CN110309201A - 作业定制方法及系统 - Google Patents
作业定制方法及系统 Download PDFInfo
- Publication number
- CN110309201A CN110309201A CN201910577875.0A CN201910577875A CN110309201A CN 110309201 A CN110309201 A CN 110309201A CN 201910577875 A CN201910577875 A CN 201910577875A CN 110309201 A CN110309201 A CN 110309201A
- Authority
- CN
- China
- Prior art keywords
- classroom
- data
- topic
- answer data
- user
- 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 32
- 230000003993 interaction Effects 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000035484 reaction time Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明提供了一种作业定制方法,包括:接收多个课堂智能交互器发送的原始课堂答题数据,课堂智能交互器的ID与用户账号绑定;对原始课堂答题数据进行预处理,得到课堂答题数据;对课堂答题数据进行降维处理,得到课堂答题数据的关键特征数据;对关键特征数据进行分类和聚类,得到第一分类结果的第一聚类结果;根据第一聚类结果,确定各个用户的知识点掌握程度;根据各个用户的知识点掌握程度,向用户账号对应的终端推送个性化的作业。由此,可以根据学生课堂上的原始课堂答题数据,确定不同学生对不同知识点的掌握情况,从而,在课后,据此向不同学生推送不同难度系数的作业,从而实现了学生的个性化定制。
Description
技术领域
本发明涉及一种数据处理方法,尤其涉及一种作业定制方法及系统。
背景技术
随着社会经济水平和科技的快速增长,教育作为社会发展新鲜血液的供给也越来越受到重视。基于我国人口众多及教师资源不足的国情,大班教育仍然是主流。有限的师资和课堂时间里,如何提高课堂教学的效率,让不同认知能力水平的学生都能得到他们最近发展区的学习,实现学习效果的最大化,是目前大班教育的其一重要待解决问题。
目前成本较低较容易普及的答题器可以实现大课堂里所有学生同步答题,老师即时得到数据了解学生的学习掌握情况。答题器除了可以签到、答题、系统即时呈现全班答题情况让老师了解学生知识点掌握的情况,还可以记录学生的错题形成错题集,并给出学情分析。
但是老师布置的课后作业一般都是全班统一的一份,并没有根据学生的不同掌握程度而个性化安排作业,以至于部分学生觉得作业太简单没有什么意义,部分学生觉得太难了自信心被挫败,产生抗拒学习的心理等等消极情绪,这些不适合的作业都会打击学生的学习积极性。
答题器有收集课堂上的答题数据,分析出学情等功能,但这些数据只是呈现学习掌握的情况,却没有真正地被挖掘利用,不能有针对性地解决学生学情差异的问题。
因此,如何在课中和课后利用学生不同学情的数据,帮助减轻老师的教学工作,让学生的学习有连续性地提高,成为急需解决的问题。
发明内容
本发明的目的是针对现有技术的缺陷,提供一种作业定制方法及系统,以解决现有技术中的不能有针对性地解决学生学情差异的问题。
为解决上述问题,第一方面,本发明提供了一种作业定制方法,所述方法包括:
接收多个课堂智能交互器发送的原始课堂答题数据,所述课堂智能交互器的ID与用户账号绑定;所述原始课堂答题数据包括从题库数据库中选取的多个题目、每个题目的答案、每个题目的答题对错和每个题目的答题时间;
对所述原始课堂答题数据进行预处理,得到课堂答题数据;
对所述课堂答题数据进行降维处理,得到关键特征数据;
对所述关键特征数据进行分类和聚类,得到第一分类结果的第一聚类结果;
根据第一聚类结果,确定各个用户的知识点掌握程度;
根据各个用户的知识点掌握程度,向用户账号对应的终端推送个性化的作业。
在一种可能的实现方式中,所述关键特征数据包括用户做题数量、做题时间、答题的准确率、相近或重复内容的出错率、用户预备知识水平。
在一种可能的实现方式中,所述对所述原始课堂答题数据进行预处理,得到课堂答题数据具体包括:
将所述原始课堂答题数据中,清除答案缺省、题目重复的题目,得到课堂答题数据。
在一种可能的实现方式中,所述对所述课堂答题数据进行降维处理,得到关键特征数据具体包括:
用多维矩阵表示所述课堂答题数据;
通过奇异值分解SVD算法,将所述多维矩阵压缩,提取关键特征数据。
在一种可能的实现方式中,所述对所述关键特征数据进行分类和聚类,得到用户对不同知识点的掌握程度,具体包括:
