CN111723193A - 习题智能推荐方法、装置、计算机设备及存储介质 - Google Patents
习题智能推荐方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111723193A CN111723193A CN202010568262.3A CN202010568262A CN111723193A CN 111723193 A CN111723193 A CN 111723193A CN 202010568262 A CN202010568262 A CN 202010568262A CN 111723193 A CN111723193 A CN 111723193A
- Authority
- CN
- China
- Prior art keywords
- exercise
- recommendation
- preset
- knowledge point
- error rate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012163 sequencing technique Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提出了一种习题智能推荐方法、装置、计算机设备及存储介质,先通过第一预设公式,根据每个学生的做题情况,计算出每个学生掌握到位的知识点以及可能掌握不到位的知识点;然后通过第二预设公式,进一步地计算出合适推荐给学生的习题,解决了目前的错题推荐中错题题目较为单一,以及错题推荐的质量针对性不强的问题。能够针对学生自身的作业情况和知识点掌握情况,自动生成个性化的推荐练习习题,使学生将时间花在最该练习的题目上,帮助学生高效学习,从而能够节约做题时间,达到个性化学习,提升学习效率的目的。
Description
技术领域
本申请涉及到作业推荐领域,特别是涉及到一种习题智能推荐方法、装置、计算机设备及存储介质。
背景技术
在现有的错题推荐中,实际上都是错题回顾,一种是以一定的间隔频率将学生做错的题目不断的推送给学生进行重新解题,另一种就是根据相同的知识点进行随机推荐,题目变化性不够灵活、较为单一,且习题质量没有保证,针对性不强。还存在一个缺点就是,只根据做错的知识点进行重复推荐,没有根据相似知识点进行题目推荐,题目整体性不足。
发明内容
本申请的主要目的为提供一种习题智能推荐方法、装置、计算机设备及存储介质,针对学生自身的作业情况和知识点掌握情况,自动生成个性化的推荐练习习题。
本申请提出一种习题智能推荐方法,包括:
获取答题结果中的错题,并根据所述错题在预设的知识点映射表中查找对应的知识点A;
根据第一预设公式计算习题库中的多个知识点分别与所述知识点A的相似度,得出所有与所述知识点A的相似度大于第一相似度阈值的所述知识点B,并按照相似度由高到低的顺序对所有所述知识点B进行排序,形成知识点B集;
根据第二预设公式分别获取所述知识点A对应的至少一个第一习题、所述知识点B集对应的多个第二习题的习题质量,并按照所述习题质量由高到低的顺序分别对所述第一习题和所述第二习题进行排序,形成第一习题集和第二习题集;
获取推荐习题的单次推荐数量,并根据预设推荐比例分别从所述第一习题集中抽取所述第一习题以及从所述第二习题集中抽取所述第二习题,组成所述推荐习题;其中,抽取所述第一习题和所述第二习题时,按照所述习题质量由高到低的顺序进行抽取。
进一步地,在所述获取答题结果中的错题,并根据所述错题在预设的知识点映射表中查找对应的知识点A的步骤之后,还包括:
分别统计每个所述知识点A在所述答题结果中对应的习题错误率;
根据所述习题错误率在预设推荐表中进行查询,以确定在所述习题错误率下每个所述知识点A对应的推荐方案;其中,在所述预设推荐表中,不同的所述推荐方案对应不同范围的所述习题错误率,不同所述推荐方案所包含的推荐比例不同,所述推荐比例指的是位于一定范围所述习题错误率内的所述知识点A对应的习题在推荐习题中所占的比例;在所述预设推荐表中,所有所述推荐方案中的所述推荐比例之和小于等于1。
进一步地,第二预设公式为:
其中,Qz指的是习题z的习题质量,Pz指的是习题z的习题平均评分,Pzi指的是学生i对习题z的习题评分,C指的是习题z的习题收藏度,Cmax指的是在所有习题中最高的收藏次数,Czf指的是习题z的收藏次数,n指的是学生i的个数。
进一步地,所述统计所有所述知识点A在所述答题结果中的习题错误率的步骤,包括:
统计出各个所述知识点A在所有所述答题结果中的第一错误率,以及在最近预设次数提交的所述答题结果中的第二错误率;
对所述第一错误率和所述第二错误率进行比较;
若所述第一错误率大于等于所述第二错误率,则将所述第二错误率设定为所述习题错误率;
若所述第一错误率小于所述第二错误率,则将所述第一错误率设定为所述习题错误率。
进一步地,所述统计出各个所述知识点A在所有所述答题结果中的第一错误率,以及统计出在最近预设次数提交的所述答题结果中的第二错误率的步骤,包括:
统计出各个所述知识点A在所有所述答题结果中的第一错误率,并判断所述知识点A对应的所述错题的数量是否达到预设数量;
若达到所述预设数量,则统计出所述知识点A在最近预设次数提交的所述答题结果中的第二错误率;
若未达到所述预设数量,则将所述第一错误率设定为所述习题错误率。
进一步地,所述根据所述习题错误率在预设推荐表中进行查询,以确定在所述习题错误率下每个所述知识点A对应的推荐方案的步骤,包括:
若所述习题错误率大于等于第一预设阈值,则停止推荐对应的所述知识点A,并将所述知识点A推送至预设管理界面中;
若所述习题错误率大于等于第二预设阈值,且小于所述第一预设阈值,则按照第一预设推荐比例推荐所述知识点A,并将所述知识点A推送至所述预设管理界面中;
若所述习题错误率小于所述第二预设阈值,则按照第二预设推荐比例推荐所述知识点A。
