CN110443427A - 基于认知知识谱的成绩预测方法及其系统 - Google Patents
基于认知知识谱的成绩预测方法及其系统 Download PDFInfo
- Publication number
- CN110443427A CN110443427A CN201910740569.4A CN201910740569A CN110443427A CN 110443427 A CN110443427 A CN 110443427A CN 201910740569 A CN201910740569 A CN 201910740569A CN 110443427 A CN110443427 A CN 110443427A
- Authority
- CN
- China
- Prior art keywords
- user
- examination question
- knowledge
- cognition
- per pass
- 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
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 113
- 238000001228 spectrum Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000019771 cognition Effects 0.000 claims abstract description 125
- 230000006399 behavior Effects 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000002372 labelling Methods 0.000 description 7
- 241000009298 Trigla lyra Species 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 241000234435 Lilium Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 102000001690 Factor VIII Human genes 0.000 description 1
- 108010054218 Factor VIII Proteins 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013497 data interchange Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及教学领域,公开了一种基于认知知识谱的成绩预测方法及其系统。该基于认知知识谱的成绩预测方法包括:获取各用户的认知知识谱,每个用户的认知知识谱包括表示该用户对于各个知识点掌握程度的认知积分,获取目标考试的各历年试卷的每道试题和每道试题的试题属性,其中试题属性包括该试题考核的知识点,获取该各历年试卷的历史答题用户的该每道试题的得分数据,以及根据该历史答题用户的认知知识谱、该每道试题的试题属性和得分数据、被预测用户的认知知识谱,确定该被预测用户的目标考试成绩。本申请的实施方式中能够更加科学有效且准确地预测被预测用户的目标考试成绩。
Description
技术领域
本申请涉及教学领域,特别涉及成绩预测技术。
背景技术
成绩预测功能是在线教育系统中深受用户喜爱的功能。成绩预测不仅可以直观地反映自身当前的知识水平与升学考试目标或水平达标考试目标的差距,还可以准确地评估用户的知识水平在系统用户中的排名,便于教学管理;此外,成绩预测还可以实现升学考试准确地考前估分,为考生考前填报升学考试志愿提供依据。
传统的成绩预测方法大多通过人工收集近年模拟考试成绩、升学考试成绩数据,手动查找近年模拟考试中与被预测者全校排名相近的考生,分析其模拟考试成绩分数、排名与升学考试成绩的关联性,进而实现通过模拟考试成绩预测升学考试的成绩。但是,该方法由于比对的基准成绩样本数据过少、分析过程易受主观情绪影响等因素,导致预测结果的可信度不高。
发明内容
本申请的目的在于提供一种基于认知知识谱的成绩预测方法及其系统,避免了个别数据由于主观或客观随机因素失真而影响预测结果的准确性,能够更加科学有效且准确地预测被预测用户的目标考试成绩。
本申请公开了一种基于认知知识谱的成绩预测方法,包括:
获取各用户的认知知识谱,每个用户的认知知识谱包括表示该用户对于各个知识点掌握程度的认知积分;
获取目标考试的各历年试卷的每道试题和每道试题的试题属性,其中试题属性包括该试题考核的知识点;
获取所述各历年试卷的历史答题用户的所述每道试题的得分数据;
根据所述历史答题用户的认知知识谱、所述每道试题的试题属性和得分数据、被预测用户的认知知识谱,确定该被预测用户的目标考试成绩。
在一个优选例中,所述试题属性还包括题型、能力维度、分值和难度系数,其中所述能力维度包括听说维度和读写维度;
所述每个用户的认知知识谱包括每个知识点对应的能力维度和认知积分。
在一个优选例中,所述根据所述历史答题用户的认知知识谱、所述每道试题的试题属性和得分数据、被预测用户的认知知识谱,确定该被预测用户的目标考试成绩,进一步包括:
根据所述历史答题用户的认知知识谱、所述每道试题的试题属性和得分数据,确定所述每道试题在各不同知识点认知积分分值下的预期得分值;
根据所述被预测用户的认知知识谱和所述每道试题考核的知识点确定所述被预测用户对于所述每道试题的认知积分分值;
根据所述每道试题在各不同知识点认知积分分值下的预期得分值和所述被预测用户对于所述每道试题的认知积分分值,确定所述被预测用户对于所述每道试题的预期得分值;
根据所述被预测用户对于所述每道试题的预期得分值确定其目标考试成绩。
在一个优选例中,所述根据所述历史答题用户的认知知识谱、所述每道试题的试题属性和得分数据,确定所述每道试题在各不同知识点认知积分分值下的预期得分值,进一步包括:
根据所述历史答题用户的认知知识谱、所述每道试题的试题属性和得分数据,确定在各不同知识点认知积分分值下所述每道试题的各得分分值对应的得分人数;
根据所述在各不同知识点认知积分分值下所述每道试题的各得分分值对应的得分人数确定在所述各不同知识点认知积分分值下所述每道试题的得分概率;
根据所述在所述各不同知识点认知积分分值下所述每道试题的得分概率和所述每道试题的分值确定在各不同知识点认知积分分值下所述每道试题的预期得分值。
在一个优选例中,所述认知知识谱根据所述各用户的学习行为进行更新,其中对于任一位用户的学习行为通过以下方式更新所述认知知识谱:
判断该用户的学习行为类型是测试/训练类或者浏览学习类;
如果是测试/训练类学习行为,则根据用户作答的试题题型和作答结果更新该用户的认知积分;
如果是浏览学习类学习行为,则根据用户浏览学习的资源类型更新该用户的认知积分;
根据更新后的该用户的认知积分更新认知知识谱。
在一个优选例中,所述根据试题题型和作答结果更新该用户的认知积分,进一步包括:
判断所述题型是听说题型或者读写题型;
