CN110599840A - 一种基于大数据的个性化自适应网上学习方法 - Google Patents

一种基于大数据的个性化自适应网上学习方法 Download PDF

Info

Publication number
CN110599840A
CN110599840A CN201910720879.XA CN201910720879A CN110599840A CN 110599840 A CN110599840 A CN 110599840A CN 201910720879 A CN201910720879 A CN 201910720879A CN 110599840 A CN110599840 A CN 110599840A
Authority
CN
China
Prior art keywords
user
question
subject
exercise
chapter
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
Application number
CN201910720879.XA
Other languages
English (en)
Inventor
张元平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Xueyun Education Technology Co Ltd
Original Assignee
Anhui Xueyun Education Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Xueyun Education Technology Co Ltd filed Critical Anhui Xueyun Education Technology Co Ltd
Priority to CN201910720879.XA priority Critical patent/CN110599840A/zh
Publication of CN110599840A publication Critical patent/CN110599840A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
    • G09B7/04—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student characterised by modifying the teaching programme in response to a wrong answer, e.g. repeating the question, supplying a further explanation
    • 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
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/06—Electrically-operated teaching apparatus or devices working with questions and answers of the multiple-choice answer-type, i.e. where a given question is provided with a series of answers and a choice has to be made from the answers
    • G09B7/08—Electrically-operated teaching apparatus or devices working with questions and answers of the multiple-choice answer-type, i.e. where a given question is provided with a series of answers and a choice has to be made from the answers characterised by modifying the teaching programme in response to a wrong answer, e.g. repeating the question, supplying further information

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明提出的一种基于大数据的个性化自适应网上学习方法，包括：用户网上做题数据进行跟踪，并根据用户做题记录划分学习板块；根据用户做题数据，计算用户各学习板块的错题率，并根据各学习板块的错题率向用户推荐习题。本发明中，以单个用户为单位，实现了对每一个用户的针对性指导，有利于实现每一个用户的最佳最适宜的学习方法，从而通过因材施教，保证每一用户的学习效率和学习效果。

Description

一种基于大数据的个性化自适应网上学习方法
技术领域
本发明涉及网上学习技术领域，尤其涉及一种基于大数据的个性化自适应网上学习方法。
背景技术
随着信息科技的不断创新和飞速发展，网络技术的更新日新月异，由此产生的海量数据越来越受到重视，大数据时代也已经到来。近年来，数据挖掘、数据分析以及基于数据的内容推荐系统在各行各业得到广泛的应用。在教育领域，如何使学生轻松学，老师轻松教成为越来越多人关注的问题。作为大数据在教育领域的应用，个性化的自适应学习成为一个典型应用案例。
近年来数据挖掘工作广泛展开，但是关于学习者的在线学习个性化推荐的研究工作仍不够充分。目前的学习效果评估方法都是进行简单等级划分，应用更精确的大数据分析预测的方法较少，没有充分考虑到学习者的个性特征(例如学习能力、学习效率、对学习内容变化的敏感程度等)对学习效果的影响。
发明内容
基于背景技术存在的技术问题，本发明提出了一种基于大数据的个性化自适应网上学习方法。
本发明提出的一种基于大数据的个性化自适应网上学习方法，包括：
对用户网上做题数据进行跟踪，并根据用户做题记录划分学习板块；
根据用户做题数据，计算用户各学习板块的错题率，并根据各学习板块的错题率向用户推荐习题。
优选的，具体包括以下步骤：
S1、以各科目的每一章节为一个最小题库，每一个最小题库内存储有对应章节的习题，且最小题库内的习题根据难易程度划分为多个题集；
S2、获取用于评估的用户做题数据，统计用户做题数据中各科目错题率；
S3、通过各科目错题率进行阈值对比，获取用户薄弱科目；
S4、根据用于评估的用户做题数据，统计用户薄弱科目中各章节错题率；
S5、通过各章节错题率进行阈值对比，获取用户薄弱科目中的薄弱章节；
S6、根据用户薄弱科目以及用户薄弱科目中的用户薄弱章节，从各最小题库中选择习题形成练习对象并推荐给用户。
优选的，还包括步骤SA：设置多种练习对象形式，每一种练习对象形式均设有对应的题型组成比例；步骤S1中，每一个题集还根据习题形式划分为多个题型；
步骤S6中，根据用户选择的练习对象形式，从各最小题库中选择习题形成练习对象并推荐给用户。
优选的，练习对象形式包括由各章节内容及各题型组成的试卷模式、单一章节内容及各题型组成的章节练习模式和单一章节单一题型的重点练习模式。
优选的，还包括步骤SB：设置平均阈值，并设置与最小题库中难易程度相对应的多个错题率阈值；
步骤S3中，获取错题率大于平均阈值的科目作为用户的薄弱科目；步骤S5中，获取错题率大于平均阈值的章节作为用户的薄弱章节；
步骤S6具体为：根据用户选择的练习对象形式以及科目中各章节的错题率从各错题率对应的题集中选择习题组成练习对象并推送给用户。
优选的，步骤S6中，最新生成的练习对象中的习题均为用于评估的用户做题数据中不存在的习题。
优选的，步骤S2中，用于评估的用户做题数据为预设评估周期内用户的做题数据；或者，预设题量的用户的做题数据。
优选的，预设评估周期和预设题量均由用户设置。
本发明提出的一种基于大数据的个性化自适应网上学习方法，实现了通过做题数据的总结对用户学习进度进行实时跟进，并且通过错题率，实时总结用户学习上的薄弱环节，从而针对用户薄弱环节进行习题推荐。如此，本发明实现了根据做题数据对用户学习情况的全面了解，并通过习题推荐向用户指明学习方向，并提供了有效的学习提高手段。
且，本发明中，以单个用户为单位，实现了对每一个用户的针对性指导，有利于实现每一个用户的最佳最适宜的学习方法，从而通过因材施教，保证每一用户的学习效率和学习效果。
附图说明
图1为本发明提出的一种基于大数据的个性化自适应网上学习方法流程图。
具体实施方式
参照图1，本发明提出的一种基于大数据的个性化自适应网上学习方法，包括：
对用户网上做题数据进行跟踪，并根据用户做题记录划分学习板块。
根据用户做题数据，计算用户各学习板块的错题率，并根据各学习板块的错题率向用户推荐习题。
如此，本实施方式中，实现了通过做题数据的总结对用户学习进度进行实时跟进，并且通过错题率，实时总结用户学习上的薄弱环节，从而针对用户薄弱环节进行习题推荐。如此，本实施方式，实现了根据做题数据对用户学习情况的全面了解，并通过习题推荐向用户指明学习方向，并提供了有效的学习提高手段。
且，本实施中，以单个用户为单位，实现了对每一个用户的针对性指导，有利于实现每一个用户的最佳最适宜的学习方法，从而通过因材施教，保证每一用户的学习效率和学习效果。
本实施方式中的基于大数据的个性化自适应网上学习方法，具体包括以下步骤：
S1、以各科目的每一章节为一个最小题库，每一个最小题库内存储有对应章节的习题，且最小题库内的习题根据难易程度划分为多个题集。
本步骤中，题集的设置，为根据用户需求提供不同难度的习题奠定了基础。
S2、获取用于评估的用户做题数据，统计用户做题数据中各科目错题率。
具体的，本步骤中，用于评估的用户做题数据为预设评估周期内用户的做题数据，例如以一个月为一个预设评估周期，则每三个月根据用户最近三个月内的用户做题数据统计各科目错题率，实现时间上的周期性对用户学习情况进行评估检测。具体的，预设评估周期可由用户自主设置，或者根据不同用户的学习情况进行针对性设置，例如薄弱科目多、错题率高的用户可采用较短的预设评估周期例如两周；薄弱科目少、错题率低的用户可采用较长的预设评估周期例如两个月。如此，对于学习较差的用户，可通过缩短预设评估周期，使其对学习进度情况明确掌握，及时调整；对于学习好的用户，可避免冗余的习题练习，提高其学习质量。
具体实施时，本步骤中还可将用于评估的用户做题数据设置为预设题量的用户的做题数据。例如，可设置，用户每完成500道题，则根据最近500道题的做题数据统计各科目错题率。具体的预设题量可由用户自主设置，或者根据不同用户的学习情况进行针对性设置，例如薄弱科目多、错题率高的用户可采用较较少的预设题量如100道题；薄弱科目少、错题率低的用户可采用较多的预设题量如300道题。
如此，本实施方式中，实现了根据用户学习基础和学习能力进行学习统计，为根据用户学习基础和学习能力进行学习指导奠定了基础。如此，通过充分考虑每一个用户的个体学习特征，有利于进一步提高自主学习效果。
S3、通过各科目错题率进行阈值对比，获取用户薄弱科目。
具体的，本实施方式中，还包括步骤设置平均阈值，并设置与最小题库中难易程度相对应的多个错题率阈值。
如此，步骤S3中，获取错题率大于平均阈值的科目作为用户的薄弱科目。
即，本实施方式在步骤S2中，首先根据预设评估周期或者预设题量获取用于评估的用户做题数据，然后根据科目将这些用户做题数据进行分类，获取每一个科目下的用户做题数据，并进一步获取每一个科目对应的错题率；然后将各科目的错题率分别与平均阈值进行对比，获取错题率大于平均阈值的科目作为用户的薄弱科目。
S4、根据用于评估的用户做题数据，统计用户薄弱科目中各章节错题率。
S5、通过各章节错题率进行阈值对比，获取用户薄弱科目中的薄弱章节。
具体的，本实施方式中，将用于做题数据根据科目分类后，再退每一科目的做题数据根据科目章节进行分类，然后获取科目下各章节对应的错题率，并获取大于平均阈值的错题率对应的章节为用户的薄弱章节。
S6、根据用户薄弱科目以及用户薄弱科目中的用户薄弱章节，从各最小题库中选择习题形成练习对象并推荐给用户。
途次，本实施方式中，针对薄弱科目，以章节为单位从最小题库中选择对应的习题组成练习对象推荐给用户，实现了以章节为单位帮助用户对薄弱科目进行重点明确的针对性练习以提高学习效果的目的。如此，本实施方式中，将练习重点划分到章节，提高了用户学习效率和学习效果。
具体的，本实施方式中，还包括步骤SA：设置多种练习对象形式，每一种练习对象形式均设有对应的题型组成比例。步骤S1中，每一个题集还根据习题形式划分为多个题型，以便从各题集中选择各题型的习题以组成练习对象。
具体的，本实施方式中，练习对象形式包括由各章节内容及各题型组成的试卷模式、单一章节内容及各题型组成的章节练习模式和单一章节单一题型的重点练习模式。
具体的，试卷模式的每一份练习对象均包含对应科目中各章节内容各题型的题目，具体的试卷模式的每一份练习对象包括该科目下每一个最小题库中的习题，并包含各种题型。
章节练习模式的每一份练习对象从同一个最小题库中选题，并包含所有题型。
重点练习模式的每一份练习对象由从同一个最小题库中选择的多个同一类型的习题组成。
本实施方式的步骤S6中，根据用户选择的练习对象形式，从各最小题库中选择习题形成练习对象并推荐给用户。即，用户可根据需求选择试卷模式、、章节练习模式或者重点练习模式，已针对性进行提高。
具体的，本实施方式中，步骤S6具体为：根据用户选择的练习对象形式以及科目中各章节的错题率从各错题率对应的题集中选择习题组成练习对象并推送给用户。如此，即保证了根据用户选择的练习对象形式组成练习对象，适应用户主观需求；又实现了根据用户学习情况针对性选择试题，以提高习题练习效率和自主学习效果。
具体的，本实施方式的步骤S6中，最新生成的练习对象中的习题均为用于评估的用户做题数据中不存在的习题，已通过避免重复习题，进一步提高习题练习效果；同时，方便通过做题数据监测用户学习提高情况的精确。
以上所述，仅为本发明涉及的较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于大数据的个性化自适应网上学习方法，其特征在于，包括：
对用户网上做题数据进行跟踪，并根据用户做题记录划分学习板块；
根据用户做题数据，计算用户各学习板块的错题率，并根据各学习板块的错题率向用户推荐习题。
2.如权利要求1所述的基于大数据的个性化自适应网上学习方法，其特征在于，具体包括以下步骤：
S1、以各科目的每一章节为一个最小题库，每一个最小题库内存储有对应章节的习题，且最小题库内的习题根据难易程度划分为多个题集；
S2、获取用于评估的用户做题数据，统计用户做题数据中各科目错题率；
S3、通过各科目错题率进行阈值对比，获取用户薄弱科目；
S4、根据用于评估的用户做题数据，统计用户薄弱科目中各章节错题率；
S5、通过各章节错题率进行阈值对比，获取用户薄弱科目中的薄弱章节；
S6、根据用户薄弱科目以及用户薄弱科目中的用户薄弱章节，从各最小题库中选择习题形成练习对象并推荐给用户。
3.如权利要求2所述的基于大数据的个性化自适应网上学习方法，其特征在于，还包括步骤SA：设置多种练习对象形式，每一种练习对象形式均设有对应的题型组成比例；步骤S1中，每一个题集还根据习题形式划分为多个题型；
步骤S6中，根据用户选择的练习对象形式，从各最小题库中选择习题形成练习对象并推荐给用户。
4.如权利要求3所述的基于大数据的个性化自适应网上学习方法，其特征在于，练习对象形式包括由各章节内容及各题型组成的试卷模式、单一章节内容及各题型组成的章节练习模式和单一章节单一题型的重点练习模式。
5.如权利要求3所述的基于大数据的个性化自适应网上学习方法，其特征在于，还包括步骤SB：设置平均阈值，并设置与最小题库中难易程度相对应的多个错题率阈值；
步骤S3中，获取错题率大于平均阈值的科目作为用户的薄弱科目；步骤S5中，获取错题率大于平均阈值的章节作为用户的薄弱章节；
步骤S6具体为：根据用户选择的练习对象形式以及科目中各章节的错题率从各错题率对应的题集中选择习题组成练习对象并推送给用户。
6.如权利要求5所述的基于大数据的个性化自适应网上学习方法，其特征在于，步骤S6中，最新生成的练习对象中的习题均为用于评估的用户做题数据中不存在的习题。
7.如权利要求2所述的基于大数据的个性化自适应网上学习方法，其特征在于，步骤S2中，用于评估的用户做题数据为预设评估周期内用户的做题数据；或者，预设题量的用户的做题数据。
8.如权利要求7所述的，基于大数据的个性化自适应网上学习方法，其特征在于，预设评估周期和预设题量均由用户设置。
CN201910720879.XA 2019-08-06 2019-08-06 一种基于大数据的个性化自适应网上学习方法 Pending CN110599840A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910720879.XA CN110599840A (zh) 2019-08-06 2019-08-06 一种基于大数据的个性化自适应网上学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910720879.XA CN110599840A (zh) 2019-08-06 2019-08-06 一种基于大数据的个性化自适应网上学习方法