进一步地,所述根据预设推荐比例分别从所述第一习题集中抽取所述第一习题以及从所述第二习题集中抽取所述第二习题,组成所述推荐习题的步骤,包括:
获取各个所述知识点A的最近一次推荐时间,并判断所述最近一次推荐时间与当前时间之间的时间间隔是否大于等于所述预设推荐间隔时间;
若大于等于所述预设推荐间隔时间,则以第一预设权重从所述习题库中挑选所述知识点A对应的习题;
若小于所述预设推荐间隔时间,则以第二预设权重从所述习题库中挑选所述知识点A对应的习题。
本申请还提出了一种习题智能推荐装置,包括:
获取模块,用于获取答题结果中的错题,并根据所述错题在预设的知识点映射表中查找对应的知识点A;
第一计算模块,用于根据第一预设公式计算习题库中的多个知识点分别与所述知识点A的相似度,得出所有与所述知识点A的相似度大于第一相似度阈值的所述知识点B,并按照相似度由高到低的顺序对所有所述知识点B进行排序,形成知识点B集;
第二计算模块,用于根据第二预设公式分别获取所述知识点A对应的至少一个第一习题、所述知识点B集对应的多个第二习题的习题质量,并按照所述习题质量由高到低的顺序分别对所述第一习题和所述第二习题进行排序,形成第一习题集和第二习题集;
抽取模块,用于获取推荐习题的单次推荐数量,并根据预设推荐比例分别从所述第一习题集中抽取所述第一习题以及从所述第二习题集中抽取所述第二习题,组成所述推荐习题;其中,抽取所述第一习题和所述第二习题时,按照所述习题质量由高到低的顺序进行抽取。
本申请还提出了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述中任一项方法的步骤。
本申请还提出了一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述中任一项的方法的步骤。
本申请与现有技术相比,有益效果是:本申请提出了一种习题智能推荐方法、装置、计算机设备及存储介质,先通过第一预设公式,根据每个学生的做题情况,计算出每个学生掌握到位的知识点以及可能掌握不到位的知识点;然后通过第二预设公式,进一步地计算出合适推荐给学生的习题,解决了目前的错题推荐中错题题目较为单一,以及错题推荐的质量针对性不强的问题。能够针对学生自身的作业情况和知识点掌握情况,自动生成个性化的推荐练习习题,使学生将时间花在最该练习的题目上,帮助学生高效学习,从而能够节约做题时间,达到个性化学习,提升学习效率的目的。
附图说明
图1为本申请一实施例中习题智能推荐方法的步骤示意图;
图2为本申请一实施例中习题智能推荐装置的模块示意图;
图3为本申请一实施例中计算机设备的模块示意框图;
图4为本申请一实施例中存储介质的模块示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
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的一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明,本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变,的连接可以是直接连接,也可以是间接连接。
另外,在本申请中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
参照图1,本申请在一实施例中提出了一种习题智能推荐方法,主要包括以下步骤:
S1,获取答题结果中的错题,并根据所述错题在预设的知识点映射表中查找对应的知识点A;
S2,根据第一预设公式计算习题库中的多个知识点分别与所述知识点A的相似度,得出所有与所述知识点A的相似度大于第一相似度阈值的所述知识点B,并按照相似度由高到低的顺序对所有所述知识点B进行排序,形成知识点B集;
S3,根据第二预设公式分别获取所述知识点A对应的至少一个第一习题、所述知识点B集对应的多个第二习题的习题质量,并按照所述习题质量由高到低的顺序分别对所述第一习题和所述第二习题进行排序,形成第一习题集和第二习题集;
S4,获取推荐习题的单次推荐数量,并根据预设推荐比例分别从所述第一习题集中抽取所述第一习题以及从所述第二习题集中抽取所述第二习题,组成所述推荐习题;其中,抽取所述第一习题和所述第二习题时,按照所述习题质量由高到低的顺序进行抽取。
在上述步骤实施时,作业推荐系统首先获取学生,例如学生S,以往的答题结果,该答题结果由对学生提交的习题进行批改而得到的,并根据学生的答题结果确定该学生做错的题目,以便知晓该学生的知识薄弱点。在一个具体的实施例中,答题结果包括学生解答教师布置的习题而得到的结果。在另一个具体的实施例中,答题结果还包括学生解答系统的推荐习题而得到的结果。然后,为了进一步地的确定学生的知识薄弱点,根据得到的错题到知识点映射表中查找对应的知识点A,该知识点A至少有一个,在知识点映射表中预设了习题库中每一道习题对应的知识点,例如,唐诗、宋词、磁场力学、热力学、反证法、细胞结构等知识点,也即是该学生的未掌握知识点,将得到的所有错题进行分门别类,为后续的作业推荐提供更好的数据基础。
然后,系统根据第一预设公式计算习题库中的多个知识点分别与知识点A的相似度,得出所有与知识点A的相似度大于第一相似度阈值的知识点B,并按照相似度由高到低的顺序对所有知识点B进行排序,形成知识点B集;在一个具体的实施例中,第一预设公式为:
其中,知识点A与知识点B在习题库中均用向量进行表示,xA和xB分别指的是知识点A与知识点B在习题库中的知识点特征值,每个知识点具有一个对应的知识点特征值,不同知识点之间的相似度与知识点特征值的差值呈负相关关系,在一个具体的实施例中,该知识点特征值表现为一个多位数字,每个数字都代表该知识点的知识属性中的学科、类目、章、节、点等,例如知识点A的知识点特征值为545863,其中知识点特征值中各个数字代表的知识属性如表一所示。
表一
