CN110489454A - 一种自适应测评方法、装置、存储介质及电子设备 - Google Patents
一种自适应测评方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN110489454A CN110489454A CN201910686867.XA CN201910686867A CN110489454A CN 110489454 A CN110489454 A CN 110489454A CN 201910686867 A CN201910686867 A CN 201910686867A CN 110489454 A CN110489454 A CN 110489454A
- Authority
- CN
- China
- Prior art keywords
- difficulty
- student
- accuracy
- examination question
- grade
- 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 43
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 24
- 230000015654 memory Effects 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 abstract description 21
- 230000033764 rhythmic process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 241000208340 Araliaceae Species 0.000 description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 235000008434 ginseng Nutrition 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001052 transient effect Effects 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
- G06F16/2457—Query processing with adaptation to user needs
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B5/00—Electrically-operated educational appliances
- G09B5/08—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations
- G09B5/14—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations with provision for individual teacher-student communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Educational Technology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种自适应测评方法、装置、存储介质及电子设备，其中，方法包括：基于学生所对应的教学等级向学生推送题库中的至少一个第一难度试题，获取学生针对至少一个第一难度试题的第一答案信息；提取第一答案信息的第一特征信息，基于第一特征信息，计算第一答案信息的第一正确率；基于第一正确率，向学生推送至少一个目标难度试题；获取学生针对至少一个目标难度试题的第二答案信息；提取第二答案信息的第二特征信息，基于第二特征信息，计算第二答案信息的第二正确率；基于第二正确率，确定学生的测评结果。因此，采用本申请实施例，可以根据学生的实际情况推送合适的测试题目，可以精准为各个学生进行个性化测试。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种自适应测评方法、装置、存储介质及电子设备。
背景技术
随着社会的发展，越来越多的人会选择学习各种各样的知识来不断扩充自己。其中，由于传统的学生与教师面对面授课均需要双方在路上耗费大量的时间及精力。因此，随着通信时代的发展，网络授课已被广大的用户所接受。
所谓网络在线授课，是指学生端和教师端可以通过各自的终端，利用互联网实现远程视频授课。当然，为了满足个性化的教学需求，可通过测评学生的考试成绩进行个性化定制。目前的测评方式为，通过在题库中选择固定题目推送给学生，并根据学生作答正确率进行测评。由于这种测评方式采用固定题目，无法基于学生的实际情况推送更为合适的测试题目，从而导致无法精准为各个学生进行个性化测试。
发明内容
本申请实施例提供了一种自适应测评方法、装置、存储介质及电子设备，可以根据学生的实际情况推送合适的测试题目，可以精准为各个学生进行个性化测试。所述技术方案如下：
第一方面，本申请实施例提供了一种自适应测评方法，所述方法包括：
基于学生所对应的教学等级向所述学生推送题库中的至少一个第一难度试题，获取所述学生针对所述至少一个第一难度试题的第一答案信息；
提取所述第一答案信息的第一特征信息，基于所述第一特征信息，计算所述第一答案信息的第一正确率；
基于所述第一正确率，向所述学生推送至少一个目标难度试题；
获取所述学生针对所述至少一个目标难度试题的第二答案信息；
提取所述第二答案信息的第二特征信息，基于所述第二特征信息，计算所述第二答案信息的第二正确率；
基于所述第二正确率，确定所述学生的测评结果。
第二方面，本申请实施例提供了一种自适应测评装置，所述装置包括：
第一答案获取模块，用于基于学生所对应的教学等级向所述学生推送题库中的至少一个第一难度试题，获取所述学生针对所述至少一个第一难度试题的第一答案信息；
第一正确率计算模块，用于提取所述第一答案信息的第一特征信息，基于所述第一特征信息，计算所述第一答案信息的第一正确率；
目标试题推送模块，用于基于所述第一正确率，向所述学生推送至少一个目标难度试题；