根据决策树模型,对所述关键特征数据进行分类,得到第一分类结果;
根据K均值算法,将所述第一分类结果中相近的类别进行聚类,得到第一聚类结果。
在一种可能的实现方式中,所述对所述课堂答题数据进行特征提取,得到所述课堂答题数据的原始特征数据之后,还包括:
将所述原始特征数据作为输入点,形成高斯分布的多个样本;
利用累计分布函数,计算所述多个样本中每个样本的分数均值,从而得到每个样本的输出结果;
根据每个样本的输出结果,调整所述课堂智能交互器中题目的难度系数。
在一种可能的实现方式中,所述根据第一聚类结果,确定各个用户的知识点掌握程度之后,所述方法还包括:
根据调整后的课堂智能交互器中题目的难度系数,对用户的知识点掌握程度进行评价;
将所述评价结果生成可视化界面并展示。
在一种可能的实现方式中,得到题库数据库的步骤如下:
在教辅材料中,收集习题库,建立基础的数据资源库;
对所述基础的数据资源库通过分词算法进行细分,得到多个知识点下的题目;
提取与教学内容相关的知识点的题目;
根据当前之前所述课堂智能交互器的原始课堂答题数据以及网络答题数据,进行加权,得到所述知识点的题目的难度系数;
根据难度系数,对所述知识点的题目进行分类。
第二方面,本发明提供了一种作业定制系统,所述作业定制系统包括:
接收单元,所述接收单元用于接收多个课堂智能交互器发送的原始课堂答题数据,所述课堂智能交互器的ID与用户账号绑定;所述原始课堂答题数据包括从题库数据库中选取的多个题目、每个题目的答案、每个题目的答题对错和每个题目的答题时间;
处理单元,所述处理单元用于对所述原始课堂答题数据进行预处理,得到课堂答题数据;
特征提取单元,所述特征提取单元用于对所述课堂答题特征数据进行降维处理,得到关键特征数据;
分类聚类单元,所述分类聚类单元用于对所述关键特征数据进行分类和聚类,得到第一分类结果的第一聚类结果;
确定单元,所述确定单元用于根据第一聚类结果,确定各个用户的知识点掌握程度;
推送单元,所述推送单元用于根据各个用户的知识点掌握程度,向用户账号对应的终端推送个性化的作业。
通过应用本发明实施例提供的作业定制方法及系统,可以根据学生课堂上的原始课堂答题数据,确定不同学生对不同知识点的掌握情况,从而,在课后,据此向不同学生推送不同难度系数的作业,从而实现了学生的个性化定制。
附图说明
图1为本发明实施例一提供的作业定制方法流程图;
图2为本发明实施例二提供的作业定制系统结构示意图。
具体实施方式
下面结合附图和实施例对本申请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相关发明,而非对该发明的限定。另外还需要说明的是,为便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
图1为本发明实施例一提供的作业定制方法流程图。如图1所示,该方法的执行主体为终端,该终端可以是手机、电脑、云端服务器等具有计算功能的设备,如图1所示,该方法包括以下步骤:
步骤101,接收多个课堂智能交互器发送的原始课堂答题数据;
其中,课堂智能交互器的ID与用户账号绑定;原始课堂答题数据包括从题库数据库中选取的多个题目、每个题目的答案、每个题目的答题对错和每个题目的答题时间。
具体的,终端可以接收每个学生对应的课堂智能交互器的原始课堂答题数据。
其中,课堂智能交互器是新型的答题器设备,它的编号与学生学号绑定,在课堂学习活动中即时记录并且收集学生课堂答题对错、用时等数据,并将数据上传,采用PHP语言,储存至MySQL数据库。该原始课堂答题数据中包含该用户的用户账号,答题对错、用时数据等。
其中,可以通过以下方式建立不同难易程度的题库数据库:
首先,在具有权威性和良好口碑的教辅材料中,通过购买版权和商业合作等方式广泛收集习题库,建立基础的数据资源库。
然后,在大量优质的习题库资源里,通过TF-IDF(term frequency–inversedocument frequency)、余弦相似度等分词算法,再将不同层次和章节的知识点再进行细分,得到多个知识点下的题目。
接着,提取与教学内容相关的知识点的题目。
接着,根据以往答题器回答问题的情况和其他网络答题获得的答题情况获得的出错率以及做题时间得到的数据,进行加权,得到知识点的题目的难度系数。
最后,根据难度系数,对知识点的题目进行分类。可以按照教学的知识结构和要求,将不同难度系数的题目有机集结,分类成适应学生不同掌握水平的作业。
步骤102,对原始课堂答题数据进行预处理,得到课堂答题数据。
具体的,对原始课堂答题数据进行预处理,包括清除缺省值、重复值、数据的格式化,以提高之后知识挖掘的质量。
步骤103,对课堂答题数据进行特征提取,得到课堂答题数据的关键特征数据;