如果是听说题型,则根据F1(n,i)=F1(t,s,c,F1(n-1,i))更新该用户的听说维度的认知积分;
如果是读写题型,则根据G1(n,i)=G1(t,s,c,G1(n-1,i))更新该用户的读写维度的认知积分;
其中,F1(n,i)为第n次更新后的知识点i听说维度的认知积分,F1(n-1,i)为第n-1次更新后的知识点i听说维度的认知积分,G1(n,i)为第n次更新后的知识点i听说维度的认知积分,G1(n-1,i)为第n-1次更新后的知识点i听说维度的认知积分,i为知识点编码,t为该用户在该试题上消耗的时长,s为该试题的得分,c为该试题的题型。
在一个优选例中,所述根据资源类型更新该用户认知积分进一步包括:
判断所述资源类型是听说类型或者读写类型;
如果是听说类型,则根据F2(n,i)=F2(t,k,F2(n-1,i))更新该用户听说维度的认知积分;
如果是读写类型,则根据G2(n,i)=G2(t,k,G2(n-1,i))更新该用户读写维度的认知积分;
其中,F2(n,i)为第n次更新后的知识点i听说维度的认知积分,F2(n-1,i)为第n-1次更新后知识点i听说维度的认知积分,G2(n,i)为第n次更新后知识点i读写维度的认知积分,G2(n-1,i)为第n-1次更新后知识点i听说维度的认知积分,i为知识点编码,t为该用户在该资源上消耗的时长,k为该用户在学习资源时是否由于存在理解障碍而使用了系统中自带的辅助工具。
本申请还公开了一种基于认知知识谱的成绩预测系统包括:
获取模块,用于获取各用户的认知知识谱,每个用户的认知知识谱包括表示该用户对于各个知识点掌握程度的认知积分,获取目标考试的各历年试卷的每道试题和每道试题的试题属性,其中试题属性包括该试题考核的知识点,以及获取所述各历年试卷的历史答题用户的所述每道试题的得分数据;
处理模块,用于根据所述历史答题用户的认知知识谱、所述每道试题的试题属性和得分数据、被预测用户的认知知识谱,确定该被预测用户的目标考试成绩。
本申请还公开了一种基于认知知识谱的成绩预测系统包括:
存储器,用于存储计算机可执行指令;以及,
处理器,用于在执行所述计算机可执行指令时实现如前文描述的方法中的步骤。
本申请还公开了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现如前文描述的方法中的步骤。
本申请实施方式中,预先构建了知识点库、题库和教学资源库,并分别对题库和教学资源库的知识点属性进行了标注,根据所构建的知识点库、题库和教学资源库进一步构建了认知知识谱,并从听说维度和读写维度分别设置认知积分以评估用户对每一个知识点的掌握程度。同时,根据各用户调用题库试题作答或调用教学资源库的进行学习两种学习行为,记录用户的学习数据,根据该学习数据实时更新各用户认知知识谱中知识点听说维度积分和读写维度积分,以达到听说维度积分和读写维度积分能真实且客观地反映各用户对某个知识点的掌握程度的目的。因为本申请的实施方式是建立在题库和教学资源库的用户使用数据互通的基础上,这充分利用了系统大数据的优势,以用户练习、测试数据作为用于成绩预测的原始样本数据,数据量大,可以避免个别数据由于主观或客观随机因素失真而影响预测结果的准确性。
同时,预先构建包含各种目标考试的历年试卷库,在构建该历年试卷库的过程中,先收集历年升学考试或达标考试的试卷,再拆分各试卷并对应生成各试卷的每道试题和每道试题的试题属性,该试题属性包括该试题考核的知识点。那么,基于上述实时更新的认知知识谱,以及根据预先构建的历年试卷库中的历年真题试卷来预测目标考试的成绩,即以历年升学考试或达标考试的真题作为基准进行预测,以保证预测的结果比较接近目标考试的结果。
在上述实时更新的认知知识谱和历年试卷库的基础上,进一步地,首先在特定被预测的试题知识点属性条件下,基于上述实时更新的认知知识谱的所有用户,筛选出与被预测用户的知识点认知积分相同的用户群,然后基于该用户群中的用户,进一步分析确定在各不同知识点认知积分分值下所述每道试题的各得分分值对应的得分人数,根据该在各不同知识点认知积分分值下所述每道试题的各得分分值对应的得分人数确定在所述各不同知识点认知积分分值下所述每道试题的得分概率,并根据该在所述各不同知识点认知积分分值下所述每道试题的得分概率和每道试题的分值确定在各不同知识点认知积分分值下每道试题的预期得分值;进一步地根据该被预测用户的实时更新的认知知识谱和每道试题考核的知识点确定被预测用户对于所述每道试题的认知积分分值,根据该每道试题在各不同知识点认知积分分值下的预期得分值和被预测用户对于所述每道试题的认知积分分值来确定所述被预测用户对于所述每道试题的预期得分值,最后根据被预测用户对于所述每道试题的预期得分值确定其目标考试成绩。在上述过程中,通过分析和统计该用户群中各不同认知积分分值下每道试题的预期得分值,并以此建立知识点认知积分与真题预期得分的映射关系,从而得到该试题的预期得分值可以保证预测的结果更加接近目标考试的结果。而且,本申请的实施方式中通过逐题得分预测,逐题累加,知识水平评估和分数预测细化到了每一道试题、每一个知识点,预测的结果更加科学。
进一步地,本申请实施方式中提及的基于认知知识谱的成绩预测系统可以是一个新的系统或者是对现有学习辅导系统的优化,该现有学习辅导系统已构建了百万数量级的题库及教学资源库,有足够数量的数字化资源,仅用户选择使用,是用户认知积分科学准确更新的保证,从而实现了通过认知知识谱准确地评估用户的知识水平。
上述的学习辅导系统作为推广的产品已于2017年在全国20多个地区进行试用,收集了学生学习数据30余万条,有足够大的用户群体及用户使用数据,可以避免由于用户数量过少,个别用户由于临场发挥等因素,而导致真实考试成绩与自身知识水平差别较大,从而影响预测结果的准确性。基于本申请的实施方式中的基于认知知识谱的成绩预测系统,在设定相应的运行条件后模拟运行得出的预测数据,现对几个典型地区的成绩预测结果与目标考试的真实结果进行对比分析,预测数据如下表1所示:
表1
上述表1的预测数据表明,本申请实施方式中可以实现被预测用户的目标考试的成绩的准确预测,且误差在可以接受的范围内。
注:上述表1中,
本申请的说明书中记载了大量的技术特征,分布在各个技术方案中,如果要罗列出本申请所有可能的技术特征的组合(即技术方案)的话,会使得说明书过于冗长。为了避免这个问题,本申请上述发明内容中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征,都可以自由地互相组合,从而构成各种新的技术方案(这些技术方案均因视为在本说明书中已经记载),除非这种技术特征的组合在技术上是不可行的。例如,在一个例子中公开了特征A+B+C,在另一个例子中公开了特征A+B+D+E,而特征C和D是起到相同作用的等同技术手段,技术上只要择一使用即可,不可能同时采用,特征E技术上可以与特征C相组合,则,A+B+C+D的方案因技术不可行而应当不被视为已经记载,而A+B+C+E的方案应当视为已经被记载。
附图说明
图1是根据本申请第一实施方式的基于认知知识谱的成绩预测方法流程示意图;
图2是根据本申请第一实施方式的一个实施例的根据某一位用户的学习行为更新该认知知识谱的流程示意图;
图3是根据本申请第一实施方式的步骤202中根据试题题型和作答结果更新该用户的认知积分的一个实施例流程示意图;
