CN111428020A - 一种基于人工智能的个人化学习测验题目推荐方法 - Google Patents
一种基于人工智能的个人化学习测验题目推荐方法 Download PDFInfo
- Publication number
- CN111428020A CN111428020A CN202010275980.1A CN202010275980A CN111428020A CN 111428020 A CN111428020 A CN 111428020A CN 202010275980 A CN202010275980 A CN 202010275980A CN 111428020 A CN111428020 A CN 111428020A
- Authority
- CN
- China
- Prior art keywords
- answer
- question
- test
- answering
- module
- 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
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000013102 re-test Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种基于人工智能的个人化学习测验题目推荐方法，具体涉及智能学习与测验系统领域，包括以下步骤：S1、题目推荐模型建立：学生通过答题系统进行测验，收集过去所有作答者的答题难度、答题时间以及答题题目相关性数据，发送至模型建立系统，经由机器学习/深度学习计算训练得到一个题目推荐模型；S2、测验题目推荐：当前测验者答题测验后，以其答题对错率以及答题时间为题目推荐模型输入数据，题目推荐模型由测验者答题状态推荐适合的测验题目给答题系统，输出数据为合适的测验难度与测验题目。本发明推荐模型有过去作答者的作答经验，可以有效的推荐合适能力的题目，进而提升学习效果与学习信心。
Description
技术领域
本发明实施例涉及智能学习与测验系统领域，具体涉及一种基于人工智能的个人化学习测验题目推荐方法。
背景技术
随着互联网时代的来临，为了学生更加有效的学习，很多关于测试题目问答的线上以及线下系统应运而生，目的就是为学生提供一套系统而有效的学习方法，这些系统可以提供预建的测验题目，例如选择题或填充题，供使用者作答，并由计算机来评分及显示正确答案，系统根据当次答题结果依序推荐题目。
但是现有的技术无累积过去受测者的纪录，皆只依据目前测验者的当次答题结果依序推荐题目，因此无法真正了解测验者的能力，推荐合适的题目给测验者练习，无法提升学习效果，且还存在推荐题目为单一公式化、准确度低，并非依作答能力的族群，无法正确推荐适合测验者能力的题目，造成测验者学习上的心理障碍以及学习意愿低落；在线学习系统与线下学习系统无法推荐出个人化能力差异题目。
发明内容
为此，本发明实施例提供一种基于人工智能的个人化学习测验题目推荐方法，通过采用过去的数据经过机器学习/深度学习训练一个预测模型，过去的数据为答题难度、答题时间以及答题之题目相关性数据，题目推荐模型输出为推荐题目，题目推荐灵活，得到的推荐题目准确度高，适合测验者能力，具有较高的学习提升效果，进而提升学习效果与学习信心，以解决现有技术中存在的问题。
为了实现上述目的，本发明实施例提供如下技术方案：一种基于人工智能的个人化学习测验题目推荐方法，包括以下步骤：
S1、题目推荐模型建立：学生通过答题系统进行测验，收集过去所有作答者的答题难度、答题时间以及答题题目相关性数据，发送至模型建立系统，经由机器学习/深度学习计算训练得到一个题目推荐模型；
S2、测验题目推荐：当前测验者在答题系统中进行答题测验后，以其答题对错率以及答题时间为输入数据，输入至题目推荐模型内，题目推荐模型由测验者答题状态推荐适合的测验题目给答题系统，输出数据为合适的测验难度与测验题目，测验者可在答题系统内针对推荐的测验题目进行重新测验学习。
进一步地，所述答题系统包括答题控制模块和数据采集模块，所述答题控制模块输出端与数据采集模块输入端连接，所述数据采集模块输出端与模型建立系统输入端连接。
进一步地，所述答题控制模块用于控制答题运行，具体为测验者答题操控、答题题目存储、答题题目更新和推荐，答题题目按照难度分为多个等级。
进一步地，所述数据采集模块用于将测试者答题过程中的答题题目相关性数据、答题时间、答题对错率收集，并发送给模型建立系统。
进一步地，所述模型建立系统包括数据输入模块、能力分群模块和模型生成模块。
进一步地，所述数据输入模块输入端与数据采集模块输出端连接，用于接收测试者答题过程中的答题题目相关性数据、答题时间、答题对错率信息；所述数据输入模块输出端与能力分群模块输入端连接，将答题难度、答题时间、答题对错率发送给能力分群模块。
进一步地，所述能力分群模块包括能力判断单元和能力分群单元，所述能力判断单元用于根据测验者答题难度、答题时间、答题对错率信息进行能力判断，能力分群单元依据这些判断结果进行分群，将过去测验者的经验分成不同族群，这些不同族群有不同的作答题目路径。
进一步地，所述能力分群模块输出端与模型生成模块连接，能力分群模块将分群路径发送至模型生成模块，由机器学习/深度学习计算训练得到一个题目推荐模型。
进一步地，所述能力分群模块输出端与题目推荐模型连接，当前测验者的作答题目结果经能力分群模块发送至题目推荐模型，题目推荐模型透过作答题目路径，推荐匹配测验者能力的题目至答题系统，由测验者继续测验学习。
本发明实施例具有如下优点：
1、本发明透过过去的数据经过机器学习/深度学习训练一个预测模型，用此模型可以预测一个结果，模型为一测验题目推荐模型，过去的数据为答题难度、答题时间以及答题之题目相关性数据，题目推荐模型为递归神经网络与长短期记忆模型，输出为推荐题目，题目推荐灵活，得到的推荐题目准确度高，适合测验者能力，具有较高的学习提升效果；
2、本发明模型有过去作答者的作答经验，可以有效的推荐合适能力的题目，进而提升学习效果与学习信心。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明提供的整体结构框图；
图2为本发明提供的答题系统结构框图；
图3为本发明提供的模型建立系统结构框图；
图4为本发明提供的能力分群模块结构框图；
图中：1答题系统、11答题控制模块、12数据采集模块、2模型建立系统、21数据输入模块、22能力分群模块、23模型生成模块、3题目推荐模型、4能力判断单元、5能力分群单元。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
参照说明书附图1，该实施例的一种基于人工智能的个人化学习测验题目推荐方法，包括以下步骤：
S1、题目推荐模型3建立：学生通过答题系统1进行测验，收集过去所有作答者的答题难度、答题时间以及答题题目相关性数据，发送至模型建立系统2，经由机器学习/深度学习计算训练得到一个题目推荐模型3；
S2、测验题目推荐：当前测验者在答题系统1中进行答题测验后，以其答题对错率以及答题时间为输入数据，输入至题目推荐模型3内，题目推荐模型3由测验者答题状态推荐适合的测验题目给答题系统1，输出数据为合适的测验难度与测验题目，测验者可在答题系统1内针对推荐的测验题目进行重新测验学习。
实施方式具体为：本发明透过过去的数据经过机器学习/深度学习训练一个预测模型，用此模型可以预测一个结果，在本发明中模型为一测验题目推荐模型3，过去的数据为答题难度、答题时间以及答题之题目相关性数据，题目推荐模型3为递归神经网络与长短期记忆模型，输出为推荐题目。
参照说明书附图2，所述答题系统1包括答题控制模块11和数据采集模块12，所述答题控制模块11输出端与数据采集模块12输入端连接，所述数据采集模块12输出端与模型建立系统2输入端连接。
进一步地，所述答题控制模块11用于控制答题运行，具体为测验者答题操控、答题题目存储、答题题目更新和推荐，答题题目按照难度分为多个等级。
进一步地，所述数据采集模块12用于将测试者答题过程中的答题题目相关性数据、答题时间、答题对错率收集，并发送给模型建立系统2。
实施方式具体为：在模型建立时，首先利用众多学生在答题系统1内进行测验，答题控制模块11统筹控制答题，数据采集模块12收集过去所有作答者的答题难度、答题时间以及答题题目相关性数据，发送至模型建立系统2，经由机器学习/深度学习计算训练得到一个题目推荐模型3。
参照说明书附图3-4，所述模型建立系统2包括数据输入模块21、能力分群模块22和模型生成模块23。
进一步地，所述数据输入模块21输入端与数据采集模块12输出端连接，用于接收测试者答题过程中的答题题目相关性数据、答题时间、答题对错率信息；所述数据输入模块21输出端与能力分群模块22输入端连接，将答题难度、答题时间、答题对错率发送给能力分群模块22。
进一步地，所述能力分群模块22包括能力判断单元4和能力分群单元5，所述能力判断单元4用于根据测验者答题难度、答题时间、答题对错率信息进行能力判断，能力分群单元5依据这些判断结果进行分群，将过去测验者的经验分成不同族群，这些不同族群有不同的作答题目路径。
进一步地，所述能力分群模块22输出端与模型生成模块23连接，能力分群模块22将分群路径发送至模型生成模块23，由机器学习/深度学习计算训练得到一个题目推荐模型3。
进一步地，所述能力分群模块22输出端与题目推荐模型3连接，当前测验者的作答题目结果经能力分群模块22发送至题目推荐模型3，题目推荐模型3透过作答题目路径，推荐匹配测验者能力的题目至答题系统1，由测验者继续测验学习。
实施方式具体为：本发明先由测验者答题状态推荐适合之测验题目，收集过去所有作答者的答题难度、答题时间以及答题之题目相关性数据经由机器学习/深度学习计算训练得到一个题目推荐模型3，此推荐模型的特性就是依据过去测验者的结果进行能力分群，将过去测验者的经验分成不同族群，这些不同族群有不同的作答题目路径，透过作答题目路径，就可以推荐匹配测验者能力之题目；推荐题目进行时以当前答题者的答题对错率以及答题时间为输入数据，输出数据为合适之测验难度与测验题目。
本发明推荐模型有过去作答者的作答经验，可以有效的推荐合适能力的题目，进而提升学习效果与学习信心。
实施例1：
将测验题目分成若干难度等级，如第一级、第二级、依序而上，级数越高越难。前测验者进行测验时，如已经做达到第三题难度为5，先前两道题难度分别为2与3其答题速度皆为在一分钟内。在作答第三题时所花时间为三分钟，作答结果答对。透过我们模型推荐的题目为难度5其相关之题目，可以在测验一次，让测验者在熟习一次。但其他系统会直接往上推荐难度6题目。若回答时间在一分钟内，依模型结果将会推荐难度7题目，因为作答时间短，代表能力熟练。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (9)
1.一种基于人工智能的个人化学习测验题目推荐方法，其特征在于，包括以下步骤：
S1、题目推荐模型(3)建立：学生通过答题系统(1)进行测验，收集过去所有作答者的答题难度、答题时间以及答题题目相关性数据，发送至模型建立系统(2)，经由机器学习/深度学习计算训练得到一个题目推荐模型(3)；
S2、测验题目推荐：当前测验者在答题系统(1)中进行答题测验后，以其答题对错率以及答题时间为输入数据，输入至题目推荐模型(3)内，题目推荐模型(3)由测验者答题状态推荐适合的测验题目给答题系统(1)，输出数据为合适的测验难度与测验题目，测验者可在答题系统(1)内针对推荐的测验题目进行重新测验学习。
2.根据权利要求1所述的一种基于人工智能的个人化学习测验题目推荐方法，其特征在于：所述答题系统(1)包括答题控制模块(11)和数据采集模块(12)，所述答题控制模块(11)输出端与数据采集模块(12)输入端连接，所述数据采集模块(12)输出端与模型建立系统(2)输入端连接。
3.根据权利要求1所述的一种基于人工智能的个人化学习测验题目推荐方法，其特征在于：所述答题控制模块(11)用于控制答题运行，具体为测验者答题操控、答题题目存储、答题题目更新和推荐，答题题目按照难度分为多个等级。
4.根据权利要求1所述的一种基于人工智能的个人化学习测验题目推荐方法，其特征在于：所述数据采集模块(12)用于将测试者答题过程中的答题题目相关性数据、答题时间、答题对错率收集，并发送给模型建立系统(2)。
5.根据权利要求1所述的一种基于人工智能的个人化学习测验题目推荐方法，其特征在于：所述模型建立系统(2)包括数据输入模块(21)、能力分群模块(22)和模型生成模块(23)。
6.根据权利要求5所述的一种基于人工智能的个人化学习测验题目推荐方法，其特征在于：所述数据输入模块(21)输入端与数据采集模块(12)输出端连接，用于接收测试者答题过程中的答题题目相关性数据、答题时间、答题对错率信息；所述数据输入模块(21)输出端与能力分群模块(22)输入端连接，将答题难度、答题时间、答题对错率发送给能力分群模块(22)。
7.根据权利要求5所述的一种基于人工智能的个人化学习测验题目推荐方法，其特征在于：所述能力分群模块(22)包括能力判断单元(4)和能力分群单元(5)，所述能力判断单元(4)用于根据测验者答题难度、答题时间、答题对错率信息进行能力判断，能力分群单元(5)依据这些判断结果进行分群，将过去测验者的经验分成不同族群，这些不同族群有不同的作答题目路径。
8.根据权利要求5所述的一种基于人工智能的个人化学习测验题目推荐方法，其特征在于：所述能力分群模块(22)输出端与模型生成模块(23)连接，能力分群模块(22)将分群路径发送至模型生成模块(23)，由机器学习/深度学习计算训练得到一个题目推荐模型(3)。
9.根据权利要求8所述的一种基于人工智能的个人化学习测验题目推荐方法，其特征在于：所述能力分群模块(22)输出端与题目推荐模型(3)连接，当前测验者的作答题目结果经能力分群模块(22)发送至题目推荐模型(3)，题目推荐模型(3)透过作答题目路径，推荐匹配测验者能力的题目至答题系统(1)，由测验者继续测验学习。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010275980.1A CN111428020A (zh) | 2020-04-09 | 2020-04-09 | 一种基于人工智能的个人化学习测验题目推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010275980.1A CN111428020A (zh) | 2020-04-09 | 2020-04-09 | 一种基于人工智能的个人化学习测验题目推荐方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111428020A true CN111428020A (zh) | 2020-07-17 |
Family
ID=71553724
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010275980.1A Pending CN111428020A (zh) | 2020-04-09 | 2020-04-09 | 一种基于人工智能的个人化学习测验题目推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111428020A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112015783A (zh) * | 2020-08-30 | 2020-12-01 | 上海松鼠课堂人工智能科技有限公司 | 可交互学习流程生成方法和系统 |
| CN115083569A (zh) * | 2022-06-29 | 2022-09-20 | 广州市润心教育咨询有限公司 | 一种诊疗一体的心理咨询系统 |
| CN117555937A (zh) * | 2024-01-12 | 2024-02-13 | 山东街景智能制造科技股份有限公司 | 一种用于产品推荐的数据采集方法及系统 |
| CN118094420A (zh) * | 2023-12-27 | 2024-05-28 | 南方医科大学口腔医院 | 问卷评估方法、模型训练方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106781785A (zh) * | 2017-01-04 | 2017-05-31 | 广东小天才科技有限公司 | 一种基于大数据的题目难度构建方法及装置、服务设备 |
| CN108614865A (zh) * | 2018-04-08 | 2018-10-02 | 暨南大学 | 基于深度强化学习的个性化学习推荐方法 |
| CN110021208A (zh) * | 2019-05-16 | 2019-07-16 | 上海乂学教育科技有限公司 | 针对英语阅读题目的高效训练方法及系统 |
| CN110399541A (zh) * | 2019-05-31 | 2019-11-01 | 平安国际智慧城市科技股份有限公司 | 基于深度学习的题目推荐方法、装置及存储介质 |
-
2020
- 2020-04-09 CN CN202010275980.1A patent/CN111428020A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106781785A (zh) * | 2017-01-04 | 2017-05-31 | 广东小天才科技有限公司 | 一种基于大数据的题目难度构建方法及装置、服务设备 |
| CN108614865A (zh) * | 2018-04-08 | 2018-10-02 | 暨南大学 | 基于深度强化学习的个性化学习推荐方法 |
| CN110021208A (zh) * | 2019-05-16 | 2019-07-16 | 上海乂学教育科技有限公司 | 针对英语阅读题目的高效训练方法及系统 |
| CN110399541A (zh) * | 2019-05-31 | 2019-11-01 | 平安国际智慧城市科技股份有限公司 | 基于深度学习的题目推荐方法、装置及存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112015783A (zh) * | 2020-08-30 | 2020-12-01 | 上海松鼠课堂人工智能科技有限公司 | 可交互学习流程生成方法和系统 |
| CN112015783B (zh) * | 2020-08-30 | 2021-07-16 | 上海松鼠课堂人工智能科技有限公司 | 可交互学习流程生成方法和系统 |
| CN115083569A (zh) * | 2022-06-29 | 2022-09-20 | 广州市润心教育咨询有限公司 | 一种诊疗一体的心理咨询系统 |
| CN118094420A (zh) * | 2023-12-27 | 2024-05-28 | 南方医科大学口腔医院 | 问卷评估方法、模型训练方法、装置、设备及存储介质 |
| CN117555937A (zh) * | 2024-01-12 | 2024-02-13 | 山东街景智能制造科技股份有限公司 | 一种用于产品推荐的数据采集方法及系统 |
| CN117555937B (zh) * | 2024-01-12 | 2024-04-19 | 山东街景智能制造科技股份有限公司 | 一种用于产品推荐的数据采集方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111428020A (zh) | 一种基于人工智能的个人化学习测验题目推荐方法 | |
| US20190325773A1 (en) | System and method of providing customized learning contents | |
| US20160005323A1 (en) | Adaptive e-learning system and method | |
| US20080057480A1 (en) | Multimedia system and method for teaching basal math and science | |
| CN111858906B (zh) | 习题推荐方法、装置、电子设备及计算机可读存储介质 | |
| US20140335499A1 (en) | Method and apparatus for evaluating educational performance | |
| US20220318941A1 (en) | Apparatus, system, and operation method thereof for evaluating skill of user through artificial intelligence model trained through transferrable feature applied to plural test domains | |
| CN105159924A (zh) | 学习资源推送方法和系统 | |
| CN105070130A (zh) | 水平测评方法和系统 | |
| CN110807173A (zh) | 学情分析方法、装置、计算机设备和存储介质 | |
| CN111831914A (zh) | 一种在线教育的智能推题系统 | |
| CN110288878B (zh) | 自适应学习方法及装置 | |
| KR101041672B1 (ko) | 지능형 맞춤화된 학습서비스 방법 | |
| CN112348725A (zh) | 基于大数据的知识点难度定级方法 | |
| JP2018205354A (ja) | 学習支援装置、学習支援システム及びプログラム | |
| CN114398556A (zh) | 学习内容的推荐方法、装置、设备及存储介质 | |
| CN102467835A (zh) | 学习终端检选数字内容的系统及方法 | |
| CN111932415A (zh) | 一种语言自适应分级学习的方法及装置 | |
| CN114090839B (zh) | 用于学习者认知结构的处理方法、系统、装置及存储介质 | |
| CN116340624A (zh) | 自适应学习信息推荐方法、装置、设备及存储介质 | |
| CN110688409A (zh) | 学习状态的挖掘方法、推荐方法及电子设备 | |
| CN111127271A (zh) | 一种用于学情分析的教学方法及系统 | |
| CN108921434B (zh) | 一种通过人机交互完成用户能力预测的方法 | |
| KR102329611B1 (ko) | 교육적 요소를 예측하는 사전학습 모델링 시스템 및 방법 | |
| Ingram et al. | TALIS Video Study national report |
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: 20200717 |
|
| RJ01 | Rejection of invention patent application after publication |