CN111326040A - 语文阅读理解智能测试和智能辅导系统和方法 - Google Patents

Abstract

本申请公开了一种语文阅读理解智能测试和智能辅导系统和方法。其中，该系统是互联网、人工智能等新兴技术在语文阅读理解教学和评价领域的运用，包括基于语文阅读理解能力模型的智能选题子系统，基于人工智能的语文阅读理解自动评价子系统，针对语文阅读理解的个性化、层次化辅导子系统，基于数据挖掘的语文阅读理解教学辅助子系统。该系统能够根据学习者的阅读能力进行智能选题，并能够对语文阅读理解题，包括主观题进行自动评分和评价；而在准确掌握每个学习者阅读理解具体学情的基础上，进一步实施针对性、个别化智能辅导，从而实现语文阅读理解的因材施教。此外，系统也可以通过生成的数据为线下教学提供辅助。

Description

语文阅读理解智能测试和智能辅导系统和方法

技术领域

本申请涉及人工智能教育领域，具体而言，涉及一种语文阅读理解智能测试和智能辅导系统和方法。

背景技术

传统的语文阅读理解测试和辅导主要依赖人力，且缺乏个别化，即往往忽视学习者个体的特征和需要，而只提供统一的试题和划一的指导(如全年级使用同样的试题，全班接受同样的教学指导)。这不利于学习者学习成绩的提高，也不利于其个性的发展。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

随着互联网、人工智能等新兴技术融入教育领域，英语、数学等学科的线上测试和辅导不再单纯依靠人力，且逐渐呈现出智能化、个性化的特征。不过，目前线上带有智能性的测试和辅导大多基于学科知识，而非学科能力。而针对语文阅读理解能力的智能测试和辅导就更加没有先例。本申请实施例提供了一种语文阅读理解智能测试和智能辅导系统和方法，以至少解决相关领域的辅导需要消耗较多人力资源的技术问题。本申请基于互联网、人工智能、自然语言处理等技术，提供基于语文阅读理解能力的智能测试和智能辅导系统，一则基于学习者的阅读能力，智能选择最有利于其能力提高的试题供其练习，并对其答案(包括主观题的答案)进行智能评价；二则针对学习者的答题情况和疑难困惑，予以智能辅导和解答，从而真正实现语文阅读理解领域的个别性教学和个别化评价。

根据本申请实施例的一个方面，提供了一种语文阅读理解智能测试和智能辅导系统，语文阅读理解的智能测试和智能辅导系统主要包括四个子系统，这些子系统相互配合、紧密联系，协同促进学习者语文阅读能力的提高。

1.基于语文阅读理解能力模型的智能选题子系统。

该子系统根据对学习者前测的数据或以前的答题数据，智能选取最适合该学习者、最有利于其能力提高的测试题。其主要步骤如下：S1、按照难度等级对题库中的每篇阅读理解题(大题)进行归类，建立相应标签。S2、建构阅读理解能力模型，模型包括提取信息、理解词句、概括内容、分析结构、把握主旨、品味语言、分析写作手法、鉴赏艺术风格等子能力。S3、分析题库中每道题目(或称小题)所考查的能力点，进一步建立题目的能力标签。S4、分析学习者前测的数据或以前的答题数据，比如在特定难度等级题目上的得分率，根据最近发展区理论，确定适应其阅读能力水平的难度等级，以此作为选取大题的依据。S5、进一步分析学习者前测的数据或以前的答题数据，比如在考查各能力点的小题上的得分率，建构学习者个人的阅读能力模型。S6、根据最近发展区理论，从题库特定难度等级的大题中进一步筛选出匹配其阅读能力模型的题目，以最大程度地促进其能力发展。

2.基于人工智能的语文阅读理解自动评价子系统。

该子系统的核心是对语文阅读理解主观题的答案进行自动评分，在一些实施例中，可选地，子系统可进一步指出哪些答对了，哪些答错了。该子系统的构建有两套方案。

方案1，对于一道语文阅读主观题，其自动评价的步骤如下：S1、分解该题的得分点；S2、提取判别该得分点得分与否的关键特征；S3、征集小规模学习者答题，并进行人工评分，以形成原始的训练数据；S4、根据提取的关键特征，对原始数据进行预加工；S5、采用机器学习的分类算法，如支持向量机、随机森林(Random Forest)、决策树(Decision Tree)、K近邻(KNeighbors)等对数据进行训练，获得针对各个得分点的自动评分器；S6、系统反馈给学习者这道题上的得分，以及具体的得分、失分情况。

