CN111753077B - 一种基于学生知识画像的中文智能教学题库生成方法 - Google Patents

一种基于学生知识画像的中文智能教学题库生成方法 Download PDF

Info

Publication number
CN111753077B
CN111753077B CN202010604687.5A CN202010604687A CN111753077B CN 111753077 B CN111753077 B CN 111753077B CN 202010604687 A CN202010604687 A CN 202010604687A CN 111753077 B CN111753077 B CN 111753077B
Authority
CN
China
Prior art keywords
student
question
vector
knowledge
questions
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
CN202010604687.5A
Other languages
English (en)
Other versions
CN111753077A (zh
Inventor
王华珍
沈轶超
赵毅飞
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.)
Huaqiao University
Original Assignee
Huaqiao University
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 Huaqiao University filed Critical Huaqiao University
Priority to CN202010604687.5A priority Critical patent/CN111753077B/zh
Publication of CN111753077A publication Critical patent/CN111753077A/zh
Application granted granted Critical
Publication of CN111753077B publication Critical patent/CN111753077B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/337—Profile generation, learning or modification
    • 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
    • G06F16/35—Clustering; Classification
    • 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
    • G06F16/9536—Search customisation based on social or collaborative filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于学生知识画像的中文智能教学题库生成方法，具体包括：基于中文题目库、中文知识点体系、用户学习进度等信息构建来华留学生的中文知识画像，进而分阶段生成相似题目列表、协同推荐题目列表、进度匹配题目列表以及最后的推荐题目列表，为每位学生生成个性化的训练题库。本发明提出的方法能够针对具体用户群体，实现学习资源特征化，结合用户信息构建用户画像，实现真正的因材施教。

