CN111507872B - 一个基于人工智能的精准测验难度分类方法 - Google Patents

一个基于人工智能的精准测验难度分类方法 Download PDF

Info

Publication number
CN111507872B
CN111507872B CN202010274499.0A CN202010274499A CN111507872B CN 111507872 B CN111507872 B CN 111507872B CN 202010274499 A CN202010274499 A CN 202010274499A CN 111507872 B CN111507872 B CN 111507872B
Authority
CN
China
Prior art keywords
group
test
learning
time
different
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
Application number
CN202010274499.0A
Other languages
English (en)
Other versions
CN111507872A (zh
Inventor
邱长海
洪哲伦
林威延
陈树威
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.)
Dream Sharing Education Technology Shenzhen Co ltd
Original Assignee
Dream Sharing Education Technology Shenzhen 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 Dream Sharing Education Technology Shenzhen Co ltd filed Critical Dream Sharing Education Technology Shenzhen Co ltd
Priority to CN202010274499.0A priority Critical patent/CN111507872B/zh
Publication of CN111507872A publication Critical patent/CN111507872A/zh
Application granted granted Critical
Publication of CN111507872B publication Critical patent/CN111507872B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Educational Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一个基于人工智能的精准测验难度分类方法，具体涉及人工智能技术领域，包括以下步骤：步骤一：选取学生30名，并进行系统学习的测试，根据系统学习的测试数据结果，将学生分成三组，编号A组、B组和C组，每组10人。通过培养不同学习程度的样品，进行实验检测，在对测验的难度进行分类检测时，会将不同学习程度的学生进行相同的学习内容与学习时间的培训，然后进行测试，通过记录不同学习程度学生的答题状态、答题时间来预测测试题目的难易程度，然后通过测试的最后数据进行对比，判断预测是否准确，确定无误后，再根据不同学习程度学生的测试试题准确率进行难易程度划分，提高测验难度划分的准确性。

Description

一个基于人工智能的精准测验难度分类方法
技术领域
本发明实施例涉及人工智能技术领域，具体涉及一个基于人工智能的精准测验难度分类方法。
背景技术
随着的科技的不断发展，学生的学习状态成为家长的重点的关注对象，学校会定期对学生的学习进行考核，并且老师会根据考试试题的难易程度对考题进行分类。
现有技术存在以下不足：现有的均通过统一的试题进行考核，测验的方法较为单一，不能较好区分不同学生的学习进步程度，导致测试数据缺乏一定的准确性。
发明内容
为此，本发明实施例提供一个基于人工智能的精准测验难度分类方法，通过培养不同学习程度的样品，进行实验检测，在对测验的难度进行分类检测时，会将不同学习程度的学生进行相同的学习内容与学习时间的培训，然后进行测试，通过记录不同学习程度学生的答题状态、答题时间来预测测试题目的难易程度，然后通过测试的最后数据进行对比，判断预测是否准确，确定无误后，再根据不同学习程度学生的测试试题准确率进行难易程度划分，提高测验难度划分的准确性。
为了实现上述目的，本发明实施例提供如下技术方案：一个基于人工智能的精准测验难度分类方法，包括以下步骤：
步骤一：选取学生30名，并进行系统学习的测试，根据系统学习的测试数据结果，将学生分成三组，编号A组、B组和C组，每组10人；
步骤二：然后分别将A组、B组和C组放入不同的学习小组，进行不同程度学习培训，并定期进行学习的测验；
步骤三：将A组、B组和C组进行培训一段时间后，通过系统测验对A组、B组和C组进行测验，确定A组、B组和C组学习程度出现明显的差异；
步骤四：选取测试试题与对应测试试题的学习视频资料，将A组、B组和C组一同观看学习视频资料，记录观看学习视频资料的时间；
步骤五：当学习视频资料观看完毕后，将选取测试试题放到线上，分别对A组、B组和C组进行在线测试，并记录数据；
步骤六：通过线上设备分别记录A组、B组和C组的答题状态、答题时间、答题与视频段落之相关性，并进行数据统计；
步骤七：透过所有A组、B组和C组学习者之数据，使用AI预测该视频是否对于学习成效有明显提升，然后根据A组、B组和C组测验的结果进行对比；
步骤八：根据对比的结果判断人工智能的准确性，然后根据A组、B组和C组不同组测试试题的准确率，将测试试题进行不同等级的划分；
步骤九：定期选取不同测试试题与学习视频资料，重复步骤四、步骤五、步骤六、步骤七与步骤八，进行循环检测分类系统。
进一步地，所述步骤一中系统测试的科目包括数学、语文和英语，所述步骤一中将测试的分数根据高低分为三组。
进一步地，所述步骤二中学习小组为三个，每个学习小组的人数为30-40人，所述步骤二中不同程度学习培训为学习时间，所述步骤二中A组、B组和C组所在三个培训小组学习的时间分别为8h-9h、6h-7h、5h-6h。
进一步地，所述步骤二中每个小组测验的周期为5-7天/次，所述步骤三中A组、B组和C组培训的时间为90-100天，所述步骤三中系统检测的内容为数学、语文和英语。
进一步地，所述步骤四中测试试题内容包括数学、语文和英语，所述其中数学的测试内容包括选择题与应用题，语文与英语测试的内容为选择题与作文。
进一步地，所述步骤四中学习视频资料的时间为2h-3h，所述步骤五中线上测试的时间为3h。
进一步地，所述步骤六中线上设备包括摄像头和计时器，所述摄像头会每个学生答题过程进行拍摄并将拍摄视频输送到上位机内进行分析。
进一步地，所述步骤七中A组、B组和C组对比的数据为试题的测试分数。
进一步地，所述步骤八中不同等级分为三级，分别与A组、B组和C组的准确率对应，所述步骤九中定期测试的周期为15-20天/次。
本发明实施例具有如下优点：
通过培养不同学习程度的样品，进行实验检测，在对测验的难度进行分类检测时，会将不同学习程度的学生进行相同的学习内容与学习时间的培训，然后进行测试，通过记录不同学习程度学生的答题状态、答题时间来预测测试题目的难易程度，然后通过测试的最后数据进行对比，判断预测是否准确，确定无误后，再根据不同学习程度学生的测试试题准确率进行难易程度划分，提高测验难度划分的准确性。
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。
实施例1：
该实施例的一个基于人工智能的精准测验难度分类方法，包括以下步骤：
步骤一：选取学生30名，并进行系统学习的测试，根据系统学习的测试数据结果，将学生分成三组，编号A组、B组和C组，每组10人；
步骤二：然后分别将A组、B组和C组放入不同的学习小组，进行不同程度学习培训，并定期进行学习的测验；
步骤三：将A组、B组和C组进行培训一段时间后，通过系统测验对A组、B组和C组进行测验，确定A组、B组和C组学习程度出现明显的差异；
步骤四：选取测试试题与对应测试试题的学习视频资料，将A组、B组和C组一同观看学习视频资料，记录观看学习视频资料的时间；
步骤五：当学习视频资料观看完毕后，将选取测试试题放到线上，分别对A组、B组和C组进行在线测试，并记录数据；
步骤六：通过线上设备分别记录A组、B组和C组的答题状态、答题时间、答题与视频段落之相关性，并进行数据统计；
步骤七：透过所有A组、B组和C组学习者之数据，使用AI预测该视频是否对于学习成效有明显提升，然后根据A组、B组和C组测验的结果进行对比；
步骤八：根据对比的结果判断人工智能的准确性，然后根据A组、B组和C组不同组测试试题的准确率，将测试试题进行不同等级的划分；
步骤九：定期选取不同测试试题与学习视频资料，重复步骤四、步骤五、步骤六、步骤七与步骤八，进行循环检测分类系统。
进一步地，所述步骤一中系统测试的科目包括数学、语文和英语，所述步骤一中将测试的分数根据高低分为三组。
进一步地，所述步骤二中学习小组为三个，每个学习小组的人数为30人，所述步骤二中不同程度学习培训为学习时间，所述步骤二中A组、B组和C组所在三个培训小组学习的时间分别为8h、6h、5h。
进一步地，所述步骤二中每个小组测验的周期为5天/次，所述步骤三中A组、B组和C组培训的时间为90天，所述步骤三中系统检测的内容为数学、语文和英语。
进一步地，所述步骤四中测试试题内容包括数学、语文和英语，所述其中数学的测试内容包括选择题与应用题，语文与英语测试的内容为选择题与作文。
进一步地，所述步骤四中学习视频资料的时间为2h，所述步骤五中线上测试的时间为3h。
进一步地，所述步骤六中线上设备包括摄像头和计时器，所述摄像头会每个学生答题过程进行拍摄并将拍摄视频输送到上位机内进行分析。
进一步地，所述步骤七中A组、B组和C组对比的数据为试题的测试分数。
进一步地，所述步骤八中不同等级分为三级，分别与A组、B组和C组的准确率对应，所述步骤九中定期测试的周期为15天/次。
实施例2：
一个基于人工智能的精准测验难度分类方法，包括以下步骤：
步骤一：选取学生30名，并进行系统学习的测试，根据系统学习的测试数据结果，将学生分成三组，编号A组、B组和C组，每组10人；
步骤二：然后分别将A组、B组和C组放入不同的学习小组，进行不同程度学习培训，并定期进行学习的测验；
步骤三：将A组、B组和C组进行培训一段时间后，通过系统测验对A组、B组和C组进行测验，确定A组、B组和C组学习程度出现明显的差异；
步骤四：选取测试试题与对应测试试题的学习视频资料，将A组、B组和C组一同观看学习视频资料，记录观看学习视频资料的时间；
步骤五：当学习视频资料观看完毕后，将选取测试试题放到线上，分别对A组、B组和C组进行在线测试，并记录数据；
步骤六：通过线上设备分别记录A组、B组和C组的答题状态、答题时间、答题与视频段落之相关性，并进行数据统计；
步骤七：透过所有A组、B组和C组学习者之数据，使用AI预测该视频是否对于学习成效有明显提升，然后根据A组、B组和C组测验的结果进行对比；
步骤八：根据对比的结果判断人工智能的准确性，然后根据A组、B组和C组不同组测试试题的准确率，将测试试题进行不同等级的划分；
步骤九：定期选取不同测试试题与学习视频资料，重复步骤四、步骤五、步骤六、步骤七与步骤八，进行循环检测分类系统。
进一步地，所述步骤一中系统测试的科目包括数学、语文和英语，所述步骤一中将测试的分数根据高低分为三组。
进一步地，所述步骤二中学习小组为三个，每个学习小组的人数为35人，所述步骤二中不同程度学习培训为学习时间，所述步骤二中A组、B组和C组所在三个培训小组学习的时间分别为8h、6h、5h。
进一步地，所述步骤二中每个小组测验的周期为6天/次，所述步骤三中A组、B组和C组培训的时间为95天，所述步骤三中系统检测的内容为数学、语文和英语。
进一步地，所述步骤四中测试试题内容包括数学、语文和英语，所述其中数学的测试内容包括选择题与应用题，语文与英语测试的内容为选择题与作文。
进一步地，所述步骤四中学习视频资料的时间为2h，所述步骤五中线上测试的时间为3h。
进一步地，所述步骤六中线上设备包括摄像头和计时器，所述摄像头会每个学生答题过程进行拍摄并将拍摄视频输送到上位机内进行分析。
进一步地，所述步骤七中A组、B组和C组对比的数据为试题的测试分数。
进一步地，所述步骤八中不同等级分为三级，分别与A组、B组和C组的准确率对应，所述步骤九中定期测试的周期为18天/次。
实施例3：
一个基于人工智能的精准测验难度分类方法，包括以下步骤：
步骤一：选取学生30名，并进行系统学习的测试，根据系统学习的测试数据结果，将学生分成三组，编号A组、B组和C组，每组10人；
步骤二：然后分别将A组、B组和C组放入不同的学习小组，进行不同程度学习培训，并定期进行学习的测验；
步骤三：将A组、B组和C组进行培训一段时间后，通过系统测验对A组、B组和C组进行测验，确定A组、B组和C组学习程度出现明显的差异；
步骤四：选取测试试题与对应测试试题的学习视频资料，将A组、B组和C组一同观看学习视频资料，记录观看学习视频资料的时间；
步骤五：当学习视频资料观看完毕后，将选取测试试题放到线上，分别对A组、B组和C组进行在线测试，并记录数据；
步骤六：通过线上设备分别记录A组、B组和C组的答题状态、答题时间、答题与视频段落之相关性，并进行数据统计；
步骤七：透过所有A组、B组和C组学习者之数据，使用AI预测该视频是否对于学习成效有明显提升，然后根据A组、B组和C组测验的结果进行对比；
步骤八：根据对比的结果判断人工智能的准确性，然后根据A组、B组和C组不同组测试试题的准确率，将测试试题进行不同等级的划分；
步骤九：定期选取不同测试试题与学习视频资料，重复步骤四、步骤五、步骤六、步骤七与步骤八，进行循环检测分类系统。
进一步地，所述步骤一中系统测试的科目包括数学、语文和英语，所述步骤一中将测试的分数根据高低分为三组。
进一步地，所述步骤二中学习小组为三个，每个学习小组的人数为40人，所述步骤二中不同程度学习培训为学习时间，所述步骤二中A组、B组和C组所在三个培训小组学习的时间分别为9h、7h、6h。
进一步地，所述步骤二中每个小组测验的周期为7天/次，所述步骤三中A组、B组和C组培训的时间为100天，所述步骤三中系统检测的内容为数学、语文和英语。
进一步地，所述步骤四中测试试题内容包括数学、语文和英语，所述其中数学的测试内容包括选择题与应用题，语文与英语测试的内容为选择题与作文。
进一步地，所述步骤四中学习视频资料的时间为3h，所述步骤五中线上测试的时间为3h。
进一步地，所述步骤六中线上设备包括摄像头和计时器，所述摄像头会每个学生答题过程进行拍摄并将拍摄视频输送到上位机内进行分析。
进一步地，所述步骤七中A组、B组和C组对比的数据为试题的测试分数。
进一步地，所述步骤八中不同等级分为三级，分别与A组、B组和C组的准确率对应，所述步骤九中定期测试的周期为20天/次。
实施例4：
分别取上述实施例1-3中的方法对不同的10组试题进行检测，然后根据实施例1-3中检测出的数据进行对比，得到以下数据：
Figure BDA0002444296110000081
由上表可知，实施例1中在对试题进行检测的时间较短，并且对试题预估的正确率高。
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)

1.一个基于人工智能的精准测验难度分类方法，其特征在于：包括以下步骤：
步骤一：选取学生30名，并进行系统学习的测试，根据系统学习的测试数据结果，将学生分成三组，编号A组、B组和C组，每组10人；
步骤二：然后分别将A组、B组和C组放入不同的学习小组，进行不同程度学习培训，并定期进行学习的测验；
步骤三：将A组、B组和C组进行培训一段时间后，通过系统测验对A组、B组和C组进行测验，确定A组、B组和C组学习程度出现明显的差异；
步骤四：选取测试试题与对应测试试题的学习视频资料，将A组、B组和C组一同观看学习视频资料，记录观看学习视频资料的时间；
步骤五：当学习视频资料观看完毕后，将选取测试试题放到线上，分别对A组、B组和C组进行在线测试，并记录数据；
步骤六：通过线上设备分别记录A组、B组和C组的答题状态、答题时间、答题与视频段落之相关性，并进行数据统计；
步骤七：透过所有A组、B组和C组学习者之数据，使用AI预测该视频是否对于学习成效有明显提升，然后根据A组、B组和C组测验的结果进行对比；
步骤八：根据对比的结果判断人工智能的准确性，然后根据A组、B组和C组不同组测试试题的准确率，将测试试题进行不同等级的划分；
步骤九：定期选取不同测试试题与学习视频资料，重复步骤四、步骤五、步骤六、步骤七与步骤八，进行循环检测分类系统。
2.根据权利要求1所述的一个基于人工智能的精准测验难度分类方法，其特征在于：所述步骤一中系统测试的科目包括数学、语文和英语，所述步骤一中将测试的分数根据高低分为三组。
3.根据权利要求1所述的一个基于人工智能的精准测验难度分类方法，其特征在于：所述步骤二中学习小组为三个，每个学习小组的人数为30-40人，所述步骤二中不同程度学习培训为学习时间，所述步骤二中A组、B组和C组所在三个培训小组学习的时间分别为8h-9h、6h-7h、5h-6h。
4.根据权利要求1所述的一个基于人工智能的精准测验难度分类方法，其特征在于：所述步骤二中每个小组测验的周期为5-7天/次，所述步骤三中A组、B组和C组培训的时间为90-100天，所述步骤三中系统检测的内容为数学、语文和英语。
5.根据权利要求1所述的一个基于人工智能的精准测验难度分类方法，其特征在于：所述步骤四中测试试题内容包括数学、语文和英语，所述其中数学的测试内容包括选择题与应用题，语文与英语测试的内容为选择题与作文。
6.根据权利要求1所述的一个基于人工智能的精准测验难度分类方法，其特征在于：所述步骤四中学习视频资料的时间为2h-3h，所述步骤五中线上测试的时间为3h。
7.根据权利要求1所述的一个基于人工智能的精准测验难度分类方法，其特征在于：所述步骤六中线上设备包括摄像头和计时器，所述摄像头会每个学生答题过程进行拍摄并将拍摄视频输送到上位机内进行分析。
8.根据权利要求1所述的一个基于人工智能的精准测验难度分类方法，其特征在于：所述步骤七中A组、B组和C组对比的数据为试题的测试分数。
9.根据权利要求1所述的一个基于人工智能的精准测验难度分类方法，其特征在于：所述步骤八中不同等级分为三级，分别与A组、B组和C组的准确率对应，所述步骤九中定期测试的周期为15-20天/次。
CN202010274499.0A 2020-04-09 2020-04-09 一个基于人工智能的精准测验难度分类方法 Active CN111507872B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010274499.0A CN111507872B (zh) 2020-04-09 2020-04-09 一个基于人工智能的精准测验难度分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010274499.0A CN111507872B (zh) 2020-04-09 2020-04-09 一个基于人工智能的精准测验难度分类方法

Publications (2)

Publication Number Publication Date
CN111507872A CN111507872A (zh) 2020-08-07
CN111507872B true CN111507872B (zh) 2023-04-07

Family

ID=71876051

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010274499.0A Active CN111507872B (zh) 2020-04-09 2020-04-09 一个基于人工智能的精准测验难度分类方法

Country Status (1)

Country Link
CN (1) CN111507872B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112367526B (zh) * 2020-10-26 2022-03-25 联想(北京)有限公司 视频生成方法、装置、电子设备及存储介质
CN113936514A (zh) * 2021-08-25 2022-01-14 国网浙江省电力有限公司培训中心 一种高压断路器试验实训系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101901555A (zh) * 2010-07-30 2010-12-01 政高有限公司 学习能力检测系统及其方法
CN104008453A (zh) * 2014-05-29 2014-08-27 启秀科技（北京）有限公司 职业能力测评仿真系统
CN105469145A (zh) * 2016-01-15 2016-04-06 清华大学 一种基于遗传粒子群算法的智能组卷方法
CN106682768A (zh) * 2016-12-08 2017-05-17 北京粉笔蓝天科技有限公司 一种答题分数的预测方法、系统、终端及服务器
CN108596472A (zh) * 2018-04-20 2018-09-28 贵州金符育才教育科技有限公司 一种理科学习的人工智能教学系统及方法
CN108926838A (zh) * 2018-07-26 2018-12-04 深圳市心流科技有限公司 注意力游戏的出题方法、系统及计算机可读存储介质
CN110111610A (zh) * 2019-05-13 2019-08-09 上海乂学教育科技有限公司 基于ai算法的自适应学习中语文结构阅读方法
CN110197340A (zh) * 2019-06-06 2019-09-03 哈尔滨工业大学 一种面向在线教育平台的学习者学习能力评估方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101901555A (zh) * 2010-07-30 2010-12-01 政高有限公司 学习能力检测系统及其方法
CN104008453A (zh) * 2014-05-29 2014-08-27 启秀科技（北京）有限公司 职业能力测评仿真系统
CN105469145A (zh) * 2016-01-15 2016-04-06 清华大学 一种基于遗传粒子群算法的智能组卷方法
CN106682768A (zh) * 2016-12-08 2017-05-17 北京粉笔蓝天科技有限公司 一种答题分数的预测方法、系统、终端及服务器
CN108596472A (zh) * 2018-04-20 2018-09-28 贵州金符育才教育科技有限公司 一种理科学习的人工智能教学系统及方法
CN108926838A (zh) * 2018-07-26 2018-12-04 深圳市心流科技有限公司 注意力游戏的出题方法、系统及计算机可读存储介质
CN110111610A (zh) * 2019-05-13 2019-08-09 上海乂学教育科技有限公司 基于ai算法的自适应学习中语文结构阅读方法
CN110197340A (zh) * 2019-06-06 2019-09-03 哈尔滨工业大学 一种面向在线教育平台的学习者学习能力评估方法

Also Published As

Publication number Publication date
CN111507872A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
Shanahan et al. An analysis and comparison of theoretical models of the reading–writing relationship.
CN107657559A (zh) 一种中文阅读能力测评方法及系统
CN111507872B (zh) 一个基于人工智能的精准测验难度分类方法
Furey et al. Concurrent validity and classification accuracy of curriculum-based measurement for written expression.
Fulcher Invalidating validity claims for the ACTFL oral rating scale
Apsari Cloze Passage In Improving Students’ reading Comprehension
CN111932415A (zh) 一种语言自适应分级学习的方法及装置
CN112507792B (zh) 在线视频关键帧定位方法、定位系统、设备及存储介质
Peracaula-Boscha et al. Developing computational thinking among preservice teachers
de Jong et al. Validation of listening comprehension tests using item response theory
CN111708951B (zh) 一种试题推荐方法及装置
Park A Corpus-Based Study of Syntactic Complexity Measures as Developmental Indices of College-Level L2 Learners' Proficiency in Writing
Soko et al. The analysis of in-service teachers’ practices of implementing Technological Pedagogical content knowledge (TPACK)
Sarac et al. Calibration of comprehension and performance in L2 reading
Real et al. Lexical richness of L2 production using Nation and Laufer’s lexical frequency profile
Rizki et al. Analysis of mathematics teacher’s comprehension on ethnomathematics in the context of the Kutai tribe in terms of ethnicity and gender
Lang Criterion‐referenced tests in science: An investigation of reliability, validity, and standards‐setting
CN117094861B (zh) 语言学习控制测试系统
CN118171824B (zh) 一种3d沉浸式互动的ppt教学管理系统及方法
Miao Validating a simulated test of CET 4
Sun Data analysis of traditional summative assessment and continuous assessment-Engineering Science Departments case study
Ho et al. A multiple aspects quantitative indicator for ability of English vocabulary: vocabulary quotient
Iswara STUDENTS’ABILITY IN WRITING DESCRIPTIVE TEXT (A Case Study of the First Grade Student in Academic Year of 2020/2021)
Sebolai et al. Validating the highest performance standard of a test of academic literacy at a South African University
Yuliastuti et al. CORRELATION BETWEEN VOCABULARY MASTERY AND READING COMPREHENSION OF THE TENTH GRADE

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