第二答案获取模块，用于获取所述学生针对所述至少一个目标难度试题的第二答案信息；
第二正确率计算模块，用于提取所述第二答案信息的第二特征信息，基于所述第二特征信息，计算所述第二答案信息的第二正确率；
测评结果确定模块，用于基于所述第二正确率，确定所述学生的测评结果。
第三方面，本申请实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。
第四方面，本申请实施例提供一种电子设备，可包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
本申请一些实施例提供的技术方案带来的有益效果至少包括：
在本申请一个或多个实施例中，通过基于学生的教学等级向所述学生推送题库中的至少一个第一难度试题，并根据该第一难度试题的第一正确率向该学生推送至少一个目标难度试题，通过该目标难度试题的第二答案信息确定测评结果。通过基于学生的教学等级推送适应难度的试题，并根据作答正确率动态选择后续难度(高一级或者相同级或者低一级)的试题，根据学生的实际情况推送合适的测试题目，可以精准为各个学生进行个性化测试，进而可以满足个性化的教学需求。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种自适应测评方法的流程示意图；
图2是本申请实施例提供的一种成绩测评方法的流程示意图；
图3是本申请实施例提供的一种题库的举例示意图；
图4是本申请实施例提供的一种考题推送页面的举例示意图；
图5是本申请实施例提供的一种成绩测评装置的结构示意图；
图6是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
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实施例方式作进一步地详细描述。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
下面结合具体的实施例对本申请进行说明。
下面将结合附图1-附图4，对本申请实施例提供的自适应测评方法进行详细介绍。其中，本申请实施例中的自适应测评装置可以是用户终端，所述用户终端包括但不限于：个人电脑、平板电脑、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备等。在不同的网络中用户终端可以叫做不同的名称，例如：用户设备、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置、蜂窝电话、无绳电话、个人数字处理(personal digitalassistant，PDA)、5G网络或未来演进网络中的终端设备等。
请参见图1，为本申请实施例提供的一种自适应测评方法的流程示意图。如图1所示，本申请实施例的所述自适应测评方法可以包括以下步骤：
S101，基于学生所对应的教学等级向所述学生推送题库中的至少一个第一难度试题，获取所述学生针对所述至少一个第一难度试题的第一答案信息；
题库中包括有不同难度等级的试题，每个难度等级的试题可以包括多个。并且，每个难度等级与学生的教学等级一一对应。
如表1所示，题库中包括有A、B、C、D、E这5个难度等级，分别对应的试题为S1、S2、S3、S4、S5。且S1、S2、S3、S4、S5分别包括多个试题。同时，学生的教学等级包括1、2、3、4、5这5个等级，分别与题库中A、B、C、D、E一一对应。
表1
教学等级可基于学生的年龄以及上课时长等因素确定。不同的年龄范围以及不同的上课时长对应不同的教学等级。
例如，如表2所示，通过用户的年龄范围以及上课时长可唯一确定用户的教学等级。其中，1-5，数值越大，教学等级越高。若某一学生的年龄为25岁，上课时长为20个月，则其对应的教学等级为3级。
表2
具体实现中，根据学生的年龄以及上课时长等因素确定该学生的教学等级，然后查找该教学等级对应的试题的难度等级，在确定了难度等级后，在该难度等级对应的题目下随机随着预设个数的试题(第一难度试题)推送给该学生，学生针对这几个第一难度试题作答，在作答完成后，获取相应的答案信息(第一答案信息)。
例如，某学生X的教学等级为3级，则对应的难度等级为C，因此，在S3中选择至少一个(如3个)试题推送给X，并获取X针对这3个试题的答案信息。
S102，提取所述第一答案信息的第一特征信息，基于所述第一特征信息，计算所述第一答案信息的第一正确率；
第一特征信息与第一答案信息的内容有关，例如，第一答案信息可以为语音信息、可以为文本信息、可以为图片信息等。
以试题为口语测试为例，第一答案信息为语音信息，那么第一特征信息可以包括节奏特征、重音特征、韵律特征、清晰度等。
其中，节奏特征是指用户发音时在词与词或者音节与音节之间的停顿位置以及停顿时长。
重音是指因场景改变而引起的发音音调加重，是指在一整句话中应当重读哪个单词，或者在一个单词中应当重读哪个音节。
韵律特征是指对发音抑扬顿挫的表示，可以包括每个词的韵律、每个句子的韵律、每个段落的韵律等。
清晰度是指每个字或者词的发音要字正腔圆，不存在发不出或者发不清尾音。
又例如，以试题为默写诗词为例，第一答案信息为文本信息，那么第一特征信息可以包括组成字母、单词顺序等。
其中，组成字母即为一个单词由哪些字母组成，这些字母的先后顺序关系。
单词顺序为表达一句话(一个意思)组成的各个单词的先后顺序。
具体实现中，提取第一答案信息的第一特征信息，并将第一特征信息与正确答案信息的特征信息逐一进行比对，从而得到该学生针对第一难度试题的第一正确率。
另一种具体实现中，提取第一答案信息的第一特征信息，并将第一特征信息与正确答案信息的特征信息进行向量运算，例如余弦相似度、距离相似度计算等，从而得到该学生针对第一难度试题的第一正确率。
S103，基于所述第一正确率，向所述学生推送至少一个目标难度试题；
所述高低顺序可以理解为，高一难度考题的难度等级大于目标难度考题的难度等级。若目标难度考题对应的考题难度为C，则高一难度考题的难度等级为D或者E。
当所述第一正确率小于第一阈值时，表明这几个考题对该学生有一定难度，则根据考题难度等级的高低顺序将所述题库中低一级难度等级的至少一个试题作为所述目标难度试题，并推送给所述学生。