Publications (1)

Publication Number Publication Date
CN110599840A true CN110599840A (zh) 2019-12-20

Family

ID=68853482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910720879.XA Pending CN110599840A (zh) 2019-08-06 2019-08-06 一种基于大数据的个性化自适应网上学习方法

Country Status (1)

Country Link
CN (1) CN110599840A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202816185U (zh) * 2012-01-13 2013-03-20 深圳市育才幻音信息技术有限公司 网络教育考试选题装置
CN106227809A (zh) * 2016-07-22 2016-12-14 广东小天才科技有限公司 一种试题的推送方法及装置
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
CN108062733A (zh) * 2017-11-23 2018-05-22 吉林大学 基于艾宾浩斯遗忘曲线和网络题库的教学方法
CN108091193A (zh) * 2017-12-21 2018-05-29 华中科技大学 一种手机智能教学与管理平台
CN108510816A (zh) * 2018-03-30 2018-09-07 重庆智考信息技术有限公司 在线学习系统及方法
CN109002564A (zh) * 2018-09-26 2018-12-14 江苏曲速教育科技有限公司 试题智能推送方法和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202816185U (zh) * 2012-01-13 2013-03-20 深圳市育才幻音信息技术有限公司 网络教育考试选题装置
CN106227809A (zh) * 2016-07-22 2016-12-14 广东小天才科技有限公司 一种试题的推送方法及装置
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
CN108062733A (zh) * 2017-11-23 2018-05-22 吉林大学 基于艾宾浩斯遗忘曲线和网络题库的教学方法
CN108091193A (zh) * 2017-12-21 2018-05-29 华中科技大学 一种手机智能教学与管理平台
CN108510816A (zh) * 2018-03-30 2018-09-07 重庆智考信息技术有限公司 在线学习系统及方法
CN109002564A (zh) * 2018-09-26 2018-12-14 江苏曲速教育科技有限公司 试题智能推送方法和系统

Similar Documents

Publication Publication Date Title
Ren et al. Predicting performance on MOOC assessments using multi-regression models
CN111461442B (zh) 基于联邦学习的知识追踪的方法及系统
De Witte et al. How are teachers teaching? A nonparametric approach
CN107274020A (zh) 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
CN106095812A (zh) 一种基于相似性度量的智能试卷生成方法
CN110929020B (zh) 基于测试成绩的知识点掌握度分析方法
CN104318497A (zh) 用于自动社区化学习的方法及系统
Malekian et al. Prediction of students' assessment readiness in online learning environments: the sequence matters
JP2018205354A (ja) 学習支援装置、学習支援システム及びプログラム
CN112348725A (zh) 基于大数据的知识点难度定级方法
CN109615264A (zh) 一种面向在线学习的学生积极度确定系统
CN117172977A (zh) 一种针对学员训练的训练建议生成方法及系统
Faucon et al. Real-Time Prediction of Students' Activity Progress and Completion Rates.
CN112883284B (zh) 一种基于网络和数据分析的在线学习系统及测试题推荐方法
Mihăescu Classification of learners using linear regression
CN114529432A (zh) 一种基于大数据的知识点难度定级方法
CN112950038A (zh) 一种基于学情数据的个性化作业布置方法
CN111932160A (zh) 知识掌握信息处理方法、装置、计算机设备及存储介质
CN110599840A (zh) 一种基于大数据的个性化自适应网上学习方法
CN114943625A (zh) 一种基于区块链技术的远程教育系统
CN115796695A (zh) 一种教学业绩评估方法及设备
Prihar et al. Identifying struggling students by comparing online tutor clickstreams
Podashevskaya et al. Methodological basis of the application of econometrics for decision-making
Rajagede et al. Personalized Al-Quran Memorization Testing System Using Group Decision Support System
Keskin et al. Design of Assessment Task Analytics Dashboard Based on Elo Rating in E-Assessment

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: 20191220

RJ01 Rejection of invention patent application after publication