具体的,课堂答题数据即为原始特征数据,对收集的原始特征数据进行标准化处理后用多维矩阵表示,通过奇异值分解(singular valuedecomposition,SVD)进行降维处理,以获取具有决定性的特征。使用SVD可以将代表所有特征向量的协方差矩阵压缩表示为更具代表性的部分特征向量、更低维的行和列的矩阵,即关键特征数据。
例如收集的反映学生练习情况、知识点掌握情况的原始特征数据有200个,通过SVD的矩阵运算后,从中提取了学习者做题数量、做题时间、准确率、相近或重复内容的出错率、学习者预备知识水平等更关键的20个特征,将这20个特征作为原始关键特征数据,对于该原始关键特征数据,去除特征集的冗余度并保留原始特征空间中最大的信息量,从而得到关键特征数据,以减少数据的运算量。
步骤104,对关键特征数据进行分类和聚类,得到第一分类结果的第一聚类结果;
具体的,可以利用决策树、K-means技术根据特征进行目标分类、聚类。决策树模型为简单易用的非参数分类器,类似于流程图的树形结构,树内部的每一个节点代表的是对一个特征的测试,树的分支代表该特征的每一个测试结果,而树的每一个叶子节点代表一个类别。树的最高层是就是根节点。
例如通过决策树,对学生知识点掌握情况的特征测试,得到第一分类结果,比如,可以先根据答题正确率,将正确率高于80%的题目分为掌握的分支,正确率低于60%的题目为没有掌握的分支。再结合答题时间,将答题时间超过时间阈值的题目划分为掌握分支再细分为熟悉掌握和基本掌握等类别。
K-means是无监督学习算法,即不需要人工标记,根据欧氏距离公式等计算数据间的距离,并将相近的数据进行聚类。如在第一分类结果中,包括正确率高的特征、熟悉掌握知识点的特征、做题时间长的特征、重复错误率高的特征。正确率高的特征与熟悉掌握知识点的特征相近,可以在聚类时,将其归为熟悉掌握知识点;做题时间长、重复错误率高的特征与未掌握知识点的特征相近,则在聚类时,可以将其归为未掌握知识点。
步骤105,根据第一聚类结果,确定各个用户的知识点掌握程度;
具体的,可以根据第一聚类结果,确定各个用户对知识点的掌握程度,并根据对知识点的掌握程度,将知识点的掌握情况划分等级。比如,上述将知识点划分为熟悉掌握知识点、未掌握知识点等。
进一步的,在步骤103之后,还包括:
首先,将原始特征数据作为输入点,形成高斯分布的多个样本;
然后,利用累计分布函数,计算多个样本中每个样本的分数均值,从而得到每个样本的输出结果;
最后,根据每个样本的输出结果,调整课堂智能交互器中题目的难度系数。
具体的,将多个特征作为输入点,形成一个高斯分布,利用累计分布函数,根据输出结果,调整特征参数,从而优化参数。例如将以往众多学生做题的情况,即课堂答题数据作为特征输入点,将其连接形成高斯过程的多个样本,从累积分布中分数的均值可得题目难易度,再由此调整难度系数,以提高课堂智能交互器对学生基础性学习评价的准确率。由此,实现了在课堂上,可以根据学生的个人情况,在课堂智能交互器中推送不同的题目给不同的用户。从而,对于不同的用户,利用课堂答题数据,将其对不同知识点的掌握情况进行了划分,后续,便于据此对不同的用户推送不同的作业,以实现作业的个性化推送。
进一步的,根据第一聚类结果,确定各个用户的知识点掌握程度之后,方法还包括:
根据调整后的课堂智能交互器中题目的难度系数,对用户的知识点掌握程度进行评价;
将评价结果生成可视化界面并展示。
具体的,可以将评价结果生成图表,成为基础性学习评价的一种一个依据,通过前台PPT、flash、HTML5等多媒体软件可视化呈现,方便有权限的学生本人及其家长、老师的了解、查看。
步骤106,根据各个用户的知识点掌握程度,向用户账号对应的终端推送个性化的作业。
根据课堂智能交互器得到的原始课堂答题数据,可以得到学生的基础性的学习评价,将学生匹配不同的掌握水平,个性化推送符合学生学习情况的作业至绑定账号的学习平板等终端设备。如课堂上出错较多,基础掌握不扎实的学生,可以推送基础型练习,并根据他的易错点和知识重点有针对、有梯度地推送练习。而对系统判断为基础扎实、对学有余力的学生,将推送围绕学习重点难点的一定量题目,并且推送其最近发展区有利于他思维成长、富有挑战性的进阶题目,以激发他的好奇心和学习动力。
通过应用本发明实施例一提供的作业定制方法,可以根据学生课堂上的原始课堂答题数据,确定不同学生对不同知识点的掌握情况,从而,在课后,据此向不同学生推送不同难度系数的作业,从而实现了学生的个性化定制。
图2为本发明实施例二提供的作业定制系统结构示意图,该作业定制系统应用在实施例一的作业定制方法中,如图2所示,该作业定制系统包括:接收单元201,处理单元202,特征提取单元203,分类聚类单元204,确定单元205,推送单元206。
接收单元201用于接收多个课堂智能交互器发送的原始课堂答题数据,课堂智能交互器的ID与用户账号绑定;原始课堂答题数据包括从题库数据库中选取的多个题目、每个题目的答案、每个题目的答题对错和每个题目的答题时间;
处理单元202用于对原始课堂答题数据进行预处理,得到课堂答题数据;
特征提取单元203用于对课堂答题数据进行特征提取,得到关键特征数据;