在一个具体的实施例中,知识点特征值中的后一位数字根据前一位数字的不同而不同,例如在知识点特征值545863中,由于第一位数字5代表为化学学科,因此第二位数字4代表的是化学学科中的有机化学,但如果是在知识点特征值445863中,由于第一位数字5代表的是物理学科,则此时第二位数字4代表的是物理学科中的磁力学。在另一个具体的实施例中,知识点特征值中的每一位数字都具有一个特定对应的知识属性,后一位的数字并不根据前一位数字的变化而变化。在习题库中采用知识点特征值对知识点进行描述,不同知识点之间的相似度就会与知识点特征值的差值呈负相关关系,即是说若两个知识点之间的知识点特征值越接近,差值越小,则说明两个知识点之间的相似度就越高。
然后,yA和yB分别指的是知识点A与知识点B的知识点难度,yA和yB值越大,则表示知识点难度越高;在要求学生掌握知识点时,不同知识点之间的知识点难度是存在差别的,也就具有不同的要求,例如知识点难度可以分为熟练、识记、应用、理解等,分别采用不同的值来对应知识点难度,例如熟练的知识点难度值为1、识记的知识点难度值为2、应用的知识点难度值为3、理解的知识点难度值为4等。知识点的知识点特征值与知识点难度值共同构成一个二维向量,用于描述对应的知识点。通过计算知识点A与知识点B之间的余弦相似度,即可得出知识点A与知识点之间的相似度,其中余弦相似度的值为[-1,1],其中值越大则表明知识点A与知识点之间的相似度越高,当结果值为1时,说明知识点A与知识点B完全一样,当结果值为-1时,说明知识点A与知识点B完全不一样。通过余弦相似度,将与知识点A的相似度大于第一相似度阈值的知识点B全部筛选出来,并按照相似度由高到低的顺序对所有知识点B进行排序,形成知识点B集,便可得出习题库中与知识点A相似度较高的所有知识点B。
然后,由于习题库中的习题众多,因此在推荐习题给学生时还需要考虑优先推荐习题质量高的习题,因此还要分别获取知识点A对应的第一习题、知识点B集对应的第二习题的习题质量,并按照习题质量由高到低的顺序分别对第一习题和第二习题进行排序,形成第一习题集和第二习题集;
最后,系统获取推荐习题的单次推荐数量,该单次推荐数量可以为预设的固定数量,例如50题或者100题,也可以由学生或者教师进行自行设定,以契合每个学生的做题水平。然后根据预设推荐比例分别从第一习题集中抽取第一习题以及从第二习题集中抽取第二习题,组成推荐习题推荐给学生S;其中,抽取第一习题和第二习题时,按照习题质量由高到低的顺序进行抽取。在一个具体的实施例中,在推荐习题中,第一习题所占的推荐比例为60%。第二习题所占的推荐比例为40%。通过第一预设公式,能够根据每个学生的做题情况,计算出每个学生掌握到位的知识点以及可能掌握不到位的知识点;通过第二预设公式,进一步地计算出合适推荐给学生的习题,解决了目前的错题推荐中错题题目较为单一,以及错题推荐的质量针对性不强的问题。
在一个较优的实施例中,在所述获取答题结果中的错题,并根据所述错题在预设的知识点映射表中查找对应的知识点A的步骤之后,还包括:
S11,分别统计每个所述知识点A在所述答题结果中对应的习题错误率;
S12,根据所述习题错误率在预设推荐表中进行查询,以确定在所述习题错误率下每个所述知识点A对应的推荐方案;其中,在所述预设推荐表中,不同的所述推荐方案对应不同范围的所述习题错误率,不同所述推荐方案所包含的推荐比例不同,所述推荐比例指的是位于一定范围所述习题错误率内的所述知识点A对应的习题在推荐习题中所占的比例;在所述预设推荐表中,所有所述推荐方案中的所述推荐比例之和小于等于1。
上述步骤实施时,在根据预设的知识点映射表确定了所有的知识点A之后,统计各个知识点A在答题结果中的习题错误率,在一个具体的实施例中,根据错题确定对应的知识点A之后,统计每个知识点A对应的错题总数以及在知识点A在答题结果中对应的习题总数,然后根据错题总数和习题总数即可计算出知识点A的习题错误率。
然后,根据习题错误率在预设推荐表中进行查询,以确定在该习题错误率下知识点A对应的推荐方案;其中,不同的推荐方案对应不同范围的习题错误率,不同推荐方案所包含的推荐比例不同,推荐比例指的是位于一定范围习题错误率内的知识点A对应的习题数目在推荐习题的总数目中所占的比例。在一个具体的实施例中,例如习题错误率位于80%-100%时对应的推荐方案所包含的推荐比例为35%,则在80%-100%的习题错误率下的知识点A所对应的习题数在推荐习题中所占的比例就为35%。值得注意的是,在预设推荐表中,所有推荐方案中的推荐比例之和小于等于1,以防出现在后续生成推荐习题时出现推荐比例之和大于1,导致推荐习题生成错误的问题出现。在一个具体的实施例中,推荐方案中的推荐比例包括了知识点A对应的第一习题以及知识点B集对应的第二习题,即第一习题和第二习题在推荐习题中所占的比例就为该推荐比例。
最后,根据在预设推荐表中查找到的推荐方案从习题库中挑选对应知识点A的习题以及习题库中的其余习题,并生成推荐习题推送给学生。在一个具体的实施例中,若根据在预设推荐表中查找到的推荐方案的推荐比例之和等于1,即该学生的知识点A的习题错误率覆盖范围较广,此时在推荐习题中挑选的则全部都是知识点A所对应的习题,在习题库中的其他习题的推荐比例为0,即不推荐其余习题。在另一个具体的实施例中,若根据在预设推荐表中查找到的推荐方案的推荐比例之和小于1,例如为80%,则从习题库中的其余习题中进行挑选占习题总数20%的数目进行补足,此时在推荐习题中既存在学生未掌握的习题,也存在学生已经掌握的习题。在推荐习题中混入习题库的其余习题具有两个好处:一是可以让学生进行适当的反复巩固练习,加深其掌握情况;二是在推荐习题中不至于全部都是学生未掌握的习题,题目难度适当,提高学生答题兴趣,从而优化做题效果。
在一个较优的实施例中,前述第二预设公式为:
其中,Qz指的是习题z的习题质量,Pz指的是习题z的习题平均评分,Pzi指的是学生i对习题z的习题评分,C指的是习题z的习题收藏度,Cmax指的是在所有习题中最高的收藏次数,Czf指的是习题z的收藏次数,n指的是学生i的个数。
