CN110223570A - 一种驾驶理论训练系统及其学习方法 - Google Patents

Abstract

本发明公开了一种驾驶理论训练系统及其学习方法，包括用户标签系统、内容系统、推荐系统、训练系统和成长系统，所述用户标签系统根据用户选择的标签属性初始化推荐系统；所述内容系统将平台所有的理论教学资源重新编排底层逻辑关系，进行知识网状管理；所述推荐系统针对用户的弱项技能精准推荐合适的题目内容进行训练；所述训练模块包括练习模块、教材模块和评测模块；所述成长系统包括活跃度评估模块、技能考点评估模块和目标等级评估模块。本发明通过碎片化、游戏化、即时反馈的交互，打造轻松有趣的学车体验，在不影响用户对应试需求的前提下，让用户在一种很轻松有趣的虚拟环境里面享受学习的乐趣。

Description

一种驾驶理论训练系统及其学习方法

技术领域

本发明涉及驾照学习技术领域，具体为一种驾驶理论训练系统及其学习方法。

背景技术

远程教育是利用信息通讯手段和互联网技术引发的一场教育变革，虽然目前还存在着不尽完善的地方，但就长远发展趋势上看，这一变革是与科学发展相适应的。

然而，目前国内的驾驶培训行业基本利用以下的模式进行培训：学员上门学习，师傅带徒弟；驾校组织教学采用理论课堂授，模拟实练上实车的方法。

这样的培训模式存在以下的问题：

首先，行业主管部门对于驾校培训无法实现有效的监管；

其次，轻理论重实车、替考、通过不正当途径获取驾驶执照、学时不够、驾驶随机事件处理意识薄弱、特殊道路驾驶经验缺乏等问题都不能很好的解决；

再次，需要学员花费巨大的财力和时间来进行训练，同时，对能源的消耗也极为巨大；

最后，各地学车者数量增长迅猛，特别是学生寒暑假期间驾校严重超员，使学车难成为普遍问题，学员的“有效学时”难以得到保障，而行业管理部门又很难对学员的学习进行监控。

国内的驾驶培训行业除了采用传统的课堂教授学员理论知识，模拟实练上实车的培训方式，还逐渐出现了驾驶模拟教学的教学方式，即在仿真模拟的环境下，体验驾驶中的每一个环节。但是，模拟教学的方式还不是很普及，而且其本身也存在很多缺点，例如，目前模拟驾驶教学方式中没有涉及到驾驶的基础理论知识的教学，而且，在仿真模拟的环境下的驾驶也得不到理论上的指导，学员在仿真模拟环境下进行驾驶训练之后，既不能从理论上知道自己当前的驾驶水平，也不知道自己当前驾驶水平下，还欠缺哪方面的理论知识。

发明内容

针对现有技术存在的不足，本发明目的是提供一种驾驶理论训练系统及其学习方法，以解决上述背景技术中提出的问题，本发明通过碎片化、游戏化、即时反馈的交互，打造轻松有趣的学车体验。

为实现上述目的，本发明提供如下技术方案：一种驾驶理论训练系统，包括用户标签系统、内容系统、推荐系统、训练系统和成长系统，

所述用户标签系统根据用户选择的标签属性初始化推荐系统；

所述内容系统将平台所有的理论教学资源重新编排底层逻辑关系，进行知识网状管理；

所述推荐系统针对用户的弱项技能精准推荐题目内容进行训练；

所述训练模块包括练习模块、教材模块和评测模块；

所述成长系统包括活跃度评估模块、技能考点评估模块和目标等级评估模块，用于对用户的活跃度、技能考点和目标等级的评估。

进一步的，所述用户标签系统包括科目选择模块和技能评估模块，用户通过科目选择模块选择备考的科目类别和备考时间；所述技能评估模块根据考点范围推荐试题内容标签，让用户选择自认为是正确的技能标签。

进一步的，所述内容系统包括科目模块、技能模块、考点模块和素材模块，所述技能模块将科目拆分成m个技能，每一个技能再拆分成n个考点，即每个技能由n个考点组成，每个科目由m个技能组成。

进一步的，所述推荐系统包括训练形式推荐模块、技能内容推荐模块、PK闯关关卡推荐模块和PK闯关玩家推荐模块。

进一步的，所述训练系统包括练习模块、教材模块和评测模块；所述练习模块包括训练场和PK闯关，所述教材模块包括学习大纲和VIP课程；所述评测模块包括考试线索和实战考场；系统根据用户在游戏PK闯关训练具体技能的情况，系统在游戏结果页面为用户推荐相应的视频内容，视频内容来源于学习大纲；用户在游戏关卡挑战时，根据用户当前的考试目标评估等级情况推荐到考场测试综合的技能掌握程度。

进一步的，所述目标等级评估模块中的等级算法分为两个维度来做，一个是单科目的综合技能值，一个是单科目功能模块里面的用户交互活跃度，目标等级直接影响用户对单科目考试的一个评估，是否可以进行约考事项。

进一步的，还包括关怀系统，所述关怀系统作为游戏、考场两大模块的情感输出交互，形式以弹窗或页面的某个功能块进行展示，系统后台根据用户的学习进度设置条件，当用户达到预定条件后系统在用户交互时自动提示弹窗或显示具体页面某个功能模块。

进一步的，还包括虚拟货币系统，用户在整个游戏模块交互过程中，根据答对答错进行虚拟货币奖励，用户产生的所有价值都要回归到用户身上，获取到的虚拟货币可以兑换考试线索或者后续的实操服务付费折扣。

一种学习方法，包括如下步骤：

S1：用户首次注册登录进入平台，根据用户选择的标签属性初始化推荐系统；

S2：训练场作为用户训练新技能的主要场地，当用户的技能训练个数以及技能训练情况都达标后，系统自动在训练场结果页推荐用户去闯关，闯关中使用到的技能为训练场中的历史训练技能，再叠加一个新技能，用户在闯关后，根据闯关实际结果跳到其他关卡或实战考场或返回训练场，用户反复训练操作，直到技能达到想要的考试目标等级；

S3：用户在游戏闯关过程中，根据技能的学习情况实时推送给用户相关的考试线索，考试线索需要通过经验值兑换购买，并且购买后要在一定的有效期内查看，用户通过教练购买则永久有效，用户在购买学习VIP理论课程后，用户会获得理论技能进度的增长；

S4：根据用户情况进行实战考察，所有模拟考试都统一以国家制定的标准来推荐考试题目，用户进入考场首页，在所有考试题目已经初始化好的情况下，以新版的技能考点分类方式对模拟考试的所有题目进行分类，如果用户在规定的考试时间内未答完题目，不做技能进度的算法统计，只统计呈现用户本次考试的时间T₀、答对题目个数x、答错题目个数y，本次考试通过率C记为0％；结果页列出用户本次考试的通过率、考试时间、考试总题目个数、答对个数、答错个数，这些数据需要上传到后台作为用户的历史考试记录。

与现有技术相比，本发明的有益效果是：

(1)本发明通过碎片化、游戏化、即时反馈的交互，打造轻松有趣的学车体验，在不影响用户对应试需求的前提下，让用户在一种很轻松有趣的虚拟环境里面享受学习的乐趣。

(2)本发明的目的就是通过以游戏化的形式和潜意识训练的方式作用到整个学习过程，智能推荐引导用户预习复习强化知识记忆，并且同时在过程中通过细节交互实时反馈以及与人竞争协作消除用户的逆反心理和以往枯燥学习的孤独感，增强用户的自信心和社会认同感，主动寻找学习的快乐。

(3)本发明根据用户标签状态分析弱项，智能推荐学习形式和学习资源，通过各种形式的训练收获技能和目标成长，同时获取虚拟货币。关怀系统重在从情感层面的文案渲染一种人文关怀。获取到的虚拟货币可以兑换考试线索或者后续的实操服务付费折扣。

附图说明

图1为本发明一种驾驶理论训练系统的模块图。

图2为本发明用户登录科目技能标签初始化流程图。

图3为本发明系统向用户推荐技能训练流程图。

图4为本发明的PK闯关结果技能相关视频内容推荐的流程图。

图5为本发明的用户首次和日常进入首页学习推荐的逻辑图。

图6为本发明的首页学习推荐流程图。

图7为本发明小白用户首次技能训练推荐流程图。

图8为本发明掌握一定技能的用户技能训练推荐流程图。

图9为本发明的单科目目标等级划分简图。

图10为本发明的目标等级、技能和考点饱和度算法流程图。

图11为本发明的考试线索流程图。

具体实施方式

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，所描述的实施例仅仅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，本领域普通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。

实施例1

如图1和图2所示，首先用户登录，在用户标签系统上选择备考科目类别，其中备考科目类别包括科目一和科目四，选择好备考科目类别后，进入到科目备考时间选项，备考时间包括一周、两周、一个月、三个月和一年，系统进行技能标签初始化，初始化完成后进入启动页，如果初始化未完成，则返回科目技能标签初始化界面再进行初始化处理。