分类聚类单元204用于对关键特征数据进行分类和聚类,得到第一分类结果的第一聚类结果;
确定单元205用于根据第一聚类结果,确定各个用户的知识点掌握程度;
推送单元206用于根据各个用户的知识点掌握程度,向用户账号对应的终端推送个性化的作业。
每个单元的具体作用与上述实施例一种的描述类似,此处不再赘述。
通过应用本发明实施例二提供的作业定制系统,可以根据学生课堂上的原始课堂答题数据,确定不同学生对不同知识点的掌握情况,从而,在课后,据此向不同学生推送不同难度系数的作业,从而实现了学生的个性化定制。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种作业定制方法,其特征在于,所述方法包括:
接收多个课堂智能交互器发送的原始课堂答题数据,所述课堂智能交互器的ID与用户账号绑定;所述原始课堂答题数据包括从题库数据库中选取的多个题目、每个题目的答案、每个题目的答题对错和每个题目的答题时间;
对所述原始课堂答题数据进行预处理,得到课堂答题数据;
对所述课堂答题数据进行降维处理,得到关键特征数据;
对所述关键特征数据进行分类和聚类,得到第一分类结果的第一聚类结果;
根据第一聚类结果,确定各个用户的知识点掌握程度;
根据各个用户的知识点掌握程度,向用户账号对应的终端推送个性化的作业。
2.根据权利要求1所述的方法,其特征在于,所述关键特征数据包括用户做题数量、做题时间、答题的准确率、相近或重复内容的出错率、用户预备知识水平。
3.根据权利要求1所述的方法,其特征在于,所述对所述原始课堂答题数据进行预处理,得到课堂答题数据具体包括:
将所述原始课堂答题数据中,清除答案缺省、题目重复的题目,得到课堂答题数据。
4.根据权利要求1所述的方法,其特征在于,所述对所述课堂答题数据进行降维处理,得到关键特征数据具体包括:
用多维矩阵表示所述课堂答题数据;
通过奇异值分解SVD算法,将所述多维矩阵压缩,提取关键特征数据。
5.根据权利要求1所述的方法,其特征在于,所述对所述关键特征数据进行分类和聚类,得到用户对不同知识点的掌握程度,具体包括:
根据决策树模型,对所述关键特征数据进行分类,得到第一分类结果;
根据K均值算法,将所述第一分类结果中相近的类别进行聚类,得到第一聚类结果。
6.根据权利要求1所述的方法,其特征在于,所述对所述课堂答题数据进行特征提取,得到所述课堂答题数据的原始特征数据之后,还包括:
将所述原始特征数据作为输入点,形成高斯分布的多个样本;
利用累计分布函数,计算所述多个样本中每个样本的分数均值,从而得到每个样本的输出结果;
根据每个样本的输出结果,调整所述课堂智能交互器中题目的难度系数。
7.根据权利要求6所述的方法,其特征在于,所述根据第一聚类结果,确定各个用户的知识点掌握程度之后,所述方法还包括:
根据调整后的课堂智能交互器中题目的难度系数,对用户的知识点掌握程度进行评价;
将所述评价结果生成可视化界面并展示。
8.根据权利要求1所述的方法,其特征在于,得到题库数据库的步骤如下:
在教辅材料中,收集习题库,建立基础的数据资源库;
对所述基础的数据资源库通过分词算法进行细分,得到多个知识点下的题目;
提取与教学内容相关的知识点的题目;
根据当前之前所述课堂智能交互器的原始课堂答题数据以及网络答题数据,进行加权,得到所述知识点的题目的难度系数;
根据难度系数,对所述知识点的题目进行分类。
9.一种作业定制系统,其特征在于,所述作业定制系统包括:
接收单元,所述接收单元用于接收多个课堂智能交互器发送的原始课堂答题数据,所述课堂智能交互器的ID与用户账号绑定;所述原始课堂答题数据包括从题库数据库中选取的多个题目、每个题目的答案、每个题目的答题对错和每个题目的答题时间;
处理单元,所述处理单元用于对所述原始课堂答题数据进行预处理,得到课堂答题数据;
特征提取单元,所述特征提取单元用于对所述课堂答题特征数据进行降维处理,得到关键特征数据;
分类聚类单元,所述分类聚类单元用于对所述关键特征数据进行分类和聚类,得到第一分类结果的第一聚类结果;
确定单元,所述确定单元用于根据第一聚类结果,确定各个用户的知识点掌握程度;
推送单元,所述推送单元用于根据各个用户的知识点掌握程度,向用户账号对应的终端推送个性化的作业。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910577875.0A CN110309201A (zh) | 2019-06-28 | 2019-06-28 | 作业定制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910577875.0A CN110309201A (zh) | 2019-06-28 | 2019-06-28 | 作业定制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110309201A true CN110309201A (zh) | 2019-10-08 |