图4是根据本申请第一实施方式的步骤203中根据资源类型更新该用户的认知积分的一个实施例流程示意图;
图5是根据本申请第一实施方式的一个实施例的根据用户的学习行为更新认知知识谱的流程示意图;
图6是根据本申请第一实施方式的步骤104的一个实施例流程示意图;
图7是根据本申请第一实施方式的子步骤601的一个实施例流程示意图;
图8是根据本申请第二实施方式的基于认知知识谱的成绩预测系统结构示意图。
具体实施方式
在以下的叙述中,为了使读者更好地理解本申请而提出了许多技术细节。但是,本领域的普通技术人员可以理解,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。
部分概念的说明:
认知知识谱:是某位用户(即学习者)对某个特定的学习目标的知识点在听说、读写两个维度的认知积分的集合,可以以图谱可视化的形式呈现给用户。
认知积分:表示对知识点听说、读写能力维度的理解程度。认知积分为区间[0,100]的整数,数值越大则表示用户对该知识点的能力维度掌握得越好。
能力维度:根据试题题型划分为听说维度和读写维度。该试题题型包括朗读类、听力类、口语类、阅读类、拼写类、写作类六大类,其中朗读类、听力类、口语类对应听说维度,阅读类、拼写类、写作类对应读写维度。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请的实施方式作进一步地详细描述。
本申请的第一实施方式涉及一种基于认知知识谱的成绩预测方法,其流程如图1所示,该方法包括以下步骤:
开始步骤101,获取各用户的认知知识谱,每个用户的认知知识谱包括表示该用户对于各个知识点掌握程度的认知积分。
可选地,在步骤101之前还包括:构建并实时更新该认知知识谱。具体的,预先构建知识点库、题库和教学资源库,并对题库、教学资源库中的知识点属性进行标注,然后基于知识点库、题库和教学资源库构建该认知知识谱,通过认知知识谱中听说、读写两个维度的认知积分以评估每个用户(即学习者)对一个特定学习目标下的知识点掌握程度,同时将用户的学习行为划分为“测试类\训练类”、“学习类”两大类,按照预先指定的积分方法分别对这两类学习行为进行积分统计,并将认知积分实时地更新到认知知识谱中。该认知知识谱可以实现对用户的每个知识点掌握情况进行客观准确的评估。
可选地,该每个用户的认知知识谱包括每个知识点对应的能力维度和认知积分。可以理解,该每个用户的认知知识谱还可以包括其他属性信息。如下表2为一个用户(用户1)的认知知识谱属性信息表,其中,“用户ID”表示某一特定的用户的唯一编号,如“学生学号”;“知识点编码”表示每一个知识点唯一的身份属性;“能力维度”包括听说维度(L)和读写维度(R)。
表2
可选地,该认知知识谱根据各用户的学习行为进行实时更新。如图2所示是根据某一位用户的学习行为更新该认知知识谱的一个实施例,具体包括以下步骤201~204:
开始步骤201,判断该用户的学习行为类型是测试/训练类或者浏览学习类。如果用户的学习行为类型是测试/训练类(例如,作答题库中的试题),则之后进入步骤202,则根据用户作答试题题型和用户作答结果更新该用户的认知积分。如果用户的学习行为类型为浏览学习类(例如,浏览学习教学资源库中的教学资源),则之后进入步骤203,根据用户浏览学习的资源类型更新该用户的认知积分。之后进入步骤204,根据更新后的该用户的认知积分更新认知知识谱。
可选地,如图3所示,上述步骤202中“根据试题题型和作答结果更新该用户的认知积分”可以进一步包括以下子步骤301~303:
开始子步骤301,判断该题型是听说题型或者读写题型。如果是听说题型,则之后进入子步骤302,根据F1(n,i)=F1(t,s,c,F1(n-1,i))更新该用户的听说维度的认知积分;如果是读写题型,则之后进入子步骤303,根据G1(n,i)=G1(t,s,c,G1(n-1,i))更新该用户的读写维度的认知积分。其中,F1(n,i)为第n次更新后的知识点i听说维度的认知积分,F1(n-1,i)为第n-1次更新后的知识点i听说维度的认知积分,G1(n,i)为第n次更新后的知识点i听说维度的认知积分,G1(n-1,i)为第n-1次更新后的知识点i听说维度的认知积分,i为知识点编码,t为该用户在该试题上消耗的时长,s为该试题的得分,c为该试题的题型。
需要说明的是,在上述“根据试题题型和作答结果更新该用户的认知积分”过程中涉及的对试题的作答结果进行评分得到该试题的方式不做限定,该评分方式可以是由教师人工给出,也可以由人工智能的实现方式,例如,对于拼写类和写作题型的答题分数可以由手写识别技术将手写字符转化成文本后系统经自动识别、比对标准答案后给出,口语类、朗读类的答题分数可以由语音识别技术将音频数据转化成文本数据后经系统识别、对比标准答案后自动给出,等等。
可选地,如图4所示,上述步骤203中“根据资源类型更新该用户的认知积分”还可以进一步包括以下子步骤401~403:
开始子步骤401,判断该资源类型是听说类型或者读写类型。如果是听说类型,则之后进入子步骤402,根据F2(n,i)=F2(t,k,F2(n-1,i))更新该用户听说维度的认知积分;如果是读写类型,则之后进入子步骤403,根据G2(n,i)=G2(t,k,G2(n-1,i))更新该用户读写维度的认知积分。其中,F2(n,i)为第n次更新后的知识点i听说维度的认知积分,F2(n-1,i)为第n-1次更新后知识点i听说维度的认知积分,G2(n,i)为第n次更新后知识点i读写维度的认知积分,G2(n-1,i)为第n-1次更新后知识点i听说维度的认知积分,i为知识点编码,t为该用户在该资源上消耗的时长,k为该用户在学习资源时是否由于存在理解障碍而使用了系统中自带的辅助工具。
如图5所示为根据用户的学习行为更新认知知识谱的一个实施例的流程示意图,在该实施例中首先根据用户设定的学习目标将题库或教学资源库中满足该学习目标要求的试题或教学资源推荐给用户;然后用户根据所推荐试题进行答题或根据所推荐的教学资源进行学习,并记录用户学习过程中的资源/试题所包含的知识点、资源使用时长、资源/试题类型、答题得分等信息;最后根据这些因素计算认知积分的变化值,从而实现认知知识谱中认知积分的更新。
可选地,上述知识点库的构建可以根据教育部颁布的教学大纲、各类考试考纲(小升初、中考、高考、大学英语四/六级等)进行构建,知识点库主要实现知识点的分类存储、属性标注的功能,涵盖近十年大中小学主干学科的所有教学大纲及考试考纲涉及的知识点,并且对各知识点进行数字化标注,使用知识点具有学习目标域的从属特性。如下表3为该知识点库属性构成的一个具体实施例,其中每一个知识点在知识点库中对应唯一编码。
表3
可选地,上述题库的构建可以通过人工筛选、审核以及批量导入的方式收集题库素材,且预先对各题库的试题素材标注属性值。如下表4所示为题库的试题标注的属性值一个实施例,其中所标注的属性值至少包括该试题的题型、包含的知识点编码和试题编码等,且每一道试题都对应有知识点编码。在其他实施例中,所标注的属性值还可以包括其他属性,例如该素材的来源信息等,例如对于试题:
Lily was so___looking at the picture that she forgot the time.