(1)初始化游戏机制

每个科目都需要进行用户标签初始化，用户进入所选科目的技能标签初始化页面，系统根据考点范围推荐试题内容标签，让用户选择自认为是正确的技能标签。

技能初始化的玩法形式采用结对消除的机制，当用户选择到第二个标签时，两个标签同时消失，有一定的动态消失效果，同时给到技能进度增长的实时反馈，利用有趣的实时反馈效果让用户在这个耗时的初始化过程忘掉时间，初始化过程中实时统计用户选择的标签，同时统计每个被选择标签的正确、错误个数。

初始化测评非强制完成，中途可以选择放弃测评从小白(即无经验用户)开始学习。

(2)初始化技能算法

系统从总的N个标签里面随机选择涵盖80％～90％技能考点的m个标签，推荐给用户初始化，每个标签涵盖1～3个考点，每个标签带有的这几个考点的饱和度h₀₁、h₀₂、h₀₃。

单科目技能增长算法：

用户选择标签个数达到一定数量以后结束初始化操作(即完成初始化)，根据用户选择的标签来统计用户选对的标签，再根据每个标签对应的考点类别统计每个类别考点的饱和度F₀＝(h₀₁+h₀₂+h₀₃)+...+(h_n1+h_n2+h_n3)。

每个技能进度S＝F₀+...+F_n

单科目弱项技能算法：

根据用户选择的标签统计用户选错的标签，再根据每个标签对应的考点类别统计每个考点的饱和度F₀＝(h₀₁+h₀₂+h₀₃)+...+(h_n1+h_n2+h_n3)，最后根据技能类别统计每个技能的进度，每个技能进度S＝F₀+...+F_n，根据统计出的每个技能进度最大值前2个，记为弱项技能。

实施例2

如图3和图4所示，用户根据自身实际情况选择技能初始化标签，如果用户是小白用户的话，系统将对用户完成一轮对所有技能的题目推荐测试；如果用户不是小白用户的话，系统将检测用户最弱的2个技能，在摸个弱项技能下检测其中3个不饱和考点，然后系统再给用户推荐针对弱项技能训练的题目和相关内容，系统根据用户在游戏PK闯关训练具体技能的情况，系统在游戏结果页为用户推荐相应的视频内容，视频内容来源于学习大纲。

如图5和图6所示，根据用户首次进入HOME页的条件客户端主动向服务端拉取信息，当用户距离考试时间还有一个星期或三天的，就推荐去实战考场的全真考场，用户进入具体考场开始考试，系统通过考试结果检测用户具体的2个弱项技能，用户点击弱项技能训练模块调到训练场训练考试推荐的这2个弱项技能；当用户距离考试时间大于一个星期，推荐去游戏主页。

用户日常进入HOME页，每天客户端根据一个时间点定点向服务端拉取信息，当用户当前正在学的单科目目标等级在每个等级阶段都处于偏中下时，推荐到游戏主页；当用户当前正在学的单科目目标等级在每个等级阶段都处于偏中上时，如果用户处于“碰碰运气”则100％推荐用户去实战考场的全真考场；如果用户处于“有点把握”则50％概率推荐用户去实战考场的全真考场，50％概率推荐用户去实战考场的冲刺考场；如果用户处于“出神入化”则100％推荐用户去实战考场的冲刺考场。

游戏引导实战考场的推荐机制：

用户在游戏关卡挑战时，根据用户当前的考试目标评估等级情况推荐到考场测试综合的技能掌握程度。

当用户当前正在学的单科目目标等级在每个等级阶段都处于偏中下时，推荐再玩一局；当用户当前正在学的单科目目标等级在每个等级阶段都处于偏中上时，如果用户处于“碰碰运气”则100％推荐用户去实战考场的全真考场；如果用户处于“有点把握”则50％概率推荐用户去实战考场的全真考场，50％概率推荐用户去实战考场的冲刺考场；如果用户处于“出神入化”则100％推荐用户去实战考场的冲刺考场。

实战考场考试结果的推荐机制：

当用户在实战考场训练结果检测出用户的弱项技能时，考试结果页实时显示本次考试的弱项技能，并推荐用户到游戏训练场训练这些弱项技能，同时在考试结果页实时推荐考试内容相关的考前扫一扫章节背题内容。

当用户完成本次考试时，推荐用户去训练场练习2个全局弱项技能；根据用户本次考试错题，随机推荐错题对应3个章节的考前扫一扫背题内容。

PK闯关与训练场互相推荐机制：

当用户完成本次考试时，推荐用户去训练场练习2个全局弱项技能；根据用户本次考试错题，随机推荐错题对应3个章节的考前扫一扫背题内容。

实施例3

如图7所示，用户首次进入APP时，需要初始化用户群体分类标签，用户距离考试时间标签，用户对科目一、科目四技能掌握程度的标签，根据所有标签初始化情况判断用户是否是小白用户还是已经掌握一定技能的用户，详细规则流程请参考用户初始化标签。

技能内容推荐训练只作用于游戏业务模块之中，用户在游戏里面进入关卡挑战训练时，系统会自动识别用户当前技能的情况。

如果当前用户属于小白用户，无法检测到用户的弱项技能，即用户单科目所有技能进度都为0(单个技能进度等于该技能下所有考点饱和度h的累加总和，单个技能进度S₀＝h₀+...+h_n)，则系统推荐用户按照技能顺序完成一轮的技能测试，每个技能挑选2个考点推荐题目训练，在训练场或闯关关卡通过反复训练轮完所有技能，优先推荐用户去训练场训练，直到完成对所有技能的训练。

如图8所示，当用户非小白用户即已经存在弱项技能时，每次训练推荐都按照用户最弱的2项技能推荐(通过每个技能下每个考点饱和度的累加总和得到每个技能的进度，判断每个技能进度)，再细分到每个弱项技能中的不饱和考点，选择饱和度最低的3个考点推荐考点类别下的题目给到用户训练，如果有多个考点的饱和度相同则随机选择，题目数量按每个考点均分，本次推荐的题目数量根据训练场随机题数或PK闯关选择的玩家历史最高记录题数实际情况而定，训练结果再推荐给用户相关联考点的视频内容。

用户进入训练场首页主动获取训练时推荐，此时推荐用户最新的弱项技能；用户进入PK关卡首页主动获取挑战时推荐，此时优先推荐用户训练场训练过的最新历史弱项技能，如果没有训练场的历史训练技能则推荐用户的最新弱项技能。

实施例4

PK闯关关卡推荐

游戏中存在两种训练模式：训练场、PK闯关。训练场定位为新技能(弱项技能)的训练，即新知识的预习或很久之前的知识重温；PK闯关定位为基于用户在训练场训练过的新技能(弱项技能)以测试用户反应能力的方式快速测试用户的掌握程度，其中融入了社交PK形式，增强趣味性，PK闯关即复习强化知识的记忆。

当用户在训练场训练够弱项技能时，训练结果页按照条件推荐用户去PK闯关；当用户在PK闯关时，系统判断用户挑战的历史弱项技能已经达标后，再推荐用户去训练场训练新技能(弱项技能)，或训练技能还未达标时，继续关卡挑战，或根据用户的考试目标评估等级推荐用户去实战考场模拟考试。

用户在训练场结果页，当前历史弱项技能个数已达到5个，推荐4个PK闯关关卡；用户在PK闯关任意关卡结果页，当前在训练场的历史弱项技能个数已消耗完结，主动推荐用户到训练场；用户在PK闯关任意关卡结果页，本次闯关正确率低于合格范围，主动推荐用户到训练场；用户在PK闯关任意关卡结果页，用户本次闯关正确率处于优秀范围，本科目目标评估等级达到某一等级时，推荐到相应的实战考场。

PK闯关玩家推荐

系统所有用户的历史最高记录数据都分类两个档次：初级与高级。定义一次历史最高记录值为m＝答对题目数/答题时间，则初级范围为0≤U<m，高级范围为U≥m。

当用户在所有普通关卡挑战时，系统给用户推荐初级范围内的近期活跃玩家用户；当用户在所有魔鬼关卡挑战时，系统给用户推荐高级范围内的近期活跃玩家用户；近期活跃玩家用户按时间倒序排列随机抽取，从TOP N中随机抽取1个或3个用户，挑战1个玩家或3个玩家中最近一次的记录值m。

用户在PK闯关普通单人赛区或普通多人赛区时，系统推荐匹配初级档次玩家(0≤U<m)；用户在PK闯关魔鬼单人赛区或魔鬼多人赛区时，系统推荐匹配高级档次玩家(U≥m)。

实施例5

单科目目标等级分为碰碰运气、有点把握、出神入化这三个阶段或节点，每个目标等级都是由技能和活跃度这两个维度因子来决定。

如图9所示，技能和活跃度在每个等级节点的达标数值为：碰碰运气：所有技能达到25％，单科目下活跃度达到300点；有点把握：所有技能达到55％，单科目下活跃度达到500点；出神入化：所有技能达到85％，单科目下活跃度达到1500点。

技能和活跃度在每个等级节点区间的占比为：碰碰运气：技能80％，活跃度20％；有点把握：技能50％，活跃度50％；出神入化：技能20％，活跃度80％。

若单科目技能个数为n个，达标的技能个数为m，那么单科目下的三个目标等级区间具体算法如下

目标等级区间刻度＝技能完成占比+活跃度完成占比，即

碰碰运气：G₁＝(80％/n)*m+20％/(300-0)

有点把握：G₂＝(50％/n)*m+50％/(500-300)

出神入化：G₃＝(20％/n)*m+80％/(1500-500)

(1)技能进度

单科目下所有技能进度都有上限为100％，初始值为0％，每个技能进度均为该技能下所有考点的饱和度的累加总和，若单个技能进度为S₀，有n个考点，考点的饱和度记为B，则单个技能进度S₀＝B₀+B₁+B₂+…+B_n。

(2)考点饱和度

单个技能进度是由n个考点组成，每个技能进度达标上限为100％，后台根据实际情况给每个考点分配饱和度，所有考点饱和度的累加总和为该技能进度达标上限100％，即所有考点的饱和度B₀+B₁+…+B_n＝100％。每个考点饱和度初始值为0％，后台预设好每个考点饱和度B₀，B₁，B₂，…，B_n。

考点饱和度在实际应用场景下的计算有所不同，计算饱和度应用场景预设如下：

A.游戏训练场

训练场采用的是消除机制来训练题目，所以同一道题会出现很多次，这种情况下宜采用总答题次数和答错次数来计算失误率L，通过失误率分等级给予用户本次训练所有考点的饱和度动态计算，假设总答题次数为N，答错次数为M，则失误率L＝M/N*100％，假设将失误率L分为5个等级，即5个范围，0～20％，20％～40％，40％～60％，60％～80％，80％～100％，在这5个范围内考点饱和度值分别为+a％，+b％，0％，-b％，-a％，且绝对值a、b大小为a>b，则失误率对应考点饱和度增长数值如表1：

表1为失误率对应考点饱和度增长数值表

失误率	0～20％	20％～40％	40％～60％	60％～80％	80％～100％
						考点饱和度	+a％	+b％	0	-b％	-a％

B.游戏PK闯关

PK闯关采用的是社交PK玩法来训练题目，所以同一道题只会出现1次，这种情况下宜采用总答题题数和答对题数来计算正确率L，通过正确率分等级给予用户本次训练所有考点的饱和度动态计算，假设总答题题数为N，答对题数为M，则正确率L＝M/N*100％，假设将正确率L分为5个等级，即5个范围，0～20％，20％～40％，40％～60％，60％～80％，80％～100％，在这5个范围内考点饱和度值分别为-a％，-b％，0％，+b％，+a％，且绝对值a、b大小为a>b，则正确率对应考点饱和度增长数值如表2：

表2正确率对应考点饱和度增长数值表

正确率	0～20％	20％～40％	40％～60％	60％～80％	80％～100％
						考点饱和度	-a％	-b％	0	+b％	+a％

C.实战考场

考场采用的是国家标准来出题，基于这种规范下对所有题目以新的技能考点方式进行重新分类，对每次考试预设一个不超过10％的总考点饱和度B，总题目数量为K，则每道题均分得到的考点饱和度为b＝B/K，考试结束后以提前分类好的考点进行每个涉及到的考点聚合计算每个考点的饱和度，这里采用加权求和的方式，假设某个考点饱和度为B₀，则B₀＝b₀+b₁+…+b_n，再以提前分类好的技能分类对每个考点饱和度进行加权求和，假设某个技能进度为S₀，则S₀＝B₀+B₁+…+B_n。

(3)活跃度

活跃度是指用户在单科目下的所有制定功能模块的交互指数和遗忘指数的总和，假设单科目下的活跃度为A，交互指数为I，遗忘指数为F，则单科目下活跃度A＝I-F，所有指数均以整数计算。