当所述第一正确率大于等于所述第一阈值且小于第二阈值时，表明这几个考题对该学生的难度适中，为了更进一步确定是因为运气或者误会或者个人能力的原因，则将所述题库中与所述第一难度试题的难度等级相同的其他至少一个试题作为所述目标难度试题，并推送给所述学生。其中，第一阈值小于第二阈值。
当所述第一正确率大于或者等于所述第二阈值时，表明这几个考题对该学生相对容易，则根据所述题库中考题难度等级的高低顺序将所述题库中高一级难度等级的至少一个试题作为所述目标难度试题，并推送给所述学生。
其中，高一难度试题或低一难度试题可以包括至少一个，可根据学生针对第一难度试题的正确率确定高一试题或低一难度试题的推送个数，也可推送固定个数的高一试题或低一难度试题。
例如，若第一正确率阈值为80％，当学生针对目标难度考题的正确率在80％-85％之间时，推送下一难度考题个数为3个，当学生针对目标难度考题的正确率在85％-90％之间时，推送下一难度考题个数为4个，当学生针对目标难度考题的正确率在90％-100％之间时，推送下一难度考题个数为5个。
表3
| 正确率 | 推送个数 |
| 80％-85％ | 3 |
| 85％-90％ | 4 |
| 90％-100％ | 5 |
又例如，只要学生针对目标难度考题的正确率大于或者等于预设正确率阈值，则推送3个下一难度考题。
S104，获取所述学生针对所述至少一个目标难度试题的第二答案信息。
可通过语音采集设备或者触屏设备等采集用户针对目标难度试写的第二答案信息。
需要说明的是，第二答案信息与第一答案信息可以为相同类型的答案信息。例如，第一答案信息为语音答案，那么第二答案信息也为语音答案，是针对同一类型考试的测试。
S105，提取所述第二答案信息的第二特征信息，基于所述第二特征信息，计算所述第二答案信息的第二正确率；
第二正确率的计算方式可以与第一正确率的计算方式相同，具体可参见S102，此处不再赘述。
此外，也可以基于训练好的神经网络模型计算所述第一正确率和/或第二正确率，具体可由神经网络模型进行特征的提取、运算，得到最终的计算结果。
S106，基于所述第二正确率，确定所述学生的测评结果。
所述第二正确率阈值可以为70％、75％、80％、85％或90％等。
可选的，对于学生测评结果的统计，可基于预先训练的神经网络模型计算，如卷积神经网络(Convolutional neural networks,CNN，or Deep convolutional neuralnetworks,DCNN)、反卷积神经网络(Deconvolutional networks，DN)，也叫做逆向图网络(inverse graphics networks，IGN)、循环神经网络(Recurrent neural networks，RNN)、长短时记忆网络(Long/short term memory，LSTM)等。即将该第二正确率以及难度等级别、教学等级等信息作为模型的输入，即可得到对应的测评结果。所述测评结果可以为测评分数，测评级别等。
在本申请一个或多个实施例中，通过基于学生的教学等级向所述学生推送题库中的至少一个第一难度试题，并根据该第一难度试题的第一正确率向该学生推送至少一个目标难度试题，通过该目标难度试题的第二答案信息确定测评结果。通过基于学生的教学等级推送适应难度的试题，并根据作答正确率动态选择后续难度(高一级或者相同级或者低一级)的试题，根据学生的实际情况推送合适的测试题目，可以精准为各个学生进行个性化测试，进而可以满足个性化的教学需求。
请参见图2，为本申请实施例提供的一种自适应测评方法的流程示意图。本实施例以自适应测评方法应用于用户终端中来举例说明。该自适应测评方法可以包括以下步骤：
S201，获取学生的教学等级，基于所述教学等级与题库中试题难度等级的对应关系，确定所述教学等级对应的试题难度等级；
教学等级可基于学生的年龄以及上课时长等因素确定。不同的年龄范围以及不同的上课时长对应不同的上课等级。教学等级可分为1、2、3、4、5等多个等级，数值越大，对应的等级越高。
若当前需要为某个学生进行成绩测评时，可基于该学生的年龄以及上课时长等信息查找该学生当前所属的教学等级。
题库中包括有不同难度等级的试题，每个难度等级的试题可以包括多个。并且，每个难度等级与学生的教学等级一一对应，当确定了学生的教学等级后，即可确定所对应的第一难度等级。
S202，在题库中获取所述试题难度等级对应的至少一个第一难度考题，将所述至少一个第一难度考题推送至所述学生；
例如，如图3所示为题库示意图，其中包括有S1、S2、S3、S4和S5等多个子题库，每个子题库对应的难度等级分别为A、B、C、D、E，且A<B<C<D<E。
在每个子题库中分别包括有多个试题。若确定的试题难度等级为C，则在S3中随机获取至少一个试题并推送给该学生。
其中，在子题库中获取试题的方式可以为随机选择固定个数的考题，也可以为基于子题库中试题数量按照预设百分比随机选择。
例如，若S1中有100题，预设百分比为5％，则在S1中随机选择5个考题进行推送。
其中，所述推送方式可以为，系统按照预设规则随机选择试题后，在用户终端的显示界面进行展示。而展示方式可以为在同一页面展示多题，也可以为在当前显示页面只展示一题，并在用户作答完该题后跳转显示下一题。
例如，如图4所示为一种试题推送显示效果示意图，其中显示有当前难度等级试题数量“当前考题包括5题”、考题内容以及跳转到下一题的按钮控件。
S203，获取所述学生针对所述至少一个第一难度试题的第一答案信息；
在学生作答完上述推送的试题并确认(如点击显示界面的“确认”按钮)后，用户终端读取该学生的第一答案信息。
例如，用户终端所获取的学生针对该5题的答案信息分别为A、A、B、B、C。
可选的，若考题需要学生进行语音测评(如读取每个单词或者句子，以确定是否发音准确)，则通过语音采集装置采用该学生的发音信息，将该发音信息作为第一答案信息。
S204，提取所述第一答案信息的第一特征信息，基于所述第一特征信息与第一参考特征信息的相关性，计算所述第一正确率，其中，所述第一参考信息为第一难度试题的参考答案的特征信息；
第一特征信息与第一答案信息的内容有关，例如，第一答案信息可以为语音信息、可以为文本信息、可以为图片信息等。
以试题为口语测试为例，第一答案信息为语音信息，那么第一特征信息可以包括节奏特征、重音特征、韵律特征、清晰度等。
其中，节奏特征是指用户发音时在词与词或者音节与音节之间的停顿位置以及停顿时长。
重音是指因场景改变而引起的发音音调加重，是指在一整句话中应当重读哪个单词，或者在一个单词中应当重读哪个音节。