A.carefully B.careful C.busily D.busy
该试题的属性值可以标注为{阅读类,{知识点编码12afd4},{初一上学期},{中考}}。该题库主要实现了用于用户测试、试题的分类存储及试题的知识点属性标注的功能,进一步实现了对试题所从属知识点及其学习目标域的认知。
表4
可选地,上述教学资源库的构建可以由专业的编辑人员或教师进行收集与制作的,并预先对教学资源库中的教学资源(即课件)进行属性标注。如下所示为对教学课件进行属性标注的一个实施例:{{课件内容},{资料形式},{知识点编码}}。该教学资源库主要用于为各知识点配备相应类型的课件,用于用户学习知识点,加深对认识点的理解,它包含知识点的音标、词义、用法、例句等内容,主要实现了用于用户学习的音频类、视频类、文本类教学资源的分类存储及属性标注的功能。
之后,进入步骤102,获取目标考试的各历年试卷的每道试题和每道试题的试题属性,其中试题属性包括该试题考核的知识点。可选地,该试题属性还可以包括题型、能力维度、分值和难度系数,其中该能力维度包括听说维度和读写维度。
可选地,对于上述步骤102中目标考试的各历年试卷的每道试题的试题属性的获取进一步包括以下步骤:收集历年升学考试或达标考试的试卷,并拆分各试卷,拆分成以每一道试题为单位的个体,对应生成各试卷的每道试题和每道试题的试题属性,构建历年试卷库,其中该试题属性包括该试题考核的知识点。可以理解,该目标考试各历年试卷的每道试题的试题属性可以由系统管理员人工标注完成,也可以由人工智能识别匹配的方法,由计算机自动生成。
可选地,上述所生成的每道试题的试题属性可以是如下表5所示。在表5中,“试题ID”表示某一道试题的唯一编号;“题型”表示试题类型,如词汇填空、阅读填空、改错题、阅读简答、单选题、完型选择、阅读选择等,可以在入库时人工标注完成或根据人工智能的方法由计算机识别标注完成;“能力维度要求”包含听说维度或读写维度的两大能力维度的要求;“试题分值”表示某道试题在试卷中所占的分值;“所考核的知识点”表示某道试题考核的知识点,与知识点库的知识点相对应;“难度系数”表示由该题全体考生当年考试的平均得分而定,难度由易到难分别赋值为1到10之间的整数。进一步地,上述题型与“试题类型”、“能力维度要求”的映射关系如下表6所示。
表5
试题ID | 题型 | 能力维度要求 | 分值 | 考察知识点 | 难度系数 |
12fe | 听力选择 | 听说维度 | 4分 | …… | 3 |
324f | 完型选择 | 读写维度 | 4分 | …… | 5 |
…… | …… | …… | …… | …… | …… |
表6
之后,进入步骤103,获取该各历年试卷的历史答题用户的该每道试题的得分数据。
可选地,该步骤103还可以进一步包括以下步骤A和B:
开始步骤A,收集每一位用户真实的目标考试中每道试题的得分数据并进行存储,该得分数据中记录有答题时和每道试题对应的知识点能力维度积分的数据。如下表7所示为预先存储的得分数据的一个实施例。之后进入步骤B,从步骤A中获取该目标考试的各历年试卷的历史答题用户的该每道试题的得分数据。
表7
之后,进入步骤104,根据该历史答题用户的认知知识谱、该每道试题的试题属性和得分数据、被预测用户的认知知识谱,确定该被预测用户的目标考试成绩。
可选地,如图6该,上述步骤104可以进一步包括以下子步骤601~604:
开始子步骤601,根据该历史答题用户的认知知识谱、该每道试题的试题属性和得分数据,确定该每道试题在各不同知识点认知积分分值下的预期得分值;之后进入子步骤602,根据该被预测用户的认知知识谱和该每道试题考核的知识点确定该被预测用户对于该每道试题的认知积分分值;之后进入子步骤603,根据该每道试题在各不同知识点认知积分分值下的预期得分值和该被预测用户对于该每道试题的认知积分分值,确定该被预测用户对于该每道试题的预期得分值;之后进入子步骤604,根据该被预测用户对于该每道试题的预期得分值确定其目标考试成绩。
可选地,如图7所示,上述子步骤601还可以进一步包括以下子步骤701~703:
开始子步骤701,根据该历史答题用户的认知知识谱、该每道试题的试题属性和得分数据,确定在各不同知识点认知积分分值下该每道试题的各得分分值对应的得分人数;之后进入子步骤702,根据该在各不同知识点认知积分分值下该每道试题的各得分分值对应的得分人数确定在该各不同知识点认知积分分值下该每道试题的得分概率;之后进入子步骤703,根据该在该各不同知识点认知积分分值下该每道试题的得分概率和该每道试题的分值确定在各不同知识点认知积分分值下该每道试题的预期得分值。
可选地,对于在同一知识点认知积分分值下每道试题的得分概率可以根据以下公式(1)计算得到:
得分概率=[f(难度系数,试题ID)+得分分值(1)*人数+得分分值(2)*人数+…...+得分分值(n)*人数]/((总人数+1)*试题分值) (1)
在上述公式(1)中,f(难度系数,试题ID)是初期由于用户使用数据较少而采用的校正参数,该参数的大小与试题的难度系数有关,而难度系数与考试当年官方公布的该题平均得分有关,且用户数据量越大,较正参数对得分概率的结果影响越小。
进一步,可选地,对于在同一知识点认知积分分值下每道试题的预期得分值可以根据以下公式(2)计算得到:
预期得分值=试题分值*得分概率 (2)
在上述公式(2)中,数据量越大,满足条件的用户数量越多,预测的结果不容易受到随机的主观或客观因素(如用户粗心、临场发挥失误等)干扰,预测的结果越准确。
可选地,上述子步骤604还可以进一步包括以下子步骤①和②:
开始子步骤①,将该被预测用户对于该目标考试的各历年试卷的每道试题的预期得分值进行累加,得到各历年试卷的预测成绩;之后进入子步骤②,将该被预测用户对于该目标考试的各历年试卷的预测成绩进行累加取平均值,即得到该被预测用户的该目标考试的预测成绩。
为了能够更好地理解上述实现被预测用户的目标考试预测成绩的确定过程,下面结合一个具体的示例进行说明,且该示例中罗列的细节主要是为了便于理解,不作为对本申请保护范围的限制。该示例是针对某一道翻译题的被预测用户的成绩预测,该翻译题的分值为4分,难度系数为8,对应的知识点读写能力维度积分为区间[0,100]之间的整数,可得分分值分别为0、1、2、3、4,将从用户答题数据库中筛选出此试题有答题记录所有用户的数据记录,对用户答题得分数据及答题时该知识点对应的读写维度认知积分数据进行统计分析,相同的认知积分下,各得分分值对应的人数如下表8所示。然后,查找被预测用户该知识点的认知积分分值,例如,当被预测用户的认知积分为78时,系统可以根据上述表8查得该试题的预期得分为2.364。
表8
本申请的第二实施方式涉及一种基于认知知识谱的成绩预测系统,其结构如图8所示,该成绩预测系统基于认知知识谱的成绩预测系统包括获取模块和处理模块。下面对该系统进行详细描述:
首先,该获取模块用于,获取各用户的认知知识谱,每个用户的认知知识谱包括表示该用户对于各个知识点掌握程度的认知积分,获取目标考试的各历年试卷的每道试题和每道试题的试题属性,其中试题属性包括该试题考核的知识点;以及获取该各历年试卷的历史答题用户的该每道试题的得分数据。
可选地,该系统还包括构建模块,用于构建认知知识谱,该认知知识谱包括各用户的知识点认知积分的。可选地,该系统还可以包括存储模块,用于存储所构建的认知知识谱。可选地,该每个用户的认知知识谱包括每个知识点对应的能力维度和认知积分。可以理解,该每个用户的认知知识谱还可以包括其他属性信息。如上表2为一个用户(用户1)的认知知识谱属性信息表,其中,“用户ID”表示某一特定的用户的唯一编号,如“学生学号”;“知识点编码”表示每一个知识点唯一的身份属性;能力维度包括听说维度(L)和读写维度(R)。
可选地,该构建模块还用于预先构建知识点库,以及该存储模块还用存储所构建的知识点库。进一步地,该构建模块还用于根据教育部颁布的教学大纲、各类考试考纲(小升初、中考、高考、大学英语四/六级等)构建知识点库,知识点库主要实现知识点的分类存储、属性标注的功能,涵盖近十年大中小学主干学科的所有教学大纲及考试考纲涉及的知识点,并且对各知识点进行数字化标注,使用知识点具有学习目标域的从属特性。如上表3为该知识点库属性构成的一个具体实施例,其中知识点库中的每一个知识点对应唯一编码。
可选地,该构建模块还用于预先构建题库,以及该存储模块还用存储所构建的题库。进一步地,该构建模块还用于通过人工筛选、审核以及批量导入的方式收集题库试题素材,且预先对题库中试题标注属性值。如上表4所示为各题库中试题标注的属性值一个实施例,其中所标注的属性值至少包括题型、包含的知识点编码和试题编码等,且每一道试题都对应有知识点编码。在其他实施例中,所标注的属性值还可以包括其他属性信息,例如该试题的来源信息等,例如对于试题:
Lily was so___looking at the picture that she forgot the time.
B.carefully B.careful C.busily D.busy
该试题的属性值可以标注为{阅读类,{知识点编码12afd4},{初一上学期},{中考}}。该题库主要实现了用于用户测试、试题的分类存储及试题的知识点属性标注的功能,进一步实现了对试题所从属知识点及其学习目标域的认知。
可选地,该构建模块还用于预先构建教学资源库,其中该资源库中的资源可以由专业的编辑人员或教师进行收集与制作,以及该存储模块还用存储所构建的教学资源库。进一步地,该构建模块还用预先对教学资源库中的教学课件进行属性标注。如下所示为对教学课件进行属性标注的一个实施例:{{课件内容},{资料形式},{知识点编码}}。该教学资源库主要用于为各知识点配备相应类型的课件,用于用户学习知识点,加深对认识点的理解,它包含知识点的音标、词义、用法、例句等内容,主要实现了用于用户学习的音频类、视频类、文本类教学资源的分类存储及属性标注的功能。
可选地,该构建模块还用于,对预先构建知识点库、题库和教学资源库,并对题库、教学资源库中的知识点属性进行标注,构建认知知识谱,通过认知知识谱中听说、读写两个维度的认知积分以评估每个用户(即学习者)对一个特定学习目标下的知识点掌握程度,该认知知识谱可以实现对用户的每个知识点掌握情况进行客观准确的评估。
可选地,该系统还可以包括更新模块,用于根据各用户的学习行为进行实时更新认知知识谱。在一个实施例中,该更新模块还用于判断用户当前的学习行为类型;如果用户本次学习行为类型对应为学习并作答题库中的试题,则根据试题题型和作答结果更新该用户的认知积分;如果用户当前学习行为类型对应为浏览学习教学资源库中的教学资源,则根据资源类型更新该用户的认知积分;以及根据更新后的该用户的认知积分更新认知知识谱。
可选地,该更新模块还用于,判断该题型是听说题型或者读写题型;如果是听说题型,则根据F1(n,i)=F1(t,s,c,F1(n-1,i))更新该用户的听说维度的认知积分;如果是读写题型,则根据G1(n,i)=G1(t,s,c,G1(n-1,i))更新该用户的读写维度的认知积分,其中,F1(n,i)为第n次更新后的知识点i听说维度的认知积分,F1(n-1,i)为第n-1次更新后的知识点i听说维度的认知积分,G1(n,i)为第n次更新后的知识点i听说维度的认知积分,G1(n-1,i)为第n-1次更新后的知识点i听说维度的认知积分,i为知识点编码,t为该用户在该试题上消耗的时长,s为该试题的得分,c为该试题的题型。
需要说明的是,在上述“根据试题题型和作答结果更新该用户的认知积分”过程中涉及的对试题的作答结果进行评分得到该试题的方式不做限定,该评分方式可以是由教师人工给出,也可以由人工智能的实现方式,例如,对于拼写类和写作题型的答题分数可以由手写识别技术将手写字符转化成文本后系统经自动识别、比对标准答案后给出,口语类、朗读类的答题分数可以由语音识别技术将音频数据转化成文本数据后经系统识别、对比标准答案后自动给出,等等。
可选地,该更新模块还用于,判断该资源类型是听说类型或者读写类型;如果是听说类型,则根据F2(n,i)=F2(t,k,F2(n-1,i))更新该用户听说维度的认知积分;如果是读写类型,则根据G2(n,i)=G2(t,k,G2(n-1,i))更新该用户读写维度的认知积分,其中,F2(n,i)为第n次更新后的知识点i听说维度的认知积分,F2(n-1,i)为第n-1次更新后知识点i听说维度的认知积分,G2(n,i)为第n次更新后知识点i读写维度的认知积分,G2(n-1,i)为第n-1次更新后知识点i听说维度的认知积分,i为知识点编码,t为该用户在该资源上消耗的时长,k为该用户在学习资源时是否由于存在理解障碍而使用了系统中自带的辅助工具。
在一个实施例中,该更新模块根据用户设定的学习目标将题库或教学资源库中满足该学习目标要求的试题或教学资源推荐给用户;然后用户根据所推荐试题进行答题或根据所推荐的教学资源进行学习,该更新模块记录用户学习过程中的资源/试题所包含的知识点、资源使用时长、资源/试题类型、答题得分等信息;该更新模块根据这些因素计算认知积分的变化值,从而实现认知知识谱中的认知积分的更新。
可选地,该试题属性还包括题型、能力维度、分值和难度系数,其中该能力维度包括听说维度和读写维度。
可选地,该构建模块还用于,预先构建各种目标考试的历年试卷库并对历年试卷库中的各试卷的每道试题和每道试题的试题属性进行标注。进一步地,该构建模块还用于,预先收集历年升学考试或达标考试的试卷,并拆分各试卷,拆分成以每一道试题为单位的个体,对应生成各试卷的每道试题和每道试题的试题属性,该试题属性包括该试题考核的知识点。可以理解,该目标考试各历年试卷的每道试题的试题属性可以由系统管理员人工标注完成,也可以由人工智能识别匹配的方法,由计算机自动生成。可选地,该存储模块还用于对预先构建各种目标考试的历年试卷库进行存储。
可选地,上述所生成的每道试题的试题属性可以是如上表5所示。在表5中,“试题ID”表示某一道试题的唯一编号;“题型”表示试题类型,如词汇填空、阅读填空、改错题、阅读简答、单选题、完型选择、阅读选择等,可以在入库时人工标注完成或根据人工智能的方法由计算机识别标注完成;“能力维度要求”包含听说维度或读写维度的两大能力维度的要求;“试题分值”表示某道试题在试卷中所占的分值;“所考核的知识点”表示某道试题所考核的知识点,与知识点库的知识点相对应;“难度系数”表示由该题全体考生当年考试的平均得分而定,难度由易到难分别赋值为1到10之间的整数。进一步地,上述题型与“试题类型”、“能力维度要求”的映射关系如上表6所示。
可选地,该存储模块还用户预先收集并存储每一位用户在真实的目标考试中每道试题的得分数据,该得分数据中记录有答题时和每道试题对应的知识点能力维度积分的数据。如上表7所示为所存储的得分数据的一个实施例。
其次,该系统还包括处理模块,用于根据该历史答题用户的认知知识谱、该每道试题的试题属性和得分数据、被预测用户的认知知识谱,确定该被预测用户的目标考试成绩。
可选地,该处理模块还用于,根据该历史答题用户的认知知识谱、该每道试题的试题属性和得分数据,确定该每道试题在各不同知识点认知积分分值下的预期得分值;根据该被预测用户的认知知识谱和该每道试题考核的知识点确定该被预测用户对于该每道试题的认知积分分值;根据该每道试题在各不同知识点认知积分分值下的预期得分值和该被预测用户对于该每道试题的认知积分分值,确定该被预测用户对于该每道试题的预期得分值;以及根据该被预测用户对于该每道试题的预期得分值确定其目标考试成绩。
可选地,该处理模块还用于,根据该历史答题用户的认知知识谱、该每道试题的试题属性和得分数据,确定在各不同知识点认知积分分值下该每道试题的各得分分值对应的得分人数;根据该在各不同知识点认知积分分值下该每道试题的各得分分值对应的得分人数确定在该各不同知识点认知积分分值下该每道试题的得分概率;以及根据该在该各不同知识点认知积分分值下该每道试题的得分概率和该每道试题的分值确定在各不同知识点认知积分分值下该每道试题的预期得分值。
可选地,该处理模块还用于,根据上述公式(1)计算得到对于在同一知识点认知积分分值下每道试题的得分概率。
可选地,该处理模块还用于,根据上述公式(2)计算得到对于在同一知识点认知积分分值下每道试题的预期得分值。
可选地,该处理模块还用于,将该被预测用户对于该目标考试的各历年试卷的每道试题的预期得分值进行累加,得到各历年试卷的预测成绩,以及将该被预测用户对于该目标考试的各历年试卷的预测成绩进行累加取平均值,即得到该被预测用户的该目标考试的预测成绩。
第一实施方式是与本实施方式相对应的方法实施方式,第一实施方式中的技术细节可以应用于本实施方式,本实施方式中的技术细节也可以应用于第一实施方式。
需要说明的是,本领域技术人员应当理解,上述基于认知知识谱的成绩预测系统的实施方式中所示的各模块的实现功能可参照前述基于认知知识谱的成绩预测方法的相关描述而理解。上述基于认知知识谱的成绩预测系统的实施方式中所示的各模块的功能可通过运行于处理器上的程序(可执行指令)而实现,也可通过具体的逻辑电路而实现。本申请实施例上述基于认知知识谱的成绩预测系统如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件和软件结合。
相应地,本申请实施方式还提供一种计算机可读存储介质,其中存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现本申请的各方法实施方式。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于,相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读存储介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
此外,本申请实施方式还提供一种基于认知知识谱的成绩预测系统,其中包括用于存储计算机可执行指令的存储器,以及,处理器;该处理器用于在执行该存储器中的计算机可执行指令时实现上述各方法实施方式中的步骤。其中,该处理器可以是中央处理单元(Central Processing Unit,简称“CPU”),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,简称“DSP”)、专用集成电路(Application SpecificIntegrated Circuit,简称“ASIC”)等。前述的存储器可以是只读存储器(read-onlymemory,简称“ROM”)、随机存取存储器(random access memory,简称“RAM”)、快闪存储器(Flash)、硬盘或者固态硬盘等。本发明各实施方式所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
需要说明的是,在本专利的申请文件中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本专利的申请文件中,如果提到根据某要素执行某行为,则是指至少根据该要素执行该行为的意思,其中包括了两种情况:仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。
在本申请提及的所有文献都被认为是整体性地包括在本申请的公开内容中,以便在必要时可以作为修改的依据。此外应理解,以上所述仅为本说明书的较佳实施例而已,并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例的保护范围之内。
Claims (10)
1.一种基于认知知识谱的成绩预测方法,其特征在于,包括:
获取各用户的认知知识谱,每个用户的认知知识谱包括表示该用户对于各个知识点掌握程度的认知积分;
获取目标考试的各历年试卷的每道试题和每道试题的试题属性,其中试题属性包括该试题考核的知识点;
获取所述各历年试卷的历史答题用户的所述每道试题的得分数据;
根据所述历史答题用户的认知知识谱、所述每道试题的试题属性和得分数据、被预测用户的认知知识谱,确定该被预测用户的目标考试成绩。
2.如权利要求1所述的基于认知知识谱的成绩预测方法,其特征在于,所述试题属性还包括题型、能力维度、分值和难度系数,其中所述能力维度包括听说维度和读写维度;
所述每个用户的认知知识谱包括每个知识点对应的能力维度和认知积分。
3.如权利要求1或2所述的基于认知知识谱的成绩预测方法,其特征在于,所述根据所述历史答题用户的认知知识谱、所述每道试题的试题属性和得分数据、被预测用户的认知知识谱,确定该被预测用户的目标考试成绩,进一步包括:
根据所述历史答题用户的认知知识谱、所述每道试题的试题属性和得分数据,确定所述每道试题在各不同知识点认知积分分值下的预期得分值;
根据所述被预测用户的认知知识谱和所述每道试题考核的知识点确定所述被预测用户对于所述每道试题的认知积分分值;
根据所述每道试题在各不同知识点认知积分分值下的预期得分值和所述被预测用户对于所述每道试题的认知积分分值,确定所述被预测用户对于所述每道试题的预期得分值;
根据所述被预测用户对于所述每道试题的预期得分值确定其目标考试成绩。
4.如权利要求3所述的基于认知知识谱的成绩预测方法,其特征在于,所述根据所述历史答题用户的认知知识谱、所述每道试题的试题属性和得分数据,确定所述每道试题在各不同知识点认知积分分值下的预期得分值,进一步包括:
根据所述历史答题用户的认知知识谱、所述每道试题的试题属性和得分数据,确定在各不同知识点认知积分分值下所述每道试题的各得分分值对应的得分人数;
根据所述在各不同知识点认知积分分值下所述每道试题的各得分分值对应的得分人数确定在所述各不同知识点认知积分分值下所述每道试题的得分概率;
根据所述在所述各不同知识点认知积分分值下所述每道试题的得分概率和所述每道试题的分值确定在各不同知识点认知积分分值下所述每道试题的预期得分值。
5.如权利要求1所述的基于认知知识谱的成绩预测方法,其特征在于,所述认知知识谱根据所述各用户的学习行为进行更新,其中对于任一位用户的学习行为通过以下方式更新所述认知知识谱:
判断该用户的学习行为类型是测试/训练类或者浏览学习类;
如果是测试/训练类学习行为,则根据用户作答的试题题型和作答结果更新该用户的认知积分;
如果是浏览学习类学习行为,则根据用户浏览学习的资源类型更新该用户的认知积分;
根据更新后的该用户的认知积分更新认知知识谱。
6.如权利要求5所述的基于认知知识谱的成绩预测方法,其特征在于,所述根据试题题型和作答结果更新该用户的认知积分,进一步包括:
判断所述题型是听说题型或者读写题型;
如果是听说题型,则根据F1(n,i)=F1(t,s,c,F1(n-1,i))更新该用户的听说维度的认知积分;
如果是读写题型,则根据G1(n,i)=G1(t,s,c,G1(n-1,i))更新该用户的读写维度的认知积分;
其中,F1(n,i)为第n次更新后的知识点i听说维度的认知积分,F1(n-1,i)为第n-1次更新后的知识点i听说维度的认知积分,G1(n,i)为第n次更新后的知识点i听说维度的认知积分,G1(n-1,i)为第n-1次更新后的知识点i听说维度的认知积分,i为知识点编码,t为该用户在该试题上消耗的时长,s为该试题的得分,c为该试题的题型。
7.如权利要求5所述的基于认知知识谱的成绩预测方法,其特征在于,所述根据资源类型更新该用户认知积分进一步包括:
判断所述资源类型是听说类型或者读写类型;
如果是听说类型,则根据F2(n,i)=F2(t,k,F2(n-1,i))更新该用户听说维度的认知积分;
如果是读写类型,则根据G2(n,i)=G2(t,k,G2(n-1,i))更新该用户读写维度的认知积分;
其中,F2(n,i)为第n次更新后的知识点i听说维度的认知积分,F2(n-1,i)为第n-1次更新后知识点i听说维度的认知积分,G2(n,i)为第n次更新后知识点i读写维度的认知积分,G2(n-1,i)为第n-1次更新后知识点i听说维度的认知积分,i为知识点编码,t为该用户在该资源上消耗的时长,k为该用户在学习资源时是否由于存在理解障碍而使用了系统中自带的辅助工具。
8.一种基于认知知识谱的成绩预测系统,其特征在于,包括:
获取模块,用于获取各用户的认知知识谱,每个用户的认知知识谱包括表示该用户对于各个知识点掌握程度的认知积分,获取目标考试的各历年试卷的每道试题和每道试题的试题属性,其中试题属性包括该试题考核的知识点,以及获取所述各历年试卷的历史答题用户的所述每道试题的得分数据;
处理模块,用于根据所述历史答题用户的认知知识谱、所述每道试题的试题属性和得分数据、被预测用户的认知知识谱,确定该被预测用户的目标考试成绩。
9.一种基于认知知识谱的成绩预测系统,其特征在于,包括:
存储器,用于存储计算机可执行指令;以及,
处理器,用于在执行所述计算机可执行指令时实现如权利要求1至7中任意一项所述的方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现如权利要求1至7中任意一项所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740569.4A CN110443427B (zh) | 2019-08-12 | 2019-08-12 | 基于认知知识谱的成绩预测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740569.4A CN110443427B (zh) | 2019-08-12 | 2019-08-12 | 基于认知知识谱的成绩预测方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110443427A true CN110443427A (zh) | 2019-11-12 |
CN110443427B CN110443427B (zh) | 2023-11-07 |
Family
ID=68434668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910740569.4A Active CN110443427B (zh) | 2019-08-12 | 2019-08-12 | 基于认知知识谱的成绩预测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443427B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751867A (zh) * | 2019-11-27 | 2020-02-04 | 上海乂学教育科技有限公司 | 英文教学系统 |
CN110991830A (zh) * | 2019-11-19 | 2020-04-10 | 浙江创课网络科技有限公司 | 一种试卷分析报告系统及方法 |
CN111179675A (zh) * | 2019-12-30 | 2020-05-19 | 安徽知学科技有限公司 | 个性化练习题推荐方法、系统、计算机设备以及存储介质 |
CN111222684A (zh) * | 2019-11-19 | 2020-06-02 | 浙江创课网络科技有限公司 | 一种基于大数据环境下的成绩预测系统 |
CN111310463A (zh) * | 2020-02-10 | 2020-06-19 | 清华大学 | 试题难度预估方法、装置、电子设备和存储介质 |
CN111709551A (zh) * | 2020-05-11 | 2020-09-25 | 广州大学 | 基于相似度的学生测试数据处理方法、系统、装置及介质 |
CN111813920A (zh) * | 2020-07-06 | 2020-10-23 | 龙马智芯(珠海横琴)科技有限公司 | 一种学习策略生成方法、装置、生成设备及可读存储介质 |
CN113112113A (zh) * | 2021-02-24 | 2021-07-13 | 华南师范大学 | 一种学习策略生成方法、系统、装置及存储介质 |
CN116542824A (zh) * | 2023-04-27 | 2023-08-04 | 电子科技大学 | 基于思政课学习数据的大学生思想行为预测模型构建方法 |
CN117556381A (zh) * | 2024-01-04 | 2024-02-13 | 华中师范大学 | 一种面向跨学科主观试题的知识水平深度挖掘方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001282811A (ja) * | 2000-03-29 | 2001-10-12 | Computer Consultant Kk | 知識データ検索装置、知識データ検索方法及び知識データを検索するプログラムを記録したコンピュータ読み取り可能な記録媒体 |
WO2017025046A1 (zh) * | 2015-08-13 | 2017-02-16 | 马正方 | 一种基于知识点结构的题库系统 |
CN107038497A (zh) * | 2017-03-31 | 2017-08-11 | 珠海知未科技有限公司 | 一种学生成绩预测系统及方法 |
CN107274020A (zh) * | 2017-06-15 | 2017-10-20 | 北京师范大学 | 一种基于协同过滤思想的学习者学科总测成绩预测系统及方法 |
CN108053098A (zh) * | 2017-11-24 | 2018-05-18 | 河南大学 | 一种基于大数据的学习成绩分析方法 |
WO2018094925A1 (zh) * | 2016-11-22 | 2018-05-31 | 深圳市鹰硕技术有限公司 | 一种填空题试题的生成和判卷的方法及系统 |
CN108171358A (zh) * | 2017-11-27 | 2018-06-15 | 科大讯飞股份有限公司 | 成绩预测方法及装置、存储介质、电子设备 |
CN109783601A (zh) * | 2018-11-23 | 2019-05-21 | 浙江蓝鸽科技有限公司 | 基于测试知识点的计算机智能组卷方法及其系统 |
-
2019
- 2019-08-12 CN CN201910740569.4A patent/CN110443427B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001282811A (ja) * | 2000-03-29 | 2001-10-12 | Computer Consultant Kk | 知識データ検索装置、知識データ検索方法及び知識データを検索するプログラムを記録したコンピュータ読み取り可能な記録媒体 |
WO2017025046A1 (zh) * | 2015-08-13 | 2017-02-16 | 马正方 | 一种基于知识点结构的题库系统 |
WO2018094925A1 (zh) * | 2016-11-22 | 2018-05-31 | 深圳市鹰硕技术有限公司 | 一种填空题试题的生成和判卷的方法及系统 |
CN107038497A (zh) * | 2017-03-31 | 2017-08-11 | 珠海知未科技有限公司 | 一种学生成绩预测系统及方法 |
CN107274020A (zh) * | 2017-06-15 | 2017-10-20 | 北京师范大学 | 一种基于协同过滤思想的学习者学科总测成绩预测系统及方法 |
CN108053098A (zh) * | 2017-11-24 | 2018-05-18 | 河南大学 | 一种基于大数据的学习成绩分析方法 |
CN108171358A (zh) * | 2017-11-27 | 2018-06-15 | 科大讯飞股份有限公司 | 成绩预测方法及装置、存储介质、电子设备 |
CN109783601A (zh) * | 2018-11-23 | 2019-05-21 | 浙江蓝鸽科技有限公司 | 基于测试知识点的计算机智能组卷方法及其系统 |
Non-Patent Citations (2)
Title |
---|
HANG CHANG ETAL.: "Invariant Delineation of Nuclear Architecture in Glioblastoma Multiforme for Clinical and Molecular Association", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
刘祥鹏: "基于学生过去的学习成绩预测并改善未来学习成绩的大数据服务", 《科技展望》, vol. 25, no. 27 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991830B (zh) * | 2019-11-19 | 2023-07-07 | 河北仓澜教育科技集团有限公司 | 一种试卷分析报告系统及方法 |
CN110991830A (zh) * | 2019-11-19 | 2020-04-10 | 浙江创课网络科技有限公司 | 一种试卷分析报告系统及方法 |
CN111222684B (zh) * | 2019-11-19 | 2023-10-20 | 上海零寅信息科技有限公司 | 一种基于大数据环境下的成绩预测系统 |
CN111222684A (zh) * | 2019-11-19 | 2020-06-02 | 浙江创课网络科技有限公司 | 一种基于大数据环境下的成绩预测系统 |
CN110751867B (zh) * | 2019-11-27 | 2021-06-01 | 上海松鼠课堂人工智能科技有限公司 | 英文教学系统 |
CN110751867A (zh) * | 2019-11-27 | 2020-02-04 | 上海乂学教育科技有限公司 | 英文教学系统 |
CN111179675B (zh) * | 2019-12-30 | 2022-09-06 | 安徽知学科技有限公司 | 个性化练习题推荐方法、系统、计算机设备以及存储介质 |
CN111179675A (zh) * | 2019-12-30 | 2020-05-19 | 安徽知学科技有限公司 | 个性化练习题推荐方法、系统、计算机设备以及存储介质 |
CN111310463A (zh) * | 2020-02-10 | 2020-06-19 | 清华大学 | 试题难度预估方法、装置、电子设备和存储介质 |
CN111709551A (zh) * | 2020-05-11 | 2020-09-25 | 广州大学 | 基于相似度的学生测试数据处理方法、系统、装置及介质 |
CN111709551B (zh) * | 2020-05-11 | 2023-04-25 | 广州大学 | 基于相似度的学生测试数据处理方法、系统、装置及介质 |
CN111813920A (zh) * | 2020-07-06 | 2020-10-23 | 龙马智芯(珠海横琴)科技有限公司 | 一种学习策略生成方法、装置、生成设备及可读存储介质 |
CN111813920B (zh) * | 2020-07-06 | 2021-04-13 | 龙马智芯(珠海横琴)科技有限公司 | 一种学习策略生成方法、装置、生成设备及可读存储介质 |
CN113112113A (zh) * | 2021-02-24 | 2021-07-13 | 华南师范大学 | 一种学习策略生成方法、系统、装置及存储介质 |
CN116542824A (zh) * | 2023-04-27 | 2023-08-04 | 电子科技大学 | 基于思政课学习数据的大学生思想行为预测模型构建方法 |
CN117556381A (zh) * | 2024-01-04 | 2024-02-13 | 华中师范大学 | 一种面向跨学科主观试题的知识水平深度挖掘方法及系统 |
CN117556381B (zh) * | 2024-01-04 | 2024-04-02 | 华中师范大学 | 一种面向跨学科主观试题的知识水平深度挖掘方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110443427B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443427A (zh) | 基于认知知识谱的成绩预测方法及其系统 | |
CN107230174B (zh) | 一种基于网络的在线互动学习系统和方法 | |
KR100919912B1 (ko) | 의미론적 지식의 평가, 교육, 및 습득을 위한 시스템 및방법 | |
CN108763588A (zh) | 一种知识点量化分析方法及装置 | |
CN110659352B (zh) | 试题考点识别方法及其系统 | |
CN111597305B (zh) | 实体标记方法、装置、计算机设备和存储介质 | |
CN117480543A (zh) | 自动生成基于段落的项目以用于测试或评估的系统和方法 | |
CN110543995A (zh) | 一种基于模糊算法的学生认知水平的测试评定系统 | |
CN112184503A (zh) | 用于学前教育质量评价的儿童多项能力评分方法及系统 | |
Chen et al. | Examining human and automated ratings of elementary students’ writing quality: A multivariate generalizability theory application | |
JP6416425B1 (ja) | 問題分析システム、方法、およびプログラム | |
Dempster et al. | Inter-rater agreement in assigning cognitive demand to Life Sciences examination questions | |
KR101199029B1 (ko) | 언어 영역의 학습 정도를 진단하기 위한 시스템 및 방법 | |
CN113919983A (zh) | 试题画像方法、装置、电子设备和存储介质 | |
Rhodd et al. | Does the performance on principles of economics courses affect the overall academic success of undergraduate business majors? | |
Harrison et al. | Linear regression and hierarchical linear models | |
Zehler et al. | Descriptive Analyses of English Language Learner Student Enrollment Data in Kentucky, Tennessee, Virginia, and West Virginia. REL Technical Brief. REL 2012-No. 024. | |
Sukajaya et al. | Classification of Students' Mathematics Learning Achievement on Bloom's Taxonomy-Based Serious Game Using Ordinal Logistic Regression | |
LeRoux et al. | Using Curriculum-Based Measurement to Predict Student Performance on an Eighth-Grade State Reading Assessment | |
Vonkova et al. | Questionnaire Item Response Times and Claiming Impossible Knowledge: An Analysis Using the Overclaiming Technique | |
Juanjuan et al. | A review of teachers’ assessment literacy proficiency measures | |
JP2005331615A (ja) | 文章評価装置および文章評価方法 | |
Pedrero | Measurement of factor invariance in large-scale tests | |
Immekus | The factor structure and invariance of an observational checklist to measure children’s emergent literacy skill development across male and female samples | |
CN105354329A (zh) | 一种语言信息管理系统和方法 |
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 |