Description

一种基于学生知识画像的中文智能教学题库生成方法
技术领域
本发明涉及个性化推荐领域，特别是涉及一种基于学生知识点画像的中文智能教学题库生成方法。
背景技术
“互联网+教育”带来了更多的学习资源，也形成了开展个性化资源推荐的研究热点。但这些研究所形成的学习资源推荐策略大都去情景化的，仅仅采用一些普适性数据，这种情况下的推荐结果展现很难说明推荐应用的真实效果，特别针对用户群体没有体现真正的个性化处理过程。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于学生知识点画像的中文智能教学题库生成方法，能够针对具体用户群体，实现学习资源特征化，结合用户信息构建用户画像，实现真正的因材施教。
本发明采用如下技术方案：
一种基于学生知识画像的中文智能教学题库生成方法，其特征在于，包括以下步骤：
S1：输入目标学生的错题记录集合Lw＝{t1,t2,…,tw},其中w表示错题的数量，基于Lw构建任一道题tk,k＝1,2,…,w的知识点向量Sk1、Sk2……Skn，其中Skj,j＝1,2,…,n为基于知识点独热法的一维0/1向量，其长度为知识点数量规模n，基于知识点向量相似度从题目数据库中筛选与错题记录集合Lw相似度大于阈值γ的题目，生成相似题目集Ls＝{t'1,t'2,…,t's},其中s表示相似题目的数量；
S2：通过协同过滤算法找到与目标学生相似度最高的相关学生，获取相关学生做过的所有习题集合Lp，以Lp和Ls取交集得到协同推荐题目集合Lc＝{t”1,t”2,…,t”p}，其中p表示Lc的习题总数；
S3：构建目标学生的学习进度表示向量P＝(x1，x2，x3，x4，x5，x6)，其中x1、x2、x3、x4、x5、x6分别指学期、学科、教材、册、单元和课程；再根据协同推荐题目集合Lc给其中每道习题t1,t2,…,tp构建学习进度向量Sti＝(x'1，x'2，x'3，x'4，x'5，x'6)(其中Sti表示ti的学习进度向量，i＝1,2,3……p)，计算Si＝St-P，若向量Si＝(s1，s2，s3，s4，s5，s6)满足s1<＝0、s2<＝0……s6<＝0(即向量的各分量都不为正)，则将ti加入集合Lm中，得到进度匹配题目集合Lm＝{t”'1,t”'2,…,t”'n2}，其中n2表示Lm的习题总数；
S4：获取学生的学习能力值，根据能力值计算各难度题目数量理论配比，根据不同的配比从Lm中抽取习题汇总成推荐题目集合R＝{t””1,t””2,…,t””n3}，其中n3表示R的习题总数。
步骤S1具体包括：
S11：将Lw中的任一道题tk,k＝1,2,…,w映射到一个n1维的0/1向量Sk＝[Sk1、Sk2……Skn]，其中Skj,j＝1,2,…,n1指的是各个知识点，若Skj为1，表示绑定了第j个知识点，若为0则表示未绑定此知识点；
S12：基于Lw知识点向量Sk对Lw中的每道题目构建题目相似度矩阵
Figure BDA0002557966750000021
Figure BDA0002557966750000022
找到相似度大于阈值γ的题目，并过滤掉目标学生已做过的题目，得到相似题目集合Ls＝{t'1,t'2,…,t's}，其中s表示相似题目的数量，其中Ai Bi分别代表知识点向量A和B的各分量。
步骤S2具体包括：
S21：首先构建两个m*n1的矩阵M1和矩阵M2，其中m为学生数，n1为知识点数；分别记录每个学生在每个知识点上做过的次数和做错的次数，以此计算出知识点正确率矩阵M3，将M3进行知识点准确率求平均得到每个学生的准确率向量，根据各个学生的准确率向量计算得到每两个学生之间的皮尔森相关系数
Figure BDA0002557966750000023
得到m*m的学生相关性矩阵Ms，通过判断数值大小在Ms中找到与目标学生相关性最高的相关学生；
S22：获取相关学生做过的所有习题集合Lo，计算Lo和Ls的交集，得到协同推荐题目集合Lc＝Ls∩Lo。
步骤S4具体包括：
S41：构建目标学生的学习能力值A＝(a-w2)/a，其中a为目标学生做过的题目数，w2为做错的题目数，获取进度匹配题目集合Lm中每道题的难度，将Lm根据难度分为Leasy＝{t”'e1,t”'e2,…,t”'ei}、Lnormal＝{t”'n1,t”'n2,…,t”'nj}、Lhard＝{t”'h1,t”'h2,…,t”'hk}三个集合，其中i+j+k＝n2，n2为Lm题目总数，根据A计算出需要从各个难度集合抽取的题目数量，其中简单难度集合中抽取数量为Neasy＝(1-A)/3*i；中等难度结合中抽取数量为Nnormal＝(1-A)*2/3*j；困难难度集合中抽取数量为Nhard＝A*k；
S42：在Leasy、Lmiddle、Lhard三个集合中依次抽取Neasy、Nnormal、Nhard个习题，最终汇总得到推荐题目集合R＝{t””1,t””2,…,t””n3}，其中n3表示R的习题总数。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
