CN110909035B - 个性化复习题集生成方法、装置、电子设备及存储介质 - Google Patents
个性化复习题集生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110909035B CN110909035B CN201911054978.5A CN201911054978A CN110909035B CN 110909035 B CN110909035 B CN 110909035B CN 201911054978 A CN201911054978 A CN 201911054978A CN 110909035 B CN110909035 B CN 110909035B
- Authority
- CN
- China
- Prior art keywords
- target
- personalized
- question
- student
- target student
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本申请提供了一种个性化复习题集生成方法、装置、电子设备及存储介质,其方法包括:获取目标学生的错题数据,其中,所述错题数据包括有所述目标学生的学情诊断结果;根据所述学情诊断结果确定所述目标学生对知识点的掌握程度;根据所述目标学生对知识点的掌握程度,从预设题库中为所述目标学生配置复习题,生成与所述目标学生相匹配的个性化复习题集。上述方法通过基于学生的错题数据确定该学生的对知识点的掌握程度,生成与该学生对应匹配的个性化复习题集,使得学生复习更加精准化和个性化,有效地提高学生的复习效率。
Description
技术领域
本申请属于教育教学辅助设备技术领域,尤其涉及一种个性化复习题集生成方法、装置、电子设备及存储介质。
背景技术
学生在日常学习中,通过回顾以前做过的练习,进行查漏补缺,是弥补自己弱项的有效途径之一。传统学习中最原始的做法是将书本、练习册等纸质上的错题,手动抄写到错题本上,这种方式工作量非常大,效率很低。随着信息技术的发展,也出现了一些数字化管理技术应用到传统的教育教学领域中,例如采取机械“复制粘贴”的方法、或者采用拍照或扫描方法、或者的采用拍照与图片识别相结合的方法减轻抄题工作量,现有的这些方法只能摘录学生日常做错的题目形成错题集,在后续复习过程提供给学生再次练习。但是,由于每个学生对知识点掌握状态不同,因而并非每一道错题都适合去做,若学生对制定试点的掌握状态与错题的难易程度不匹配,让学生花费大量时间来做一道很难的错题,很有可能不仅没达到复习效果还浪费了大量的复习时间,未能达到基于错题有针对性地提高学生复习效率的效果。
发明内容
有鉴于此,本申请实施例提供了一种个性化复习题集生成方法、装置、电子设备和存储介质,以解决现有技术中未能基于错题有针对性地提高学生的复习效率等技术缺陷。
本申请实施例的第一方面提供了一种个性化复习题集生成方法,所述个性化复习题集生成方法包括:
获取目标学生的错题数据,其中,所述错题数据包括有所述目标学生的学情诊断结果;
根据所述学情诊断结果确定所述目标学生对知识点的掌握程度;
根据所述所述目标学生对知识点的掌握程度,从预设题库中为所述目标学生配置复习题,生成与所述目标学生相匹配的个性化复习题集。
结合第一方面,在第一方面的第一种可能实现方式中,所述获取目标学生的错题数据的步骤,包括:
收集到属于所述目标学生的结构化订正图像,所述结构化订正图像中含有所述目标学生的错题解答信息以及所述错题的题目信息;
根据所述错题的题目信息获取所述错题预设的参考答案解析信息;
将所述目标学生的错题解答信息与所述错题预设的参考答案解析信息进行比对,生成属于所述目标学生的学情诊断结果。
结合第一方面的第一种可能实现方式,在第一方面的第二种可能实现方式中,将所述目标学生的错题解答信息与所述错题预设的参考答案解析信息进行比对,生成属于所述目标学生的学情诊断结果的步骤,包括:
获取与所述错题对应的矢量;
根据所述矢量将所述目标学生的错题解答信息与所述错题预设的参考答案解析信息进行比对,生成对应的矢量矩阵作为所述目标学生的学情诊断结果。
结合第一方面的第二种可能实现方式,在第一方面的第三种可能实现方式中,所述获取所述错题对应的矢量元素的步骤,包括:
根据所述错题的题目信息获取所述错题的题目内容;
将所述题目内容输入至预设的矢量配置模型中,以使所述矢量配置模型从所述题目内容中识别出正确解题的知识点作为与所述题目对应的矢量。
结合第一方面或者结合第一方面的第一至三种可能实现方式中的任意一种,在第一方面的第四种可能实现方式中,在所述预设题库中,所述复习题具有至少一个类别标签,其中,所述类别标签的分类方式包括:按照题目的知识点分类;按照题目的难易程度分类;按照题目的易错原因分类;按照题目的题型分类;以及按照题目考查的思考空间分类。
结合第一方面,在第一方面的第五种可能实现方式中,所述学情诊断结果包括与所述错题对应的错因信息,所述根据所述所述目标学生对知识点的掌握程度,从预设题库中为所述目标学生配置复习题,以生成与所述目标学生相匹配的个性化复习题集的步骤,还包括:
根据所述错因信息从预设题库中为所述目标学生配置复习题,以生成与所述目标学生相匹配的个性化复习题集。
结合第一方面,在第一方面的第六种可能实现方式中,所述根据所述所述目标学生对知识点的掌握程度,从预设题库中为所述目标学生配置复习题,生成与所述目标学生相匹配的个性化复习题集的步骤之后,还包括:
基于所述个性化复习题集生成与所述目标学生关联的个性化数据展示区,其中,所述个性化展示区包括与所述目标学生相关联的章节评分内容和订整内容。
本申请实施例的第二方面提供了一种个性化复习题集生成装置,所述个性化复习题集生成装置包括:
获取模块,用于获取目标学生的错题数据,其中,所述错题数据包括有所述目标学生的学情诊断结果;
处理模块,用于根据所述学情诊断结果确定所述目标学生对知识点的掌握程度;
执行模块,用于根据所述所述目标学生对知识点的掌握程度,从预设题库中为所述目标学生配置复习题,生成与所述目标学生相匹配的个性化复习题集。
本申请实施例的第三方面提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任意一项所述个性化复习题集生成方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述个性化复习题集生成方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:
本申请通过获取目标学生的错题数据,所述错题数据包括有所述目标学生的学情诊断结果。从而,根据所述学情诊断结果确定该目标学生当前对知识点的掌握程度。然后,根据所述目标学生对知识点的掌握程度,从预设题库中为所述目标学生配置复习题,生成与所述目标学生相匹配的个性化复习题集。这样一来,根据不同学生对不同知识点的掌握程度不同,实现了基于学生的错题数据有针对性地为每个学生配置符合其当前对知识点掌握情况的复习题集,使得学生复习更加精准化和个性化,提高学生的复习效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种个性化复习题集生成方法的基本方法流程示意图;
图2为本申请是事例提供的个性化复习题集生成方法中获取目标学生错题数据的一种方法流程示意图;
图3为本申请实施例提供的个性化复习题集生成方法中生成学情诊断结果的一种方法流程示意图;
图4本申请实施例中为针对学生解答的题目所生成的矢量矩阵的示意图;
图5为本申请实施例提供的个性化习题集生成方法中获取题目矢量的一种方法流程示意图;
图6为本申请实施例提供的在个性化复习题集中进行展示的个性化数据展示区示意图;
图7为本申请实施例提供的一种个性化复习题集生成装置的结构示意图;
图8为本申请实施例提供的一种实现个性化复习题集生成方法的电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
本申请实施例提供的个性化复习题集生成方法包括但不限于应用在个性化复习题生成系统中,其目的在于基于学生做错的题目分析该学生当前的知识点掌握情况,并根据该掌握情况有针对性地为该学生配置复习题集,使学生复习过程更加精准化和个性化,提高学生的复习效率。
本申请的一些实施例中,请参阅图1,图1为本申请实施例提供的一种个性化复习题集生成方法的基本方法流程示意图,详述如下:
在步骤S101中,获取目标学生的错题数据,其中,所述错题数据包括有所述目标学生的学情诊断结果。
学生在学习过程中,通常都会做大量的习题和试卷,而在做完习题和试卷之后产生的错题是该学生薄弱知识点的直接体现。在本实施例中,所述错题数据包括基于错题分析得到的属于所述目标学生的学情诊断结果,所述学情诊断结果反映所述目标学生对知识点的掌握情况。
在本实施例中,所述学情诊断结果实现了对学生学习绩效的评估结果量化。例如,针对于一个知识点,记录了目标学生在习题和试卷中解答错误的题目数量和/或对一道题目解答的总次数以及解答错误的次数。
在步骤S102中,根据所述学情诊断结果确定所述目标学生对知识点的掌握程度。
在本实施例中,根据所述学情诊断结果分析所述目标学生当前对于一个或者多个知识点的掌握情况,进而确定所述目标学生对不同知识点的掌握程度。在本实施例的一些实施方式中,所述学生对知识点的掌握程度可以划分为包括但不限于:未掌握、未完全掌握以及完全掌握三个等级。
基于上述步骤S101中,所述学情诊断结果包括目标学生在习题和试卷中回答错误的题目数量和/或在一道题目中回答的总次数以及回答错误的次数,进而,可以通过将错题率设置为所述学生对知识点掌握程度的判定标准。具体地,针对按照学生对知识点的掌握程度划分的未掌握、未完全掌握以及完全掌握三个等级,分别设置对应的错题率阈值作为学生对知识点掌握程度的判定标准。这样一来,可以根据所述学情诊断结果计算出所述目标学生的错题率,通过将所述计算出的错题率与所述预先设置错题率阈值进行比对,从而确定所述目标学生对知识点的掌握程度等级。
在步骤S103中,根据所述所述目标学生对知识点的掌握程度,从预设题库中为所述目标学生配置复习题,以生成与所述目标学生相匹配的个性化复习题集。
所述预设题库中收集有大量的复习题目,所述复习题目包括但不限于所述目标学生以往做错过的题目、与错题相关联的变式题目、和/或同频学生的错题等,每一道复习题目具有至少一个类别标签。所述题目的类别标签依据以往学生的作答记录进行设置。所述类别标签包括但不限于以下分类方式:按照题目的知识点分类,如分类为知识点X、知识点Y、知识点Z等;按照题目的难易程度分类,如从易到难按百分比的值来衡量;按照题目的易错原因分类,如分类为记忆理解出错、知识应用出错、文本解读出错、审题分析出错、解题策略出错、过失出错、表达出错等;按照题目的题型分类,如分类为单项选择题、不定项选择题、填空题、综合解答题等;以及按照题目考查的思考空间分类,所述思考空间通过考察知识点的广泛程度和/或知识综合运用能力来衡量。上述类别标签的分类设置,可以通过样本数据进行模型训练的方式实现。
在本实施例中,经步骤S102可以确定所述目标学生的对知识点的掌握程度,可以理解的是,通过所述目标学生的错题数据,可以实现确定所述目标学生针对不同知识点的掌握程度。进而,根据所述目标学生对不同知识点的掌握程度,分别从预设题库中为所述目标学生配置复习题,以生成与所述目标学生相匹配的个性化复习题集。在本实施例中,从预设题库中为所述目标学生配置复习题时,可以通过自定义设定复习题配置规则,使得所述掌握程度与所述复习题目的类别标签之间建立关联关系,从而根据所述掌握程度与类别标签之间的关联关系为所述目标学生配置复习题。例如,针对于所述目标学生未掌握的知识点,可以为其配置一级难度的复习题目,和/或配置学生作答时思考空间相对较小的复习题目;针对于所述目标学生掌握了部分但又未完全掌握的知识点,可以为其配置二级难度的复习题目,和/或配置学生作答时思考空间相对较大一点的复习题目;针对于所述目标学生完全掌握的知识点,可以选择性地为其配置三级难度的复习题目或者学生作答时思考空间更大,变式更广的复习题目。
举例说明,某科目第一章节包括有三个考察的知识点,分别为知识点1、知识点2以及知识点3,而进过步骤S102确定所述目标学生对上述三个知识点的掌握程度为未掌握、未完全掌握、完全掌握时,具体从所述预设题库中为所述目标学生配置一定数量具有知识点1标签以及具有较低难度百分比值标签(例如难度30%)所对应的复习题目,从所述预设题库中为所述目标学生配置一定数量具有知识点2标签以及具有中等难度百分比值标签(例如难度50%)所对应的复习题目;以及从所述预设题库中为所述目标学生配置一定数量具有知识点3标签以及具有较高难度百分比值标签(例如难度80%)所对应的复习题目。可以理解的是,所述复习题目数量支持自定义设置。
上述实施例提供的个性化复习题集生成方法通过获取目标学生的错题数据,所述错题数据包括有所述目标学生的学情诊断结果。从而根据所述学情诊断结果确定该目标学生当前对知识点的掌握程度。然后,根据所述目标学生对知识点的掌握程度,从预设题库中为所述目标学生配置复习题,生成与所述目标学生相匹配的个性化复习题集。这样一来,根据不同学生对不同知识点的掌握程度不同,实现了基于学生的错题数据有针对性地为每个学生配置符合其当前对知识点掌握情况的复习题集,使得学生复习更加精准化和个性化,提高学生的复习效率。
本申请的一些实施例中,请参阅如图2,图2为本申请是事例提供的个性化复习题集生成方法中获取目标学生错题数据的一种方法流程示意图。详细如下:
在步骤S201中,收集到属于所述目标学生的结构化订正图像,所述结构化订正图像中含有所述目标学生的错题解答信息以及该错题的题目信息;
所述错题数据中包括的学情诊断结果是通过对所述目标学生以往练习或考试做过的错题进行分析得出的,所述学情诊断结果可以反映出所述目标学生对知识点的掌握情况。本实施例中,在收集属于所述目标学生的结构化订正图像时,具体可以通过扫描或拍摄所述目标学生记录的纸本的结构化订正页的方式获得扫描版的结构化习题订正图像;或/及通过所述目标学生在电子装置的可视化界面中填写电子本的结构化订正页以及采用采集单元进行数据采集获得电子版的结构化习题订正图像。所述结构化习题订正页中可以包括多个结构化功能区,每个结构化功能区中记录的内容代表不同的数据含义,例如,身份信息区域记录所述目标学生的身份信息,如姓名、班级、身份编号等;题目信息区域记录所述目标学生做错的习题所对应的页码信息、题号信息、以及书本信息或卷号信息等;订正信息区域记录所述目标学生做错的习题所对应的解答信息。由此,根据所述目标学生的身份信息即可收集属于所述目标学生的结构化订正图像。当收集到属于所述目标学生的结构化订正图像之后,可以通过对所述结构化订正图像进行文本解析,即可获取所述目标学生的错题解答信息以及该错题的题目信息。
在步骤S202中,根据所述错题的题目信息获取所述错题预设的参考答案解析信息。
在本实施例中,所述题目信息包括所述目标学生做错的习题所对应的页码信息、题号信息、以及书本信息或卷号信息。通过将所述题目信息反馈到预设题库中进行搜索即可获取得到该错题预设的参考答案信息。
在步骤S203中,将所述目标学生的错题解答信息与所述错题预设的参考答案解析信息进行比对,生成属于所述目标学生的学情诊断结果。
在本实施例中,当得到所述目标学生的错题解答信息以及该错题对应的参考答案信息之后,通过将所述目标学生的错题解答信息与所述错题预设的参考答案解析信息进行比对分析,从而生成属于所述目标学生的学情诊断结果。在本实施例中,通过比对所述目标学生的错题解答信息与所述错题预设的参考答案解析信息之间的一致性,确定所述目标学生的错题解答信息正确与否,进而统计并记录所述目标学生在习题和试卷中解答错误的题目数量和/或对一道题目解答的总次数以及解答错误的次数。
上述实施例通过收集属于目标学生的结构化订正图像的方式来获取该目标学生的错题数据,具有工作量小、操作简单的优点。而且,通过将所述目标学生的错题解答信息与所述错题预设的参考答案解析信息进行比对的方式来生成属于所述目标学生的学情诊断结果,可以细化所述目标学生对知识点掌握情况的颗粒度,更准确地分析出所述目标学生的学习情况。
本申请的一些实施例中,还可以通过矢量记录的方法来生成属于所述目标学生的学情诊断结果。请参阅图3,图3为本申请实施例提供的个性化复习题集生成方法中生成学情诊断结果的一种方法流程示意图。详细如下:
在步骤S301中,获取与所述错题对应的矢量;
在步骤S302中,根据所述矢量将所述目标学生的错题解答信息与所述错题预设的参考答案解析信息进行比对,生成对应的矢量矩阵作为所述目标学生的学情诊断结果。
在本实施例中,具体通过对错题的题目进行矢量配置获取与所述错题对应的矢量,所述矢量表征所述题目中潜在的正确解决问题的知识点或技能。其中,对于一个题目,每一个矢量对应有一个矢量元素,在进行矢量记录时,所述矢量元素的显示规则为:设定所述目标学生解答题目之前的各个元素值为0,表示对所述目标学生的学习情况一无所知;在所述目标学生解答题目之后,通过所述元素值来反映该目标学生解答该题目时的过程和解答情况。其中,元素值为1或-1表示所述目标学生解答题目时用过对应的知识点或技能,元素值为1表示学生已掌握了对应的知识点或技能,元素值为-1表示学生还没有掌握对应的知识点或技能,元素值为0表示本练习或测试题目不涉及的知识点或技能,按照上述矢量元素的显示规则,将所述目标学生的错题解答信息与所述错题预设的参考答案解析信息进行比对,记录所述题目对应的矢量元素值,从而生成反映该目标学生对各个知识点的掌握情况的矢量矩阵。
举例说明,请一并参阅图4,图4为本申请实施例中针对学生解答的题目所生成的矢量矩阵的示意图。通过把目标学生在学习中完成的多个题目时所记录的各个矢量组合起来就构成了一个矢量矩阵。矩阵中的每一行对应一个题目,每一列对应一个知识点或技能,根据其中的元素赋值来评估学生的学习情况。如图4所示,矩阵共有三行十列,表示目标学生在学习过程中共做了三道题目,学习内容中共包含有十个知识点或技能。图4中第一、二列说明学生已掌握前二个知识点或技能;第三列说明在第一个题目中没有涉及第三个知识或技能,而在第2、3题中,学生在该知识点或技能上都产生了错误;第四列说明学生开始没有掌握第四个知识点或技能,但现在已掌握了这个知识或技能;第五列说明学生开始时没有掌握第五个知识或技能,现在情况不明。由此,通过矢量矩阵的方式来获取属于所述目标学生的学情诊断结果,可以清晰地反映该目标学生对各个知识点的掌握情况。
本申请的一些实施例中,请参阅图5,图5为本申请实施例提供的个性化习题集生成方法中获取题目矢量的一种方法流程示意图。详细如下:
在步骤S501中,根据所述错题的题目信息获取所述错题的题目内容;
在步骤S502中,将所述题目内容输入至预设的矢量配置模型中,以使所述矢量配置模型从所述题目内容中识别出正确解题的知识点作为与所述题目对应的矢量。
在本实施例中,所述题目信息包括所述目标学生做错的习题所对应的页码信息、题号信息、以及书本信息或卷号信息。通过将所述题目信息反馈到预设题库中进行搜索即可获取得到与所述错题对应的题目内容。获得与所述错题对应的题目内容之后,通过将所述题目内容输入至预设的矢量配置模型中,以使所述矢量配置模型根据其训练得到的知识点识别规则从所述题目内容中识别出正确解题的知识点作为与所述题目对应的矢量。在本实施例中,所述矢量配置模型为训练至收敛状态的卷积神经网络模型,该卷积神经网络模型被训练用于对题目内容进行识别,获取与所述题目内容对应的知识点作为该题目的矢量。所述卷积神经网络模型可以是CNN卷积神经网络模型或者VGG卷积神经网络模型,该卷积神经网络模型具体通过大量的题目样本数据将所述矢量配置模型训练至收敛状态,以使得所述矢量配置模型具有识别题目内容中对应知识点的能力。这样可以通过机器实现对题目考察的知识点进行自动识别,减少配置工作量,操作简单,促进系统智能化和精准化。
本申请的一些实施例中,所述学情诊断结果还可以包括与错题对应的错因信息。所述错因信息通过对所述目标学生做过的错题进行错因分析得出,例如通过在系统中预设置有多种学生在做题时可能出现的错因,然后通过对所述目标学生做过的错题进行错因分析匹配出一种错因作为与该错题对应的错因信息。在本实施例中,当分析出所述错题对应的错因信息后,可以根据所述错因信息从预设题库中为所述目标学生配置复习题,以生成与所述目标学生相匹配的个性化复习题集。具体地,所述错因包括记忆理解出错、知识应用出错、文本解读出错、审题分析出错、解题策略出错、过失出错、表达出错等。对应地,在所述预设题库中,其存储的复习题目都对应具有按照题目的易错原因分类得到的类别标签,该类别标签分类也对应包括记忆理解出错、知识应用出错、文本解读出错、审题分析出错、解题策略出错、过失出错、表达出错等。由此,当从所述学情诊断结果中得到错题对应的错因信息后,可以一并结合所述目标学生对知识点的掌握程度和错因信息,从预设题库中为所述目标学生配置复习题,以生成与所述目标学生相匹配的个性化复习题集。
在本实施例中,当所述学情诊断结果由所述目标学生的以往做过的多个错题进行分析得出时,可以通过统计所述学情诊断结果中记录的错因信息的比例,进而,按照错因比例为所述目标学生配置复习题。
本申请的一些实施例中,当生成与所述目标学生相匹配的个性化习题集之后,还可以在所述个性化复习题集中设置一个对应的个性化数据展示区,以展示所述个性化复习题集的内容构成以及所述目标学生当前的复习情况。
请参阅图6,图6为本申请实施例提供的在个性化复习题集中进行展示的个性化数据展示区示意图。如图6所示,所述个性化数据展示区包括与所述目标学生相关联的章节评分内容和订整内容。所述章节评分内容包括一类分值范围、二类分值范围以及所述目标学生的分值,所述订整内容为与所述目标学生相关的订正数据,如订正数、整理数、协同内容、协同人数、矫正题数、巩固题数以及进阶题数等,基于上述章节评分内容和订整内容,可以使所述目标学生清楚地了解自己当前的复习情况。
可以理解的是,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在本申请的一些实施例中,请参阅图7,图7为本申请实施例提供的一种个性化复习题集生成装置的结构示意图,详述如下:
所述个性化复习题集生成装置包括:获取模块701、处理模块702以及执行模块703。其中,所述获取模块701用于获取目标学生的错题数据,其中,所述错题数据包括有所述目标学生的学情诊断结果,所述学情诊断结果反映所述目标学生对知识点的掌握情况;所述处理模块702用于根据所述学情诊断结果确定所述目标学生对知识点的掌握程度;所述执行模块703用于根据所述所述目标学生对知识点的掌握程度,从预设题库中为所述目标学生配置复习题,生成与所述目标学生相匹配的个性化复习题集。
所述个性化复习题集生成装置,与上述的个性化复习题集生成方法一一对应。
在本申请的一些实施例中,请参阅图8,图8为本申请实施例提供的一种实现个性化复习题集生成方法的电子设备的示意图。如图8所示,该实施例的电子设备8包括:处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82,例如个性化复习题集生成程序。所述处理器80执行所述计算机程序82时实现上述各个个性化复习题集生成方法实施例中的步骤。或者,所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序82可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器81中,并由所述处理器80执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序82在所述电子设备8中的执行过程。例如,所述计算机程序82可以被分割成:
获取模块,用于获取目标学生的错题数据,其中,所述错题数据包括有所述目标学生的学情诊断结果,所述学情诊断结果反映所述目标学生对知识点的掌握情况;
处理模块,用于根据所述学情诊断结果确定所述目标学生对知识点的掌握程度;
执行模块,用于根据所述所述目标学生对知识点的掌握程度,从预设题库中为所述目标学生配置复习题,生成与所述目标学生相匹配的个性化复习题集。
所述电子设备可包括,但不仅限于,处理器80、存储器81。本领域技术人员可以理解,图8仅仅是电子设备8的示例,并不构成对电子设备8的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器80可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81可以是所述电子设备8的内部存储单元,例如电子设备8的硬盘或内存。所述存储器81也可以是所述电子设备8的外部存储设备,例如所述电子设备8上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器81还可以既包括所述电子设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、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单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,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,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (9)
1.一种个性化复习题集生成方法,其特征在于,所述个性化复习题集生成方法包括:
获取目标学生的错题数据,其中,所述错题数据包括有所述目标学生的学情诊断结果;所述学情诊断结果中包括与所述错题对应的错因信息;
根据所述学情诊断结果确定所述目标学生对知识点的掌握程度;所述掌握程度包括未掌握、部分掌握和完全掌握;
根据所述目标学生对知识点的掌握程度,从预设题库中为所述目标学生配置复习题,生成与所述目标学生相匹配的个性化复习题集;
所述预设题库中的复习题具有多个类别标签,所述类别标签的分类方式包括:按照题目的知识点分类;按照题目的难易程度分类;按照题目的易错原因分类;按照题目的题型分类;以及按照题目考查的思考空间分类;
所述根据所述目标学生对知识点的掌握程度,从预设题库中为所述目标学生配置复习题,生成与所述目标学生相匹配的个性化复习题集,包括:统计所述学情诊断结果中记录的错因信息的比例,结合目标学生对知识点的掌握程度和所述错因信息的比例,从预设题库中选择对应类别标签的复习题,生成与所述目标学生相匹配的个性化复习题集。
2.根据权利要求1所述的个性化复习题集生成方法,其特征在于,所述获取目标学生的错题数据的步骤,包括:
收集到属于所述目标学生的结构化订正图像,所述结构化订正图像中含有所述目标学生的错题解答信息以及所述错题的题目信息;
根据所述错题的题目信息获取所述错题预设的参考答案解析信息;
将所述目标学生的错题解答信息与所述错题预设的参考答案解析信息进行比对,生成属于所述目标学生的学情诊断结果。
3.根据权利要求2所述的个性化复习题集生成方法,其特征在于,将所述目标学生的错题解答信息与所述错题预设的参考答案解析信息进行比对,生成属于所述目标学生的学情诊断结果的步骤,包括:
获取与所述错题对应的矢量;
根据所述矢量将所述目标学生的错题解答信息与所述错题预设的参考答案解析信息进行比对,生成对应的矢量矩阵作为所述目标学生的学情诊断结果。
4.根据权利要求3所述的个性化复习题集生成方法,其特征在于,所述获取所述错题对应的矢量元素的步骤,包括:
根据所述错题的题目信息获取所述错题的题目内容;
将所述题目内容输入至预设的矢量配置模型中,以使所述矢量配置模型从所述题目内容中识别出正确解题的知识点作为与所述题目对应的矢量。
5.根据权利要求1-4任意一项所述的个性化复习题集生成方法,其特征在于,所述学情诊断结果包括与所述错题对应的错因信息,所述根据所述目标学生对知识点的掌握程度,从预设题库中为所述目标学生配置复习题,以生成与所述目标学生相匹配的个性化复习题集的步骤,还包括:
根据所述错因信息从预设题库中为所述目标学生配置复习题,以生成与所述目标学生相匹配的个性化复习题集。
6.根据权利要求1所述的个性化复习题集生成方法,其特征在于,所述根据所述目标学生对知识点的掌握程度,从预设题库中为所述目标学生配置复习题,生成与所述目标学生相匹配的个性化复习题集的步骤之后,还包括:
基于所述个性化复习题集生成与所述目标学生关联的个性化数据展示区,其中,所述个性化展示区包括与所述目标学生相关联的章节评分内容和订整内容。
7.一种个性化复习题集生成装置,其特征在于,所述个性化复习题集生成装置包括:
获取模块,用于获取目标学生的错题数据,其中,所述错题数据包括有所述目标学生的学情诊断结果;所述学情诊断结果中包括与所述错题对应的错因信息;
处理模块,用于根据所述学情诊断结果确定所述目标学生对知识点的掌握程度;所述掌握程度包括未掌握、部分掌握和完全掌握;
执行模块,用于根据所述目标学生对知识点的掌握程度,从预设题库中为所述目标学生配置复习题,生成与所述目标学生相匹配的个性化复习题集;所述预设题库中的复习题具有多个类别标签,所述类别标签的分类方式包括:按照题目的知识点分类;按照题目的难易程度分类;按照题目的易错原因分类;按照题目的题型分类;以及按照题目考查的思考空间分类;
所述根据所述目标学生对知识点的掌握程度,从预设题库中为所述目标学生配置复习题,生成与所述目标学生相匹配的个性化复习题集,包括:统计所述学情诊断结果中记录的错因信息的比例,结合目标学生对知识点的掌握程度和所述错因信息的比例,从预设题库中选择对应类别标签的复习题,生成与所述目标学生相匹配的个性化复习题集。
8.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述个性化复习题集生成方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述个性化复习题集生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911054978.5A CN110909035B (zh) | 2019-10-31 | 2019-10-31 | 个性化复习题集生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911054978.5A CN110909035B (zh) | 2019-10-31 | 2019-10-31 | 个性化复习题集生成方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110909035A CN110909035A (zh) | 2020-03-24 |
CN110909035B true CN110909035B (zh) | 2023-07-07 |
Family
ID=69814723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911054978.5A Active CN110909035B (zh) | 2019-10-31 | 2019-10-31 | 个性化复习题集生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909035B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184505A (zh) * | 2020-09-30 | 2021-01-05 | 北京有竹居网络技术有限公司 | 一种信息处理方法、装置及计算机存储介质 |
CN112256743A (zh) * | 2020-10-22 | 2021-01-22 | 北京猿力未来科技有限公司 | 一种自适应出题方法、设备及存储介质 |
CN112581806A (zh) * | 2020-12-30 | 2021-03-30 | 重庆工程职业技术学院 | 一种英语学习辅助系统 |
CN113204581A (zh) * | 2021-05-28 | 2021-08-03 | 上海易教科技股份有限公司 | 基于大数据的题目推荐方法、装置、设备及存储介质 |
CN113988044B (zh) * | 2021-12-24 | 2022-04-12 | 杭州智会学科技有限公司 | 错题原因类别的判定方法 |
CN114003716A (zh) * | 2021-12-31 | 2022-02-01 | 北京金茂教育科技有限公司 | 面向进化型对象的匹配方法 |
CN115658928B (zh) * | 2022-12-14 | 2023-08-01 | 成都泰盟软件有限公司 | 一种组卷试卷的方法、装置、计算机设备及存储介质 |
CN116561260A (zh) * | 2023-07-10 | 2023-08-08 | 北京十六进制科技有限公司 | 一种基于语言模型的习题生成方法、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000224087A (ja) * | 1999-02-01 | 2000-08-11 | Nec Corp | 移動体衛星通信用移動局の自動送信回路とその方法 |
CN109598994A (zh) * | 2018-12-24 | 2019-04-09 | 上海乂学教育科技有限公司 | 一种自适应教学中非知识点错误识别方法及系统 |
CN110085075A (zh) * | 2019-05-23 | 2019-08-02 | 宜春宜联科技有限公司 | 学习状况管理方法、装置和系统 |
CN110135339A (zh) * | 2019-05-15 | 2019-08-16 | 宜春宜联科技有限公司 | 作业制定方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020098468A1 (en) * | 2001-01-23 | 2002-07-25 | Avatar Technology, Inc. | Method for constructing and teaching a curriculum |
US11497966B2 (en) * | 2016-08-09 | 2022-11-15 | Beflex Inc. | Automatic coaching system and method for coaching user's exercise |
CN107563924A (zh) * | 2017-09-18 | 2018-01-09 | 哈尔滨成长科技有限公司 | 试卷生成方法、介质和电子设备 |
CN109242736A (zh) * | 2018-09-27 | 2019-01-18 | 广东小天才科技有限公司 | 一种协助老师了解学生的学习情况的方法和系统 |
-
2019
- 2019-10-31 CN CN201911054978.5A patent/CN110909035B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000224087A (ja) * | 1999-02-01 | 2000-08-11 | Nec Corp | 移動体衛星通信用移動局の自動送信回路とその方法 |
CN109598994A (zh) * | 2018-12-24 | 2019-04-09 | 上海乂学教育科技有限公司 | 一种自适应教学中非知识点错误识别方法及系统 |
CN110135339A (zh) * | 2019-05-15 | 2019-08-16 | 宜春宜联科技有限公司 | 作业制定方法及装置 |
CN110085075A (zh) * | 2019-05-23 | 2019-08-02 | 宜春宜联科技有限公司 | 学习状况管理方法、装置和系统 |
Non-Patent Citations (2)
Title |
---|
Methods for Testing and Evaluating Survey Questions;Stanley Presser等;《https://onlinelibrary.wiley.com/doi/abs/10.1002/0471654728.ch1》;第1-22页 * |
小规模在线教学平台研发与习题推荐研究;蔡佳琪;《中国优秀硕士学位论文全文数据库 (社会科学Ⅱ辑)》(第6期);第H127-74页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110909035A (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909035B (zh) | 个性化复习题集生成方法、装置、电子设备及存储介质 | |
KR100978091B1 (ko) | 온라인 테스트 평가 관리 시스템 및 방법 | |
JP6701367B2 (ja) | 個人オーダーメイド教育コンテンツを提供する方法、装置、及びコンピュータプログラム | |
CN111144191B (zh) | 字体识别方法、装置、电子设备及存储介质 | |
CN106846203B (zh) | 一种智能阅卷方法及系统 | |
Broadfoot et al. | Changing educational assessment: international perspectives and trends | |
US20100157345A1 (en) | System for authoring educational assessments | |
CN107193467B (zh) | 用于展示智能笔书写内容的方法及设备 | |
CN111597305B (zh) | 实体标记方法、装置、计算机设备和存储介质 | |
CN114492803A (zh) | 基于知识图谱的问答生成方法及装置、自动考题生成系统 | |
CN114140280A (zh) | 一种基于ai批改的数据处理方法、系统和电子设备 | |
Patel et al. | Is international accounting education delivering pedagogical value? | |
CN109003492B (zh) | 一种题目选择装置及终端设备 | |
JP2010256795A (ja) | 問題情報出力装置、問題情報出力方法、およびプログラム | |
TWI453703B (zh) | 學習診斷分析方法及學習診斷分析系統 | |
CN110942238B (zh) | 课程推荐设备及方法 | |
CN113918588A (zh) | 一种基于知识点的错题动态智能管理系统 | |
CN114004499A (zh) | 一种教学作业的时长计算终端 | |
KR101946279B1 (ko) | 스마트 펜을 이용한 진단 검사 방법 및 장치 | |
Dong et al. | Relationship between clinical experiences and internal medicine clerkship performance | |
Kunjappagounder et al. | Relationship between Difficulty and Discrimination Indices of Essay Questions in for Mative Assessment | |
WO2022176786A1 (ja) | 個別学習システム | |
CN116311293B (zh) | 一种试卷整体录入方法及系统 | |
TWI740264B (zh) | 教學調查問卷分析方法、電子裝置及存儲介質 | |
CN117891849A (zh) | 一种影像诊断试卷的创建方法及系统 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230922 Address after: 430223 R&D Center 313, No. 8 Wealth 2nd Road, Dong'er Industrial Park, Donghu New Technology Development Zone, Wuhan City, Hubei Province (Wuhan Area of Free Trade Zone) Patentee after: Zhongke Zhixing (Wuhan) Technology Co.,Ltd. Address before: 6-1-5202, Wanda Yuhu Shijia Community, Yanxia Road, Wuchang District, Wuhan City, 430000 Hubei Province Patentee before: Aixiaobu Technology (Wuhan) Co.,Ltd. |