Family
ID=68077971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910577875.0A Pending CN110309201A (zh) | 2019-06-28 | 2019-06-28 | 作业定制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309201A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110729049A (zh) * | 2019-11-01 | 2020-01-24 | 广州云蝶科技有限公司 | 心理健康预警方法 |
CN110738425A (zh) * | 2019-10-17 | 2020-01-31 | 华北水利水电大学 | 一种面向英语合作写作教学的课程资源调度方法 |
CN111931875A (zh) * | 2020-10-10 | 2020-11-13 | 北京世纪好未来教育科技有限公司 | 数据处理方法、电子设备及计算机可读介质 |
CN111930901A (zh) * | 2020-10-09 | 2020-11-13 | 北京世纪好未来教育科技有限公司 | 知识点向量获取、推荐题目确定方法及相关装置 |
CN111950987A (zh) * | 2020-08-18 | 2020-11-17 | 广州驰兴通用技术研究有限公司 | 一种基于互联网的远程教育培训方法及系统 |
CN112000891A (zh) * | 2020-09-14 | 2020-11-27 | 北京百家科技集团有限公司 | 一种信息推送方法、装置、计算机设备及存储介质 |
CN112116506A (zh) * | 2020-09-02 | 2020-12-22 | 上海松鼠课堂人工智能科技有限公司 | 对知识点掌握程度进行测量的方法 |
CN112131349A (zh) * | 2020-09-30 | 2020-12-25 | 上海松鼠课堂人工智能科技有限公司 | 对知识点掌握状态进行测量的方法 |
CN112950038A (zh) * | 2021-03-09 | 2021-06-11 | 浙江创课网络科技有限公司 | 一种基于学情数据的个性化作业布置方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477755A (zh) * | 2009-01-06 | 2009-07-08 | 陈诗周 | 学生错题库系统 |
CN102867033A (zh) * | 2012-08-29 | 2013-01-09 | 昆山市万丰制衣有限责任公司 | 旨在实现科学教学的知识点间的定位系统及方法 |
CN102903022A (zh) * | 2012-08-29 | 2013-01-30 | 昆山市万丰制衣有限责任公司 | 基于大样本的实时在线抽测系统及方法 |
CN104157175A (zh) * | 2014-08-27 | 2014-11-19 | 湖南堂堂清教育科技有限公司 | 教学效果即时反馈评估系统 |
CN105095619A (zh) * | 2014-05-07 | 2015-11-25 | 北大方正集团有限公司 | 试题信息处理方法和装置 |
CN105931514A (zh) * | 2016-07-08 | 2016-09-07 | 北京圣合软件科技有限公司 | 用于采集互动教学数据的方法、装置和教师终端 |
CN106202453A (zh) * | 2016-07-13 | 2016-12-07 | 网易(杭州)网络有限公司 | 一种多媒体资源推荐方法和装置 |
CN106897384A (zh) * | 2017-01-23 | 2017-06-27 | 科大讯飞股份有限公司 | 一种要点题自动评价方法及装置 |
CN106898178A (zh) * | 2017-01-08 | 2017-06-27 | 广东工业大学 | 一种基于可穿戴设备的考试综合分析系统 |
CN108520662A (zh) * | 2018-04-23 | 2018-09-11 | 温州市鹿城区中津先进科技研究院 | 一种基于知识点分析的教学反馈系统 |
US20180301049A1 (en) * | 2015-07-20 | 2018-10-18 | Zhengfang Ma | Personalized embedded examination device |
CN109840595A (zh) * | 2019-02-26 | 2019-06-04 | 武汉大学 | 一种基于群体学习行为特征的知识追踪方法 |