韵律特征是指对发音抑扬顿挫的表示，可以包括每个词的韵律、每个句子的韵律、每个段落的韵律等。
清晰度是指每个字或者词的发音要字正腔圆，不存在发不出或者发不清尾音。
具体实现中，所述相关性指相似度或距离。一种可行的实现方式为，提取第一答案信息的第一特征信息，并将第一特征信息与正确答案信息的第一参考特征信息逐一进行比对，得到两者的相似度，并将该相似度作为描述第一难度试题的第一正确率。相似度越高，第一正确率也越高。另一种可行的实现方式为，计算两者之间的相关性来计算两者之间的距离，并根据距离得到第一正确率，例如，将计算得到的距离的倒数作为第一正确率，计算的距离越大，第一正确率越低，或者通过进行特征向量的余弦相似度计算第一正确率，等等。
其中，需要将第一答案信息与第一参考特征信息进行对齐后逐一比对。节奏可通过停顿时长表示，若停顿0.4秒，则该词的节奏为0.4。若1表示重音，0表示非重音，则该句子在用户语音中对应的语音段的重音特征可以表示为向量(1,0,0,0)。对于韵律以及清晰度，也可通过向量编码表示。然后将每个词按照预定顺序将各特征信息以行向量或者列向量的形式表示，从而得到每个句子对应的矩阵，然后将每个对应的矩阵对齐比对即可。
需要说明的是，可以逐句计算两者之间的相关性，再逐句获得第一正确率，最后按照权重得到最终的第一正确率。
S205，当所述第一正确率小于第一阈值时，根据所述题库中考题难度等级的高低顺序将所述题库中低一级难度等级的至少一个试题作为所述目标难度试题，并推送给所述学生；
第一正确率阈值为针对目标难度等级预先设定的正确率，可以为根据经验统计得到的合理值。也可以为针对各种难度等级考题设定的同一正确率，也就是说，针对A、B、C、D、E等不同难度等级的考题，正确率阈值均相同。
当所述第一正确率小于第一阈值时，表明这几个考题对该学生有一定难度，则根据考题难度等级的高低顺序将所述题库中低一级难度等级的至少一个试题作为所述目标难度试题，并推送给所述学生。
例如，该学生的教学等级为3，第一难度试题的难度等级为C，则此时应该查找B等级的试题推送给该学生，也就是在S2题库查找试题进行推送。可选的，若该学生第一难度试题的难度等级为A，则此时结束推送。
S206，当所述第一正确率大于等于所述第一阈值且小于第二阈值时，将所述题库中与所述第一难度试题的难度等级相同的其他至少一个试题作为所述目标难度试题，并推送给所述学生；
当所述第一正确率大于等于所述第一阈值且小于第二阈值时，表明这几个考题对该学生的难度适中，为了更进一步确定是因为运气或者误会或者个人能力的原因，则将所述题库中与所述第一难度试题的难度等级相同的其他至少一个试题作为所述目标难度试题，并推送给所述学生。其中，第一阈值小于第二阈值。
例如，该学生的教学等级为3，第一难度试题的难度等级为C，则此时应该查找C等级的试题推送给该学生，也就是继续在S3题库中查找试题进行推送。
S207，当所述第一正确率大于或者等于所述第二阈值时，根据所述题库中考题难度等级的高低顺序将所述题库中高一级难度等级的至少一个试题作为所述目标难度试题，并推送给所述学生；
当所述第一正确率大于或者等于所述第二阈值时，表明这几个考题对该学生相对容易，则根据所述题库中考题难度等级的高低顺序将所述题库中高一级难度等级的至少一个试题作为所述目标难度试题，并推送给所述学生。
例如，该学生的教学等级为3，第一难度试题的难度等级为C，则此时应该查找D等级的试题推送给该学生，也就是在S4题库中查找试题进行推送。
S208，获取所述学生针对所述至少一个目标难度试题的第二答案信息；
第二答案信息的获取方式与第一答案信息的获取方式可以相同，具体可参见S203，此处不再赘述。
S209，提取所述第二答案信息的第二特征信息，基于所述第二特征信息与第二参考特征信息的相关性，计算所述第二正确率，其中，所述第二参考信息为目标难度试题的参考答案的特征信息；
第二正确率的计算方式与第一正确率的计算方式可以相同，具体可参见S204，此处不再赘述。
S210，基于所述第二正确率，确定所述学生的测评结果。
一种可行的测评方式为，获取所述答案信息对应的答案正确率，确定所述答案正确率对应的发音等级，将所述发音等级作为所述学生的考试结果。
例如，该学生针对C等级的正确率为85％(大于第一正确率阈值)，针对D等级的正确率为70％(小于第二正确率阈值)，采用预设算法计算总正确率(若为80％)，然后根据正确率与考试成绩的对应关系(如表4)，则可确定该学生的最终测评成绩。
表4
| 正确率 | 考试成绩 |
| 大于或者等于95％ | A+ |
| 大于或者等于90，且小于95％ | A |
| 大于或者等于85％，且小于90％ | A- |
| 大于或者等于80％，且小于85％ | B+ |
| 大于或者等于70％，且小于80％ | B |
| 小于70％ | B- |
另一种测评方式可以为将第二正确率作为预先训练的测评模型的输入从而得到测评结果，具体可参见S106，此处不再赘述。
可选的，当所述第二正确率大于或者等于所述第三正确率阈值时，表明该学生可以较容易作答目标难度等级的考题，则可按照上述方式继续为该学生推送更高难度等级的考题，直达推送到题库中最高难度等级的考题或者在某一难度考题的答案信息的正确率小于预设的正确率阈值时，结束推送。
在本申请一个或多个实施例中，通过基于学生的教学等级向所述学生推送题库中的至少一个第一难度试题，并根据该第一难度试题的第一正确率向该学生推送至少一个目标难度试题，通过该目标难度试题的第二答案信息确定测评结果。通过基于学生的教学等级推送适应难度的试题，并根据作答正确率动态选择后续难度(高一级或者相同级或者低一级)的试题，根据学生的实际情况推送合适的测试题目，可以精准为各个学生进行个性化测试，进而可以满足个性化的教学需求。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
请参见图5，其示出了本申请一个示例性实施例提供的自适应测评装置的结构示意图。该自适应测评装置可以通过软件、硬件或者两者的结合实现成为用户终端的全部或一部分。该装置1包括第一答案获取模块10、第一正确率计算模块20目标试题推送模块30、第二答案获取模块40、第二正确率计算模块50和测评结果确定模块60。
第一答案获取模块10，用于基于学生所对应的教学等级向所述学生推送题库中的至少一个第一难度试题，获取所述学生针对所述至少一个第一难度试题的第一答案信息；
第一正确率计算模块20，用于提取所述第一答案信息的第一特征信息，基于所述第一特征信息，计算所述第一答案信息的第一正确率；
目标试题推送模块30，用于基于所述第一正确率，向所述学生推送至少一个目标难度试题；
第二答案获取模块40，用于获取所述学生针对所述至少一个目标难度试题的第二答案信息；
第二正确率计算模块50，用于提取所述第二答案信息的第二特征信息，基于所述第二特征信息，计算所述第二答案信息的第二正确率；
测评结果确定模块60，用于基于所述第二正确率，确定所述学生的测评结果。
可选的，所述目标试题推送模块30，具体用于：
当所述第一正确率小于第一阈值时，根据所述题库中考题难度等级的高低顺序将所述题库中低一级难度等级的至少一个试题作为所述目标难度试题，并推送给所述学生；
和/或当所述第一正确率大于等于所述第一阈值且小于第二阈值时，将所述题库中与所述第一难度试题的难度等级相同的其他至少一个试题作为所述目标难度试题，并推送给所述学生；和/或
当所述第一正确率大于或者等于所述第二阈值时，根据所述题库中考题难度等级的高低顺序将所述题库中高一级难度等级的至少一个试题作为所述目标难度试题，并推送给所述学生。
可选的，基于训练好的神经网络模型计算所述第一正确率和/或第二正确率。
可选的，所述第一正确率计算模块20，具体用于：
基于所述第一特征信息与第一参考特征信息的相关性，计算所述第一正确率，其中，所述第一参考信息为第一难度试题的参考答案的特征信息；和/或
所述第二正确率计算模块50，具体用于：基于所述第二特征信息与第二参考特征信息的相关性，计算所述第二正确率，其中，所述第二参考信息为目标难度试题的参考答案的特征信息。
可选的，所述第一答案获取模块10，具体用于：
获取学生的所述教学等级，基于所述教学等级与题库中试题难度等级的对应关系，确定所述教学等级对应的试题难度等级；
在题库中获取所述试题难度等级对应的至少一个第一难度考题，将所述至少一个第一难度考题推送至所述学生。
可选的，所述测评结果包括学生的发音等级信息。
需要说明的是，上述实施例提供的自适应测评装置在执行自适应测评方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的自适应测评装置与自适应测评方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请一个或多个实施例中，通过基于学生的教学等级向所述学生推送题库中的至少一个第一难度试题，并根据该第一难度试题的第一正确率向该学生推送至少一个目标难度试题，通过该目标难度试题的第二答案信息确定测评结果。通过基于学生的教学等级推送适应难度的试题，并根据作答正确率动态选择后续难度(高一级或者相同级或者低一级)的试题，根据学生的实际情况推送合适的测试题目，可以精准为各个学生进行个性化测试，进而可以满足个性化的教学需求。
本申请实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图1-图4所示实施例的方法步骤，具体执行过程可以参见图1-图4所示实施例的具体说明，在此不进行赘述。
请参见图6，为本申请实施例提供了一种电子设备的结构示意图。如图6所示，所述电子设备1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
其中，通信总线1002用于实现这些组件之间的连接通信。
其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。
其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图6所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及自适应测评应用程序。
在图6所示的电子设备1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的自适应测评应用程序，并具体执行以下操作：
基于学生所对应的教学等级向所述学生推送题库中的至少一个第一难度试题，获取所述学生针对所述至少一个第一难度试题的第一答案信息；
提取所述第一答案信息的第一特征信息，基于所述第一特征信息，计算所述第一答案信息的第一正确率；
基于所述第一正确率，向所述学生推送至少一个目标难度试题；
获取所述学生针对所述至少一个目标难度试题的第二答案信息；
提取所述第二答案信息的第二特征信息，基于所述第二特征信息，计算所述第二答案信息的第二正确率；
基于所述第二正确率，确定所述学生的测评结果。
在一个实施例中，所述处理器1001在执行基于所述第一正确率，向所述学生推送至少一个目标难度试题时，具体执行以下操作：
当所述第一正确率小于第一阈值时，根据所述题库中考题难度等级的高低顺序将所述题库中低一级难度等级的至少一个试题作为所述目标难度试题，并推送给所述学生；
和/或当所述第一正确率大于等于所述第一阈值且小于第二阈值时，将所述题库中与所述第一难度试题的难度等级相同的其他至少一个试题作为所述目标难度试题，并推送给所述学生；和/或
当所述第一正确率大于或者等于所述第二阈值时，根据所述题库中考题难度等级的高低顺序将所述题库中高一级难度等级的至少一个试题作为所述目标难度试题，并推送给所述学生。
在一个实施例中，所述处理器1001还执行以下操作：
基于训练好的神经网络模型计算所述第一正确率和/或第二正确率。
在一个实施例中，所述处理器1001在执行计算所述第一正确率时，具体执行以下操作：
基于所述第一特征信息与第一参考特征信息的相关性，计算所述第一正确率，其中，所述第一参考信息为第一难度试题的参考答案的特征信息；和/或
所述处理器1001在执行计算所述第二正确率时，具体执行以下操作：
基于所述第二特征信息与第二参考特征信息的相关性，计算所述第二正确率，其中，所述第二参考信息为目标难度试题的参考答案的特征信息。
在一个实施例中，所述处理器1001在执行基于学生所对应的教学等级向所述学生推送题库中的至少一个第一难度考题时，具体执行以下操作：
获取学生的所述教学等级，基于所述教学等级与题库中试题难度等级的对应关系，确定所述教学等级对应的试题难度等级；
在题库中获取所述试题难度等级对应的至少一个第一难度考题，将所述至少一个第一难度考题推送至所述学生。
在一个实施例中，所述测评结果包括学生的发音等级信息。
在本申请一个或多个实施例中，通过基于学生的教学等级向所述学生推送题库中的至少一个第一难度试题，并根据该第一难度试题的第一正确率向该学生推送至少一个目标难度试题，通过该目标难度试题的第二答案信息确定测评结果。通过基于学生的教学等级推送适应难度的试题，并根据作答正确率动态选择后续难度(高一级或者相同级或者低一级)的试题，根据学生的实际情况推送合适的测试题目，可以精准为各个学生进行个性化测试，进而可以满足个性化的教学需求。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。
Claims (10)
1.一种自适应测评方法，其特征在于，所述方法包括：
基于学生所对应的教学等级向所述学生推送题库中的至少一个第一难度试题，获取所述学生针对所述至少一个第一难度试题的第一答案信息；
提取所述第一答案信息的第一特征信息，基于所述第一特征信息，计算所述第一答案信息的第一正确率；
基于所述第一正确率，向所述学生推送至少一个目标难度试题；
获取所述学生针对所述至少一个目标难度试题的第二答案信息；
提取所述第二答案信息的第二特征信息，基于所述第二特征信息，计算所述第二答案信息的第二正确率；
基于所述第二正确率，确定所述学生的测评结果。
2.根据权利要求1所述的方法，其特征在于，基于所述第一正确率，向所述学生推送至少一个目标难度试题，包括：
当所述第一正确率小于第一阈值时，根据所述题库中考题难度等级的高低顺序将所述题库中低一级难度等级的至少一个试题作为所述目标难度试题，并推送给所述学生；
和/或当所述第一正确率大于等于所述第一阈值且小于第二阈值时，将所述题库中与所述第一难度试题的难度等级相同的其他至少一个试题作为所述目标难度试题，并推送给所述学生；和/或
当所述第一正确率大于或者等于所述第二阈值时，根据所述题库中考题难度等级的高低顺序将所述题库中高一级难度等级的至少一个试题作为所述目标难度试题，并推送给所述学生。
3.根据权利要求1所述的方法，其特征在于，基于训练好的神经网络模型计算所述第一正确率和/或第二正确率。
4.根据权利要求3所述的方法，其特征在于，所述计算所述第一正确率，包括：
基于所述第一特征信息与第一参考特征信息的相关性，计算所述第一正确率，其中，所述第一参考信息为第一难度试题的参考答案的特征信息；和/或
所述计算所述第二正确率，包括：基于所述第二特征信息与第二参考特征信息的相关性，计算所述第二正确率，其中，所述第二参考信息为目标难度试题的参考答案的特征信息。
5.根据权利要求1所述的方法，其特征在于，所述基于学生所对应的教学等级向所述学生推送题库中的至少一个第一难度考题，包括：
获取学生的所述教学等级，基于所述教学等级与题库中试题难度等级的对应关系，确定所述教学等级对应的试题难度等级；
在题库中获取所述试题难度等级对应的至少一个第一难度考题，将所述至少一个第一难度考题推送至所述学生。
6.根据权利要求1所述的方法，其特征在于，所述测评结果包括学生的发音等级信息。
7.一种自适应测评装置，其特征在于，所述装置包括：
第一答案获取模块，用于基于学生所对应的教学等级向所述学生推送题库中的至少一个第一难度试题，获取所述学生针对所述至少一个第一难度试题的第一答案信息；
第一正确率计算模块，用于提取所述第一答案信息的第一特征信息，基于所述第一特征信息，计算所述第一答案信息的第一正确率；
目标试题推送模块，用于基于所述第一正确率，向所述学生推送至少一个目标难度试题；
第二答案获取模块，用于获取所述学生针对所述至少一个目标难度试题的第二答案信息；
第二正确率计算模块，用于提取所述第二答案信息的第二特征信息，基于所述第二特征信息，计算所述第二答案信息的第二正确率；
测评结果确定模块，用于基于所述第二正确率，确定所述学生的测评结果。
8.根据权利要求7所述的装置，其特征在于，所述目标试题推送模块，具体用于：
当所述第一正确率小于第一阈值时，根据所述题库中考题难度等级的高低顺序将所述题库中低一级难度等级的至少一个试题作为所述目标难度试题，并推送给所述学生；
和/或当所述第一正确率大于等于所述第一阈值且小于第二阈值时，将所述题库中与所述第一难度试题的难度等级相同的其他至少一个试题作为所述目标难度试题，并推送给所述学生；和/或
当所述第一正确率大于或者等于所述第二阈值时，根据所述题库中考题难度等级的高低顺序将所述题库中高一级难度等级的至少一个试题作为所述目标难度试题，并推送给所述学生。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1～6任意一项的方法步骤。
10.一种电子设备，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1～6任意一项的方法步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910686867.XA CN110489454A (zh) | 2019-07-29 | 2019-07-29 | 一种自适应测评方法、装置、存储介质及电子设备 |
| PCT/CN2020/105743 WO2021018232A1 (zh) | 2019-07-29 | 2020-07-30 | 一种自适应测评方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910686867.XA CN110489454A (zh) | 2019-07-29 | 2019-07-29 | 一种自适应测评方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110489454A true CN110489454A (zh) | 2019-11-22 |
Family
ID=68548717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910686867.XA Pending CN110489454A (zh) | 2019-07-29 | 2019-07-29 | 一种自适应测评方法、装置、存储介质及电子设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110489454A (zh) |
| WO (1) | WO2021018232A1 (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956870A (zh) * | 2019-11-25 | 2020-04-03 | 中北大学 | 一种视唱练耳教学方法及装置 |
| CN111782952A (zh) * | 2020-06-30 | 2020-10-16 | 联想(北京)有限公司 | 一种信息处理方法和信息处理装置 |
| CN111861816A (zh) * | 2020-06-19 | 2020-10-30 | 北京国音红杉树教育科技有限公司 | 一种语言互译学习中用于计算单词记忆强度的方法及设备 |
| CN111861819A (zh) * | 2020-06-19 | 2020-10-30 | 北京国音红杉树教育科技有限公司 | 一种智能默写中评估用户记忆水平的方法及电子设备 |
| CN111861815A (zh) * | 2020-06-19 | 2020-10-30 | 北京国音红杉树教育科技有限公司 | 一种词听学习中评估用户记忆水平的方法及装置 |
| CN111861814A (zh) * | 2020-06-19 | 2020-10-30 | 北京国音红杉树教育科技有限公司 | 一种字母语言听写学习中记忆水平的评估方法及系统 |
| CN111914176A (zh) * | 2020-08-07 | 2020-11-10 | 腾讯科技（深圳）有限公司 | 题目的推荐方法及装置 |
| WO2021018232A1 (zh) * | 2019-07-29 | 2021-02-04 | 北京大米科技有限公司 | 一种自适应测评方法、装置、存储介质及电子设备 |
| CN113936514A (zh) * | 2021-08-25 | 2022-01-14 | 国网浙江省电力有限公司培训中心 | 一种高压断路器试验实训系统 |
| CN114429269A (zh) * | 2021-12-16 | 2022-05-03 | 北京津发科技股份有限公司 | 一种人因工效测评方法、系统及装置 |
| CN117993366A (zh) * | 2024-04-01 | 2024-05-07 | 北京邮电大学 | 测评题目动态生成方法及系统、电子设备、可读存储介质 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114913729B (zh) * | 2021-02-09 | 2023-06-20 | 广州视源电子科技股份有限公司 | 一种选题方法、装置、计算机设备和存储介质 |
| CN113220847B (zh) * | 2021-06-01 | 2024-06-21 | 平安科技（深圳）有限公司 | 基于神经网络的知识掌握程度测评方法、装置及相关设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160300564A1 (en) * | 2013-12-20 | 2016-10-13 | Kabushiki Kaisha Toshiba | Text-to-speech device, text-to-speech method, and computer program product |
| CN108255962A (zh) * | 2017-12-22 | 2018-07-06 | 东软集团股份有限公司 | 知识点关联方法、装置、存储介质和电子设备 |
| CN109389493A (zh) * | 2018-09-29 | 2019-02-26 | 平安科技（深圳）有限公司 | 基于语音识别的自定义测试题目录入方法、系统及设备 |
| CN109741734A (zh) * | 2019-03-08 | 2019-05-10 | 北京猎户星空科技有限公司 | 一种语音评测方法、装置和可读介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110489454A (zh) * | 2019-07-29 | 2019-11-22 | 北京大米科技有限公司 | 一种自适应测评方法、装置、存储介质及电子设备 |
-
2019
- 2019-07-29 CN CN201910686867.XA patent/CN110489454A/zh active Pending
-
2020
- 2020-07-30 WO PCT/CN2020/105743 patent/WO2021018232A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160300564A1 (en) * | 2013-12-20 | 2016-10-13 | Kabushiki Kaisha Toshiba | Text-to-speech device, text-to-speech method, and computer program product |
| CN108255962A (zh) * | 2017-12-22 | 2018-07-06 | 东软集团股份有限公司 | 知识点关联方法、装置、存储介质和电子设备 |
| CN109389493A (zh) * | 2018-09-29 | 2019-02-26 | 平安科技（深圳）有限公司 | 基于语音识别的自定义测试题目录入方法、系统及设备 |
| CN109741734A (zh) * | 2019-03-08 | 2019-05-10 | 北京猎户星空科技有限公司 | 一种语音评测方法、装置和可读介质 |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021018232A1 (zh) * | 2019-07-29 | 2021-02-04 | 北京大米科技有限公司 | 一种自适应测评方法、装置、存储介质及电子设备 |
| CN110956870A (zh) * | 2019-11-25 | 2020-04-03 | 中北大学 | 一种视唱练耳教学方法及装置 |
| CN111861816B (zh) * | 2020-06-19 | 2024-01-16 | 北京国音红杉树教育科技有限公司 | 一种语言互译学习中用于计算单词记忆强度的方法及设备 |
