CN111242816A - 基于人工智能的多媒体教案制作方法和系统 - Google Patents

基于人工智能的多媒体教案制作方法和系统 Download PDF

Info

Publication number
CN111242816A
CN111242816A CN202010003208.4A CN202010003208A CN111242816A CN 111242816 A CN111242816 A CN 111242816A CN 202010003208 A CN202010003208 A CN 202010003208A CN 111242816 A CN111242816 A CN 111242816A
Authority
CN
China
Prior art keywords
knowledge points
teaching
test
resource
knowledge
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
Application number
CN202010003208.4A
Other languages
English (en)
Other versions
CN111242816B (zh
Inventor
张新华
贺新春
靖生浩
许珍龙
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.)
Zhejiang Lancoo Technology Co ltd
Original Assignee
Guangzhou Blue Pigeon Software 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 Guangzhou Blue Pigeon Software Co ltd filed Critical Guangzhou Blue Pigeon Software Co ltd
Priority to CN202010003208.4A priority Critical patent/CN111242816B/zh
Publication of CN111242816A publication Critical patent/CN111242816A/zh
Application granted granted Critical
Publication of CN111242816B publication Critical patent/CN111242816B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及教学领域，公开了一种基于人工智能的多媒体教案制作方法和系统，生成的教案符合教学大纲要求、满足特定教学群体学习需求。该方法包括：导入目标教学资源，选择对应的教学阶段和教学群体；分析目标教学资源确定其关键词，根据教学阶段和教学群体确定其一般知识点、重点知识点、难点知识点；根据关键词从多媒体资源库中匹配出与目标教学资源相关性最强的多媒体资源作为课前预习部分；根据一般知识点从知识点解析资源库中配出对应的解析内容作为课中讲解部分，并为每个重点知识点和每个难点知识点从试题资源库中匹配出讲解例题；以及按照预设试卷模板根据一般知识点、重点知识点、难点知识点从试题资源库中抽取习题作为课后练习部分。