前述的习题质量是根据第二预设公式计算得出,在一个具体的实施例中,系统采用1-10的评分制提供给学生或教师对习题进行评分,习题的评分越高,则说明习题的质量越好;若习题是新加入习题库中的,则默认给该习题一个中等评分,例如5分或者6分。另一方面,能够反映习题质量的除了评分还有收藏次数,习题的收藏次数越多则说明习题质量可能越好,C指的即是习题z的习题收藏度,Cmax指的是在所有习题中最高的收藏次数,Czf指的是习题z的收藏次数,为了消除由于特定习题的收藏次数过多或者过少而引起的习题质量评分偏高或偏低的现象发生,习题z的收藏次数除以习题最高的收藏次数之后,再乘以习题z的习题平均评分,将收藏次数与习题平均评分结合,以减少误差。在另一个具体的实施例中,习题平均评分与习题收藏度的统计权重一致。
在一个较优的实施例中,所述统计所有所述知识点A在所述答题结果中的习题错误率的步骤S11,包括:
S111,统计所述知识点A的各种题型在所述答题结果中对应的习题数目以及错题总数;
S112,根据所述习题数目以及所述错题总数,计算出所述知识点A的各种题型对应的所述习题错误率。
在上述步骤实施时,统计知识点A的各种题型在答题结果中对应的习题数目以及错题总数;在一个具体的实施例中,由于习题的题型较多,例如选择题、填空题、判断题、解答题等,不同的题型其应对的解答方法也就不太一样,因此即便是同一个学生在面对同样的知识点时,如果题型不同,其掌握程度也可能会不同,例如有人比较擅长做选择题,有人比较擅长做解答题等。因此具体统计出知识点A的各种题型在答题结果中对应的习题数目以及错题总数,以便后续对知识点A进行一个详细的分析。
最后,根据习题数目以及错题总数,计算出知识点A各种题型对应的习题错误率。统计出知识点A各种题型对应的习题错误率之后,可以更加清晰的了解到该学生对该知识点A的做题情况,也可以在后续的习题推荐中针对不同题型进行推荐。在一个具体的实施例中,例如根据习题数目以及错题总数,计算出同一个知识点A在选择题上的习题错误率为10%,在填空题上的习题错误率为40%,在解答题上的习题错误率为70%,则根据习题错误率不同在预设推荐表中可能查找到不同的推荐方案,从而具有不同的推荐比例。例如该知识点A对应的习题在选择题中的推荐比例为5%,在填空题中的推荐比例为15%,在解答题中的推荐比例为30%,从而针对同一个知识点A,在不同的题型中进行针对性推荐,习题错误率越高的题型则推荐比例也就越高,使学生能够针对自身的薄弱点进行更好的改进,避免对已掌握的题型进行过多重复。
在一个较优的实施例中,所述统计所有所述知识点A在所述答题结果中的习题错误率的步骤,包括:
S113,统计出各个所述知识点A在所有所述答题结果中的第一错误率,以及在最近预设次数提交的所述答题结果中的第二错误率;
S114,对所述第一错误率和所述第二错误率进行比较;
S115,若所述第一错误率大于等于所述第二错误率,则将所述第二错误率设定为所述习题错误率;
S116,若所述第一错误率小于所述第二错误率,则将所述第一错误率设定为所述习题错误率。
在上述步骤实施时,首先统计出各个知识点A在所有答题结果中的第一错误率,以及在最近预设次数提交的答题结果中的第二错误率;即是统计出各个知识点A在所有的答题结果中的错误率,以及在近期提交的,例如最近五次的答题结果中的错误率,以进行比较。
然后,对第一错误率和第二错误率进行比较;若第一错误率大于等于第二错误率,则说明该知识点A在所有的答题结果中的错误率要高于在近期的答题结果中的错误率,也即是说明该学生在做该知识点A的习题时,前期错误率较高,近期错误率较低,对知识点A可能已经较好的掌握了,能够降低答题的错误率,因此将第二错误率设定为习题错误率,及时反映学生的进步情况,避免前期错误率影响习题推荐方案。若第一错误率小于第二错误率,则说明该知识点A在所有的答题结果中的错误率要低于在近期的答题结果中的错误率,也即是说明该学生在做该知识点A的习题时,前期错误率较低,近期错误率较高,近期有可能出现遗忘知识点或者做题时粗心大意的情况,因此将第一错误率设定为习题错误率,从对该学生的整体情况出发,更好的把握学生做题情况,避免近期出现的异常情况影响到习题推荐方案。
在一个较优的实施例中,所述统计出各个所述知识点A在所有所述答题结果中的第一错误率,以及统计出在最近预设次数提交的所述答题结果中的第二错误率的步骤,包括:
S1131,统计出各个所述知识点A在所有所述答题结果中的第一错误率,并判断所述知识点A对应的所述错题的数量是否达到预设数量;
S1132,若达到所述预设数量,则统计出所述知识点A在最近预设次数提交的所述答题结果中的第二错误率;
S1133,若未达到所述预设数量,则将所述第一错误率设定为所述习题错误率。
在上述步骤实施时,首先,统计出各个知识点A在所有答题结果中的第一错误率,并判断知识点A对应的错题的数量是否达到预设数量;
然后,若达到预设数量,则统计出知识点A在最近预设次数提交的答题结果中的第二错误率;因为若要将第一错误率与第二错误率进行比较,从而判断出学生针对同一个知识点A的整体掌握情况以及近期掌握情况,就需要有足够多的样本数量将整体情况与近期情况进行区分,若样本数量太少,则第二错误率实际上并不能够反映出学生在近期的学习做题情况。在一个具体的实施例中,若知识点A对应的错题的数量未达到预设数量,则直接将第一错误率设定为习题错误率,而不用计算第二错误率。
在一个较优的实施例中,在所述若达到所述预设数量,则统计出所述知识点A在最近预设次数提交的所述答题结果中的第二错误率的步骤之后,还包括:
S1134,若所述第一错误率与所述第二错误率的差值位于预设差值范围内,则将所述知识点A发送到预设管理界面中。
在上述步骤实施时,若根据计算,获知第一错误率与第二错误率的差值位于预设差值范围内,在一个具体的实施例中,预设差值范围在5%以内,则说明该学生在前期与近期针对该知识点A的做题错误率都差不多,一直没能完全掌握该知识点A,很有可能是对该知识点理解不到位,导致在做题错误率上一直没有改善,则将知识点A发送到预设管理界面中,例如教师的关注管理页面中,使得老师可以及时了解到学生一直以来存在的知识薄弱点,从而针对知识盲区进行针对性辅导,改善学生做题效率。
在一个较优的实施例中,所述根据所述习题错误率在预设推荐表中进行查询,以确定在所述习题错误率下每个所述知识点A对应的推荐方案的步骤,包括:
S121,若所述习题错误率大于等于第一预设阈值,则停止推荐对应的所述知识点A,并将所述知识点A推送至预设管理界面中;
S122,若所述习题错误率大于等于第二预设阈值,且小于所述第一预设阈值,则按照第一预设推荐比例推荐所述知识点A,并将所述知识点A推送至所述预设管理界面中;
S123,若所述习题错误率小于所述第二预设阈值,则按照第二预设推荐比例推荐所述知识点A。
在上述步骤实施时,在预设推荐表中,不同的推荐方案对应不同范围的习题错误率,不同推荐方案所包含的推荐比例不同,推荐比例指的是位于一定范围习题错误率内的知识点A对应的习题在推荐习题中所占的比例。若习题错误率大于等于第一预设阈值,例如80%,此时习题错误率较高,若直接将习题错误率大于80%的知识点A对应的习题推荐给学生,一是由于该学生并没有很好的掌握该知识点A,对于该习题没有很好地解决办法,继续接着做题就犹如盲人摸象,也并不能得到很好的做题方法,对于做题错误率并不能得到很好地改善,只会一直高居不下;二是如果让学生重复做错误率过高的习题,容易打击学生的解题自信,降低学生答题兴趣和效率;因此对于习题错误率过高的知识点A,则停止推荐对应的知识点A,并将知识点A推送至教师的预设管理界面中;然后待教师在后续进行针对性辅导以及布置习题之后,若系统根据最新的答题结果计算出学生的重复错误率低于第一预设阈值,说明该学生对于该知识点A的掌握程度有所加深,此时可以进行习题推荐,以便进一步地进行针对性改进。
若习题错误率大于等于第二预设阈值,且小于第一预设阈值,例如大于等于25%,小于80%,在实际的答题过程中,习题错误率位于这一范围内的知识点A较多,也是学生需要重点进行攻坚的的部分,此时则按照第一预设推荐比例,例如70%,推荐知识点A对应的习题,并由于该习题错误率仍旧较高,因此将知识点A推送至教师的预设管理界面中,以便教师对学生的答题情况有一个清晰的了解。
若习题错误率小于第二预设阈值,例如小于10%,此时习题错误率较低,说明该学生很可能只是粗心大意将该习题做错,或者只是暂时性的有些遗忘知识而导致做错,则按照第二预设推荐比例,例如10%,推荐知识点A。针对习题错误率较低的知识点A,以一个较低的推荐比例进行推荐,尽量增大推荐习题中习题错误率较高的知识点A,降低偶发错误对推荐习题产生的影响。在具体的实施过程中,预设阈值并不局限于第一预设阈值和第二预设阈值,可以根据实际操作情况设定一个或多个不同的预设阈值,从而针对习题错误率不同的知识点A,执行不同的推荐方案,类似的实施例都处于本申请的保护范围之内。
在一个较优的实施例中,所述根据预设推荐比例分别从所述第一习题集中抽取所述第一习题以及从所述第二习题集中抽取所述第二习题,组成所述推荐习题的步骤,包括:
S41,获取各个所述知识点A的最近一次推荐时间,并判断所述最近一次推荐时间与当前时间之间的时间间隔是否大于等于预设推荐间隔时间;
S42,若大于等于所述预设推荐间隔时间,则以第一预设权重从所述习题库中挑选所述知识点A对应的习题;
S43,若小于所述预设推荐间隔时间,则以第二预设权重从所述习题库中挑选所述知识点A对应的习题。
在上述步骤实施时,在推荐方案还包括了推荐间隔时间,推荐间隔时间为预设,在一个具体的实施例中,预设推荐间隔时间根据艾宾浩斯遗忘曲线进行设置,如一天、七天、十五天,即系统在第二日、第七日和第十五日从习题库中选取知识点A对应的习题进行推荐。在另一个具体的实施例中,该预设推荐时间也可以自行设置。
然后,获取各个知识点A的最近一次推荐时间,即该知识点A出现在最近一次的推荐习题中的时间,并判断最近一次推荐时间与当前时间之间的时间间隔是否大于等于预设推荐间隔时间;由于学生的知识点A可能较多,而单次的推荐习题的习题数量有限,所以在单次的推荐习题中可能不会覆盖到所有的知识点A,且在获取推荐习题时,既可以由系统进行自动推荐,还可以由学生或者老师主动请求系统进行推荐,推荐请求的生成时间与预设推荐时间并不一一对应,因此需要对各个知识点A的最近一次推荐时间进行统计获取,以免在推荐习题中同一知识点A出现的间隔时间过长,无法起到使学生及时复习的效果,降低了学生的做题效率。
若时间间隔大于等于预设推荐间隔时间,则说明该知识点A在推荐习题中出现的间隔时间过长了,此次推荐要优先推荐该知识点A,以第一预设权重,例如0.7的权重,从习题库中挑选知识点A对应的习题;
若时间间隔小于预设推荐间隔时间,则说明该知识点A在推荐习题中出现的间隔时间在控制范围之内,学生可能还对该知识点A有印象,此次推荐可以优先推荐其他知识点A,则以第二预设权重,例如0.3的权重,从习题库中挑选知识点A对应的习题。通过不同的预设推荐间隔时间,对不同的知识点A进行针对性挑选,在单次推荐习题数量有限的条件下,对数量众多的知识点A进行合理的推荐顺序安排,从而防止学生遗忘,及时复习,提高做题效率。
参照图2,本申请还提出了一种习题智能推荐装置,主要包括:
获取模块10,用于获取答题结果中的错题,并根据所述错题在预设的知识点映射表中查找对应的知识点A;
第一计算模块20,用于根据第一预设公式计算习题库中的多个知识点分别与所述知识点A的相似度,得出所有与所述知识点A的相似度大于第一相似度阈值的所述知识点B,并按照相似度由高到低的顺序对所有所述知识点B进行排序,形成知识点B集;
第二计算模块30,用于根据第二预设公式分别获取所述知识点A对应的至少第一习题、所述知识点B集对应的多个第二习题的习题质量,并按照所述习题质量由高到低的顺序分别对所述第一习题和所述第二习题进行排序,形成第一习题集和第二习题集;
抽取模块40,用于获取推荐习题的单次推荐数量,并根据预设推荐比例分别从所述第一习题集中抽取所述第一习题以及从所述第二习题集中抽取所述第二习题,组成所述推荐习题;其中,抽取所述第一习题和所述第二习题时,按照所述习题质量由高到低的顺序进行抽取。
其中上述模块10-40分别用于执行的操作与前述实施方式的习题智能推荐方法的步骤一一对应,在此不再赘述。
进一步地,对应前述实施方式的习题智能推荐方法的细分步骤,上述模块10-40相应的包含了子模块、单元或子单元,用于执行前述习题智能推荐方法的细分步骤,在此也不再赘述。
参照图3,本申请还提出了一种计算机设备,包括存储器1003和处理器1002,存储器1003存储有计算机程序1004,,处理器1002执行计算机程序1004时实现上述中任一项方法的步骤,包括:获取答题结果中的错题,并根据所述错题在预设的知识点映射表中查找对应的知识点A;
根据第一预设公式计算习题库中的多个知识点分别与所述知识点A的相似度,得出所有与所述知识点A的相似度大于第一相似度阈值的所述知识点B,并按照相似度由高到低的顺序对所有所述知识点B进行排序,形成知识点B集;
根据第二预设公式分别获取所述知识点A对应的至少一个第一习题、所述知识点B集对应的多个第二习题的习题质量,并按照所述习题质量由高到低的顺序分别对所述第一习题和所述第二习题进行排序,形成第一习题集和第二习题集;
获取推荐习题的单次推荐数量,并根据预设推荐比例分别从所述第一习题集中抽取所述第一习题以及从所述第二习题集中抽取所述第二习题,组成所述推荐习题;其中,抽取所述第一习题和所述第二习题时,按照所述习题质量由高到低的顺序进行抽取。
参照图4,本申请还提出了一种计算机存储介质2001,其上存储有计算机程序2002,,计算机程序2002被处理器执行时实现上述中任一项的方法的步骤,包括:获取答题结果中的错题,并根据所述错题在预设的知识点映射表中查找对应的知识点A;
根据第一预设公式计算习题库中的多个知识点分别与所述知识点A的相似度,得出所有与所述知识点A的相似度大于第一相似度阈值的所述知识点B,并按照相似度由高到低的顺序对所有所述知识点B进行排序,形成知识点B集;
根据第二预设公式分别获取所述知识点A对应的至少一个第一习题、所述知识点B集对应的多个第二习题的习题质量,并按照所述习题质量由高到低的顺序分别对所述第一习题和所述第二习题进行排序,形成第一习题集和第二习题集;
获取推荐习题的单次推荐数量,并根据预设推荐比例分别从所述第一习题集中抽取所述第一习题以及从所述第二习题集中抽取所述第二习题,组成所述推荐习题;其中,抽取所述第一习题和所述第二习题时,按照所述习题质量由高到低的顺序进行抽取。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种习题智能推荐方法,其特征在于,包括:
获取答题结果中的错题,并根据所述错题在预设的知识点映射表中查找对应的知识点A;
根据第一预设公式计算习题库中的多个知识点分别与所述知识点A的相似度,得出所有与所述知识点A的相似度大于第一相似度阈值的所述知识点B,并按照相似度由高到低的顺序对所有所述知识点B进行排序,形成知识点B集;
根据第二预设公式分别获取所述知识点A对应的至少一个第一习题、所述知识点B集对应的多个第二习题的习题质量,并按照所述习题质量由高到低的顺序分别对所述第一习题和所述第二习题进行排序,形成第一习题集和第二习题集;
获取推荐习题的单次推荐数量,并根据预设推荐比例分别从所述第一习题集中抽取所述第一习题以及从所述第二习题集中抽取所述第二习题,组成所述推荐习题;其中,抽取所述第一习题和所述第二习题时,按照所述习题质量由高到低的顺序进行抽取。
2.根据权利要求1所述的习题智能推荐方法,其特征在于,在所述获取答题结果中的错题,并根据所述错题在预设的知识点映射表中查找对应的知识点A的步骤之后,还包括:
分别统计每个所述知识点A在所述答题结果中对应的习题错误率;
根据所述习题错误率在预设推荐表中进行查询,以确定在所述习题错误率下每个所述知识点A对应的推荐方案;其中,在所述预设推荐表中,不同的所述推荐方案对应不同范围的所述习题错误率,不同所述推荐方案所包含的推荐比例不同,所述推荐比例指的是位于一定范围所述习题错误率内的所述知识点A对应的习题在推荐习题中所占的比例;在所述预设推荐表中,所有所述推荐方案中的所述推荐比例之和小于等于1。
4.根据权利要求2所述的习题智能推荐方法,其特征在于,所述统计所有所述知识点A在所述答题结果中的习题错误率的步骤,包括:
统计出各个所述知识点A在所有所述答题结果中的第一错误率,以及在最近预设次数提交的所述答题结果中的第二错误率;
对所述第一错误率和所述第二错误率进行比较;
若所述第一错误率大于等于所述第二错误率,则将所述第二错误率设定为所述习题错误率;
若所述第一错误率小于所述第二错误率,则将所述第一错误率设定为所述习题错误率。
5.根据权利要求4所述的习题智能推荐方法,其特征在于,所述统计出各个所述知识点A在所有所述答题结果中的第一错误率,以及统计出在最近预设次数提交的所述答题结果中的第二错误率的步骤,包括:
统计出各个所述知识点A在所有所述答题结果中的第一错误率,并判断所述知识点A对应的所述错题的数量是否达到预设数量;
若达到所述预设数量,则统计出所述知识点A在最近预设次数提交的所述答题结果中的第二错误率;
若未达到所述预设数量,则将所述第一错误率设定为所述习题错误率。
6.根据权利要求2所述的习题智能推荐方法,其特征在于,所述根据所述习题错误率在预设推荐表中进行查询,以确定在所述习题错误率下每个所述知识点A对应的推荐方案的步骤,包括:
若所述习题错误率大于等于第一预设阈值,则停止推荐对应的所述知识点A,并将所述知识点A推送至预设管理界面中;
若所述习题错误率大于等于第二预设阈值,且小于所述第一预设阈值,则按照第一预设推荐比例推荐所述知识点A,并将所述知识点A推送至所述预设管理界面中;
若所述习题错误率小于所述第二预设阈值,则按照第二预设推荐比例推荐所述知识点A。
7.根据权利要求1所述的习题智能推荐方法,其特征在于,所述根据预设推荐比例分别从所述第一习题集中抽取所述第一习题以及从所述第二习题集中抽取所述第二习题,组成所述推荐习题的步骤,包括:
获取各个所述知识点A的最近一次推荐时间,并判断所述最近一次推荐时间与当前时间之间的时间间隔是否大于等于预设推荐间隔时间;
若大于等于所述预设推荐间隔时间,则以第一预设权重从所述习题库中挑选所述知识点A对应的习题;
若小于所述预设推荐间隔时间,则以第二预设权重从所述习题库中挑选所述知识点A对应的习题。
8.一种习题智能推荐装置,其特征在于,包括:
获取模块,用于获取答题结果中的错题,并根据所述错题在预设的知识点映射表中查找对应的知识点A;
第一计算模块,用于根据第一预设公式计算习题库中的多个知识点分别与所述知识点A的相似度,得出所有与所述知识点A的相似度大于第一相似度阈值的所述知识点B,并按照相似度由高到低的顺序对所有所述知识点B进行排序,形成知识点B集;
第二计算模块,用于根据第二预设公式分别获取所述知识点A对应的至少一个第一习题、所述知识点B集对应的多个第二习题的习题质量,并按照所述习题质量由高到低的顺序分别对所述第一习题和所述第二习题进行排序,形成第一习题集和第二习题集;
抽取模块,用于获取推荐习题的单次推荐数量,并根据预设推荐比例分别从所述第一习题集中抽取所述第一习题以及从所述第二习题集中抽取所述第二习题,组成所述推荐习题;其中,抽取所述第一习题和所述第二习题时,按照所述习题质量由高到低的顺序进行抽取。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010568262.3A CN111723193A (zh) | 2020-06-19 | 2020-06-19 | 习题智能推荐方法、装置、计算机设备及存储介质 |
PCT/CN2020/098828 WO2021253480A1 (zh) | 2020-06-19 | 2020-06-29 | 习题智能推荐方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010568262.3A CN111723193A (zh) | 2020-06-19 | 2020-06-19 | 习题智能推荐方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111723193A true CN111723193A (zh) | 2020-09-29 |
Family
ID=72568211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010568262.3A Pending CN111723193A (zh) | 2020-06-19 | 2020-06-19 | 习题智能推荐方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111723193A (zh) |
WO (1) | WO2021253480A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112347366A (zh) * | 2020-12-04 | 2021-02-09 | 华侨大学 | 基于学习者画像与习题相似度的预科中文习题推送方法 |
CN112380429A (zh) * | 2020-11-10 | 2021-02-19 | 武汉天有科技有限公司 | 一种习题推荐方法及装置 |
CN112699298A (zh) * | 2020-12-28 | 2021-04-23 | 科大讯飞股份有限公司 | 一种试题推荐方法、电子设备及存储装置 |
CN113934840A (zh) * | 2021-11-01 | 2022-01-14 | 东北师范大学 | 一种结合覆盖启发式的数量感知练习推荐方法 |
CN114676334A (zh) * | 2022-04-19 | 2022-06-28 | 江苏迈拓网络科技有限公司 | 一种个性化的智能习题推荐方法及推荐系统 |
CN112256743B (zh) * | 2020-10-22 | 2024-06-04 | 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 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114885216B (zh) * | 2022-04-26 | 2024-03-19 | 深圳市企鹅网络科技有限公司 | 习题推送方法、系统、电子设备和存储介质 |
CN115935032B (zh) * | 2022-12-29 | 2023-08-01 | 北京十六进制科技有限公司 | 一种基于智能推荐习题发布个性化作业的方法及装置 |
CN116450801A (zh) * | 2023-03-29 | 2023-07-18 | 北京思明启创科技有限公司 | 编程学习方法、装置、设备和存储介质 |
CN117648934B (zh) * | 2024-01-30 | 2024-04-26 | 青岛培诺教育科技股份有限公司 | 基于错误试题的知识点确定方法、装置、设备和介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870463B (zh) * | 2012-12-10 | 2018-02-23 | 中国电信股份有限公司 | 测试题目的选择方法与系统 |
US10140880B2 (en) * | 2015-07-10 | 2018-11-27 | Fujitsu Limited | Ranking of segments of learning materials |
CN106599054B (zh) * | 2016-11-16 | 2019-12-24 | 福建天泉教育科技有限公司 | 一种题目分类及推送的方法及系统 |
CN107273490B (zh) * | 2017-06-14 | 2020-04-17 | 北京工业大学 | 一种基于知识图谱的组合错题推荐方法 |
CN109299380B (zh) * | 2018-10-30 | 2021-07-02 | 浙江工商大学 | 在线教育平台中基于多维特征的习题个性化推荐方法 |
CN109635100A (zh) * | 2018-12-24 | 2019-04-16 | 上海仁静信息技术有限公司 | 一种相似题目的推荐方法、装置、电子设备及存储介质 |
-
2020
- 2020-06-19 CN CN202010568262.3A patent/CN111723193A/zh active Pending
- 2020-06-29 WO PCT/CN2020/098828 patent/WO2021253480A1/zh active Application Filing
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112256743B (zh) * | 2020-10-22 | 2024-06-04 | 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 |
CN112380429A (zh) * | 2020-11-10 | 2021-02-19 | 武汉天有科技有限公司 | 一种习题推荐方法及装置 |
CN112347366A (zh) * | 2020-12-04 | 2021-02-09 | 华侨大学 | 基于学习者画像与习题相似度的预科中文习题推送方法 |
CN112347366B (zh) * | 2020-12-04 | 2022-07-08 | 华侨大学 | 基于学习者画像与习题相似度的预科中文习题推送方法 |
CN112699298A (zh) * | 2020-12-28 | 2021-04-23 | 科大讯飞股份有限公司 | 一种试题推荐方法、电子设备及存储装置 |
CN113934840A (zh) * | 2021-11-01 | 2022-01-14 | 东北师范大学 | 一种结合覆盖启发式的数量感知练习推荐方法 |
CN113934840B (zh) * | 2021-11-01 | 2022-04-01 | 东北师范大学 | 一种结合覆盖启发式的数量感知练习推荐方法 |
CN114676334A (zh) * | 2022-04-19 | 2022-06-28 | 江苏迈拓网络科技有限公司 | 一种个性化的智能习题推荐方法及推荐系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2021253480A1 (zh) | 2021-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723193A (zh) | 习题智能推荐方法、装置、计算机设备及存储介质 | |
CN110941723A (zh) | 一种知识图谱的构建方法、系统及存储介质 | |
CN111179675B (zh) | 个性化练习题推荐方法、系统、计算机设备以及存储介质 | |
CN110473438B (zh) | 一种基于定量化分析的单词辅助学习系统及方法 | |
CN109598995A (zh) | 基于贝叶斯知识跟踪模型的智能教学系统 | |
CN112784608B (zh) | 试题推荐方法、装置、电子设备和存储介质 | |
Beck et al. | Limits to accuracy: how well can we do at student modeling? | |
CN110399558B (zh) | 一种试题推荐方法和系统 | |
CN111858906B (zh) | 习题推荐方法、装置、电子设备及计算机可读存储介质 | |
CN110473435B (zh) | 一种具有学习周期的定量化的单词辅助学习系统及方法 | |
CN116263782A (zh) | 一种基于题库的智能组卷方法、系统及存储介质 | |
CN113282765A (zh) | 一种动态复习试题生成方法及系统 | |
CN112348725A (zh) | 基于大数据的知识点难度定级方法 | |
CN116383481B (zh) | 一种基于学生画像的个性化试题推荐方法及系统 | |
CN112164261A (zh) | 一种智能化考核方法 | |
CN111651677A (zh) | 课程内容推荐方法、装置、计算机设备和存储介质 | |
CN110929020A (zh) | 基于测试成绩的知识点掌握度分析方法 | |
CN112988844B (zh) | 一种基于学生练习序列的知识概念表示学习方法 | |
CN114254122A (zh) | 测试题的生成方法、装置、电子设备和可读存储介质 | |
Sahebi et al. | Predicting student performance in solving parameterized exercises | |
CN112419815A (zh) | 一种学习路径的规划方法及装置 | |
CN112380429A (zh) | 一种习题推荐方法及装置 | |
Panni et al. | A model for automatic partial evaluation of SQL queries | |
CN112131427B (zh) | 一种练习套题的获取方法及系统 | |
CN112085631B (zh) | 学生记忆曲线的智能分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40033515 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |