CN110414837B - 基于错因分析的人机交互系统 - Google Patents
基于错因分析的人机交互系统 Download PDFInfo
- Publication number
- CN110414837B CN110414837B CN201910686318.2A CN201910686318A CN110414837B CN 110414837 B CN110414837 B CN 110414837B CN 201910686318 A CN201910686318 A CN 201910686318A CN 110414837 B CN110414837 B CN 110414837B
- Authority
- CN
- China
- Prior art keywords
- error
- cause
- data
- wrong
- question
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 36
- 230000003993 interaction Effects 0.000 title claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims description 51
- 239000013598 vector Substances 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000006698 induction Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000005484 gravity Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了基于错因分析的人机交互系统，所述系统包括做题模块、错题本模块、监课模块、大数据中心和错因分析引擎；做题模块，用于采集学生针对错题的一级错因数据，并将采集到的一级错因数据存储至大数据中心；错题本模块，用于采集学生针对错题的二级错因数据，并将采集到的二级错因数据存储至大数据中心；错因分析引擎，用于依据错题的一级错因数据和二级错因数据生成该错题的预测错因数据；监课模块，用于调取该知识点下错题的预测错因数据，并生成该知识点下错题的三级错因数据。本发明其在学生进行学习过程中，能够采集学生的真实错因。
Description
技术领域
本发明属于计算机软件技术领域，尤其涉及一种基于错因分析的人机交互系统。
背景技术
目前中国的小学、初中、高中生数量逐年递增，而优质的教育资源却十分稀缺并且过于集中，对于国家全面提高人民素质的大方向存在一定的矛盾。各地区的公立学校一个班级的人数普遍已经达到将近50人左右，部分人口大省更是能够达到一个班级70、80人，受限于教育资源和师资力量的限制，在这样的情况下教师在日常的教学中无法顾及到孩子的不同情况，只能按部就班的根据进度进行统一教学，学习好的学生无法获得更进一步的提升，而成绩不好的学生则会因为跟不上进度和其它同学差距越拉越大。
随着科技的进步和政府的大力支持下，人工智能技术越来越成熟和普及化，已经在各个方面都介入到了人们的生活中，其中就包括教育领域。越来越多的教育机构开始在教学过程中添加人工智能，“智适应教育”这个概念也应运而生。在初期探索阶段，各种“智适应教育”教学方式层出不穷，从教学人数上来讲，小班制教学出现了双师课堂、人主机辅等模式，而一对一教学由于各种条件和硬件的限制，基本还是处于教师真人讲课阶段，所以，“教师”的质量仍然是衡量教学质量的重要标准。
为此，为了保证教学质量，首先就要确定教师的质量是否满足要求。针对不同的学生制定最合适的个性化学习路径是提升教学质量的必要条件，需要教师有大量的教学经验作为基础，而教学经验是一个缓慢的积累过程，而有经验的教师、名师数量对于庞大的市场需求来说又实在太少，一直处于供不应求的状态。
由此可见，现在的教育环境中教学质量仍然受限于教师的数量和质量条件。为了解决这个问题，目前市场上一部分的K12(Kindergarten Through Twelfth Grade，学前教育至高中教育的缩写)在线教育公司，试图通过具有智能算法的AI教师来代替“人类教师”，但是目前的算法离真正个性化的教育还是存在着一定的距离，因为K12教育的对象是充满个性化以及不确定的因素的孩子们。目前的算法公式，可以解决部分学生的问题，但是不能100％地解决所有学生的问题。因为算法中用到的关键参数中会包含答题结果的参数，而使用计算机作为教学工具的话，经常会出现，学生答题时键盘上多敲了符号、空格、甚至是相同意思的不同语句，但是计算机系统无法识别出学生个性化的答案，仅通过与正确答案作对比，不完全一致就可能会被判断为答题结果错误，从而对后续的推题逻辑也会产生偏移影响，使得测试、学习的结果不够精准，浪费学生的宝贵时间，没有真正做到“哪里不会，学哪里”。
在人主机辅的模式下，“人类教师”主要作用是监督学生的学习进度，而对于教学质量主要依赖“AI教师”的智能算法。但是同一门学科的同一道题目，1000位做错的学生中隐藏着成百上千的不同错因(错误原因)，而用到的算法从底层上来说是相似的，这就导致系统做出了一定比率的错误判断：系统判断学生答错的知识点是没有掌握的知识点，但实际上学生可能是因为粗心、键盘操作有误而答错了，如果系统持续在这个知识点上考察学生，这个时候对于学生来说其实是无效的，至少是低效的。这样一来，就势必会伤害到一部分被错判的学生的学习体验和学习效果。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供基于错因分析的人机交互系统，其在学生进行学习过程中，能够采集学生的真实错因。
为解决上述技术问题，本发明采用的技术方案是：基于错因分析的人机交互系统，包括做题模块、错题本模块、监课模块、大数据中心和错因分析引擎；
做题模块，用于采集学生针对错题的一级错因数据，并将采集到的一级错因数据存储至大数据中心；
错题本模块，用于采集学生针对错题的二级错因数据，并将采集到的二级错因数据存储至大数据中心；
错因分析引擎，用于依据错题的一级错因数据和二级错因数据生成该错题的预测错因数据；
监课模块，用于输出错题的预测错因数据，并采集该错题的三级错因数据；
所述做题模块和错题本模块内均设置有错因标签单元，所述错因标签单元内预置有多个错因标签，所述错因标签单元具有自定义错因标签功能；
在学生做错试题时，错因标签单元被触发，学生通过错因标签单元选择一个错因标签或自定义一个错因标签对错题进行标记；
所述一级错因数据、二级错因数据、预测错因数据和三级错因数据均包括错因标签。
上述基于错因分析的人机交互系统，还包括虚拟个人助理模块，用于根据错题的一级错因数据、二级错因数据和\或三级错因数据采集学生对错题所对应的知识点的掌握程度。
上述基于错因分析的人机交互系统，还包括文本预处理模块，用于提取文本数据中的词的词向量，得到该文本数据对应的词向量数组；
虚拟个人助理采集学生对错题所对应的知识点的掌握程度时，包括以下步骤：
虚拟个人助理根据该错题的一级错因数据、二级错因数据和\或三级错因数据向学生输出一道概念题信息，该概念题用于测试学生是否掌握该错题所对应的知识点；
虚拟个人助理采集该学生对该概念题作答的语音数据，虚拟个人助理将该语音数据通过语音识别技术转换为文本数据，并将该文本数据输入文本预处理模块；
文本预处理模块提取该文本数据对应的词向量组，并将该词向量组输入到预先训练好的带有注意力机制的长期－短期递归神经网络模型，得到学生的作答与该概念题答案的相似度；
虚拟个人助理判断该相似度是否大于阈值，若否，则向学生推送该概念题对应的错因讲解内容。
上述基于错因分析的人机交互系统，当学生自定义一个错因标签时，所述错因分析引擎调取该自定义的错因标签进行分类操作；
分类操作包括：将自定义的错因标签与多个预置的错因标签进行相似度计算，若一个预置的错因标签与该自定义的错因标签的相似度最高，且相似度大于阈值，则以该预置的错因标签替换自定义的错因标签。
上述基于错因分析的人机交互系统，所述错因分析引擎进行分类操作中，若一个预置的错因标签与该自定义的错因标签的相似度最高，且相似度小于或等于阈值，则对该自定义的错因标签进行归纳操作：
归纳操作包括：对该自定义的错因标签进行主题抽取，并将抽取到的主题存储至大数据中心。
上述基于错因分析的人机交互系统，还包括内容模块，用于查询学生在任一道试题上的错误率、答题平均时间、占比前三的错误答案内容和对应的占比值、以及占比前三项的错因标签和对应的占比值。
本发明与现有技术相比具有以下优点：本发明通过在做题模块和错题本模块内设置错因标签单元，采集能够反映学生做错题原因的错因标签，并依据采集到的错因标签进一步预测出新的错因标签，最后依据预测出的新的错因标签做出最终的错因标签，以实现最大程度的真实反映学生做错题原因。
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。
附图说明
图1为本发明的模块框图。
具体实施方式
接下来，将参照附图描述本发明的示例性实施例。尽管附图中显示了本发明的示例性实施例，但是应当理解，可以以其他形式实现本发明，而不应以这里阐述的示例性实施例为界限。应该说明的是，此处提供这些实施例是为了能够更透彻地公开本发明的实现方式，并且能够将本发明的保护范围完整详细清楚的表达。
需要说明的是，本发明的示例性实施例中提出的所有例子与条件性语言都是出于更好的说明本发明的实现方式的目的，本发明保护范围应该被理解为不限于这些具体引述的例子与条件。
在权利要求书中，用来执行指定功能的模块意在涵盖执行该功能的任何方式，包括例如(a)执行该功能的电路元件的组合、或者(b)任何形式的软件，因此包括固件、微代码等等，其与适当电路组合，用来执行实现功能的软件。
由各种模块提供的功能被以权利要求所主张的方式组合在一起，由此应当认为，可以提供这些功能的任何模块、部件、或元件都等价或等效于权利要求中限定的模块。
图1中所表示的各个模块的连接关系仅为示例性描述，本领域技术人员完全可以采用其他的连接关系，只要在这样的连接关系下各个模块也能够完全实现本发明的功能即可。
在本说明书中，各个模块的功能可以通过使用专用硬件、或者能够与适当的软件相结合来执行处理的硬件来实现。这样的硬件或专用硬件可以包括专用集成电路(ASIC)、各种其它电路、各种处理器等。当由处理器实现时，该功能可以由单个专用处理器、单个共享处理器、或者多个独立处理器(其中某些可能被共享)来提供。另外，处理器不应该被理解为专指能够执行软件的硬件，而是可以隐含地包括、而不限于数字信号处理器(DSP)硬件、用来存储软件的只读存储器(ROM)、随机存取存储器(RAM)、以及非易失存储设备。
基于错因分析的人机交互系统，如图1所示，所述系统包括做题模块、错题本模块、监课模块、大数据中心和错因分析引擎。
做题模块，用于采集学生针对错题的一级错因数据，并将采集到的一级错因数据存储至大数据中心；需要说明的是，做题模块自大数据中心调拨试题供学生作答，当学生做错一道试题时，做题模块采集一条一级错因数据存储至大数据中心，所述一级错因数据包括试题ID、试题内容、试题标准答案、试题难度、做题时长、学生ID、学生作答结果和学生标记的错因标签。
错题本模块，用于采集学生针对错题的二级错因数据，并将采集到的二级错因数据存储至大数据中心；需要说明的是，错题本模块自大数据中心调拨试题供学生作答，错题本模块调拨的试题为学生在做题模块做错的试题，学生在做题模块做错的试题会在大数据中心记录该试题的ID，并将记录下来的该试题的ID发送至错题本模块，错题本模块依据收到的该试题的ID在后期从大数据中心调取该试题；在错题本模块内，当学生做错一道试题时，错题本模块采集一条二级错因数据存储至大数据中心，所述二级错因数据包括试题ID、试题内容、试题标准答案、试题难度、做题时长、学生ID、学生作答结果和学生标记的错因标签。
本实施例中，所述做题模块和错题本模块内均设置有错因标签单元，所述错因标签单元内预置有多个错因标签，所述错因标签单元具有自定义错因标签功能；在学生做错试题时，错因标签单元被触发，学生通过错因标签单元选择一个错因标签或自定义一个错因标签对错题进行标记，获得学生标记的错因标签。
错因分析引擎，用于依据错题的一级错因数据和二级错因数据生成该错题的预测错因数据；需要说明的是，所述错因分析引擎内设置有经过训练的支持向量机模型，错因分析引擎调取对应于一个错题下的一级错因数据和二级错因数据(若该错题没有二级错因数据则仅调取一级错因数据)，提取出一级错因数据和二级错因数据的学生标记的错因标签作为支持向量机模型的输入，支持向量机模型输出一个预测的错因标签，错因分析引擎输出该错题的预测错因数据，所述预测错因数据包括试题ID、试题内容、试题标准答案、试题难度、做题时长、学生ID、学生作答结果和预测的错因标签。
监课模块，用于输出错题的预测错因数据，并采集该错题的三级错因数据；需要说明的是，监课模块为供老师使用的模块，实际使用时，老师通过监课模块自大数据中心调取学生在错题下生成的一级错因数据和二级错因数据进行查看，还可以调取该错题对应的预测错因数据进行查看，老师根据自己的判断在监课模块内输入自己标记的错因标签，监课模块采集到三级错因数据，所述三级错因数据包括试题ID、试题内容、试题标准答案、试题难度、做题时长、学生ID、学生作答结果和老师标记的错因标签。
错因标签示例：
| 错因标签 |
| 1、因为题目字数太多而看错 |
| 2、因为不重视而看错 |
| 3、因为词义相近而看错 |
| 4、因为知识点掌握不熟练而漏掉重要信息 |
| 5、因为不重视而漏掉重要信息 |
| 6、因为时间不够，急于加速而漏掉重要信息 |
| 7、因为知识点掌握不熟练而区分不出关键词 |
| 8、因为题目中有多个关键词干扰 |
| 9、因为知识点未掌握，解题思路出现偏差 |
本实施例中，所述系统还包括虚拟个人助理模块，用于根据错题的一级错因数据、二级错因数据和\或三级错因数据采集学生对错题所对应的知识点的掌握程度。
本实施例中，所述系统还包括文本预处理模块，用于提取文本数据中的词的词向量，提取文本数据中的词的词向量采用词袋化服务(bag of words)或词嵌入服务(wordembedding)进行，得到该文本数据对应的词向量数组；
虚拟个人助理采集学生对错题所对应的知识点的掌握程度时，包括以下步骤：
虚拟个人助理根据该错题的一级错因数据、二级错因数据和\或三级错因数据向学生输出一道概念题信息，该概念题用于测试学生是否掌握该错题所对应的知识点；
虚拟个人助理采集该学生对该概念题作答的语音数据，虚拟个人助理将该语音数据通过语音识别技术转换为文本数据，并将该文本数据输入文本预处理模块；
文本预处理模块提取该文本数据对应的词向量组，并将该词向量组输入到预先训练好的带有注意力机制的长期－短期递归神经网络模型，得到学生的作答与该概念题答案的相似度；
虚拟个人助理判断该相似度是否大于阈值，若否，则向学生推送该概念题对应的错因讲解内容。
需要说明的是，大数据中心预置有概念题数据库，概念题数据库内存储有多个概念题，所述概念题至少对应有一个预置的错因标签，虚拟个人助理查询一道错题对应的错因数据中的错因标签，并根据错因标签提取概念题输出。优选地，若一道错题对应有一级错因数据、二级错因数据和三级错因数据，则优先根据三级错因数据中的老师标记的错因标签提取概念题；若一道错题仅对应有一级错因数据和二级错因数据，则优先根据二级错因数据中的学生标记的错因标签提取概念题。另外，针对一道错题所对应的所有错因数据中的错因标签，若三级错因数据中的错因标签没有对应的概念题，则提取二级错因数据中的错因标签对应的概念题；若二级错因数据中的错因标签没有对应的概念题，则提取一级错因数据中的错因标签对应的概念题；若一级错因数据中的错因标签没有对应的概念题，则取消输出概念题操作。
虚拟个人助理发布概念题示例：
虚拟个人助理提问：“在开始学习前我们先来看看复习一下上次课的内容吧，你还记得力的三要素有哪些吗？”(其中力的三要素有哪些，是力的概念性题目)
学生回答：“力的大小、力的方向、力的作用点”
系统回答：“很好，那我们再看看下一道题目，重力G的大小是多少？”
学生回答：“我忘记了”
虚拟个人助理回答：“9.8N约等于10N，重力是一个非常重要的概念，大小需要牢记，我们再来回顾一下重力相关的内容吧”(推荐错因讲解内容)。
本实施例中，错因标签单元中，当学生自定义一个错因标签时，所述错因分析引擎调取该自定义的错因标签进行分类操作；
分类操作包括：将自定义的错因标签与多个预置的错因标签进行相似度计算，若一个预置的错因标签与该自定义的错因标签的相似度最高，且相似度大于阈值，则以该预置的错因标签替换自定义的错因标签。
需要说明的是，错因分析引擎在计算错因标签与错因标签的相似度时，首先将错因标签的文本数据通过词嵌入输入到训练好的带有注意机制的长期－短期递归神经网络(Attentive Long－Short Term Memory)中用来编码；
该神经网络架构设计如下：
1.对于n＊m的词嵌入矩阵中的每一个向量加上一个长度为m的向量；该向量需要随机初始化数值初始化的区间在
间。其中n为单词个数，m为词嵌入的向量长度；
2.将上述词向量依次输入到训练好的LSTM神经网络中，LSTM神经网络每一步会做三件事情：
a)计算自身的状态中有多少是需要被忘记的；
b)计算有多少新的信息是需要被保留的；
c)将当前的状态进行放缩；
3.不断循环上述过程直到当前的词向量消耗完毕，最终，可以得到一个长度为p的向量，本实施例中p＝512。这样可以得到一个信息更为丰富的编码用于进行后续比较。
需要说明的是，经过编码后的自定义的错因标签和预置的错因标签的编码进行比对，计算两者之间的余弦距离得到两者的相似性，最后将结果相似性输出。即在本实施例中，计算了两组长度为512的编码的相似度。
需要说明的是，经过编码后的自定义的错因标签还可以输入至全链接神经网络中进行计算，最终输入到一个softmax分类器中得到一个长度为n的概率向量，n为预置的错因标签的个数。判断哪一个预置的错因标签对应的概率向量的概率值最大且大于阈值，则以该预置的错因标签替换自定义的错因标签。
本实施例中，所述错因分析引擎进行分类操作中，若一个预置的错因标签与该自定义的错因标签的相似度最高，且相似度小于或等于阈值，则对该自定义的错因标签进行归纳操作：
归纳操作包括：对该自定义的错因标签进行主题抽取，并将抽取到的主题存储至大数据中心。
需要说明的是，错因分析引擎进行归纳操作时，首先对自定义的错因标签进行词袋化服务操作，然后使用使用了第三方开源库scikit－learn中的LatentDirichletAllocation，可以将学生的自定义的错因标签进行主题抽取。
本实施例中，还包括内容模块，用于查询学生在任一道试题上的错误率、答题平均时间、占比前三的错误答案内容和对应的占比值、以及占比前三项的错因标签和对应的占比值。
需要说明的是，做题模块和错题本模块在学生每作答完成一次，均产生一条作答数据发送至大数据中心，作答数据包括试题ID、试题内容、试题标准答案、试题难度、做题时长、学生ID、学生作答结果(错误或正确)和学生标记的错因标签，大数据中心对作答数据进行统计分析操作，生成学生在任一道试题上的错误率、答题平均时间、占比前三的错误答案内容和对应的占比值、以及占比前三项的错因标签和对应的占比值。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。
Claims (4)
1.一种基于错因分析的人机交互系统，其特征在于：包括做题模块、错题本模块、监课模块、大数据中心和错因分析引擎；
做题模块，用于采集学生针对错题的一级错因数据，并将采集到的一级错因数据存储至大数据中心；
错题本模块，用于采集学生针对错题的二级错因数据，并将采集到的二级错因数据存储至大数据中心；
错因分析引擎，用于依据错题的一级错因数据和二级错因数据生成该错题的预测错因数据；所述错因分析引擎内设置有经过训练的支持向量机模型，错因分析引擎调取针对错题的一级错因数据的学生标记的错因标签作为支持向量机模型的输入，或调取针对错题的一级错因数据的学生标记的错因标签和二级错因数据的学生标记的错因标签作为支持向量机模型的输入；支持向量机模型输出的错因标签作为的预测错因数据的错因标签；所述预测错因数据包括试题ID、试题内容、试题标准答案、试题难度、做题时长、学生ID、学生作答结果和预测的错因标签；
监课模块，用于自大数据中心调取学生在错题下生成的一级错因数据和二级错因数据供老师进行查看，以及调取该错题对应的预测错因数据供老师进行查看，还用于采集老师输入的自己标记的错因标签，并依据采集到的老师标记的错因标签生成三级错因数据，所述三级错因数据包括试题ID、试题内容、试题标准答案、试题难度、做题时长、学生ID、学生作答结果和老师标记的错因标签；
所述做题模块和错题本模块内均设置有错因标签单元，所述错因标签单元内预置有多个错因标签，所述错因标签单元具有自定义错因标签功能；
在学生做错试题时，错因标签单元被触发，学生通过错因标签单元选择一个错因标签或自定义一个错因标签对错题进行标记；
所述一级错因数据、二级错因数据、预测错因数据和三级错因数据均包括错因标签；
还包括虚拟个人助理模块，用于根据错题的一级错因数据、二级错因数据和\或三级错因数据采集学生对错题所对应的知识点的掌握程度；
还包括文本预处理模块，用于提取文本数据中的词的词向量，得到该文本数据对应的词向量数组；
虚拟个人助理采集学生对错题所对应的知识点的掌握程度时，包括以下步骤：
虚拟个人助理根据该错题的一级错因数据、二级错因数据和\或三级错因数据向学生输出一道概念题信息，该概念题用于测试学生是否掌握该错题所对应的知识点；
虚拟个人助理采集该学生对该概念题作答的语音数据，虚拟个人助理将该语音数据通过语音识别技术转换为文本数据，并将该文本数据输入文本预处理模块；
文本预处理模块提取该文本数据对应的词向量组，并将该词向量组输入到预先训练好的带有注意力机制的长期-短期递归神经网络模型，得到学生的作答与该概念题答案的相似度；
虚拟个人助理判断该相似度是否大于阈值，若否，则向学生推送该概念题对应的错因讲解内容。
2.按照权利要求1所述的基于错因分析的人机交互系统，其特征在于：当学生自定义一个错因标签时，所述错因分析引擎调取该自定义的错因标签进行分类操作；
分类操作包括：将自定义的错因标签与多个预置的错因标签进行相似度计算，若一个预置的错因标签与该自定义的错因标签的相似度最高，且相似度大于阈值，则以该预置的错因标签替换自定义的错因标签。
3.按照权利要求2所述的基于错因分析的人机交互系统，其特征在于：所述错因分析引擎进行分类操作中，若一个预置的错因标签与该自定义的错因标签的相似度最高，且相似度小于或等于阈值，则对该自定义的错因标签进行归纳操作：
归纳操作包括：对该自定义的错因标签进行主题抽取，并将抽取到的主题存储至大数据中心。
4.按照权利要求1所述的基于错因分析的人机交互系统，其特征在于：还包括内容模块，用于查询学生在任一道试题上的错误率、答题平均时间、占比前三的错误答案内容和对应的占比值、以及占比前三项的错因标签和对应的占比值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910686318.2A CN110414837B (zh) | 2019-07-29 | 2019-07-29 | 基于错因分析的人机交互系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910686318.2A CN110414837B (zh) | 2019-07-29 | 2019-07-29 | 基于错因分析的人机交互系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110414837A CN110414837A (zh) | 2019-11-05 |
| CN110414837B true CN110414837B (zh) | 2020-10-27 |
Family
ID=68363586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910686318.2A Active CN110414837B (zh) | 2019-07-29 | 2019-07-29 | 基于错因分析的人机交互系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110414837B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110910691B (zh) * | 2019-11-28 | 2021-09-24 | 深圳市木愚科技有限公司 | 一种个性化课程生成方法及系统 |
| CN111639166B (zh) * | 2020-05-11 | 2024-01-23 | 广东小天才科技有限公司 | 数学口算算式结果错因分析方法、装置、设备和存储介质 |
| CN112016603B (zh) * | 2020-08-18 | 2021-04-30 | 上海松鼠课堂人工智能科技有限公司 | 基于图神经网络的错因分析方法 |
| CN112732868B (zh) * | 2020-12-30 | 2023-04-07 | 科大讯飞股份有限公司 | 解答题的答案分析方法、电子设备及存储介质 |
| CN114329077A (zh) * | 2021-11-12 | 2022-04-12 | 北京鹏燊国际科技有限公司 | 一种表单数据评价系统 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140282371A1 (en) * | 2013-03-14 | 2014-09-18 | Media Direct, Inc. | Systems and methods for creating or updating an application using a pre-existing application |
| CN106547909A (zh) * | 2016-11-23 | 2017-03-29 | 广东小天才科技有限公司 | 一种基于大数据的易错题库构建管理方法及设备 |
| CN107784069B (zh) * | 2017-09-14 | 2020-08-18 | 深圳市赛达教育咨询有限公司 | 一种用于智能诊断学生知识能力的方法 |
| CN107818164A (zh) * | 2017-11-02 | 2018-03-20 | 东北师范大学 | 一种智能问答方法及其系统 |
| CN109460003A (zh) * | 2018-10-17 | 2019-03-12 | 南京凯奥思数据技术有限公司 | 车辆故障预测建模方法及系统 |
| CN109598994B (zh) * | 2018-12-24 | 2021-06-01 | 上海松鼠课堂人工智能科技有限公司 | 一种自适应教学中非知识点错误识别方法及系统 |
| CN109903014A (zh) * | 2019-02-25 | 2019-06-18 | 李伟 | 一种线上作业智能批阅系统及方法 |
| CN109977230B (zh) * | 2019-04-02 | 2020-12-18 | 上海松鼠课堂人工智能科技有限公司 | 适合自适应教学的选择题错因分析方法 |
-
2019
- 2019-07-29 CN CN201910686318.2A patent/CN110414837B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110414837A (zh) | 2019-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414837B (zh) | 基于错因分析的人机交互系统 | |
| CN106570708B (zh) | 一种智能客服知识库的管理方法及系统 | |
