시스템 | |
Gorgun et al. | Exploring quality criteria and evaluation methods in automated question generation: A comprehensive survey | |
Aarra et al. | Streamlined Book Rating Prediction with Neural Networks | |
Odden et al. | Using Text Embeddings for Deductive Qualitative Research at Scale in Physics Education | |
Paulson et al. | Classifying Courses at Scale: a Text as Data Approach to Characterizing Student Course-Taking Trends with Administrative Transcripts | |
Liu | An evaluation index system of undergraduate education quality based on an analytic hierarchy process model | |
Ojobor et al. | Evaluation of User Education Programmes and Resources used by Undergraduates of Two Selected Federal University Libraries in South East, Nigeria. | |
Gunawan et al. | Correlation Analysis of Student’s Competencies and Employ-Ability Tracer Study of Telkom University Graduates |
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 |