CN110533563A - 一种题库的层次分级标签及智能化应用方法 - Google Patents
一种题库的层次分级标签及智能化应用方法 Download PDFInfo
- Publication number
- CN110533563A CN110533563A CN201910836862.0A CN201910836862A CN110533563A CN 110533563 A CN110533563 A CN 110533563A CN 201910836862 A CN201910836862 A CN 201910836862A CN 110533563 A CN110533563 A CN 110533563A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- label
- level
- exam pool
- point
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013139 quantization Methods 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 238000002372 labelling Methods 0.000 claims abstract description 12
- 230000001149 cognitive effect Effects 0.000 claims abstract description 10
- 238000003672 processing method Methods 0.000 claims abstract description 5
- 230000032798 delamination Effects 0.000 claims abstract description 4
- 230000019771 cognition Effects 0.000 claims description 37
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000004445 quantitative analysis Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 2
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000013523 data management Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; 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
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种题库的层次分级标签及智能化应用方法，包括知识分层标签化和量化方法，基于知识点分层标签的难度量化方法，基于知识点分层标签的难度量化方法的智能题库组题方法，不同题型的标签处理方法和基于智能题库的智能组题方法和智能化试卷分析方法。本发明将知识点的按照知识层次和认知深度进行标签化和量化，使知识点具有层次性，并具有确定的量化值；基于标签化知识点的题库，能够实现知识点的智能化抽取，并进一步使题库具有智能性；基于智能化题库，根据使用目标，能够按照知识点标签实现智能化组卷以及智能化试卷分析，使题库的使用者根据标签掌握学习者的总体情况和个体情况，制定有针对性的教学和学习策略。
Description
技术领域
本发明属于知识量化、智能学习和教育培训领域，具体涉及一种基于知识点按照层次分级的题库标签系统，以及该标签系统在题库建设、智能教学和智能学习中的应用方法。
背景技术
基于大数据的智能分析为智能学习将提供了可能，随着大数据分析和应用技术的开发的深入，智能教学和智能学习使学习能够有的放矢。题库作为一种基础数据，在智能教学和智能学习的应用中具有重要地位。一个系统结构合理、知识标签明确的题库对于智能教学和智能学习来说都是必不可少的。
一般来说，题库是一个大量习题的集合，一般从题型、知识结构或章节、知识点等进行标签设置，但这些标签的本质是对知识点的标记。因此，可以把题库视为对不同知识点在知识难度和学习认知难度两个方面考察题目的集合。目前常见的题库均是基于题型、知识结构或章节对知识点的标签标记，但对于题目的难度缺少量化方案和标签方案。但在智能教学和智能学习中，对学习者选择合适难度的学习、训练和考核内容起着非常重要的作用。在大数据和智能学习时代，一种实现对知识点的难度进行合理量化并进行标签的方法对题库来说将是至关重要的。
按照布鲁姆模型，知识点可以从知识层级和认知层级被分成难以不等的不同级别。这给学习的难易程度提供了一种量化的可能，并为学习的难易程度提供评价的标准。
一套试题或者一个考题的难度，按照传统的定义是所参加测试人数不能通过的比例，比例越大，考题或者题目越难。这种传统的难度定义与参加测试人员的知识水平有关，不能反映学习者个体对知识点的掌握情况。本发明中的题库对知识点的分级是一种客观分级，与参加使用题库的人的水平无关，但经过本发明中题库标签化的知识点的测试，可以准确反映出测试者对知识掌握的层级，从而根据题库的知识标签提供智能化的题目进行练习和训练。
基于本发明的推广，将使题库在学习的层次分级和智能化成为可能，基于智能化的词库，选择合适的练习和考核材料，将能极大地促进智能学习。
发明内容
本发明提供了一种题库的层次分级标签及智能化应用方法，包括：（1）一种知识分层标签化和量化方法，（2）基于知识点分层标签的难度量化方法，（3）基于知识点分层标签的难度量化方法的智能题库组题方法，（4）不同题型的标签处理方法和（5）基于智能题库的智能组题方法和智能化试卷分析方法。本发明的技术方案如下：
（1）知识分层标签化和量化方法。按照布鲁姆的学习分类模型方法，学习认知被分为记忆、理解、应用、分析、评价和创造六个层次，本方法中分别用A、B、C、D、E和F来标记；而知识可以被分为事实、概念、原理和内化认知四个层次，本方法中分别用G、H、I和J来标记。由于每一个知识都可以从知识层次和认知层次两个维度进行标记，因此本发明中基于知识层次和认知难度构建二维坐标图，如图1所示。每一个知识点的考察层次都在图1中按照认知层次在横向和在知识层次有确定的位置，并落到图中所显示的一个格内。
用P在横向表示考察的知识点在认知层次的深度，用i表示其对应位置；用Q在纵向表示考察知识点的知识层次，用j表示其对应位置；用矩阵（i, j）表示所考察知识点在二维坐标图上的位置，每一个知识点在学习过程中关于认知层次和知识层次就可以用P和Q值的大小来标记和划分难度；知识点的认知层次和知识层次的综合层次用，而S=S ij = i + j表示二维图上每一个格子上i和j的总和。S的值已经在图1中用数字标出，S值的大小用来量化和区分考知识点的综合难度。
对知识点的认知层级和知识层级还可以按照难度在内部进行细化，用图2显示对每个层次再进行三个层次细化后的结果。比如，“识记A”被分为A1、A2和A3层次，“事实G”被分为G1、G2和G3层次。此时，原来的每个格子被分成9个更细微的格子，能够更具体地体现综合难度内部的细分情况。细分后，用矩阵（i', j'）表示知识点在图上的位置，用S'=S' i'j' = i' + j'的值表示综合难度。对于经过细化的格子，一个S对应若干个不同值的S'。
包含综合指标后，可以把矩阵写为（i, j, S）和（i, j, S'），用于大数据的智能分析。
对每个层次的细化不限于三个层次的细化，根据具体情况，也可以不做细化，或者仅做二层细化，也可以做大于三层的细化。另外，也可以仅对某一个层级做细化，而对其他层级不细化；或者对不同层级做不同的层级细化。如仅对认知的“分析D” 层做二层或以上的细化，而其他不变；或者对认知的“分析D” 层做二级细化，“评价E” 层做三级细化，知识的“原理和规律I”层做二层细化，而其他层不细化等细化分成方法。在应用中，量化分级计算的原理相同，仅需要根据实际情况进行调整即可。
根据图1和图2的示例，本发明内容中题库中知识点的标签包含以下内容：
1. 知识点的学科知识系统属性标签。这与知识点的学科和在该学科知识中的位置有关，本发明内容仅作为一个一般输入，不作为本发明的内容。例如，在高中物理中，考察摩擦力的相关现象时，“摩擦力”就作为一个学科标签在题库中进行使用。除此以外，题目的题型、题号等都是题库的常规标签，都不包含在本发明的内容以内。
2. 本发明中的题库标签指对知识点按照认知层次的类型标签和知识层次的标签，分别为认知层次的记忆、理解、应用、分析、评价和创造标签，和知识层次的事实、概念、原理和内化认知标签。这些标签可以用类似的词语进行表达，或者用不同的符号替代，但其实质都是对知识点从知识层面和认知层面的标签，以及相应的量化。
经过量化后，题库中的考点关于知识的量化值P和认知的量化值Q，以及关于知识和认知的综合值S，经过合理分级后，利用大数据整理和智能分析实现题库对智能学习和智能教学的支撑。
（2）基于知识点分层标签的难度量化方法。根据P、Q和S的值的大小，可以对知识学习的难易程度进行分级。在一维分析中，P从小到大依次表示认知深度逐渐增加，Q从小到大知识层次逐渐增加。而S值从小到大代表了知识点在认知和知识综合量化难度的由易变难。如在图1中，可以根据P、Q和S的值的大小对知识点进行难度量化和分级，P从1到6分为6级，Q从1到4分为4级，而S从2到10分为9级。图1中每个空格内的数字表示S的值。
除以上难度变化以外，还可以固定一个维度上的某个层次，对知识点的在另外一个维度上研究变化情况。比如，在图1中，固定认知深度的应用层，可以在知识点关于知识层次上事实G、概念H、原理和规律I和内化知识J四个层次的变化。从而提供智能化的题库筛选抽取方法。
图2中的知识点难度量化分析和方法与图1相同。但由于S'值的范围比较大，可以进行合理归并，如S'从按照间隔为二分级，或者间隔为三分级，以方便数据管理和分析。
（3）基于知识点分层标签的难度量化方法的智能题库组题方法。基于（2）中所形成的智能题库，根据知识点的标签和难度量化结果，可以实现智能组题。例如，基于图1，可以按照学习和考察目的，抽取特定标签和难度的题目用于练习和考试。
无论是图1还是图2的标签方法，可以看出总是存在综合指标S或S'相同的知识点，它们的难度可以认为相同。
（4）不同题型的标签处理方法。一般来说，题库中包括客观题和主观题两种大的类型。客观题分为填空题、单项选择题、多项选择题、判断题。主观题分为辨析题、简答题、论述题或其他类型的题目。由于无论什么题型，都可能包含多个知识点，因此在题目中首先解构题目中包含的知识点，并根据考题中的知识点进行逐个设置标签（i, j, S）和（i, j, S'），进行量化。因此一个考题通常包含多个知识点的标签。
（5）基于智能题库的智能组题方法和智能化试卷分析方法。经过以上从（1）到（4）的处理，智能题库提供了按照需要或目标进行智能组题的可能。按照训练或者考核目标，可以根据标签抽取具有特定知识层次和认知层次的题目用于学习训练或考核，也可以按照综合指标S抽取具有不同难度的题目用于学习训练或考核。这样的组题方法，避免了现有的先出题后分析的组卷方法，具有智能化的特点。同时，在试卷分析时，可以自动根据智能标签统计参加人员个体和总体在某种层次上掌握和达到的能力。有利于教师和学生发现教学和学习过程中存在的问题，提供有针对性的、甚至是一对一的教学指导策略。因此，智能化题库将成为大数据环境下智能教学和智能学习的基础性资源和有力的技术支撑。
本发明与现有技术相比具有以下优点：
1、将知识点的按照知识层次和认知深度进行标签化和量化，使知识点具有层次性，并具有确定的量化值；
2、基于标签化知识点的题库，能够实现知识点的智能化抽取，并进一步使题库具有智能性；
3、基于智能化题库，根据使用目标，能够按照知识点标签实现智能化组卷以及智能化试卷分析，使题库的使用者根据标签掌握学习者的总体情况和个体情况，制定有针对性的教学和学习策略。
附图说明
图1是对知识点知识和认知的二维量化标签和分级结果；
图2是对知识点在知识和认知主层次上二次细化后的二维量化标签和分级结果；
图3是知识的量化矩阵。
具体实施方式
以下通过实施例对本发明的上述内容做进一步详细说明，但不应该将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明上述内容实现的技术均属于本发明的范围。
实施例1
题库中知识点的知识标签和量化方法。以某年全国高考题中，单项选择题为例：
高铁列车在启动阶段的运动可看作初速度为零的匀加速直线运动，在启动阶段列车的动能：
A．与它所经历的时间成正比
B． 与它的位移成正比
C． 与它的速度成正比
D．与它的动量成正比
分析中我们提到单项选择题属于多知识点类型的题目，在题库中应该按照各知识点进行标签化。该题中，题干与匀加速直线运动有关，主要考察的是匀加速直线运动的规律，因此应打上“识记A”“事实G”，或简记A、G，而题目已经体现出下面的四个选项是匀加速直线运动的规律应用，因此还需要打上“应用C”和“原理和规律I”标签，或简记为C、I。关于动能，学生要对其概念混合定义有较好的理解，因此要打上“概念H”“理解B”标签。题目所提供的选项A是动能与时间的关系，根据物理规律应转化为动能与速度的关系，和速度与时间的关系，这是一个综合性的规律分析和应用的性质，因此需要打上“原理和规律I”“分析D”的标签，简记为I、D。
类似的，选项B中是考察位移与速度的关系和动能与速度的关系，涉及匀加速直线运动的位移公式的识记和应用，及位移与动能的分析，并创造出位移与动能的关联关系。
选项C考察动能与速度的关系，这可以从动能的定义得出。是一个识记和概念层次的知识点。
选项D考察与动能与动量的关系，可以从动量的定义和动能的形式得到，属于概念层次和分析层次的知识点。
基于以上分析，我们该题目按照学科知识点进行标签化，分别设置标签为：
匀加速直线运动：建立两条标签，分别为标签1，P=1，Q=1，S=2，简记为（1, 1, 2）；标签2，P=3，Q=3，S=6，简记为（3, 3, 6）。
动能：建立两条标签，分别为标签1，P=2，Q=2，S=4，简记为（2, 2, 4）；标签2，P=2，Q=2，S=4，简记为（2, 2, 4）。
位移：建立两条标签，分别为标签1，P=3，Q=3，S=6，简记为（3, 3, 6）；P=3，Q=7，S=10，简记为（3, 7, 10）；
速度：建立一条标签，P=1，Q=2，S=3，简记为（1, 2, 3）；
动量：建立一条标签，P=4，Q=2，S=6，简记为（4, 2, 6）；
以上标签中，同一个知识点对应两个标签，具有综合的特点，可以选择S值较大的一个标签使用；或者根据训练目标的不同，选择P或Q中指标高的一个使用。
类似地，可以对选项B、C和D的知识点进行分析和标签化。
实施例2
从智能题库为学习者智能组合训练题目的方案。如某位学生需要练习对于物理学中“运动”部分的事实层面的知识，以图1的标签为例，即可按照标签从题库抽取j=1，从i=1到j=6的题目用于练习。如果需要练习对于“运动”部分在应用方面的认知程度，则可以按照标签从题库抽取i=3，从j=1到j=4的题目进行练习。而如果需要练习对于“运动规律”的分析能力，则可以从题库抽取i=4，j=3的题目进行练习。
实施例3
从智能题库智能组题的方案。按照考试的目标，如单元测试时，设定为学生对本单元内容的掌握与应用，可以在图1中设置综合难度为7，因此从S=7的考题中抽取题目即可。此时也可以制定不同层次上题目的多少，如在认知层级A、B、C、D、E、F的题目数量，或者不限。这样的智能组题方式得到的试卷，在分析时老师和学生都能认清楚在知识和认知的优缺点，优化教学和学习方案，对下一步的学习做到有的放矢。
以上实施例描述了本发明的基本原理、主要特征及优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明原理的范围下，本发明还会有各种变化和改进，这些变化和改进均落入本发明保护的范围内。
Claims (2)
1.一种题库的层次分级标签及智能化应用方法，其特征在于包括：（1）知识分层标签化和量化方法，（2）基于知识点分层标签的难度量化方法，（3）基于知识点分层标签的难度量化方法的智能题库组题方法，（4）不同题型的标签处理方法和（5）基于智能题库的智能组题方法和智能化试卷分析方法，具体过程为：
（1）知识分层标签化和量化方法，按照布鲁姆的学习分类模型方法，学习认知被分为记忆、理解、应用、分析、评价和创造六个层次，本方法中分别用A、B、C、D、E和F来标记；而知识可以被分为事实、概念、原理和内化认知四个层次，本方法中分别用G、H、I和J来标记，由于每一个知识都可以从知识层次和认知层次两个维度进行标记，基于知识层次和认知难度构建二维坐标图如图1所示，每一个知识点的考察层次都在图1中按照认知层次在横向和在知识层次有确定的位置，并落到图中所显示的一个格内；
用P在横向表示考察的知识点在认知层次的深度，用i表示其对应位置；用Q在纵向表示考察知识点的知识层次，用j表示其对应位置；用矩阵（i, j）表示所考察知识点在二维坐标图上的位置，每一个知识点在学习过程中关于认知层次和知识层次就可以用P和Q值的大小来标记和划分难度；知识点的认知层次和知识层次的综合层次用，而S=S ij = i + j表示二维图上每一个格子上i和j的总和，S的值已经在图1中用数字标出，S值的大小用来量化和区分考知识点的综合难度；
对知识点的认知层级和知识层级还可以按照难度在内部进行细化，用图2显示对每个层次再进行三个层次细化后的结果；比如，“识记A”被分为A1、A2和A3层次，“事实G”被分为G1、G2和G3层次；此时，原来的每个格子被分成9个更细微的格子，能够更具体地体现综合难度内部的细分情况；细分后，用矩阵（i', j'）表示知识点在图上的位置，用S'=S' i'j' = i' + j'的值表示综合难度；对于经过细化的格子，一个S对应若干个不同值的S'；
包含综合指标后，可以把矩阵写为（i, j, S）和（i, j, S'），用于大数据的智能分析；
对每个层次的细化不限于三个层次的细化，根据具体情况，也可以不做细化，或者仅做二层细化，也可以做大于三层的细化；另外，也可以仅对某一个层级做细化，而对其他层级不细化；或者对不同层级做不同的层级细化；如仅对认知的“分析D” 层做二层或以上的细化，而其他不变；或者对认知的“分析D” 层做二级细化，“评价E” 层做三级细化，知识的“原理和规律I”层做二层细化，而其他层不细化等细化分成方法；在应用中，量化分级计算的原理相同，仅需要根据实际情况进行调整即可；
（2）基于知识点分层标签的难度量化方法；根据P、Q和S的值的大小，可以对知识学习的难易程度进行分级；在一维分析中，P从小到大依次表示认知深度逐渐增加，Q从小到大知识层次逐渐增加；而S值从小到大代表了知识点在认知和知识综合量化难度的由易变难；如在图1中，可以根据P、Q和S的值的大小对知识点进行难度量化和分级，P从1到6分为6级，Q从1到4分为4级，而S从2到10分为9级；图1中每个空格内的数字表示S的值；
除以上难度变化以外，还可以固定一个维度上的某个层次，对知识点的在另外一个维度上研究变化情况；比如，在图1中，固定认知深度的应用层，可以在知识点关于知识层次上事实G、概念H、原理和规律I和内化知识J四个层次的变化；从而提供智能化的题库筛选抽取方法；
图2中的知识点难度量化分析和方法与图1相同；但由于S'值的范围比较大，可以进行合理归并，如S'从按照间隔为二分级，或者间隔为三分级，以方便数据管理和分析；
（3）基于知识点分层标签的难度量化方法的智能题库组题方法；基于（2）中所形成的智能题库，根据知识点的标签和难度量化结果，可以实现智能组题；例如，基于图1，可以按照学习和考察目的，抽取特定标签和难度的题目用于练习和考试；
无论是图1还是图2的标签方法，可以看出总是存在综合指标S或S'相同的知识点，它们的难度可以认为相同；
（4）不同题型的标签处理方法；一般来说，题库中包括客观题和主观题两种大的类型；客观题分为填空题、单项选择题、多项选择题、判断题；主观题分为辨析题、简答题、论述题或其他类型的题目；由于无论什么题型，都可能包含多个知识点，因此在题目中首先解构题目中包含的知识点，并根据考题中的知识点进行逐个设置标签（i, j, S）和（i, j, S'），进行量化；因此一个考题通常包含多个知识点的标签；
（5）基于智能题库的智能组题方法和智能化试卷分析方法；经过以上从（1）到（4）的处理，智能题库提供了按照需要或目标进行智能组题的可能；按照训练或者考核目标，可以根据标签抽取具有特定知识层次和认知层次的题目用于学习训练或考核，也可以按照综合指标S抽取具有不同难度的题目用于学习训练或考核；这样的组题方法，避免了现有的先出题后分析的组卷方法，具有智能化的特点；同时，在试卷分析时，可以自动根据智能标签统计参加人员个体和总体在某种层次上掌握和达到的能力；有利于教师和学生发现教学和学习过程中存在的问题，提供有针对性的、甚至是一对一的教学指导策略；因此，智能化题库将成为大数据环境下智能教学和智能学习的基础性资源和有力的技术支撑。
2.根据权利要求1所述的题库的层次分级标签及智能化应用方法，其特征在于：知识分层标签化和量化方法的题库中知识点的标签包含以下内容：
（1）知识点的学科知识系统属性标签；这与知识点的学科和在该学科知识中的位置有关，本发明内容仅作为一个一般输入，不作为本发明的内容；例如，在高中物理中，考察摩擦力的相关现象时，“摩擦力”就作为一个学科标签在题库中进行使用；除此以外，题目的题型、题号等都是题库的常规标签，都不包含在本发明的内容以内；
（2）本发明中的题库标签指对知识点按照认知层次的类型标签和知识层次的标签，分别为认知层次的记忆、理解、应用、分析、评价和创造标签，和知识层次的事实、概念、原理和内化认知标签；这些标签可以用类似的词语进行表达，或者用不同的符号替代，但其实质都是对知识点从知识层面和认知层面的标签，以及相应的量化；
经过量化后，题库中的考点关于知识的量化值P和认知的量化值Q，以及关于知识和认知的综合值S，经过合理分级后，利用大数据整理和智能分析实现题库对智能学习和智能教学的支撑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910836862.0A CN110533563A (zh) | 2019-09-05 | 2019-09-05 | 一种题库的层次分级标签及智能化应用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910836862.0A CN110533563A (zh) | 2019-09-05 | 2019-09-05 | 一种题库的层次分级标签及智能化应用方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110533563A true CN110533563A (zh) | 2019-12-03 |
Family
ID=68666901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910836862.0A Withdrawn CN110533563A (zh) | 2019-09-05 | 2019-09-05 | 一种题库的层次分级标签及智能化应用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110533563A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695555A (zh) * | 2020-06-12 | 2020-09-22 | 广东小天才科技有限公司 | 一种基于题号的精准框题方法、装置、设备和介质 |
| CN112348725A (zh) * | 2020-11-30 | 2021-02-09 | 上海松鼠课堂人工智能科技有限公司 | 基于大数据的知识点难度定级方法 |
| CN113409174A (zh) * | 2020-09-29 | 2021-09-17 | 腾讯科技（深圳）有限公司 | 知识点测评方法和装置 |
| CN113421175A (zh) * | 2021-07-05 | 2021-09-21 | 赛飞特工程技术集团有限公司 | 一种能力测试分级方法和装置 |
| CN114742678A (zh) * | 2022-05-13 | 2022-07-12 | 北京举个例子科技有限公司 | 线上教学知识点标签方法、装置、存储介质及电子设备 |
-
2019
- 2019-09-05 CN CN201910836862.0A patent/CN110533563A/zh not_active Withdrawn
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695555A (zh) * | 2020-06-12 | 2020-09-22 | 广东小天才科技有限公司 | 一种基于题号的精准框题方法、装置、设备和介质 |
| CN113409174A (zh) * | 2020-09-29 | 2021-09-17 | 腾讯科技（深圳）有限公司 | 知识点测评方法和装置 |
| CN112348725A (zh) * | 2020-11-30 | 2021-02-09 | 上海松鼠课堂人工智能科技有限公司 | 基于大数据的知识点难度定级方法 |
| CN113421175A (zh) * | 2021-07-05 | 2021-09-21 | 赛飞特工程技术集团有限公司 | 一种能力测试分级方法和装置 |
| CN114742678A (zh) * | 2022-05-13 | 2022-07-12 | 北京举个例子科技有限公司 | 线上教学知识点标签方法、装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110533563A (zh) | 一种题库的层次分级标签及智能化应用方法 | |
| Dekkers et al. | The integration of research studies on the use of simulation as an instructional strategy | |
| Bowen et al. | Data and graph interpretation practices among preservice science teachers | |
| Jee et al. | Drawing on experience: How domain knowledge is reflected in sketches of scientific structures and processes | |
| Watson et al. | What is the role of statistics in integrating STEM education? | |
| Ince et al. | The investigations of using web 2.0 technologies on English writing skills of students with different learning styles | |
| Fitzallen et al. | Focusing on data: Year 5 students making STEM connections | |
| Wang et al. | A Meta-analysis of Inquiry-based Instruction on Student Learning Outcomes in Taiwan. | |
| Ceylan et al. | Differences between Turkey and Finland based on Eight Latent Variables in PISA 2006. | |
| Tuna et al. | Analysis of high school entrance exam (LGS) questions in terms of PISA scientific literacy | |
| Monsang et al. | Meta-Analysis of STEM Education Approach effected on Student’Creative thinking skills in Thailand | |
| Eryilmaz et al. | The Effect Of Using Cartoons On Primary School Students’ academic Achievement In Social Studies Courses In Turkey: A Meta Analysis Study | |
| Camhongsa et al. | A COMPARISON OF LEARNING ACHIEVEMENT USING CIPPA MODEL FOR GRADE 4 STUDENTS OF DEMONSTRATION SCHOOL OF SUAN SUNANDHA RAJABHAT UNIVERSITY, BANGKOK, THAILAND. | |
| Sahin et al. | The Examination of the Relationship Between Scientific Literacy and Some Cognitively Based Individual Differences in Terms of Gender | |
| Fathonah et al. | Analysis of Students' Science Process Skill of Junior High School in Ngawi District in Material Classification and its Changes | |
| Lueangsuwan et al. | Meta-analysis of STEM Education approach effected on students’ learning achievement in Thailand | |
| Baird | The meaning of national examination standards | |
| Gill et al. | Using an environmental science course to promote scientific literacy | |
| Assem et al. | The Impact of Inquiry Method of Learning Science on the Academic Achievement of Bs8 Students in the Ejisu Juaben Municipality of Ashanti Region of Ghana | |
| LIM et al. | Investigating Bloom's cognitive skills in foundation and advanced programming courses from students' discussions | |
| Kang et al. | A study of the current status of teachers’ Core qualities and abilities and the importance of their background factors in primary and secondary schools in Tianjin | |
| Vanmathi et al. | Study Onpsychological Wellbeing of Higher Secondary Rural Students | |
| Islam | Development and Validation of Students' Attitude towards Science Scale (SATSS) for 7th-Grade Students | |
| Gorgulu et al. | Investigation of Gifted Secondary School Students' Assessment of the Nature of Science in Turkey | |
| AKPAN | INTERACTIVE INVENTION AND CROSSWORD PUZZLE-BASED INSTRUCTIONAL STRATEGIES, AND PRE-SERVICE TEACHERS LEARNING OUTCOMES IN CELL BIOLOGY IN SOUTHWESTERN NIGERIA |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191203 |
|
| WW01 | Invention patent application withdrawn after publication |