本发明提出的基于学生知识画像的中文智能教学题库生成方法，对中文知识点进行系统的分类，对题目库中的每道题绑定了知识点，实现学习资源特征化；然后结合用户信息构建来目标学生知识画像；接着基于学生知识画像对题库资源进行筛选，为每位学生推荐个性化的训练题库。
附图说明
图1本发明学生知识画像的中文智能教学题库生成方法的流程图；
图2本发明构建的中文知识点体系示意图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
如图1为本发明基于学生知识画像的中文智能教学题库生成方法的流程图，本实施依据“学在中国”系列中文教材大纲，总结中文知识点体系包含词类、句类、句子成分及句型、特殊句式、固定格式、复句、俗语、文体、汉字共九个大类，206个知识点，如图2，是本发明构建的中文知识点体系示意图；收集自《基础教程》这本教材的300道语文题目构成题目数据库。收集第二学期50名学生做题信息，不仅包括题目信息，还包括题目在《基础教程》的出处。部分题目信息如表中所示，其中“知识点编号”每一个元素对应上述知识体系中的知识点(即260个知识点中的一个)。其中“出处”是一个6维知识点向量，各个分量依次指的是学期、学科、教材、册、单元和课程。例如，向量[2,0,0,1,6,1]指的是第二学期、语文科目、《基础教程》、第一册、第六单元、第一课。
表1部分题目信息
Figure BDA0002557966750000031
Figure BDA0002557966750000041
针对编号为#0的学生生成推荐题库的具体步骤如下：
S1：输入目标学生的错题记录集合Lw＝{t1,t2,…,tw1},其中w1表示错题的数量，基于Lw构建任一道题tk,k＝1,2,…,w1的知识点向量Sk1、Sk2……Skn1，其中Skj,j＝1,2,…,n1为基于知识点独热法的一维0/1向量，其长度为知识点数量规模n1，基于知识点向量相似度从题目数据库中筛选与错题记录集合Lw相似度大于阈值γ的题目，生成相似题目集Ls＝{t'1,t'2,…,t's},其中s表示相似题目的数量；
S11：将Lw中的任一道题tk,k＝1,2,…,w1映射到一个n1维的0/1向量Sk＝[Sk1、Sk2……Skn]，其中Skj,j＝1,2,…,n1指的是各个知识点，若Skj为1表示绑定了第j个知识点，若为0则表示未绑定此知识点；
S12：基于Lw知识点向量Sk对Lw中的每道题目构建题目相似度矩阵
Figure BDA0002557966750000042
Figure BDA0002557966750000043
找到相似度大于阈值γ的题目，并过滤掉目标学生已做过的题目，得到相似题目集合Ls＝{t'1,t'2,…,t's}，其中s表示相似题目的数量，其中Ai Bi分别代表知识点向量A和B的各分量。
首先，对300到语文题目进行向量编码，即采用独热法构建每道题目的知识点向量(即206维的0/1向量)，进而通过计算知识点向量之间的余弦相似度得到题目相似度矩阵，部分结果如下表。
表2题目关联性矩阵
题目ID 2 3 4 5 6 8
74 0.730296743 0.794719414 0.735980072 0.848668425 0.872871561 1
75 0.422577127 0.858395075 0.943456353 0.785714286 0.808122036 0.694365075
76 0.5 0.72547625 0.620173673 0.760638829 0.597614305 0.547722558
77 0.316227766 0.802955069 0.833493574 0.734968415 0.661437828 0.505181486
78 0.456435465 0.860946032 0.67936622 0.848668425 0.654653671 0.666666667
79 0.507833375 0.947368421 0.809858287 0.919709009 0.780398973 0.728492796
80 0 0.655610068 0.560448538 0.43643578 0.6172134 0.353553391
81 0.129099445 0.749268649 0.560448538 0.654653671 0.46291005 0.353553391
82 0.645497224 0.749268649 0.640512615 0.872871561 0.77151675 0.824957911
83 0.447213595 0.892217816 0.832050294 0.850420064 0.801783726 0.714434508
84 0.6 0.43528575 0.372104204 0.591607978 0.717137166 0.63900965
85 0.547722558 0.794719414 0.622752369 0.77151675 0.763762616 0.833333333
86 0.40824829 0.355409327 0.455732715 0.483045892 0.683130051 0.521749195
87 0.478091444 0.86710997 0.667124385 0.90913729 0.714285714 0.654653671
89 0.424264069 0.512989176 0.613940614 0.597614305 0.507092553 0.387298335
然后，基于该学生的错题本信息和题目相似度矩阵，从题目数据库中筛选出相似度值γ大于0.8的相似题目，构建出相似度题目列表，为Ls＝{217,218,219,223,209,44,256,234,214,219,12,37,219,230,222,234,211,207,209,211,214,221,223,227,232,234,240,241,244,251,288,255,257,258,265,267,281,282,283,291,192,192,204,272,204,241,296,265,196,153,272,57,59,61,62,64,65,75,77,167,97,99,109,119,120,124,138,140,141,144,146,147}。
S2：通过协同过滤算法找到与目标学生相似度最高的相关学生，获取相关学生做过的所有习题集合Lp，以Lp和Ls取交集得到协同推荐题目集合Lc＝{t”1,t”2,…,t”p}，其中p表示Lc的习题总数；
S21：首先构建两个m*n1的矩阵M1和矩阵M2，其中m为学生数，n1为知识点数；分别记录每个学生在每个知识点上做过的次数和做错的次数，以此计算出知识点正确率矩阵M3，将M3进行知识点准确率求平均得到每个学生的准确率向量，根据各个学生的准确率向量计算得到每两个学生之间的皮尔森相关系数
Figure BDA0002557966750000051
得到m*m的学生相关性矩阵Ms，通过判断数值大小在Ms中找到与目标学生相关性最高的相关学生；
S22：获取相关学生做过的所有习题集合Lo，计算Lo和Ls的交集，得到协同推荐题目集合Lc＝Ls∩Lo。
首先，使用S2中的协同过滤算法,计算得出一个50×50(50为学生个数)的学生相关性矩阵，如表所示，矩阵的每一项为两个学生之间的相关性系数。以下表第一项也就是矩阵第一行第一列为例，表示ID为0与ID为20的两个学生之间相关性数值为0.197004732，此系数越高表示相关性越强。
表4部分学生关联性矩阵
学生ID 0 5 6 7 8 9
20 0.197004732 0.894651592 0.462785762 0.450102173 0.311151156 0.301039491
21 0.085191202 0.248915155 0.038910754 0.246195308 0.088152566 0.460869885
22 0.351266535 0.096076717 0.056194977 0.266226217 0.263216127 0.067154706
23 0.672049534 0.000436732 0.460580586 0.478386397 0.068283037 0.537265061
24 0.518915319 0.707483262 0.638378564 0.092768236 0.841879545 0.20714618
25 0.208369991 0.056622888 0.562705268 0.36096562 0.206160401 0.632159393
26 0.392674896 0.496079265 0.64858522 0.122842684 0.696042157 0.101185243
27 0.922737059 0.470385917 0.308649326 0.209923643 0.564970681 0.160342782
28 0.755327915 0.634437424 0.069099618 0.148308569 0.494151132 0.342141775
29 0.717758621 0.181835175 0.192838854 0.505675585 0.017264942 0.197044378
30 0.181226398 0.053593726 0.734285841 0.568804065 0.288858226 0.521597178
31 0.667654552 0.484698316 0.328679939 0.193807682 0.578705906 0.055760007
32 0.311160744 0.098719078 0.63377628 0.196735912 0.681845992 0.376758827
33 0.118788945 0.546228047 0.12491684 0.035975211 0.106762534 0.098989501
34 0.840133406 0.646873666 0.384790085 0.153459724 0.763807628 0.285005192
35 0.592000541 0.017168951 0.428784681 0.528754146 0.215274024 0.64746041
36 0.752407417 0.201140506 0.373968104 0.072174403 0.448593284 0.249059046
37 0.679029183 0.052920409 0.046642819 0.158279366 0.302294101 0.309104014
进而，通过学生相关性矩阵找到与#0学生相关性最高的#27学生，获取#27学生做过的习题集合Lp。通过计算Ls与Lp的交集得到协同推荐题目集合Lc＝{211,255,288,267,232,257,196,153,281,272,251,119,234,44,217,265,192,223,99,240,146,209,97,296,256,64,214,291,230,120,204,140,141,223,218}；
S3：构建目标学生的学习进度表示向量P＝(x1，x2，x3，x4，x5，x6)，其中x1、x2、x3、x4、x5、x6分别指学期、学科、教材、册、单元和课程；再根据协同推荐题目集合Lc给其中每道习题t”1,t”2,…,t”p构建学习进度向量Sti＝(x'1，x'2，x'3，x'4，x'5，x'6)(其中Sti表示ti的学习进度向量，i＝1,2,3……p)，计算Si＝St-P，若向量Si＝(s1，s2，s3，s4，s5，s6)满足s1<＝0、s2<＝0……s6<＝0(即向量的各分量都不为正)，则将ti加入集合Lm中，得到进度匹配题目集合Lm＝{t”'1,t”'2,…,t”'n2}，其中n2表示Lm的习题总数；
首先，根据#0学生所做的题目集合获取每道题目对应的出处表示向量，并选取各个元素都为最大值的出处表示向量为该生的学习进度向量，记为Sp＝[2,0,0,1,6,2]。#0学生所做的题目对应的出处表示向量如下表5所示。
表5#0学生做题的出处表示向量集
Figure BDA0002557966750000071
接下来，基于#0学生的学习进度向量P以及Lc中各个题目的出处表示向量St1、St,……，进行题目出处向量与学生进度向量之间的按分量相减运算，即St1-P、St2-P,……。若相减结果向量为[0,0,0,1,-5,0]，即第四个分量为正，说明减向量超出#0学生目前的学习进度，不适合推荐给该学生。以相减结果向量的各分量都不为正为基准，选择Lc中对应的题目以构建出进度匹配题目集Lm＝[211,255,267,232,257,196,153,281,272,251,119,234,44,217,265,192,223,99,240,146,209,97,296,256,64,214,291,230,120,204,223,218]；
S4：获取学生的学习能力值，根据能力值计算各难度题目数量理论配比，根据不同的配比从Lm中抽取习题汇总成推荐题目集合R＝{t””1,t””2,…,t””n3}，其中n3表示R的习题总数。
S41：构建目标学生的学习能力值A＝(a-w2)/a，其中a为目标学生做过的题目数，w2为做错的题目数，获取进度匹配题目集合Lm中每道题的难度，将Lm根据难度分为Leasy＝{t”'e1,t”'e2,…,t”'ei}、Lnormal＝{t”'n1,t”'n2,…,t”'nj}、Lhard＝{t”'h1,t”'h2,…,t”'hk}三个集合，其中i+j+k＝n2，n2为Lm题目总数，根据A计算出需要从各个难度集合抽取的题目数量，其中简单难度集合中抽取数量为Neasy＝(1-A)/3*i；中等难度结合中抽取数量为Nnormal＝(1-A)*2/3*j；困难难度集合中抽取数量为Nhard＝A*k；
S42：在Leasy、Lmiddle、Lhard三个集合中依次抽取Neasy、Nnormal、Nhard个习题，最终汇总得到推荐题目集合R＝{t””1,t””2,…,t””n3}，其中n3表示R的习题总数。
首先计算#0学生的作对题数和所做过题目数计算学生能力值，获得#0学生的学习能力A＝0.7515。进而，基于难度值统计进度匹配题目集Lm中的难度分布：Neasy,Nnormal和Nhard。然后，分别根据A*Nhard、(1-A)*2/3*Nnormal、(1-A)/3*Neasy的这三个计算公式获取Lm中各难度等级的抽取数量，即简单难度2题、中等难度3题、困难难度10题。基于该数量分布进行随机抽取，从而得到推荐题目集合R＝[255,232,267,257,281,217,265,192,240,64,99,296,120,291,223]。推荐题目集合R就是最终推送给#0学生的个性化题目集。
本发明对中文教育知识点进行了系统分类，构建了不同学生的知识画像，并设计了生成个性化题库的方法。为了更好地实现个性化题库生成，在下一步工作中，可以优化题目相似列表的处理方法，进一步提升所生成的题库的合理性，降低推荐列表中习题难度与学生知识能力的偏差。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (2)

1.一种基于学生知识画像的中文智能教学题库生成方法，其特征在于，包括以下步骤：
S1：输入目标学生的错题记录集合Lw＝{t1,t2,…,tw},其中w1表示错题的数量，基于Lw构建任一道题tk,k＝1,2,…,w1的知识点向量Sk1、Sk2……Skn1，其中Skj,j＝1,2,…,n1为基于知识点独热法的一维0/1向量，其长度为知识点数量规模n1，基于知识点向量相似度从题目数据库中筛选与错题记录集合Lw相似度大于阈值γ的题目，生成相似题目集Ls＝{t'1,t'2,…,t's},其中s表示相似题目的数量；
S2：通过协同过滤算法找到与目标学生相似度最高的相关学生，获取相关学生做过的所有习题集合Lp，以Lp和Ls取交集得到协同推荐题目集合Lc＝{t”1,t”2,…,t”p}，其中p表示Lc的习题总数；
S3：构建目标学生的学习进度表示向量P＝(x1，x2，x3，x4，x5，x6)，其中x1、x2、x3、x4、x5、x6分别指学期、学科、教材、册、单元和课程；再根据协同推荐题目集合Lc给其中每道习题t”1,t”2,…,t”p构建学习进度向量Sti＝(x'1，x'2，x'3，x'4，x'5，x'6)，其中Sti表示ti的学习进度向量，i＝1,2,3……p，计算Si＝St-P，若向量Si＝(s1，s2，s3，s4，s5，s6)满足s1<＝0、s2<＝0……s6<＝0，则将ti加入集合Lm中，得到进度匹配题目集合Lm＝{t”'1,t”'2,…,t”'n2}，其中n2表示Lm的习题总数；
S4：获取学生的学习能力值，根据能力值计算各难度题目数量理论配比，根据不同的配比从Lm中抽取习题汇总成推荐题目集合R＝{t””1,t””2,…,t””n3}，其中n3表示R的习题总数；
步骤S2具体包括：
S21：首先构建两个m*n的矩阵M1和矩阵M2，其中m为学生数，n1为知识点数；分别记录每个学生在每个知识点上做过的次数和做错的次数，以此计算出知识点正确率矩阵M3，将M3进行知识点准确率求平均得到每个学生的准确率向量，根据各个学生的准确率向量计算得到每两个学生之间的皮尔森相关系数
Figure FDA0003601642710000011
得到m*m的学生相关性矩阵Ms，通过判断数值大小在Ms中找到与目标学生相关性最高的相关学生；
S22：获取相关学生做过的所有习题集合Lo，计算Lo和Ls的交集，得到协同推荐题目集合Lc＝Ls∩Lo；
步骤S4具体包括：
S41：构建目标学生的学习能力值A＝(a-w2)/a，其中a为目标学生做过的题目数，w2为做错的题目数，获取进度匹配题目集合Lm中每道题的难度，将Lm根据难度分为Leasy＝{t”'e1,t”'e2,…,t”'ei}、Lnormal＝{t”'n1,t”'n2,…,t”'nj}、Lhard＝{t”'h1,t”'h2,…,t”'hk}三个集合，其中i+j+k＝n2，n2为Lm题目总数，根据A计算出需要从各个难度集合抽取的题目数量，其中简单难度集合中抽取数量为Neasy＝(1-A)/3*i；中等难度结合中抽取数量为Nnormal＝(1-A)*2/3*j；困难难度集合中抽取数量为Nhard＝A*k；
S42：在Leasy、Lmiddle、Lhard三个集合中依次抽取Neasy、Nnormal、Nhard个习题，最终汇总得到推荐题目集合R＝{t””1,t””2,…,t””n3}，其中n3表示R的习题总数。
2.根据权利要求1所述的基于学生知识画像的中文智能教学题库生成方法，其特征在于：步骤S1具体包括：
S11：将Lw中的任一道题tk,k＝1,2,…,w1映射到一个n1维的0/1向量Sk＝[Sk1、Sk2……Skn1]，其中Skj,j＝1,2,…,n1指的是各个知识点，若Skj为1，表示绑定了第j个知识点，若为0则表示未绑定此知识点；
S12：基于Lw知识点向量Sk对Lw中的每道题目构建题目相似度矩阵
Figure FDA0003601642710000021
Figure FDA0003601642710000022
找到相似度大于阈值γ的题目，并过滤掉目标学生已做过的题目，得到相似题目集合Ls＝{t'1,t'2,…,t's}，其中s表示相似题目的数量，其中AiBi分别代表知识点向量A和B的各分量。
CN202010604687.5A 2020-06-28 2020-06-28 一种基于学生知识画像的中文智能教学题库生成方法 Active CN111753077B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010604687.5A CN111753077B (zh) 2020-06-28 2020-06-28 一种基于学生知识画像的中文智能教学题库生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010604687.5A CN111753077B (zh) 2020-06-28 2020-06-28 一种基于学生知识画像的中文智能教学题库生成方法

Publications (2)

Publication Number Publication Date
CN111753077A CN111753077A (zh) 2020-10-09
CN111753077B true CN111753077B (zh) 2022-06-07

Family

ID=72677960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010604687.5A Active CN111753077B (zh) 2020-06-28 2020-06-28 一种基于学生知识画像的中文智能教学题库生成方法

Country Status (1)

Country Link
CN (1) CN111753077B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103021217A (zh) * 2011-09-20 2013-04-03 虞思华 一种交互式学习系统
CN105335374A (zh) * 2014-06-19 2016-02-17 北大方正集团有限公司 知识点关联方法及装置、及包含该装置的服务器和客户端
CN105355111A (zh) * 2015-12-02 2016-02-24 华中师范大学 基于学情分析的课后强化学习系统
CN108897879A (zh) * 2018-07-04 2018-11-27 北京希子教育科技有限公司 一种通过人机交互实现个性化教学的方法
US10354544B1 (en) * 2015-02-20 2019-07-16 Snapwiz Inc. Predicting student proficiencies in knowledge components

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103021217A (zh) * 2011-09-20 2013-04-03 虞思华 一种交互式学习系统
CN105335374A (zh) * 2014-06-19 2016-02-17 北大方正集团有限公司 知识点关联方法及装置、及包含该装置的服务器和客户端
US10354544B1 (en) * 2015-02-20 2019-07-16 Snapwiz Inc. Predicting student proficiencies in knowledge components
CN105355111A (zh) * 2015-12-02 2016-02-24 华中师范大学 基于学情分析的课后强化学习系统
CN108897879A (zh) * 2018-07-04 2018-11-27 北京希子教育科技有限公司 一种通过人机交互实现个性化教学的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种面向教育评估的智能教育辅助平台;黄振亚;《中国科学技术大学学报》;20151031;第45卷(第10期);第846-854页 *
基于认知诊断的个性化试题推荐方法;朱天宇;《计算机学报》;20170131;第40卷(第1期);第176-191页 *

Also Published As

Publication number Publication date
CN111753077A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
Chen Enhancement of student learning performance using personalized diagnosis and remedial learning system
CN108920544A (zh) 一种基于知识图谱的个性化职位推荐方法
Dogucu et al. Web scraping in the statistics and data science curriculum: Challenges and opportunities
CN106156354B (zh) 一种学习资源推荐系统
Arslan Do students really understand what an ordinary differential equation is?
Muijs Surveys and sampling
Jacquemart et al. An interactive multimedia dichotomous key for teaching plant identification
CN115329200A (zh) 一种基于知识图谱和用户相似度的教学资源推荐方法
Gutierrez et al. Indigenous student literacy outcomes in Australia: A systematic review of literacy programmes
Ngu et al. Learning to solve challenging percentage-change problems: a cross-cultural study from a cognitive load perspective
Simon et al. How geography textbook tasks promote comparison competency—An international analysis
CN111753077B (zh) 一种基于学生知识画像的中文智能教学题库生成方法
Joshi et al. An ethnic advantage: teacher-student ethnicity matching and academic performance in Nepal
Hu et al. A classification analysis of the high and low levels of global competence of secondary students: Insights from 25 countries/regions
Rakhmalinda Trends in Flipped Classroom of High Education: Bibliometric Analysis (2012–2022)
Caldwell et al. K-12 diversity pathway programs in the E-STEM fields: A review of existing programs and summary of unmet needs
Scoular et al. A generalized scoring process to measure collaborative problem solving in online environments
CN111783697A (zh) 一种基于卷积神经网络的错题检测及靶向推荐系统和方法
Martin et al. Information Technology in the Teaching of History: International Perspectives
Rao et al. An analysis of customer sentiments towards education technology app: A text mining approach
Shidaganti et al. Summarization of student feedback using sentiment analysis: Case study
Setiawan et al. Training in Making and Utilizing Mobile Learning-Based Learning Media Using “Rumah Belajar” Application
CN111090751A (zh) 基于知识图谱的教学推荐方法、系统、存储介质、及终端
Cheng et al. Developing a Learning Pathway System through Web-Based Mining Technology to Explore Students’ Learning Motivation and Performance
Febtiningsih Analysis of Generic Structure and Grammatical Problem of Students in Writing English Paragraphs in Online Learning at Muhammadiyah University of Riau

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