| CN111861814B (zh) * | 2020-06-19 | 2024-01-16 | 北京国音红杉树教育科技有限公司 | 一种字母语言听写学习中记忆水平的评估方法及系统 |
| CN111861815A (zh) * | 2020-06-19 | 2020-10-30 | 北京国音红杉树教育科技有限公司 | 一种词听学习中评估用户记忆水平的方法及装置 |
| CN111861814A (zh) * | 2020-06-19 | 2020-10-30 | 北京国音红杉树教育科技有限公司 | 一种字母语言听写学习中记忆水平的评估方法及系统 |
| CN111861819A (zh) * | 2020-06-19 | 2020-10-30 | 北京国音红杉树教育科技有限公司 | 一种智能默写中评估用户记忆水平的方法及电子设备 |
| CN111861816A (zh) * | 2020-06-19 | 2020-10-30 | 北京国音红杉树教育科技有限公司 | 一种语言互译学习中用于计算单词记忆强度的方法及设备 |
| CN111861819B (zh) * | 2020-06-19 | 2024-03-12 | 北京国音红杉树教育科技有限公司 | 一种智能默写中评估用户记忆水平的方法及电子设备 |
| CN111861815B (zh) * | 2020-06-19 | 2024-02-02 | 北京国音红杉树教育科技有限公司 | 一种词听学习中评估用户记忆水平的方法及装置 |
| CN111782952A (zh) * | 2020-06-30 | 2020-10-16 | 联想(北京)有限公司 | 一种信息处理方法和信息处理装置 |
| CN111914176A (zh) * | 2020-08-07 | 2020-11-10 | 腾讯科技（深圳）有限公司 | 题目的推荐方法及装置 |
| CN111914176B (zh) * | 2020-08-07 | 2023-10-27 | 腾讯科技（深圳）有限公司 | 题目的推荐方法及装置 |
| CN113936514A (zh) * | 2021-08-25 | 2022-01-14 | 国网浙江省电力有限公司培训中心 | 一种高压断路器试验实训系统 |
| CN114429269A (zh) * | 2021-12-16 | 2022-05-03 | 北京津发科技股份有限公司 | 一种人因工效测评方法、系统及装置 |
| CN117993366A (zh) * | 2024-04-01 | 2024-05-07 | 北京邮电大学 | 测评题目动态生成方法及系统、电子设备、可读存储介质 |
| CN117993366B (zh) * | 2024-04-01 | 2024-06-21 | 北京邮电大学 | 测评题目动态生成方法及系统、电子设备、可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021018232A1 (zh) | 2021-02-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110489454A (zh) | 一种自适应测评方法、装置、存储介质及电子设备 | |
| CN110491218A (zh) | 一种在线教学交互方法、装置、存储介质及电子设备 | |
| CN109816265B (zh) | 知识特征掌握度的评价方法、题目推荐方法及电子设备 | |
| JP7120637B2 (ja) | 学習支援システム、学習支援システムの制御方法及び学習支援プログラム | |
| CN106126524B (zh) | 信息推送方法和装置 | |
| CN111107442B (zh) | 音视频文件的获取方法、装置、服务器及存储介质 | |
| Komatsu et al. | Rearticulating PISA | |
| CN103473959A (zh) | 一种外语数字相关听写特别训练学习系统及方法 | |
| CN112487139A (zh) | 基于文本的自动出题方法、装置及计算机设备 | |
| CN110443183A (zh) | 一种上课状态监测方法、装置、存储介质及服务器 | |
| CN103745214A (zh) | 一种字符的识别方法和识别设备 | |
| CN109785683A (zh) | 用于模拟口语考试现场的方法、装置、电子设备以及介质 | |
| CN113342948A (zh) | 一种智能问答方法及装置 | |
| CN116881412A (zh) | 汉字多维信息匹配训练方法、装置、电子设备和存储介质 | |
| CN111737439A (zh) | 一种问题生成方法及装置 | |
| KR102344724B1 (ko) | 인공지능 모델을 통해 학생의 학습을 관리하는 전자 장치, 및 학습 관리 방법 | |
| CN109885727A (zh) | 资料推送方法、装置、电子设备及系统 | |
| CN117407516A (zh) | 信息提取方法、装置、电子设备及存储介质 | |
| KR102423740B1 (ko) | 강의 플랫폼을 운용하는 방법 및 그 장치 | |
| CN115422918A (zh) | 一种叙事对象的叙事能力评估方法及装置 | |
| JP2015206835A (ja) | 学習システム | |
| CN115965251A (zh) | 教学评价方法、装置、存储介质以及服务器 | |
| CN110336866A (zh) | 一种数据存取方法、装置、存储介质及服务器 | |
| KR102619939B1 (ko) | 글쓰기 교육 및 평가를 위한 방법 및 시스템 | |
| KR102619562B1 (ko) | 잠금화면을 이용한 외국어 학습 리워드 서비스 제공 시스템 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191122 |
|
| RJ01 | Rejection of invention patent application after publication |