Description

基于人工智能的多媒体教案制作方法和系统
技术领域
本申请涉及教学领域，特别涉及基于人工智能的多媒体教案制作技术。
背景技术
目前，教案制作技术更多的是解决教案内容格式的兼容性、内容呈现与编辑等问题，在制作之前还需教师提前收集和导入各部分内容所需的资源，没有从根本上实现教案的智能化制作。然而，教师在收集教学资源的过程又需要对教学内容中的知识点进行甄别，并且结合教学大纲的知识点学习要求、以及教学群体对各知识点的掌握程度，有针对性地从海量资源中筛选出符合学习要求的资源，这不仅对教师的专业水平要求极高，而且费时费力。
发明内容
本申请的目的在于提供一种基于人工智能的多媒体教案制作方法和系统，不仅提高了教师备课的效率，而且所生成的多媒体教案符合教学大纲要求、满足教师所教授教学群体的学习需求。
本申请公开了一种基于人工智能的多媒体教案制作方法，所述多媒体教案包括课前预习部分、课中讲解部分和课后练习部分；所述方法包括：
预先构建多媒体资源库、知识点解析资源库和试题资源库；
导入目标教学资源，选择对应的教学阶段和教学群体；
分析所述目标教学资源确定所述目标教学资源的关键词，并根据所述教学阶段和教学群体确定所述目标教学资源中的一般知识点、重点知识点、难点知识点；
根据所述关键词从所述多媒体资源库中匹配出符合预设要求的与所述目标教学资源相关性最强的多媒体资源，作为所述课前预习部分；
根据所述一般知识点从所述知识点解析资源库中一一匹配出对应的解析内容，作为所述课中讲解部分，并为每个所述重点知识点从所述试题资源库中匹配出包含该知识点的得分率从低到高排序靠前的第一预设数量试题和为每个所述难点知识点从所述试题资源库中匹配出包含该知识点的得分率从低到高排序靠前的第二预设数量试题，作为该重点知识点和该难点知识点的讲解例题增入所述课中讲解部分；
按照预设试卷模板根据所述一般知识点、重点知识点、难点知识点从所述试题资源库中抽取习题，作为所述课后练习部分。
在一个优选例中，所述分析所述目标教学资源确定所述目标教学资源的关键词之前，还包括：
预先存储各教学阶段教学大纲中的各知识点，并标识每个知识点对应的学科、教学阶段和所属类型，构建知识点库；
所述分析所述目标教学资源确定所述目标教学资源的关键词，进一步包括：
对所述目标教学资源进行分句、分词处理，将分词后的字词与所述知识点库进行匹配，确定所述目标资源中包含的所有知识点；
从所述所有知识点中获取具有实际意义的名词性知识点；
根据各名词性知识点的所属类型和其在所述目标教学资源中出现的位置、词频、跨度计算各名词性知识点对所述目标教学资源的重要性；
将所述各名词性知识点根据所述重要性从高到低进行排序，确定排序靠前的第三预设数量知识点为所述关键词。
在一个优选例中，所述根据各名词性知识点的所属类型和其在所述目标教学资源中出现的位置、词频、跨度计算各名词性知识点对所述目标教学资源的重要性，进一步包括：
根据Wk＝Ak×Bk×Ck×Dk计算每个名词性知识点对所述目标教学资源的重要性，其中Wk为第k个名词性知识点的重要性，Ak为第k个名词性知识点所属类型的权重值，Bk为第k个名词性知识点在所述目标教学资源中出现的位置的权重值，Ck为第k个名词性知识点在所述目标教学资源中出现的跨度的权重值，Dk为第k个名词性知识点在所述目标教学资源中出现的词频的权重值。
在一个优选例中，所述根据所述教学阶段和教学群体确定所述目标教学资源中的一般知识点、重点知识点、难点知识点，进一步包括：
将所述所有知识点中属于所述教学阶段下的知识点确定为所述一般知识点；
根据所述教学阶段的历年真题试卷和所述教学群体所在区域的历届学生群体在所述历年真题试卷中的得分信息，确定所述一般知识点中的在所述历年真题试卷中分值占比从高到低排序靠前的第四预设数量知识点为所述重点知识点，确定所述一般知识点中的在所述历年真题试卷中得分率从低到高排序靠前的第五预设数量知识点为所述难点知识点。
在一个优选例中，所述确定所述一般知识点中的在所述历年真题试卷中分值占比从高到低排序靠前的第四预设数量知识点为所述重点知识点，进一步包括：
根据
Figure BDA0002354244340000031
计算各所述一般知识点在所述历年真题试卷中的分值占比，其中，Aa为一般知识点a在历年真题试卷中的分值占比，v为该教学阶段的历年真题试卷份数，ju为第u份真题试卷中以一般知识点a为测试知识点的试题个数，
Figure BDA0002354244340000041
为第u份真题试卷中第i道以一般知识点a为测试知识点的试题中的占分值，p为该考试阶段的历年真题试卷总分和；
将各所述一般知识点按照所述分值占比从大到小排序，确定排序靠前的第四预设数量知识点为所述重点知识点；
所述确定所述一般知识点中的在所述历年真题试卷中得分率从低到高排序靠前的第五预设数量知识点为所述难点知识点，进一步包括：
根据
Figure BDA0002354244340000042
计算各所述一般知识点在所述历年真题试卷中的得分率，其中，Bb为一般知识点b在历年真题试卷中的得分率，q为该教学阶段的历年真题试卷份数，wh为第h份真题试卷中参与的考生人数，
Figure BDA0002354244340000043
为第h份真题试卷中考生i的对一般知识点b为测试知识点的得分率，且
Figure BDA0002354244340000044
Figure BDA0002354244340000045
为第h份真题试卷中包含一般知识点b的试题个数；
将各所述一般知识点按照所述得分率从低到高排序，确定排序靠前的第五预设数量知识点为所述难点知识点。
在一个优选例中，所述根据所述关键词从多媒体资源库中匹配出符合预设类型的与所述目标教学资源相关性最强的多媒体资源，作为所述课前预习部分，进一步包括：
从所述多媒体资源库中获取符合所述预设类型且包含所述关键词中的全部和部分关键词的若干待选资源；
根据
Figure BDA0002354244340000046
计算每个待选资源与所述目标教学资源的相关性，其中Gf为第f篇待选资源与所述目标教学资源的相关性，n为第f篇待选资源与所述目标教学资源相同关键词的数量，Em为第f篇待选资源中第m个关键词的重要性；
将各待选资源根据与所述目标教学资源的相关性从大到小进行排序，提取排序靠前的第六预设数量多媒体资源作为所述课前预习部分。
在一个优选例中，所述按照预设试卷模板根据所述一般知识点、重点知识点、难点知识点从试题资源库中抽取习题，作为所述课后练习部分，进一步包括：
将所述一般知识点的集合确定为测试知识点域，并将所述测试知识点域中的各知识点按照重难点知识点、所述重点知识点中除所述重难点知识点外的知识点、所述难点知识点中除所述重难点知识点外的知识点、所述一般知识点中除所述重点知识点和所述难点知识点外的知识点的顺序进行优先级排序；
按照预设试卷模板中的题型难度从难到易依次选择题型，一个题型的试题选择完成之后再选择下一题型的试题，直到所有题型完成抽题；
对于每一种题型按照所述优先级排序的顺序依次从所述试题资源库中抽取试题并更新所述测试知识点域，一个优先级的全部知识点完成抽题后再进行下一优先级的知识点的抽题。
在一个优选例中，所述预先构建多媒体资源库、知识点解析资源库和试题资源库，进一步包括：
预先存储海量视频类型和文本类型的多媒体教学资源，并对各多媒体教学资源标识对应的关键词，构建所述多媒体资源库；
预先存储所述各知识点及其对应的音标、词义、用法、例句解析内容，构建所述知识点解析资源库；
预先存储历年真题试卷试题和海量练习试题，对各试题的题型和所包含的测试知识点、分值、学科、教学阶段进行标识，构建所述试题资源库。
本申请还公开了一种基于人工智能的多媒体教案制作系统所述多媒体教案包括课前预习部分、课中讲解部分和课后练习部分；所述系统包括：
构建模块，用于预先构建多媒体资源库、知识点解析资源库和试题资源库；
输入模块，用于导入目标教学资源，选择对应的教学阶段和教学群体；
预处理模块，用于分析所述目标教学资源确定所述目标教学资源的关键词，并根据所述教学阶段和教学群体确定所述目标教学资源中的一般知识点、重点知识点、难点知识点；
匹配模块，用于根据所述关键词从所述多媒体资源库中匹配出符合预设要求的与所述目标教学资源相关性最强的多媒体资源，作为所述课前预习部分，根据所述一般知识点从所述知识点解析资源库中一一匹配出对应的解析内容，作为所述课中讲解部分，并为每个所述重点知识点从所述试题资源库中匹配出包含该知识点的得分率从低到高排序靠前的第一预设数量试题和为每个所述难点知识点从所述试题资源库中匹配出包含该知识点的得分率从低到高排序靠前的第二预设数量试题，作为该重点知识点和该难点知识点的讲解例题增入所述课中讲解部分，以及按照预设试卷模板根据所述一般知识点、重点知识点、难点知识点从所述试题资源库中抽取习题，作为所述课后练习部分。
本申请还公开了一种基于人工智能的多媒体教案制作系统包括：
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，与现有技术相比至少包括以下区别和效果：
基于教师授课和学生学习的客观顺序将多媒体教案划分为课前预习部分、课中讲解部分、课后练习部分，预先构建教学资源库(包括多媒体资源库、知识点解析库、试题资源库和知识点库)，对于教师导入的目标教学资源：首先分析目标教学资源确定其关键词，并根据当前教学阶段和当前教学群体确定目标教学资源中的一般知识点、重点知识点、难点知识点；之后根据所确定的关键词和一般知识点、重点知识点、难点知识点从预先构建的教学资源库中分别为课前预习部分、课中讲解部分、课后练习部分匹配出对应的多媒体资源、讲解资源、习题资源以自动生成多媒体教案。不仅提高了教师备课的效率，还针对特定的目标教学资源和特定的教学群体制定出既与该目标教学资源相关性强且与该教学群体相关性强的教案，该教案符合教学大纲要求、满足当前教学群体的学习需求。
而且，重点、难点知识点是基于对当前教学阶段的历年真题试卷和当前教学群体所在区域的历届学生群体在历年真题试卷中的得分信息的统计分析确定的，因为当前教学群体所在区域的历届学生群体的水平相差不大，所以根据其在历年真题试卷中的得分信息来评判对应当前教学群体的重点、难点知识点范围，据此生成的多媒体教案科学、客观，满足当前教学群体的学习需求。
进一步地，在分析目标教学资源确定其关键词时，根据目标教学资源中包含的所有名词性知识点，综合各名词性知识点的类型和出现的位置、词频、跨度多维度指标，计算出各知识点对于目标教学资源的重要性，进而确定目标教学资源的关键词，便于有针对性地匹配出与该目标教学资源相关性强的多媒体资源作为其课前预习部分。
进一步地，将一般知识点的集合确定为测试知识点域，并将各测试知识点按照重难点知识点、重点知识点中除重难点知识点外的知识点、难点知识点中除重难点知识点外的知识点、一般知识点中除重点和难点知识点外的知识点的优先级顺序排序，以及预设试卷模板中的题型按照难度从难到易的优先级顺序排序，并依序选择抽题题型和测试知识点进行课后习题的抽题，以确保所抽取的习题优先用最难题型覆盖重点、难点知识点，抽题所得课后练习部分重点突出，使得学生在使用该课后练习部分进行复习时，复习重点突出、复习难度达标，能够更好的加强学生对重点、难点知识点的记忆和掌握。
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人工智能的多媒体教案制作方法流程示意图；
图2是根据本申请第二实施方式的基于人工智能的多媒体教案制作系统结构示意图；
图3是根据本申请的抽取课后练习部分的习题的一个具体实施例。
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：
一般知识点：一篇教学资源中包含该教师选择的教学阶段下的所有知识点。
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。
教案是教师为有序开展教学活动而制作的教学材料，以满足教师授课和学生学习的需求，一份优质的教案不仅包含课前、课中、课后各环节，而且各环节的内容应该紧扣按照教材内容(教学资源)、教学大纲、教学群体和课程标准制定。
本申请的第一实施方式涉及一种基于人工智能的多媒体教案制作方法，该多媒体教案包括课前预习部分、课中讲解部分和课后练习部分；该多媒体教案制作方法的流程如图1所示，该方法包括以下步骤：
预先构建多媒体资源库、知识点解析资源库、试题资源库和知识点库。
可选地，该预先构建多媒体资源库、知识点解析资源库、试题资源库和知识点库，进一步包括以下步骤：
预先存储海量视频类型和文本类型的多媒体教学资源，并对各多媒体教学资源标识对应的关键词，构建该多媒体资源库；
预先存储该各知识点及其对应的音标、词义、用法、例句解析内容，构建该知识点解析资源库；
预先存储历年真题试卷试题和海量练习试题，对各试题的题型和所包含的测试知识点、分值、学科、教学阶段进行标识，构建该试题资源库；其中该试题资源库中还包括该历年真题试卷对应的各个地区历届学生群体的得分信息；
预先存储各教学阶段教学大纲中的各知识点，并标识每个知识点对应的学科、教学阶段和所属类型，构建知识点库。
注意：以上多媒体资源库、知识点解析资源库、试题资源库和知识点库的构建过程没有先后顺序，可以同时构建或者按照一定的顺序依次构建。
在步骤101中，导入目标教学资源，选择对应的教学阶段和教学群体。
例如但不限于由教师手动导入该目标教学资源，由教师手动选择对应的教学阶段和教学群体，或者系统根据预先配置的教师标识自动匹配得到对应的教学阶段和教学群体。
需要说明的是，该教学群体指该多媒体教案授课的学生群体。
之后，进入步骤102，分析该目标教学资源确定该目标教学资源的关键词，并根据该教学阶段和教学群体确定该目标教学资源中的一般知识点、重点知识点、难点知识点。
其中，重点知识点和难点知识点都属于一般知识点，并且重点知识点和难点知识点可以有交集。
该步骤102中“分析该目标教学资源确定该目标教学资源的关键词”进一步包括以下步骤①②③④：
在步骤①中，对该目标教学资源进行分句、分词处理，将分词后的字词与该知识点库进行匹配，确定该目标资源中包含的所有知识点；之后执行步骤②，从该所有知识点中获取具有实际意义的名词性知识点；之后执行步骤③，根据各名词性知识点的所属类型和其在该目标教学资源中出现的位置、词频、跨度计算各名词性知识点对该目标教学资源的重要性；之后执行步骤④，将该各名词性知识点根据该重要性从高到低进行排序，确定排序靠前的第三预设数量知识点为该关键词。
因为名词属于实词，在一篇资源中，名词性知识点在句子中具有实际意义，一个名词性知识点的所属类型、在资源中出现的位置、在资源中出现的跨度、在资源中出现的词频分别可以作为评价该名词性知识点对于该资源的重要性的指标。可选地，四个指标可以综合评价该名词性知识点对于该资源的重要性。可选地，其中任一个指标也可以单独评价该名词性知识点对于该资源的重要性。可选地，其中任两个或任三个指标也可以组合评价该名词性知识点对于该资源的重要性。
在一个实施例中，该名词性知识点的所属类型至少包括以下任意两项：词汇类型、词组类型、短语类型。
可选地，该步骤③进一步包括以下步骤：
根据Wk＝Ak×Bk×Ck×Dk计算每个名词性知识点对该目标教学资源的重要性，其中Wk为第k个名词性知识点的重要性，Ak为第k个名词性知识点所属类型的权重值，Bk为第k个名词性知识点在该目标教学资源中出现的位置的权重值，Ck为第k个名词性知识点在该目标教学资源中出现的跨度的权重值，Dk为第k个名词性知识点在该目标教学资源中出现的词频的权重值。
其中，公式Wk＝Ak×Bk×Ck×Dk只是计算每个名词性知识点对该目标教学资源的重要性的一个优选实施例，基于该公式的简单变化也在本申请的保护范围内。
可选地，根据不同类型的名词性知识点对于目标教学资源的重要性不同，可以预先为不同类型的名词性知识点配置不同的权重值。例如，属于短语类名词性知识点一般比单词类更重要，那么可以预先配置类型为短语的名词性知识点的权重值为a1，类型为单词的名词性知识点的权重值为a2，a1＞a2＞0。
可选地，根据出现的位置不同的名词性知识点对于目标教学资源的重要性不同，可以预先为出现在目标教学资源的位置不同的名词性知识点配置不同的权重值。例如，位于标题处的名词性知识点一般比位于正文中更能凸显文章内容，则更重要，那么可以预先配置位于标题处的名词性知识点的权重值为b1，位于正文处的名词性知识点的权重值为b2，b1＞b2＞0。
可选地，基于出现的跨度越大说明该名词性知识点贯穿全文，对资料资源主题更具有良好的体现，可以预先为出现在目标教学资源的跨度不同的名词性知识点配置不同的权重值，例如，
Figure BDA0002354244340000121
Figure BDA0002354244340000122
可选地，基于出现的词频越大说明该名词性知识点越能反映文章主题信息，可以预先按照出现的词频的大小配置对应的权重值，例如
Figure BDA0002354244340000123
Figure BDA0002354244340000124
可选地，该步骤102中“根据该教学阶段和教学群体确定该目标教学资源中的一般知识点、重点知识点、难点知识点”，进一步包括以下步骤I和II：
在步骤I中，将该所有知识点中属于该教学阶段下的知识点确定为该一般知识点；之后执行步骤II，根据该教学阶段的历年真题试卷和该教学群体所在区域的历届学生群体在该历年真题试卷中的得分信息，确定该一般知识点中的在该历年真题试卷中分值占比从高到低排序靠前的第四预设数量知识点为该重点知识点，确定该一般知识点中的在该历年真题试卷中得分率从低到高排序靠前的第五预设数量知识点为该难点知识点。
具体的，选择与该教学群体水平相差不大的历年学生群体的历年真题试卷中的得分信息作为难点知识点获取数据来源。该教学群体所在区域的历届学生群体例如但不限于是：该教学群体所在学校区域的历届学生群体(默认选择该群体，因为一个学校应届和历年学生水平差距不大)，或者该教学群体所在教育局(如县区、市教育局等)管辖区域的历届学生群体。
可选地，该步骤II中“确定该一般知识点中的在该历年真题试卷中分值占比从高到低排序靠前的第四预设数量知识点为该重点知识点”进一步包括以下步骤：
根据
Figure BDA0002354244340000131
计算各该一般知识点在该历年真题试卷中的分值占比，其中，Aa为一般知识点a在历年真题试卷中的分值占比，v为该教学阶段的历年真题试卷份数，ju为第u份真题试卷中以一般知识点a为测试知识点的试题个数，
Figure BDA0002354244340000132
为第u份真题试卷中第i道以一般知识点a为测试知识点的试题中的占分值，p为该考试阶段的历年真题试卷总分和；
将各该一般知识点按照该分值占比从大到小排序，确定排序靠前的第四预设数量知识点为该重点知识点。
可选地，该步骤II中“确定该一般知识点中的在该历年真题试卷中得分率从低到高排序靠前的第五预设数量知识点为该难点知识点”进一步包括以下步骤：
根据
Figure BDA0002354244340000133
计算各该一般知识点在该历年真题试卷中的得分率，其中，Bb为一般知识点b在历年真题试卷中的得分率，q为该教学阶段的历年真题试卷份数，wh为第h份真题试卷中参与的考生人数，
Figure BDA0002354244340000134
为第h份真题试卷中考生i的对一般知识点b为测试知识点的得分率，且
Figure BDA0002354244340000135
Figure BDA0002354244340000136
为第h份真题试卷中包含一般知识点b的试题个数；
将各该一般知识点按照该得分率从低到高排序，确定排序靠前的第五预设数量知识点为该难点知识点。
之后，进入步骤103，根据该关键词从该多媒体资源库中匹配出符合预设要求的与该目标教学资源相关性最强的多媒体资源，作为该课前预习部分。
可选地，该预设要求包括资源类型和对应的资源大小。该资源类型包括纯文本类和多媒体综合类等。在一个实施例中，该预设要求可以由教师在导入目标教学资源后进行手动选择。
可选地，该步骤103进一步包括以下步骤：
从该多媒体资源库中获取符合该预设类型且包含该关键词中的全部和部分关键词的若干待选资源；
根据
Figure BDA0002354244340000141
计算每个待选资源与该目标教学资源的相关性，其中Gf为第f篇待选资源与该目标教学资源的相关性，n为第f篇待选资源与该目标教学资源相同关键词的数量，Em为第f篇待选资源中第m个关键词的重要性；以及，
将各待选资源根据与该目标教学资源的相关性从大到小进行排序，提取排序靠前的第六预设数量多媒体资源作为该课前预习部分。
之后，进入步骤104，根据该一般知识点从该知识点解析资源库中一一匹配出对应的解析内容，作为该课中讲解部分，根据所述一般知识点从所述知识点解析资源库中一一匹配出对应的解析内容，作为所述课中讲解部分，并为每个所述重点知识点从所述试题资源库中匹配出包含该知识点的得分率从低到高排序靠前的第一预设数量试题和为每个所述难点知识点从所述试题资源库中匹配出包含该知识点的得分率从低到高排序靠前的第二预设数量试题，作为该重点知识点和该难点知识点的讲解例题增入该课中讲解部分。
该步骤104中“为每个所述重点知识点从所述试题资源库中匹配出包含该知识点的得分率从低到高排序靠前的第一预设数量试题”可以进一步描述为：根据所述教学阶段的历年真题试卷和所述教学群体所在区域的历届学生群体在所述历年真题试卷中的得分信息统计出每个重点知识点对应的试题(包含该重点知识点的试题)集合；对于每个重点知识点：计算其对应的试题集合中各试题的得分率，并将各试题按照得分率从低到高进行排序，获取排序靠前的第一预设数量试题为该重点知识点的讲解例题。
该步骤104中“为每个所述难点知识点从所述试题资源库中匹配出包含该知识点的得分率从低到高排序靠前的第二预设数量试题”可以进一步描述为：根据所述教学阶段的历年真题试卷和所述教学群体所在区域的历届学生群体在所述历年真题试卷中的得分信息统计出每个难点知识点对应的试题(包含该难点知识点的试题)集合；对于每个难点知识点：计算其对应的试题集合中各试题的得分率，并将各试题按照得分率从低到高进行排序，获取排序靠前的第二预设数量试题为该难点知识点的讲解例题。
之后，进入步骤105，按照预设试卷模板根据该一般知识点、重点知识点、难点知识点从该试题资源库中抽取习题，作为该课后练习部分。
可选地，该步骤105中“按照预设试卷模板根据该一般知识点、重点知识点、难点知识点从该试题资源库中抽取习题”进一步包括以下步骤：
将该一般知识点的集合确定为测试知识点域，并将该测试知识点域中的各知识点按照重难点知识点、该重点知识点中除该重难点知识点外的知识点、该难点知识点中除该重难点知识点外的知识点、该一般知识点中除该重点知识点和该难点知识点外的知识点的顺序进行优先级排序；
按照预设试卷模板中的题型难度从难到易依次选择题型，一个题型的试题选择完成之后再选择下一题型的试题，直到所有题型完成抽题；
对于每一种题型按照该优先级排序的顺序依次从该试题资源库中抽取试题并更新该测试知识点域，一个优先级的全部知识点完成抽题后再进行下一优先级的知识点的抽题。
图3示出了基于该测试知识点域按照预设试卷模板根据该一般知识点、重点知识点、难点知识点从该试题资源库中抽取习题的一个具体实施例，具体见下表1。
表1
Figure BDA0002354244340000161
Figure BDA0002354244340000171
在一个实施例中，该预设试卷模板可以由教师在导入目标教学资源后进行手动选择，例如，系统中预先配置多种试卷模板，从预先配置的多种试卷模板中选择。可选地，该预设试卷模板包括习题题型、各题型试题数量等。
本申请的第二实施方式涉及一种基于人工智能的多媒体教案制作系统，其结构如图2所示，该基于人工智能的多媒体教案制作系统包括构建模块、输入模块、预处理模块和匹配模块。
具体的描述为：
该构建模块用于预先构建多媒体资源库、知识点解析资源库、试题资源库和知识点库。
可选地，构建模块还用于预先存储海量视频类型和文本类型的多媒体教学资源，并对各多媒体教学资源标识对应的关键词，构建该多媒体资源库。
可选地，该构建模块还用于预先存储该各知识点及其对应的音标、词义、用法、例句解析内容，构建该知识点解析资源库。
可选地，该构建模块还用于预先存储历年真题试卷试题和海量练习试题，对各试题的题型和所包含的测试知识点、分值、学科、教学阶段进行标识，构建该试题资源库。其中该试题资源库中还包括该历年真题试卷对应的各个地区历届学生群体的得分信息。
可选地，该构建模块还用于预先存储各教学阶段教学大纲中的各知识点，并标识每个知识点对应的学科、教学阶段和所属类型，构建知识点库。
该输入模块用于导入目标教学资源，选择对应的教学阶段和教学群体。
例如但不限于由教师手动导入该目标教学资源。例如由教师手动选择对应的教学阶段和教学群体，或者系统根据教师标识自动匹配得到对应的教学阶段和教学群体。
需要说明的是，该教学群体指该多媒体教案授课的学生群体。
该预处理模块用于分析该目标教学资源确定该目标教学资源的关键词，并根据该教学阶段和教学群体确定该目标教学资源中的一般知识点、重点知识点、难点知识点。
可选地，该预处理模块还用于对该目标教学资源进行分句、分词处理，将分词后的字词与该知识点库进行匹配，确定该目标资源中包含的所有知识点；从该所有知识点中获取具有实际意义的名词性知识点；根据各名词性知识点的所属类型和其在该目标教学资源中出现的位置、词频、跨度计算各名词性知识点对该目标教学资源的重要性；以及将该各名词性知识点根据该重要性从高到低进行排序，确定排序靠前的第三预设数量知识点为该关键词。
因为名词属于实词，在一篇资源中，名词性知识点在句子中具有实际意义，一个名词性知识点的所属类型、在资源中出现的位置、在资源中出现的跨度、在资源中出现的词频可以作为评价该名词性知识点作为资源的重要性的指标。可选地，四个指标可以综合评价该名词性知识点对于该资源的重要性。可选地，其中任一个指标也可以单独评价该名词性知识点对于该资源的重要性。可选地，其中任两个或任三个指标也可以组合评价该名词性知识点对于该资源的重要性。
在一个实施例中，该名词性知识点的所属类型至少包括以下任意两项：词汇类型、词组类型、短语类型。
可选地，该预处理模块还用于根据Wk＝Ak×Bk×Ck×Dk计算每个名词性知识点对该目标教学资源的重要性，其中Wk为第k个名词性知识点的重要性，Ak为第k个名词性知识点所属类型的权重值，Bk为第k个名词性知识点在该目标教学资源中出现的位置的权重值，Ck为第k个名词性知识点在该目标教学资源中出现的跨度的权重值，Dk为第k个名词性知识点在该目标教学资源中出现的词频的权重值。
其中，该预处理模块根据公式Wk＝Ak×Bk×Ck×Dk计算每个名词性知识点对该目标教学资源的重要性，只是计算每个名词性知识点对该目标教学资源的重要性的一个优选实施例，该预处理模块还可以基于该公式的简单变化后的公式来计算每个名词性知识点对该目标教学资源的重要性，并且这也在本申请的保护范围内。
可选地，该预处理模块还用于根据不同类型的名词性知识点对于目标教学资源的重要性不同，可以预先为不同类型的名词性知识点配置不同的权重值。例如属于短语类名词性知识点一般比单词类更重要，那么可以预先配置类型为短语的名词性知识点的权重值为a1，类型为单词的名词性知识点的权重值为a2，a1＞a2＞0。
可选地，该预处理模块还用于根据出现的位置不同的名词性知识点对于目标教学资源的重要性不同，可以预先为出现在目标教学资源的位置不同的名词性知识点配置不同的权重值。例如，位于标题处的名词性知识点一般比位于正文中更能凸显文章内容，则更重要，那么可以预先配置位于标题处的名词性知识点的权重值为b1，位于正文处的名词性知识点的权重值为b2，b1＞b2＞0。
可选地，该预处理模块还用于基于出现的跨度越大说明该名词性知识点贯穿全文，对资料资源主题更具有良好的体现，预先为出现在目标教学资源的跨度不同的名词性知识点配置不同的权重值，例如，
Figure BDA0002354244340000201
Figure BDA0002354244340000202
可选地，该预处理模块还用于基于出现的词频越大说明该名词性知识点越能反映文章主题信息，预先按照出现的词频的大小配置对应的权重值，例如
Figure BDA0002354244340000203
可选地，该预处理模块还用于将该所有知识点中属于该教学阶段下的知识点确定为该一般知识点；根据该教学阶段的历年真题试卷和该教学群体所在区域的历届学生群体在该历年真题试卷中的得分信息，确定该一般知识点中的在该历年真题试卷中分值占比从高到低排序靠前的第四预设数量知识点为该重点知识点，确定该一般知识点中的在该历年真题试卷中得分率从低到高排序靠前的第五预设数量知识点为该难点知识点。
具体的，选择与该教学群体水平相差不大的历年学生群体的历年真题试卷中的得分信息作为难点知识点获取数据来源。该教学群体所在区域的历届学生群体例如但不限于是：该教学群体所在学校区域的历届学生群体(默认选择该群体，因为一个学校应届和历年学生水平差距不大)，或者该教学群体所在教育局(县区、市教育局等)管辖区域的历届学生群体。
可选地，该预处理模块还用于根据
Figure BDA0002354244340000204
计算各该一般知识点在该历年真题试卷中的分值占比，其中，Aa为一般知识点a在历年真题试卷中的分值占比，v为该教学阶段的历年真题试卷份数，ju为第u份真题试卷中以一般知识点a为测试知识点的试题个数，
Figure BDA0002354244340000205
为第u份真题试卷中第i道以一般知识点a为测试知识点的试题中的占分值，p为该考试阶段的历年真题试卷总分和，以及将各该一般知识点按照该分值占比从大到小排序，确定排序靠前的第四预设数量知识点为该重点知识点。
可选地，该预处理模块还用于根据
Figure BDA0002354244340000211
计算各该一般知识点在该历年真题试卷中的得分率，其中，Bb为一般知识点b在历年真题试卷中的得分率，q为该教学阶段的历年真题试卷份数，wh为第h份真题试卷中参与的考生人数，
Figure BDA0002354244340000212
为第h份真题试卷中考生i的对一般知识点b为测试知识点的得分率，且
Figure BDA0002354244340000213
为第h份真题试卷中包含一般知识点b的试题个数，以及将各该一般知识点按照该得分率从低到高排序，确定排序靠前的第五预设数量知识点为该难点知识点。
该匹配模块包括第一匹配子模块、第二匹配子模块和第三匹配子模块。
其中，该第一匹配子模块用于根据该关键词从该多媒体资源库中匹配出符合预设要求的与该目标教学资源相关性最强的多媒体资源，作为该课前预习部分。
可选地，该预设要求包括资源类型和对应的资源大小。该资源类型包括纯文本类和多媒体综合类等。在一个实施例中，该预设要求可以由教师在导入目标教学资源后进行手动选择。
可选地，该第一匹配子模块还用于从该多媒体资源库中获取符合该预设类型且包含该关键词中的全部和部分关键词的若干待选资源；根据
Figure BDA0002354244340000214
Figure BDA0002354244340000215
计算每个待选资源与该目标教学资源的相关性，其中Gf为第f篇待选资源与该目标教学资源的相关性，n为第f篇待选资源与该目标教学资源相同关键词的数量，Em为第f篇待选资源中第m个关键词的重要性；以及将各待选资源根据与该目标教学资源的相关性从大到小进行排序，提取排序靠前的第六预设数量多媒体资源作为该课前预习部分。
该第二匹配子模块用于根据该一般知识点从该知识点解析资源库中一一匹配出对应的解析内容，作为该课中讲解部分，并为每个所述重点知识点从所述试题资源库中匹配出包含该知识点的得分率从低到高排序靠前的第一预设数量试题和为每个所述难点知识点从所述试题资源库中匹配出包含该知识点的得分率从低到高排序靠前的第二预设数量试题，作为该重点知识点和该难点知识点的讲解例题增入所述课中讲解部分。
其中，该第二匹配子模块用于为每个所述重点知识点从所述试题资源库中匹配出包含该知识点的得分率从低到高排序靠前的第一预设数量试题和为每个所述难点知识点从所述试题资源库中匹配出包含该知识点的得分率从低到高排序靠前的第二预设数量试题，作为该重点知识点和该难点知识点的讲解例题增入所述课中讲解部分，可以进一步描述为：该第二匹配子模块用于根据所述教学阶段的历年真题试卷和所述教学群体所在区域的历届学生群体在所述历年真题试卷中的得分信息统计出每个重点知识点对应的试题(包含该重点知识点的试题)集合，对于每个重点知识点：计算其对应的试题集合中各试题的得分率，并将各试题按照得分率从低到高进行排序，获取排序靠前的第一预设数量试题为该重点知识点的讲解例题。其中获取的若干试题的具体个数可以根据需要预先配置；以及根据所述教学阶段的历年真题试卷和所述教学群体所在区域的历届学生群体在所述历年真题试卷中的得分信息统计出每个难点知识点对应的试题(包含该难点知识点的试题)集合，对于每个难点知识点：计算其对应的试题集合中各试题的得分率，并将各试题按照得分率从低到高进行排序，获取排序靠前的第二预设数量试题为该难点知识点的讲解例题。
该第三匹配子模块用于按照预设试卷模板根据该一般知识点、重点知识点、难点知识点从该试题资源库中抽取习题，作为该课后练习部分。
可选地，该第三匹配子模块还用于将该一般知识点的集合确定为测试知识点域，并将该测试知识点域中的各知识点按照重难点知识点、该重点知识点中除该重难点知识点外的知识点、该难点知识点中除该重难点知识点外的知识点、该一般知识点中除该重点知识点和该难点知识点外的知识点的顺序进行优先级排序，按照预设试卷模板中的题型难度从难到易依次选择题型，一个题型的试题选择完成之后再选择下一题型的试题，直到所有题型完成抽题，以及对于每一种题型按照该优先级排序的顺序依次从该试题资源库中抽取试题并更新该测试知识点域，一个优先级的全部知识点完成抽题后再进行下一优先级的知识点的抽题。
可选地，系统中预先配置多种试卷模板，试卷模板中包括习题题型、各题型试题数量。在一个实施例中，该预设试卷模板可以由教师在导入目标教学资源后进行手动选择配置。
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，本申请中的第一预设数量、第二预设数量、第三预设数量、第四预设数量、第五预设数量、第六预设数量可以根据需要预先配置，例如但不限于是由教师导入目标教学资源后选择设置等。
需要说明的是，本领域技术人员应当理解，上述基于人工智能的多媒体教案制作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人工智能的多媒体教案制作方法的相关描述而理解。上述基于人工智能的多媒体教案制作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人工智能的多媒体教案制作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，ReadOnly 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人工智能的多媒体教案制作系统，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 (11)

1.一种基于人工智能的多媒体教案制作方法，其特征在于，所述多媒体教案包括课前预习部分、课中讲解部分和课后练习部分；所述方法包括：
预先构建多媒体资源库、知识点解析资源库和试题资源库；
导入目标教学资源，选择对应的教学阶段和教学群体；
分析所述目标教学资源确定所述目标教学资源的关键词，并根据所述教学阶段和教学群体确定所述目标教学资源中的一般知识点、重点知识点、难点知识点；
根据所述关键词从所述多媒体资源库中匹配出符合预设要求的与所述目标教学资源相关性最强的多媒体资源，作为所述课前预习部分；
根据所述一般知识点从所述知识点解析资源库中一一匹配出对应的解析内容，作为所述课中讲解部分，并为每个所述重点知识点从所述试题资源库中匹配出包含该知识点的得分率从低到高排序靠前的第一预设数量试题和为每个所述难点知识点从所述试题资源库中匹配出包含该知识点的得分率从低到高排序靠前的第二预设数量试题，作为该重点知识点和该难点知识点的讲解例题增入所述课中讲解部分；
按照预设试卷模板根据所述一般知识点、重点知识点、难点知识点从所述试题资源库中抽取习题，作为所述课后练习部分。
2.如权利要求1所述的基于人工智能的多媒体教案制作方法，其特征在于，所述分析所述目标教学资源确定所述目标教学资源的关键词之前，还包括：
预先存储各教学阶段教学大纲中的各知识点，并标识每个知识点对应的学科、教学阶段和所属类型，构建知识点库；
所述分析所述目标教学资源确定所述目标教学资源的关键词，进一步包括：
对所述目标教学资源进行分句、分词处理，将分词后的字词与所述知识点库进行匹配，确定所述目标资源中包含的所有知识点；
从所述所有知识点中获取具有实际意义的名词性知识点；
根据各名词性知识点的所属类型和其在所述目标教学资源中出现的位置、词频、跨度计算各名词性知识点对所述目标教学资源的重要性；
将所述各名词性知识点根据所述重要性从高到低进行排序，确定排序靠前的第三预设数量知识点为所述关键词。
3.如权利要求2所述的基于人工智能的多媒体教案制作方法，其特征在于，所述根据各名词性知识点的所属类型和其在所述目标教学资源中出现的位置、词频、跨度计算各名词性知识点对所述目标教学资源的重要性，进一步包括：
根据Wk＝Ak×Bk×Ck×Dk计算每个名词性知识点对所述目标教学资源的重要性，其中Wk为第k个名词性知识点的重要性，Ak为第k个名词性知识点所属类型的权重值，Bk为第k个名词性知识点在所述目标教学资源中出现的位置的权重值，Ck为第k个名词性知识点在所述目标教学资源中出现的跨度的权重值，Dk为第k个名词性知识点在所述目标教学资源中出现的词频的权重值。
4.如权利要求2所述的基于人工智能的多媒体教案制作方法，其特征在于，所述根据所述教学阶段和教学群体确定所述目标教学资源中的一般知识点、重点知识点、难点知识点，进一步包括：
将所述所有知识点中属于所述教学阶段下的知识点确定为所述一般知识点；
根据所述教学阶段的历年真题试卷和所述教学群体所在区域的历届学生群体在所述历年真题试卷中的得分信息，确定所述一般知识点中的在所述历年真题试卷中分值占比从高到低排序靠前的第四预设数量知识点为所述重点知识点，确定所述一般知识点中的在所述历年真题试卷中得分率从低到高排序靠前的第五预设数量知识点为所述难点知识点。
5.如权利要求4所述的基于人工智能的多媒体教案制作方法，其特征在于，所述确定所述一般知识点中的在所述历年真题试卷中分值占比从高到低排序靠前的第四预设数量知识点为所述重点知识点，进一步包括：
根据
Figure FDA0002354244330000031
计算各所述一般知识点在所述历年真题试卷中的分值占比，其中，Aa为一般知识点a在历年真题试卷中的分值占比，v为该教学阶段的历年真题试卷份数，ju为第u份真题试卷中以一般知识点a为测试知识点的试题个数，
Figure FDA0002354244330000032
为第u份真题试卷中第i道以一般知识点a为测试知识点的试题中的占分值，p为该考试阶段的历年真题试卷总分和；
将各所述一般知识点按照所述分值占比从大到小排序，确定排序靠前的第四预设数量知识点为所述重点知识点；
所述确定所述一般知识点中的在所述历年真题试卷中得分率从低到高排序靠前的第五预设数量知识点为所述难点知识点，进一步包括：
根据
Figure FDA0002354244330000033
计算各所述一般知识点在所述历年真题试卷中的得分率，其中，Bb为一般知识点b在历年真题试卷中的得分率，q为该教学阶段的历年真题试卷份数，wh为第h份真题试卷中参与的考生人数，
Figure FDA0002354244330000034
为第h份真题试卷中考生i的对一般知识点b为测试知识点的得分率，且
Figure FDA0002354244330000035
Figure FDA0002354244330000036
Figure FDA0002354244330000037
为第h份真题试卷中包含一般知识点b的试题个数；
将各所述一般知识点按照所述得分率从低到高排序，确定排序靠前的第五预设数量知识点为所述难点知识点。
6.如权利要求1所述的基于人工智能的多媒体教案制作方法，其特征在于，所述根据所述关键词从多媒体资源库中匹配出符合预设类型的与所述目标教学资源相关性最强的多媒体资源，作为所述课前预习部分，进一步包括：
从所述多媒体资源库中获取符合所述预设类型且包含所述关键词中的全部和部分关键词的若干待选资源；
根据
Figure FDA0002354244330000041
计算每个待选资源与所述目标教学资源的相关性，其中Gf为第f篇待选资源与所述目标教学资源的相关性，n为第f篇待选资源与所述目标教学资源相同关键词的数量，Em为第f篇待选资源中第m个关键词的重要性；
将各待选资源根据与所述目标教学资源的相关性从大到小进行排序，提取排序靠前的第六预设数量多媒体资源作为所述课前预习部分。
7.如权利要求1所述的基于人工智能的多媒体教案制作方法，其特征在于，所述按照预设试卷模板根据所述一般知识点、重点知识点、难点知识点从试题资源库中抽取习题，作为所述课后练习部分，进一步包括：
将所述一般知识点的集合确定为测试知识点域，并将所述测试知识点域中的各知识点按照重难点知识点、所述重点知识点中除所述重难点知识点外的知识点、所述难点知识点中除所述重难点知识点外的知识点、所述一般知识点中除所述重点知识点和所述难点知识点外的知识点的顺序进行优先级排序；
按照预设试卷模板中的题型难度从难到易依次选择题型，一个题型的试题选择完成之后再选择下一题型的试题，直到所有题型完成抽题；
对于每一种题型按照所述优先级排序的顺序依次从所述试题资源库中抽取试题并更新所述测试知识点域，一个优先级的全部知识点完成抽题后再进行下一优先级的知识点的抽题。
8.如权利要求1-7中任意一项所述的基于人工智能的多媒体教案制作方法，其特征在于，所述预先构建多媒体资源库、知识点解析资源库和试题资源库，进一步包括：
预先存储海量视频类型和文本类型的多媒体教学资源，并对各多媒体教学资源标识对应的关键词，构建所述多媒体资源库；
预先存储所述各知识点及其对应的音标、词义、用法、例句解析内容，构建所述知识点解析资源库；
预先存储历年真题试卷试题和海量练习试题，对各试题的题型和所包含的测试知识点、分值、学科、教学阶段进行标识，构建所述试题资源库。
9.一种基于人工智能的多媒体教案制作系统，其特征在于，所述多媒体教案包括课前预习部分、课中讲解部分和课后练习部分；所述系统包括：
构建模块，用于预先构建多媒体资源库、知识点解析资源库和试题资源库；
输入模块，用于导入目标教学资源，选择对应的教学阶段和教学群体；
预处理模块，用于分析所述目标教学资源确定所述目标教学资源的关键词，并根据所述教学阶段和教学群体确定所述目标教学资源中的一般知识点、重点知识点、难点知识点；
匹配模块，用于根据所述关键词从所述多媒体资源库中匹配出符合预设要求的与所述目标教学资源相关性最强的多媒体资源，作为所述课前预习部分，根据所述一般知识点从所述知识点解析资源库中一一匹配出对应的解析内容，作为所述课中讲解部分，并为每个所述重点知识点从所述试题资源库中匹配出包含该知识点的得分率从低到高排序靠前的第一预设数量试题和为每个所述难点知识点从所述试题资源库中匹配出包含该知识点的得分率从低到高排序靠前的第二预设数量试题，作为该重点知识点和该难点知识点的讲解例题增入所述课中讲解部分，以及按照预设试卷模板根据所述一般知识点、重点知识点、难点知识点从所述试题资源库中抽取习题，作为所述课后练习部分。
10.一种基于人工智能的多媒体教案制作系统，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8中任意一项所述的方法中的步骤。
11.一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8中任意一项所述的方法中的步骤。
CN202010003208.4A 2020-01-02 2020-01-02 基于人工智能的多媒体教案制作方法和系统 Active CN111242816B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010003208.4A CN111242816B (zh) 2020-01-02 2020-01-02 基于人工智能的多媒体教案制作方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010003208.4A CN111242816B (zh) 2020-01-02 2020-01-02 基于人工智能的多媒体教案制作方法和系统

Publications (2)

Publication Number Publication Date
CN111242816A true CN111242816A (zh) 2020-06-05
CN111242816B CN111242816B (zh) 2024-03-15

Family

ID=70870748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010003208.4A Active CN111242816B (zh) 2020-01-02 2020-01-02 基于人工智能的多媒体教案制作方法和系统

Country Status (1)

Country Link
CN (1) CN111242816B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815274A (zh) * 2020-07-03 2020-10-23 北京字节跳动网络技术有限公司 信息处理方法、装置和电子设备
CN112381691A (zh) * 2020-11-24 2021-02-19 中教云智数字科技有限公司 一种线上教学资源整合及审核方法
CN112614393A (zh) * 2021-01-06 2021-04-06 长春职业技术学院 一种基于互联网的远程学习系统
CN116187863A (zh) * 2023-04-18 2023-05-30 广东省出版集团数字出版有限公司 基于大数据云平台的线上数字教案生成方法及系统
CN117421431A (zh) * 2023-10-31 2024-01-19 浙江上国教育科技有限公司 基于大数据的数字课件生成方法、装置及存储介质
CN117829107A (zh) * 2024-03-05 2024-04-05 成都华栖云科技有限公司 一种基于大模型的预习文案生成方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105447793A (zh) * 2015-12-31 2016-03-30 华夏博雅（北京）教育科技发展有限公司 生成定制化教学资源的教学系统
WO2016183959A1 (zh) * 2015-05-21 2016-11-24 中兴通讯股份有限公司 一种远程教育系统及其方法
CN106846975A (zh) * 2015-12-07 2017-06-13 刘满根 一种k12阶段数据处理及学生学习情况的智能诊断方法
CN106940874A (zh) * 2017-04-21 2017-07-11 江苏学正教育科技有限公司 一种多任务混合式精准教学的云教育系统
CN108182835A (zh) * 2018-01-03 2018-06-19 广州爱易学智能信息科技有限公司 智慧课堂系统
CN108647352A (zh) * 2018-05-16 2018-10-12 深圳市鹰硕技术有限公司 教学备课教案生成方法以及装置
CN109377078A (zh) * 2018-11-12 2019-02-22 重庆靶向科技发展有限公司 一种基于大数据的学生学习质量评价方法
CN110096686A (zh) * 2019-05-06 2019-08-06 广州蓝鸽软件有限公司 基于人工智能的多媒体教材编辑方法及其系统
CN110413973A (zh) * 2019-07-26 2019-11-05 浙江蓝鸽科技有限公司 计算机自动生成套卷的方法及其系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016183959A1 (zh) * 2015-05-21 2016-11-24 中兴通讯股份有限公司 一种远程教育系统及其方法
CN106846975A (zh) * 2015-12-07 2017-06-13 刘满根 一种k12阶段数据处理及学生学习情况的智能诊断方法
CN105447793A (zh) * 2015-12-31 2016-03-30 华夏博雅（北京）教育科技发展有限公司 生成定制化教学资源的教学系统
CN106940874A (zh) * 2017-04-21 2017-07-11 江苏学正教育科技有限公司 一种多任务混合式精准教学的云教育系统
CN108182835A (zh) * 2018-01-03 2018-06-19 广州爱易学智能信息科技有限公司 智慧课堂系统
CN108647352A (zh) * 2018-05-16 2018-10-12 深圳市鹰硕技术有限公司 教学备课教案生成方法以及装置
CN109377078A (zh) * 2018-11-12 2019-02-22 重庆靶向科技发展有限公司 一种基于大数据的学生学习质量评价方法
CN110096686A (zh) * 2019-05-06 2019-08-06 广州蓝鸽软件有限公司 基于人工智能的多媒体教材编辑方法及其系统
CN110413973A (zh) * 2019-07-26 2019-11-05 浙江蓝鸽科技有限公司 计算机自动生成套卷的方法及其系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘春燕;: "微课在中学数学教学中的价值与应用", 高考, no. 21, 14 June 2019 (2019-06-14) *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815274A (zh) * 2020-07-03 2020-10-23 北京字节跳动网络技术有限公司 信息处理方法、装置和电子设备
CN112381691A (zh) * 2020-11-24 2021-02-19 中教云智数字科技有限公司 一种线上教学资源整合及审核方法
CN112614393A (zh) * 2021-01-06 2021-04-06 长春职业技术学院 一种基于互联网的远程学习系统
CN116187863A (zh) * 2023-04-18 2023-05-30 广东省出版集团数字出版有限公司 基于大数据云平台的线上数字教案生成方法及系统
CN117421431A (zh) * 2023-10-31 2024-01-19 浙江上国教育科技有限公司 基于大数据的数字课件生成方法、装置及存储介质
CN117829107A (zh) * 2024-03-05 2024-04-05 成都华栖云科技有限公司 一种基于大模型的预习文案生成方法及装置

Also Published As

Publication number Publication date
CN111242816B (zh) 2024-03-15

Similar Documents

Publication Publication Date Title
CN111242816B (zh) 基于人工智能的多媒体教案制作方法和系统
CN106897950B (zh) 一种基于单词认知状态模型适应性学习系统及方法
CN109783601B (zh) 基于测试知识点的计算机智能组卷方法及其系统
CN113590956B (zh) 知识点推荐方法、装置、终端及计算机可读存储介质
CN105677747A (zh) 在线教学中的知识点管理方法和系统
CN110659352B (zh) 试题考点识别方法及其系统
CN110096686B (zh) 基于人工智能的多媒体教材编辑方法及其系统
US11328377B2 (en) Semi-automated system and method for assessment of responses
CN111311459A (zh) 一种面向国际汉语教学的交互式出题方法及系统
Kumara et al. Bloom’s taxonomy and rules based question analysis approach for measuring the quality of examination papers
Spatiotis et al. Evaluation of an educational training platform using text mining
Jareño et al. Design and validation of an instrument to evaluate educational apps and creation of a digital repository
Lee et al. Readability measurement of Japanese texts based on levelled corpora
CN110390032A (zh) 一种手写作文的批阅方法及系统
CN111813919B (zh) 一种基于句法分析与关键词检测的mooc课程评价方法
CN110223206B (zh) 课文专业方向确定方法及系统和解析课件匹配方法及系统
CN111708951A (zh) 一种试题推荐方法及装置
Richter et al. Tracking the evolution of written language competence: an NLP–based approach
CN112164262A (zh) 一种智能阅卷辅导系统
Li Vocal music curriculum design and teaching quality evaluation in colleges and universities based on interactive structure model
CN112000798A (zh) 一种语文题型的答案获取方法及装置
Anggraeny et al. Undergraduate Thesis Supervisor Recommendation Based On Text Similarity
CN112784577B (zh) 一种英语教学用语句关联学习系统
Hazima et al. Analysis of Implementation of Content Mastery Services in Overcoming Problems of Student Learning Difficulties (Systematic Literature Review Method)
Xakimdjanova USE OF CASE STUDY TECHNOLOGY IN TEACHING STUDENTS A VOCATIONAL-ORIENTED FOREIGN LANGUAGES.

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: 20240909

Address after: No. 1968, Nanxi East Road, Nanhu District, Jiaxing City, Zhejiang Province

Patentee after: ZHEJIANG LANCOO TECHNOLOGY Co.,Ltd.

Country or region after: China

Address before: Baiyun District of Guangzhou City, Guangdong province 510540 North Road No. 1633 is private science and Technology Park Branch Road, No. 1

Patentee before: Guangzhou Blue Pigeon Software Co.,Ltd.

Country or region before: China