A.游戏模式下：

交互指数计算：用户在单科目的游戏任意关卡(包括训练场)完整玩过1次关卡就可记录为1个交互指数(反复进入操作可以累积)I_n。

遗忘指数计算：用户在打开APP首次玩单科目的游戏任意关卡(包括训练场)时，计算当前交互时间与最近一次交互时间，求出时间差T₀，以3天时间为一个单位，计算总的时间差个数为m＝T₀/3，m需要向上取整计算时间个数，假设单位时间差内增加的遗忘指数为x，如果m<1则不需要累加遗忘指数，如果m≥1，则需要累加遗忘指数，即遗忘指数为F_n＝m*x

则单科目游戏模式下的活跃度为A_n＝I_n-F_n

B.实战考场模式下：

交互指数计算：用户在单科目的考场完成一次模考就可记录为1个交互指数(反复进入操作可以累积)I_m，用户在单科目的考前扫一扫看题超过5题以上就可记录为1个交互指数(反复进入操作可以累积)I_n。

遗忘指数计算：用户在打开APP首次玩单科目的考场模考或考前扫一扫时，计算当前交互时间与最近一次交互时间，求出时间差T₀，以3天时间为一个单位，计算总的时间差个数为m＝T₀/3，m需要向上取整计算时间个数，假设单位时间差内增加的遗忘指数为x，如果m<1则不需要累加遗忘指数，如果m≥1，则需要累加遗忘指数，即遗忘指数为F_n＝m*x

则单科目实战考场模式下的活跃度为A_n＝I_m+I_n-F_n。

C.教学大纲模式下：

交互指数计算：用户在单科目的学习大纲浏览过1次视频就可记录为1个交互指数(反复进入操作可以累积)I_n。

遗忘指数计算：用户在打开APP首次玩单科目的教学大纲时，计算当前交互时间与最近一次交互时间，求出时间差T₀，以3天时间为一个单位，计算总的时间差个数为m＝T₀/3，m需要向上取整计算时间个数，假设单位时间差内增加的遗忘指数为x，如果m<1则不需要累加遗忘指数，如果m≥1，则需要累加遗忘指数，即遗忘指数为F_n＝m*x

则单科目教学大纲模式下的活跃度为A_n＝I_n-F_n。

实施例6

如图10所示，理论单科目拆分成m个技能，每个科目的总技能评估都是由该科目下所有技能进度累加的总和；每个技能再拆分成n个考点，每个考点对应相关的题目、视频、图文，其中题目跟考点是一一对应的关系，通过对考点下题目的掌握程度进行考点的饱和度评估，具体评估方式采用答题形式，在每个游戏模式里面通过计算技能考点下的正确率或失误率，通过一定的阶梯式范围给予技能考点饱和度相应的动态增减。每个技能进度则通过该技能下所有考点饱和度累加得到总和。

(1)游戏训练场：

用户在训练场针对自己实时的弱项技能训练过程中，实时统计每个技能下每个考点题目答错的次数A，统计整个答题过程中每个技能考点答题的总次数B，训练结束后，计算每个技能下每个考点的失误率L₀＝A/B，根据训练场的失误率评估等级给每个技能下的考点增加一定的饱和度B₀。结果显示每个技能进度则根据每个技能下面每个考点的饱和度增减数值进行累加计算，总和即为技能的新增减进度S₀。

单个技能动态进度S₀＝B₀+B₁+…+B_n。

(2)游戏PK闯关：

用户在PK闯关针对自己实时的弱项技能挑战过程中，实时统计每个技能下每个考点题目答对的次数M，统计整个答题过程中每个技能考点答题的总次数N，闯关结束后，计算每个技能下每个考点的正确率L₀＝M/N*100％，根据训练场的正确率评估等级给每个技能下的考点增减一定的饱和度B₀。结果显示每个技能进度则根据每个技能下面每个考点的饱和度增减数值进行累加计算，总和即为技能的新增减进度S₀。

单个技能动态进度S₀＝B₀+B₁+…+B_n。

(3)实战考场：

实战考场里面的所有模考出题以国家规则标准出题，所有出的题目再按照技能考点进行分类，系统随机当次考试所有题目设定一个总的考点饱和度B，假设考试总题目数量为K。

所有题目按技能考点分类好以后，将总的考点饱和度H均分给每一道题，每一道题所分配到考点饱和度b₀＝B/K。

按照每个考点分类统计每个考点增长的饱和度B₀＝b₀+…+b_n，再通过技能分类(每个考点属于哪个技能分类，进行累加得到每个技能的进度)统计每个技能的动态进度S₀＝B₀+B₁+…+B_n。

(4)单科目技能综合值：

单科目技能综合值定位为单科目下所有技能进度的总和。计算如下：

单科目所有技能的综合值S＝S₀+S₁+…+S_n。

(5)技能进度和考点饱和度在应用场景中实际算法

单科目下每个技能进度的上限值为100％，单个技能下的多个考点饱和度(整数百分比)由后台分配设定，累加为单个技能进度的上限值100％，每个考点饱和度5个档位的增长率+a％，+b％，0，-b％，-a％(整数百分比，同时有负值)由后台设定，其中为0的档位固定不变，其他的根据客户端增减饱和度档位而定。对应应用场景和正确率和失误率如下：

表3对应应用场景和正确率和失误率

实施例7

如图11所示，考试线索的推荐只出现在游戏PK闯关中，根据当前训练的技能进度是否达到30％，60％，90％这三个节点重一个节点，按后台配置好的考试线索顺序推荐一个考试线索，推荐以后永久给到用户，让用户根据经验值购买查看，用户每次购买考试线索的使用有效期为3天，过期后需要再次让用户使用经验值购买考试线索，购买考试线索操作类似于打开和查看考试线索的总开关。

实施例8实战考场流程

进入考场：

所有模拟考试都统一以国家制定的标准来推荐考试题目(保留原来版本系统的推荐方式)。

用户进入考场首页，在所有考试题目已经初始化好的情况下，以新版的技能考点分类方式对模拟考试的所有题目进行分类，并同时对当次考试所有题目设定一个总的考点饱和度H，假设考试总题目数量为k。

所有题目按技能考点分类好以后，将总的考点饱和度H均分给每一道题，每一道题所分配到考点饱和度h₀＝H/k。

用户可以在每个考场首页点击历史考试回顾去回顾自己的历史考试情况，每次考试简单保存用户考试答对答错的题目数量以及考试结果。

系统为用户本次考试初始化一个考试时间T。

开始考试：

用户考试过程做题沿用原版的交互风格，客户端实时统计答对的题目个数x和答错的题目个数y。不管用户在规定的考试时间T内答没答完所有题目考试都结束。

结束考试：

考试结束时，记录用户考试所需的时间T₀。

如果用户中途退出考试，系统不做任何数据记录。

如果用户在规定的考试时间内答不完题目，不做技能进度的算法统计，只统计呈现用户本次考试的时间T₀、答对题目个数x、答错题目个数y，本次考试通过率C记为0％；结果页列出用户本次考试的通过率、考试时间、考试总题目个数、答对个数、答错个数，这些数据需要上传到后台作为用户的历史考试记录。

如果用户在规定的考试时间内答完所有的题目，统计呈现用户本次考试的时间T₀，答对题目个数x，答错题目个数y，每个考点总题目个数N₀，每个考点答错的题目个数M₀，按照每个考点分类统计每个分类考点的饱和度H₀＝h₀+…+h_n，再通过技能分类(每个考点属于哪个技能分类，进行累加得到每个技能的进度)统计每个技能的动态进度S₀＝H₀+…+H_n，将本次考试的每个考点饱和度和每个技能动态进度都上传到后台更新用户的技能成长进度。对于考点对应的题目个数超过3题的考点进行失误率的计算，考点的失误率W₀＝M₀/N₀*100％，通过技能考点分类方式对每个技能失误率进行计算，把属于同一个技能分类的所有考点的失误率进行累加，即为每个技能失误率，每个技能失误率为L₀＝W₀+…+W_n，找出失误率最高的1个技能A记录为本次考试的弱项技能。本次考试通过率C＝x/k*100％，结果页列出用户本次考试的通过率、考试时间、考试总题目个数、答对个数、答错个数、每个技能动态进度情况，这些数据需要上传到后台作为用户的历史考试记录。最后列出本次考试检测出的1个弱项技能，用户点击这个弱项技能直接跳转到游戏训练场首页开始训练。

实施例9虚拟货币系统

虚拟货币采用区块链的表现形式，让用户难以获得，格外珍惜。

用户在APP上必须要经历一定复杂程度和周期频率艰辛获取到平台回报给用户的虚拟货币(可为经验值)，用户不管在哪个功能模块，都应有一种劳动算法让用户通过一定的付出才能收获经验币，并且一次仅获得1个经验值，经验值获得的数量完全通过劳动复杂度和周期频率去控制。

每天控制用户挖取经验值的上限，避免造成平台经验值的“贬值”现象。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点，对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.一种驾驶理论训练系统，其特征在于，包括用户标签系统、内容系统、推荐系统、训练系统和成长系统，

所述用户标签系统根据用户选择的标签属性初始化推荐系统；

所述内容系统将平台所有的理论教学资源重新编排底层逻辑关系，进行知识网状管理；

所述推荐系统针对用户的弱项技能精准推荐题目内容进行训练；

所述训练模块包括练习模块、教材模块和评测模块；

所述成长系统包括活跃度评估模块、技能考点评估模块和目标等级评估模块，用于对用户的活跃度、技能考点和目标等级的评估。

2.根据权利要求1所述的一种驾驶理论训练系统，其特征在于，所述用户标签系统包括科目选择模块和技能评估模块，用户通过科目选择模块选择备考的科目类别和备考时间；所述技能评估模块根据考点范围推荐试题内容标签，让用户选择自认为是正确的技能标签。

3.根据权利要求1所述的一种驾驶理论训练系统，其特征在于，所述内容系统包括科目模块、技能模块、考点模块和素材模块。

4.根据权利要求3所述的一种驾驶理论训练系统，其特征在于，所述技能模块将科目拆分成m个技能，每一个技能再拆分成n个考点，即每个技能由n个考点组成，每个科目由m个技能组成。

5.根据权利要求1所述的一种驾驶理论训练系统，其特征在于，所述推荐系统包括训练形式推荐模块、技能内容推荐模块、PK闯关关卡推荐模块和PK闯关玩家推荐模块。

6.根据权利要求1所述的一种驾驶理论训练系统，其特征在于，所述练习模块包括训练场和PK闯关，所述教材模块包括学习大纲和VIP课程；所述评测模块包括考试线索和实战考场；系统根据用户在游戏PK闯关训练具体技能的情况，系统在游戏结果页面为用户推荐相应的视频内容，视频内容来源于学习大纲；用户在游戏关卡挑战时，根据用户当前的考试目标评估等级情况推荐到考场测试综合的技能掌握程度。

7.根据权利要求1所述的一种驾驶理论训练系统，其特征在于，所述目标等级评估模块中的等级算法分为两个维度来做，一个是单科目的综合技能值，一个是单科目功能模块里面的用户交互活跃度，目标等级直接影响用户对单科目考试的一个评估，是否可以进行约考事项。

8.根据权利要求1-7任一所述的一种驾驶理论训练系统，其特征在于，还包括关怀系统，所述关怀系统作为游戏、考场两大模块的情感输出交互，形式以弹窗或页面的某个功能块进行展示，系统后台根据用户的学习进度设置条件，当用户达到预定条件后系统在用户交互时自动提示弹窗或显示具体页面某个功能模块。

9.根据权利要求8所述的一种驾驶理论训练系统，其特征在于，还包括虚拟货币系统，用户在整个游戏模块交互过程中，根据答对答错进行虚拟货币奖励，用户产生的所有价值都要回归到用户身上，获取到的虚拟货币可以兑换考试线索或者后续的实操服务付费折扣。

10.采用权利要求9所述的驾驶理论训练系统的学习方法，包括如下步骤：

S1：用户首次注册登录进入平台，根据用户选择的标签属性初始化推荐系统；

S2：训练场作为用户训练新技能的主要场地，当用户的技能训练个数以及技能训练情况都达标后，系统自动在训练场结果页推荐用户去闯关，闯关中使用到的技能为训练场中的历史训练技能，再叠加一个新技能，用户在闯关后，根据闯关实际结果跳到其他关卡或实战考场或返回训练场，用户反复训练操作，直到技能达到想要的考试目标等级；

S3：用户在游戏闯关过程中，根据技能的学习情况实时推送给用户相关的考试线索，考试线索需要通过经验值兑换购买，并且购买后要在一定的有效期内查看，用户通过教练购买则永久有效，用户在购买学习VIP理论课程后，用户会获得理论技能进度的增长；

S4：根据用户情况进行实战考察，所有模拟考试都统一以国家制定的标准来推荐考试题目，用户进入考场首页，在所有考试题目已经初始化好的情况下，以新版的技能考点分类方式对模拟考试的所有题目进行分类，如果用户在规定的考试时间内未答完题目，不做技能进度的算法统计，只统计呈现用户本次考试的时间T₀、答对题目个数x、答错题目个数y，本次考试通过率C记为0％；结果页列出用户本次考试的通过率、考试时间、考试总题目个数、答对个数、答错个数，这些数据上传到后台作为用户的历史考试记录。