CN109903617A (zh) * | 2017-12-11 | 2019-06-18 | 北京三好互动教育科技有限公司 | 个性化练习方法和系统 |
-
2019
- 2019-06-28 CN CN201910577875.0A patent/CN110309201A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477755A (zh) * | 2009-01-06 | 2009-07-08 | 陈诗周 | 学生错题库系统 |
CN102867033A (zh) * | 2012-08-29 | 2013-01-09 | 昆山市万丰制衣有限责任公司 | 旨在实现科学教学的知识点间的定位系统及方法 |
CN102903022A (zh) * | 2012-08-29 | 2013-01-30 | 昆山市万丰制衣有限责任公司 | 基于大样本的实时在线抽测系统及方法 |
CN105095619A (zh) * | 2014-05-07 | 2015-11-25 | 北大方正集团有限公司 | 试题信息处理方法和装置 |
CN104157175A (zh) * | 2014-08-27 | 2014-11-19 | 湖南堂堂清教育科技有限公司 | 教学效果即时反馈评估系统 |
US20180301049A1 (en) * | 2015-07-20 | 2018-10-18 | Zhengfang Ma | Personalized embedded examination device |
CN105931514A (zh) * | 2016-07-08 | 2016-09-07 | 北京圣合软件科技有限公司 | 用于采集互动教学数据的方法、装置和教师终端 |
CN106202453A (zh) * | 2016-07-13 | 2016-12-07 | 网易(杭州)网络有限公司 | 一种多媒体资源推荐方法和装置 |
CN106898178A (zh) * | 2017-01-08 | 2017-06-27 | 广东工业大学 | 一种基于可穿戴设备的考试综合分析系统 |
CN106897384A (zh) * | 2017-01-23 | 2017-06-27 | 科大讯飞股份有限公司 | 一种要点题自动评价方法及装置 |
CN109903617A (zh) * | 2017-12-11 | 2019-06-18 | 北京三好互动教育科技有限公司 | 个性化练习方法和系统 |
CN108520662A (zh) * | 2018-04-23 | 2018-09-11 | 温州市鹿城区中津先进科技研究院 | 一种基于知识点分析的教学反馈系统 |
CN109840595A (zh) * | 2019-02-26 | 2019-06-04 | 武汉大学 | 一种基于群体学习行为特征的知识追踪方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738425A (zh) * | 2019-10-17 | 2020-01-31 | 华北水利水电大学 | 一种面向英语合作写作教学的课程资源调度方法 |
CN110729049B (zh) * | 2019-11-01 | 2023-09-22 | 广州云蝶科技有限公司 | 心理健康预警方法 |
CN110729049A (zh) * | 2019-11-01 | 2020-01-24 | 广州云蝶科技有限公司 | 心理健康预警方法 |
CN111950987A (zh) * | 2020-08-18 | 2020-11-17 | 广州驰兴通用技术研究有限公司 | 一种基于互联网的远程教育培训方法及系统 |
CN112116506A (zh) * | 2020-09-02 | 2020-12-22 | 上海松鼠课堂人工智能科技有限公司 | 对知识点掌握程度进行测量的方法 |
CN112000891A (zh) * | 2020-09-14 | 2020-11-27 | 北京百家科技集团有限公司 | 一种信息推送方法、装置、计算机设备及存储介质 |
CN112131349B (zh) * | 2020-09-30 | 2021-08-06 | 上海松鼠课堂人工智能科技有限公司 | 对知识点掌握状态进行测量的方法 |
CN112131349A (zh) * | 2020-09-30 | 2020-12-25 | 上海松鼠课堂人工智能科技有限公司 | 对知识点掌握状态进行测量的方法 |
WO2022068435A1 (zh) * | 2020-09-30 | 2022-04-07 | 上海松鼠课堂人工智能科技有限公司 | 对知识点掌握状态进行测量的方法 |
CN111930901A (zh) * | 2020-10-09 | 2020-11-13 | 北京世纪好未来教育科技有限公司 | 知识点向量获取、推荐题目确定方法及相关装置 |
CN111931875B (zh) * | 2020-10-10 | 2021-10-08 | 北京世纪好未来教育科技有限公司 | 数据处理方法、电子设备及计算机可读介质 |
CN111931875A (zh) * | 2020-10-10 | 2020-11-13 | 北京世纪好未来教育科技有限公司 | 数据处理方法、电子设备及计算机可读介质 |
CN112950038A (zh) * | 2021-03-09 | 2021-06-11 | 浙江创课网络科技有限公司 | 一种基于学情数据的个性化作业布置方法 |
CN112950038B (zh) * | 2021-03-09 | 2024-04-05 | 浙江创课网络科技有限公司 | 一种基于学情数据的个性化作业布置方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309201A (zh) | 作业定制方法及系统 | |
Ciolacu et al. | Education 4.0—Fostering student's performance with machine learning methods | |
CN108021616B (zh) | 一种基于循环神经网络的社区问答专家推荐方法 | |
CN105632251B (zh) | 具有语音功能的3d虚拟教师系统及其方法 | |
CN109271493A (zh) | 一种语言文本处理方法、装置和存储介质 | |
KR20180125905A (ko) | 딥 뉴럴 네트워크(Deep Neural Network)를 이용하여 문장이 속하는 클래스(class)를 분류하는 방법 및 장치 | |
CN112163165A (zh) | 信息推荐方法、装置、设备及计算机可读存储介质 | |
CN108614875A (zh) | 基于全局平均池化卷积神经网络的中文情感倾向性分类方法 | |
US20150039541A1 (en) | Feature Extraction and Machine Learning for Evaluation of Audio-Type, Media-Rich Coursework | |
CN110222125A (zh) | 一种基于知识图谱的线上教育个性化推送方法及系统 | |
WO2022170985A1 (zh) | 选题方法、装置、计算机设备和存储介质 | |
Mathew et al. | NLP-based personal learning assistant for school education | |
Shahriar et al. | Classifying maqams of Qur’anic recitations using deep learning | |
Zhang et al. | Research on feature fusion speech emotion recognition technology for smart teaching | |
Liu | Research on music teaching and creation based on deep learning | |
Tian et al. | Research on MOOC teaching mode in higher education based on deep learning | |
CN115114974A (zh) | 一种模型蒸馏方法、装置、计算机设备和存储介质 | |
CN110929532A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN111931875B (zh) | 数据处理方法、电子设备及计算机可读介质 | |
Mirzaei et al. | Annotated examples and parameterized exercises: Analyzing students’ behavior patterns | |
Liu et al. | An early-warning method on e-learning | |
CN117076631A (zh) | 基于LLaMA的财税问答模型构建方法、装置、设备及介质 | |
CN117252259A (zh) | 基于深度学习的自然语言理解方法及ai助教系统 | |
Tan et al. | Does informativeness matter? Active learning for educational dialogue act classification | |
CN115757723A (zh) | 文本处理方法及装置 |
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 |