方案2，对于一道语文阅读主观题，其自动评价的步骤如下：S1、分解该题的得分点；S2、跳过关键特征提取环节，直接征集小规模学习者答题，并进行人工评分，以形成原始的训练数据；S3、直接运用深度学习神经网络算法，如密集连接神经网络(dense connectedneural network)模型、循环神经网络(recurrent neural network)模型以及一维卷积神经网络(1D convolutional neural network)模型，进行数据训练，以获得在每个得分点上自动评分的模型；S4、系统反馈给学习者这道题上的得分，以及具体的得分、失分情况。

3.针对语文阅读理解的个性化、层次化辅导子系统。

如图3所示，该子系统根据学习者的答题情况，提供语文阅读理解的个性化、层次化辅导。其主要步骤如下：S1、建立每小题的解题知识库，该库除储存参考答案以外，还储存解答该题的具体思路，解题思路是针对文本的思维操作过程，是阅读能力的具体体现，它们往往以思维导图的形式呈现；S2、在一些实施例中，可选地，该库储存针对解答的可能错误的排除错误、导向正确的思路(简称修正思路)；S3、在一些实施例中，可选地，该库还储存解答该题必要的语文知识，如词汇、语法、修辞、逻辑、文章、文学等方面的知识；S4、根据学习者解答的具体情况，系统通过自动匹配，提供排除错误、导向正确的简单提示，或者解题思路、语文知识、参考答案，学习者也可根据自己的需要，自主选择查阅；S5、建立针对每篇阅读理解作品理解和鉴赏的知识库(即作品知识库)，该库分类储存关于这篇作品内容和形式理解鉴赏的专家的观点或论述；S6、针对学习者提出的问题，系统采用自然语言处理技术进行主题识别和问题类型识别，并匹配知识库中的专家观点或论述以及相应类型的问题处理器；S7、将匹配的专家观点或论述以及特定类型问题处理整合起来，生成答案反馈给学习者。

这个子系统对学习者的辅导可以根据学习者的答题情况，给予排除错误、导向正确的简单提示，或者直接授予解题思路、语文知识、参考答案，这些辅导由浅入深，由简略到详尽，逐步增强指导强度，体现出层次化的特征。最后，子系统还通过智能问答，自动回答学习者关于作品的疑难问题，进一步提高学习者对作品的理解和鉴赏能力。

4.基于数据挖掘的语文阅读理解教学辅助子系统。

该子系统通过对学习者个体数据的纵向分析和学习者群体的横向分析，挖掘其中的趋势或规律，由此反馈给教师，以辅助其教学。其主要步骤如下：S1、对学习者个体历史上的测试成绩进行回归分析，以预测随着测试量、学习量的增加该学习者测试成绩的未来趋势。S2、这种成绩趋势反馈给教师，便于其开展有针对性干预，如学习者成绩没有呈现增长趋势时，可以指导其增加学习量或加强测试后的反思总结。S3、对学习者群体的测试成绩以及学习数据进行聚类分析，分析出群体不同的阅读能力模型以及学习类型。S4、聚类分析的结果反馈给教师，便于其开展分类分层教学。

根据本申请实施例的另一方面，还提供了一种语文阅读理解智能测试和智能辅导方法，包括：根据学习者的前测数据或以前的答题数据，从题库中选取用于该学习者提高语文阅读理解的答题能力的测试题；根据学习者对测试题的答题结果，向学习者提供语文阅读理解的个性化和层次化辅导。

根据本申请实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，程序运行时执行上述的方法。

根据本申请实施例的另一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器通过计算机程序执行上述的方法。

本发明的有益效果包括：采用互联网、人工智能等技术，解决了语文阅读理解主观题自动评价的难题，进而实现了针对学习者个体学情的智能辅导和智能选题，能够更加有效地提高学习者的语文阅读理解能力以及阅读理解测试成绩。本方案基于数据挖掘的教学辅助子系统，打通了线上学习和线下教学，能够为教师更加高效的课堂教学和课外辅导提供有力支持。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的一种可选的语文阅读理解智能测试和智能辅导系统的系统图；

图2是根据本申请实施例的一种可选的系统构建和运行的示意图；

图3是根据本申请实施例的一种可选的智能辅导子系统的示意图；以及，

图4是根据本申请实施例的一种可选的思维导图的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。下文结合图1至图3和具体的实施方式详述本申请的技术方案。

该系统是互联网、人工智能等新兴技术在语文阅读理解教学和评价领域的运用，如图1所示，包括基于语文阅读理解能力模型的智能选题子系统，基于人工智能的语文阅读理解自动评价子系统，针对语文阅读理解的个性化、层次化的智能辅导子系统，基于数据挖掘的语文阅读理解教学辅助子系统。该系统能够根据学习者的阅读能力进行智能选题，并能够对语文阅读理解题，包括主观题进行自动评分和评价；而在准确掌握每个学习者阅读理解具体学情的基础上，进一步实施针对性、个别化智能辅导，从而实现语文阅读理解的因材施教。此外，系统也可以通过生成的数据为线下教学提供辅助。

在本申请的实施例中，如图2所示，本方案构建的智能选题子系统，分别在难度等级与能力模型两个方面进行最优匹配，(1)在难度等级上，设置大题正确率、阅读答题时间等参数的优秀以上值域以及不合格以下值域，如果学习者在某难度等级上的大题正确率和阅读答题时间都持续处于(如连续3次测试)优秀以上值域，子系统选题时就会自动提升难度等级；如果学习者在某难度等级上的大题正确率和阅读答题时间一直处于(如连续3次测试)不合格以上值域，子系统选题时就会自动降低难度等级。(2)在能力模型上，把各项阅读子能力分为强项、弱项、发展项，并分别设置它们的得分率标准，如在5小题以上的得分率达到90％认定为强项，在5小题以上的得分率低于50％认定为弱项，处于50％与90％之间则认定为发展项。(3)根据最近发展区理论，子系统会在题库中优先选择的大题具有以下特征：所包含的小题考查的子能力属于学习者发展项的数量最大，属于学习者强项与弱项的数量相当。(4)子系统先进行难度等级的最优匹配；然后，在特定难度等级上进行能力模型的最优匹配。

在本申请的实施例中，本方案综合运用两套方案构建语文阅读理解主观题自动评价子系统。

对于答案有一定弹性，但边界清晰的主观题，选用如下描述的方案1：

(1)分解该题的得分点。

(2)对于每个得分点，确定其处于哪个层级，词语层级，或短语层级，或句子层级，或段落层级。

(3)在相应层级上用词语和逻辑关系表示出可行解答的语义空间，该语义空间应当覆盖相应得分点的所有可行答案的关键点。

以句子层级的语义为例，其语义空间可以表示如下：

句子层级的语义＝((关键词1∨关键词1的同义词或近义词1∨关键词1的同义词或近义词2……)∧(关键词2∨关键词2的同义词或近义词1∨关键词2的同义词或近义词2……)∧……)∨((关键词3∨关键词3的同义词或近义词1∨关键词3的同义词或近义词2……)∧(关键词4∨关键词4的同义词或近义词1∨关键词4的同义词或近义词2……)∧……)，

第一层的逻辑或符号“∨”表示这个得分点的正确答案可以是完全不同的句子；第二层的逻辑与符号“∧”表示句子中几个关键词的排列组合；第三层的逻辑符号“∨”表示关键词有若干同义词或近义词，它们之间可以相互替换。这样提炼出的结构特征，代表了一个有相当弹性的语义空间，可以尽可能容纳各种可能的变式，以适应半开放性问答题的评分要求。

(4)在了解可能的错误答案情况下，语义空间还可包括错误答案的关键点。

(5)征集小规模的学习者答题，并进行人工评分，评分也须细分到各个得分点，而不是笼统地给整道题一个分数。

(6)对学习者的解答进行分词，并按照前面确定的语义空间进行特征提取，获得特征向量。

(7)以学习者的解答在各个得分的得分情况为标签，采用机器学习的分类算法，如支持向量机、随机森林(Random Forest)、决策树(Decision Tree)、K近邻(KNeighbors)等对数据进行训练，获得针对各个得分点的自动评分器。

(8)最终，系统及时反馈学习者每道主观题上的得分，以及在哪些方面得分、在哪些方面失分。

对于答案开放度很大，没有清晰边界的主观题，选用如下描述的方案2：

(1)分解该题的得分点。

(2)跳过语义空间构建诸环节，直接征集中等规模或者小规模而异质的学习者答题，并进行人工评分，评分也须细分到各个得分点，而不是笼统地给整道题一个分数。

(3)对学习者的解答进行分词，去除停词后，直接进行one-hot编码，由此每个样本就被转换为一个标示其所用词语代码的向量。

(4)以学习者的解答在各个得分的得分情况为标签，运用深度学习神经网络算法，如密集连接神经网络(dense connected neural network)模型、循环神经网络(recurrentneural network)模型以及一维卷积神经网络(1D convolutional neural network)模型，进行数据训练，也可以获得在每个得分点上自动评分的模型。

(5)最终，系统及时反馈学习者每道主观题上的得分，以及在哪些方面得分、在哪些方面失分。

在本申请的实施例中，本方案建构的智能辅导子系统主要提供以下个性化、层次化辅导：(1)针对学习者答题的错误或不足，简略提示修正错误或不足的思路，学习者可选择重新答题，修正自己的错误或不足；如“第①段的作用答对了，但它的内容概括不准确，其实概括这一段内容，可以提取文中的几个关键词！”；(2)提供解答该题必要的语文基础知识，学习者可以自选点击“知识提示”按钮来获得；(3)提供解答该题的思维导图，学习者可以自选点击“思路点拨”按钮来获得；(4)提供该题的参考答案，学习者自选点击“参考答案”按钮来获得；(5)最后，提供智能问答服务，学习者提出有关阅读文本的问题，可以获得系统的自动解答。

其中，第3点提供的思维导图，关键是图解思考答题过程中完整的思维过程，涉及文本内容与特征，以及具体的思维操作两个方面。一种可选的实施方式如图4所示。

第5点的智能问答综合运用自然语言处理以及人工智能技术：首先，征集小规模学习者阅读文本，由不理解、有困惑的地方提出问题；其次，采用人工智能技术中的聚类分析，区分出学习者提问的若干领域，提取出各问题领域的主题；再次，围绕各问题领域的主题，阅读领域的专家予以回答，并建立相应的知识库；接下来，采用自然语言处理技术对学习者提出的问题进行主题识别和问题类型识别，并匹配知识库中的专家回答以及相应类型的问题处理器；最后，将匹配的专家回答和特定类型问题处理整合起来，生成答案反馈给学习者。

在本申请的实施例中，教学辅助子系统主要通过以下方法构建：(1)将学习者个体接受测试和辅导的数量、各项学习数据(如重新答题的数量，点击知识提示、思路点拨、参考答案等的数量)作为解释变量，学习者每次测试的成绩作为被解释变量，采用机器学习的多元线性回归算法进行回归分析，预测学习者未来的测试成绩。(2)子系统选出未来测试成绩未呈正增长的学习者，给教师发出预警，并根据数据提示教师指导其增加学习量或加强测试后的反思总结。(3)采用K均值(KMeans)或均值迁移(Mean-shift)算法，对学习者群体各个子能力上的得分率进行聚类分析，以区分出学习者群体中存在的几种能力模型。(4)聚类分析结果反馈给教师，便于其开展分类分层教学。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。

上述实施例中的集成的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，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、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步骤。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，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信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种语文阅读理解智能测试和智能辅导方法，其特征在于，包括：

根据学习者的前测数据或以前的答题数据，从题库中选取用于该学习者提高语文阅读理解的答题能力的测试题；

根据学习者对测试题的答题结果，向学习者提供语文阅读理解的个性化和层次化辅导。

2.根据权利要求1所述的方法，其特征在于，在从题库中选取用于该学习者提高语文阅读理解的答题能力的测试题之前，所述方法还包括：

按照难度等级对题库中的每篇阅读理解进行归类，并为每篇阅读理解创建用于表示所归类至的难度等级的标签。

3.根据权利要求2所述的方法，其特征在于，在从题库中选取用于该学习者提高语文阅读理解的答题能力的测试题之前，所述方法还包括：

建构阅读理解能力模型，该阅读理解能力模型包括如下能力点：提取信息、理解词句、概括内容、分析结构、把握主旨、品味语言、分析写作手法以及鉴赏艺术风格；

利用阅读理解能力模型确定题库中每篇语文阅读理解下每道题目所考查的能力点，并以所考察的能力点为题目的能力标签。

4.根据权利要求3所述的方法，其特征在于，根据学习者的前测数据或以前的答题数据，从题库中选取用于该学习者提高语文阅读理解的答题能力的测试题包括：

通过分析学习者的前测数据或以前的答题数据，确定该学习者在各个难度等级上的得分率：

采用最近发展区理论，根据学习者在各个难度等级上的得分率确定用于提高该学习者的语文阅读理解的答题能力的难度等级；

利用确定的难度等级从题库中选取特定等级的语文阅读理解；

通过分析学习者的前测数据或以前的答题数据，确定该学习者在考察的各个能力点的题目上的得分率，以建构该学习者的阅读能力模型；

采用最近发展区理论，从题库中特定难度等级的语文阅读理解中筛选出匹配该学习者的阅读能力模型的题目作为测试题。

5.根据权利要求1所述的方法，其特征在于，根据学习者对测试题的答题结果，向学习者提供语文阅读理解的个性化和层次化辅导包括：

建立每道题目的解题知识库，该解题知识库储存有参考答案和解题思路，解题思路是针对题目以思维导图的形式呈现的思维操作过程；

根据学习者解答的具体内容自动为该学习者提供解题思路，或者响应于学习者的查阅操作为该学习者提供解题思路；

建立针对每篇语文阅读理解的理解鉴赏知识库，该理解鉴赏知识库储存有内容和形式理解鉴赏的专家观点或论述；

针对学习者提出的问题，采用自然语言处理技术进行主题识别和问题类型识别，并匹配理解鉴赏知识库中的专家观点或论述，以及相应类型的问题处理；

将匹配到的专家观点或论述，以及相应类型的问题处理整合起来，生成答案反馈给学习者。

6.一种语文阅读理解智能测试和智能辅导系统，其特征在于，包括：

基于语文阅读理解能力模型的智能选题子系统，用于根据学习者的前测数据或以前的答题数据，从题库中选取用于该学习者提高语文阅读理解的答题能力的测试题；

针对语文阅读理解的个性化、层次化的辅导子系统，用于根据学习者对测试题的答题结果，向学习者提供语文阅读理解的个性化和层次化辅导。

7.根据权利要求6所述的系统，其特征在于，所述智能选题子系统还用于：

按照难度等级对题库中的每篇阅读理解进行归类，并为每篇阅读理解创建用于表示所归类至的难度等级的标签；

建构阅读理解能力模型，该阅读理解能力模型包括如下能力点：提取信息、理解词句、概括内容、分析结构、把握主旨、品味语言、分析写作手法以及鉴赏艺术风格；

利用阅读理解能力模型确定题库中每篇语文阅读理解下每道题目所考查的能力点，并以所考察的能力点为题目的能力标签；

通过分析学习者的前测数据或以前的答题数据，确定该学习者在各个难度等级上的得分率：

采用最近发展区理论，根据学习者在各个难度等级上的得分率确定用于提高该学习者的语文阅读理解的答题能力的难度等级；

利用确定的难度等级从题库中选取特定等级的语文阅读理解；

通过分析学习者的前测数据或以前的答题数据，确定该学习者在考察的各个能力点的题目上的得分率，以建构该学习者的阅读能力模型；

采用最近发展区理论，从题库中特定难度等级的语文阅读理解中筛选出匹配该学习者的阅读能力模型的题目作为测试题。

8.根据权利要求6所述的系统，其特征在于，所述辅导子系统还用于：

建立每道题目的解题知识库，该解题知识库储存有参考答案和解题思路，解题思路是针对题目以思维导图的形式呈现的思维操作过程；

根据学习者解答的具体内容自动为该学习者提供解题思路，或者响应于学习者的查阅操作为该学习者提供解题思路；

建立针对每篇语文阅读理解的理解鉴赏知识库，该理解鉴赏知识库储存有内容和形式理解鉴赏的专家观点或论述；

针对学习者提出的问题，采用自然语言处理技术进行主题识别和问题类型识别，并匹配理解鉴赏知识库中的专家观点或论述，以及相应类型的问题处理；

将匹配到的专家观点或论述，以及相应类型的问题处理整合起来，生成答案反馈给学习者。

9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求1至5任一项中所述的方法。

10.一种电子装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器通过所述计算机程序执行上述权利要求1至5任一项中所述的方法。

Images