| CN108121702B (zh) | 数学主观题评阅方法及系统 | |
| CN111985239A (zh) | 实体识别方法、装置、电子设备及存储介质 | |
| Valakunde et al. | Multi-aspect and multi-class based document sentiment analysis of educational data catering accreditation process | |
| CN110781681B (zh) | 一种基于翻译模型的初等数学应用题自动求解方法及系统 | |
| CN111091002B (zh) | 一种中文命名实体的识别方法 | |
| KR20230171234A (ko) | 사용자 참여 기반의 질의응답 서비스 제공방법 및 이를 위한 장치 | |
| CN110852071B (zh) | 知识点检测方法、装置、设备及可读存储介质 | |
| CN115935969A (zh) | 基于多模态信息融合的异构数据特征提取方法 | |
| Sijimol et al. | Handwritten short answer evaluation system (HSAES) | |
| CN116825288A (zh) | 孤独症康复课程记录方法、装置、电子设备及存储介质 | |
| CN116362591A (zh) | 基于情感分析的多维度教师评价辅助方法和系统 | |
| Modak et al. | Machine learning based learning disability detection using LMS | |
| CN113742453A (zh) | 一种人工智能错题关联方法及系统 | |
| CN115617961A (zh) | 问题解答方法及装置 | |
| Ntourmas et al. | Comparative study of two different MOOC forums posts classifiers: analysis and generalizability issues | |
| CN114579706B (zh) | 一种基于bert神经网络和多任务学习的主观题自动评阅方法 | |
| CN117216617A (zh) | 文本分类模型训练方法、装置、计算机设备和存储介质 | |
| Hao et al. | Multi-task learning based online dialogic instruction detection with pre-trained language models | |
| CN112785039B (zh) | 一种试题作答得分率的预测方法及相关装置 | |
| Raina et al. | Complementary systems for off-topic spoken response detection | |
| El Azhari et al. | An evolutive knowledge base for “AskBot” toward inclusive and smart learning-based NLP techniques | |
| Willis et al. | Identifying domain reasoning to support computer monitoring in typed-chat problem solving dialogues | |
| CN115617959A (zh) | 问题解答方法及装置 |
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 | ||
| CB02 | Change of applicant information |
Address after: Room B381, 588 Tianlin East Road, Xuhui District, Shanghai 200000 Applicant after: Shanghai squirrel classroom Artificial Intelligence Technology Co., Ltd Address before: Room B381, 588 Tianlin East Road, Xuhui District, Shanghai 200000 Applicant before: SHANGHAI YIXUE EDUCATION TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |