CN111815491A - 自适应学习计划制定方法、装置、可读存储介质及终端 - Google Patents

自适应学习计划制定方法、装置、可读存储介质及终端 Download PDF

Info

Publication number
CN111815491A
CN111815491A CN202010875094.2A CN202010875094A CN111815491A CN 111815491 A CN111815491 A CN 111815491A CN 202010875094 A CN202010875094 A CN 202010875094A CN 111815491 A CN111815491 A CN 111815491A
Authority
CN
China
Prior art keywords
learning
knowledge point
target
value
ability value
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
Application number
CN202010875094.2A
Other languages
English (en)
Inventor
赵聪
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.)
Jiangxi Soft Cloud Technology Co ltd
Original Assignee
Jiangxi Soft Cloud Technology 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 Jiangxi Soft Cloud Technology Co ltd filed Critical Jiangxi Soft Cloud Technology Co ltd
Priority to CN202010875094.2A priority Critical patent/CN111815491A/zh
Publication of CN111815491A publication Critical patent/CN111815491A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/20Education
    • G06Q50/205Education administration or guidance

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种自适应学习计划制定方法、装置、可读存储介质及终端,该方法包括:获取当前学生在一学科的学科能力值排名的名次,以及获取所述当前学生设置的目标名次;获取所述当前学生在所述学科上的每个知识点的学习能力值,以及每个所述知识点的目标学习能力值,所述目标学习能力值为所述目标名次对应的学生在所述知识点的学习能力值;根据所述学科的历史测试数据计算每个所述知识点的得分影响因子的值;根据每个所述知识点的得分影响因子的值,以及每个所述知识点的学习能力值与目标学习能力值的差值确定目标知识点,并根据所述目标知识点制定学习计划。本发明可制定出合理的学习计划,以提高学生该学科的学习能力值,从而以最快的速度追赶目标名次。

Description

自适应学习计划制定方法、装置、可读存储介质及终端
技术领域
本发明涉及网络教育领域,特别是涉及一种自适应学习计划制定方法、装置、可读存储介质及终端。
背景技术
随着计算机及互联网技术的不断发展,网络教育平台应运而生。人们可以通过网络的教育平台,实现在线学习,在线考试等技术,方便学生或考生的学习与测评。
在中小学的网络教育领域中,为学生制定切实可行的学习计划是极为关键的一环节。目前的网络教育平台设置的自适应学习计划有以下几种:
(1)以特定知识点完全掌握为目标进行出题练习;
(2)闯关类型,即学生不断地完成预设的多个试题集;
(3)PK类型,即与一个或多个学生同时做题进行PK。
目前这几种学习策略都忽视了以班级/年级为单位的学科能力值排名是学生和家长最为关心的教育目标,且三种学习策略均没有考虑学生自身的学习能力,一些难度偏大和偏小的题目没有必要进行练习。因此,目前的学习计划无法达到理想的学习效果。
发明内容
鉴于上述状况,有必要针对现有技术中学习计划无法达到理想的学习效果的问题,提供一种自适应学习计划制定方法、装置、可读存储介质及终端。
一种自适应学习计划制定方法,包括:
获取当前学生在一学科的学科能力值排名的名次,以及获取所述当前学生设置的目标名次;
获取所述当前学生在所述学科上的每个知识点的学习能力值,以及每个所述知识点的目标学习能力值,所述目标学习能力值为所述目标名次对应的学生在所述知识点的学习能力值;
根据所述学科的历史测试数据计算每个所述知识点的得分影响因子的值;
根据每个所述知识点的得分影响因子的值,以及每个所述知识点的学习能力值与目标学习能力值的差值确定目标知识点,并根据所述目标知识点制定学习计划。
进一步的,上述自适应学习计划制定方法,其中,所述得分影响因子包括出题概率和得分占比中的至少一个。
进一步的,上述自适应学习计划制定方法,其中,所述根据每个所述知识点的得分影响因子的值,以及每个所述知识点的学习能力值与目标学习能力值的差值确定目标知识点的步骤包括:
将各个所述知识点按照得分影响因子的值以及每个所述知识点的学习能力值与目标学习能力值的差值,从大至小排序,并获取排序靠前的预设数量的所述知识点作为目标知识点。
进一步的,上述自适应学习计划制定方法,其中,当所述得分影响因子包括出题概率和得分占比时,各个所述知识点按照下述公式中的M的值从大至小排名:
Figure 720155DEST_PATH_IMAGE001
其中,
Figure 526437DEST_PATH_IMAGE002
为所述学科中知识点i的目标学习能力值,
Figure 497804DEST_PATH_IMAGE003
为所述当前学生在所述学科中知识点i的学习能力值,ni为知识点i的出题概率,mi为知识点i的得分占比,e为自然常数。
进一步的,上述自适应学习计划制定方法,其中,所述获取当前学生在一学科的学科能力值排名的名次的步骤之前还包括:
获取参与排名的每个学生在所述学科上的历史学习数据,并根据所述历史学习数据以及项目反应理论模型计算每个学生在所述学科的学习能力值,以及所述学科的每个知识的学习能力值。
进一步的,上述自适应学习计划制定方法,其中,所述获取参与排名的每个学生在所述学科上的历史学习数据的步骤包括:
以预设的时间间隔获取参与排名的每个学生在所述学科上的历史学习数据。
进一步的,上述自适应学习计划制定方法,其中,所述根据所述目标知识点制定学习计划的步骤包括:
分别获取所述目标知识点的学习能力值和目标学习能力值对应的题目难易程度值,得到第一程度值和第二程度值;
从题库中查找所述目标知识点对应的所有题目中难易程度在所述第一程度值和所述第二程度值范围内的题目,并根据查找到的题目生成学习计划。
本发明实施例还提供了一种自适应学习计划制定装置,包括:
第一获取模块,用于获取当前学生在一学科的学科能力值排名的名次,以及获取所述当前学生设置的目标名次;
第二获取模块,用于获取所述当前学生在所述学科上的每个知识点的学习能力值,以及每个所述知识点的目标学习能力值,所述目标学习能力值为所述目标名次对应的学生在所述知识点的学习能力值;
第一计算模块,用于根据所述学科的历史测试数据计算每个所述知识点的得分影响因子的值;
确定模块,用于根据每个所述知识点的得分影响因子的值,以及每个所述知识点的学习能力值与目标学习能力值的差值确定目标知识点;
制定模块,用于根据所述目标知识点制定学习计划。
进一步的,上述自适应学习计划制定装置,其中,所述得分影响因子包括出题概率和得分占比中的至少一个。
进一步的,上述自适应学习计划制定装置,其中,所述确定模块具有用于:
将各个所述知识点按照得分影响因子的值以及每个所述知识点的学习能力值与目标学习能力值的差值,从大至小排序,并获取排序靠前的预设数量的每个所述知识点作为目标知识点。
进一步的,上述自适应学习计划制定装置,还包括:
第二计算模块,用于获取参与排名的每个学生在所述学科上的历史学习数据,并根据所述历史学习数据以及项目反应理论模型计算每个学生在所述学科的学习能力值,以及所述学科的每个知识的学习能力值。
本发明实施例还提供了一种可读存储介质,其上存储有程序,所述程序被处理器执行时实现上述任一所述的方法。
本发明实施例还提供了一种终端,包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现上述任意一项所述的方法。
本发明中,系统可根据每个知识点的得分影响因子的值以及学生的当前知识点的学习能力值与目标学习能力值之间的差异确定需要进行重点学习的目标知识点。根据确定的目标知识点制定出合理的学习计划。学生可根据系统制定的学习计划进行练习,从而提升该学科各个知识点的学习能力值,以达到设置的目标学习能力值。该学科各个知识点的学习能力值提升后,自然整体提高了该学科的学习能力值,从而以最快的速度追赶目标名次。
附图说明
图1为本发明第一实施例中的自适应学习计划制定方法的流程图;
图2为本发明第二实施例中的自适应学习计划制定方法的流程图;
图3为本发明第二实施例中的自适应学习计划制定装置的结构框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
参照下面的描述和附图,将清楚本发明的实施例的这些和其他方面。在这些描述和附图中,具体公开了本发明的实施例中的一些特定实施方式,来表示实施本发明的实施例的原理的一些方式,但是应当理解,本发明的实施例的范围不受此限制。相反,本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
请参阅图1,为本发明第一实施例中的自适应学习计划制定方法,包括步骤S11~S14。
步骤S11,获取当前学生在一学科的学科能力值排名的名次,以及获取所述当前学生设置的目标名次。
步骤S12,获取所述当前学生在所述学科上的每个知识点的学习能力值,以及每个所述知识点的目标学习能力值,所述目标学习能力值为所述目标名次对应的学生在所述知识点的学习能力值。
本实施例中的方法可用于网络学习或教育系统中,该网络学习或教育系统例如以APP、或网页等形式呈现。每个用户注册一个ID账号,以登录该系统。该系统可针对每一个学科(如语文、数学和英语等)设置对应的学习计划模块,学生用户可在该学科的学习计划模块中进行题目练习。
该系统中存储有每个学生在一学科上的学习能力值,以及在该学科中的各个知识点的学习能力值。各个学生在该学科的学习能力值和各个知识点的学习能力值根据历史学习数据计算得到。具体实施时,系统获取参与排名的每个学生在该学科上的历史学习数据,并根据该历史学习数据以及项目反应理论模型计算每个学生在该学科的学习能力值和每个知识的学习能力值。
当前学生S,其学习数据为
Figure 114861DEST_PATH_IMAGE004
的集合,
Figure 578203DEST_PATH_IMAGE005
当前学生针对第i道题目的作答结果。
Figure 188176DEST_PATH_IMAGE006
包括参数
Figure 217312DEST_PATH_IMAGE007
Figure 520118DEST_PATH_IMAGE008
Figure 549385DEST_PATH_IMAGE009
Figure 963048DEST_PATH_IMAGE010
。其中,
Figure 846691DEST_PATH_IMAGE011
为第i题的得分率,
Figure 71130DEST_PATH_IMAGE012
为第i题覆盖的知识点,
Figure 40223DEST_PATH_IMAGE013
为第i题的难易程度,
Figure 991998DEST_PATH_IMAGE010
为第i题的区分度。
基于项目反应理论(Item Response Theory)的2PL模型,计算当前学生S在这个学科的各个知识点k的能力值。项目反应理论的2PL模型如下:
Figure 198989DEST_PATH_IMAGE014
其中,θ为学习能力值。
举例来说,针对被测试的题目i涉及的知识点为ki,其作答正确的概率为:
Figure 843597DEST_PATH_IMAGE015
总体测试产生这一模式的概率为:
Figure 50718DEST_PATH_IMAGE016
,根据牛顿迭代法,通过多次迭代即可得出知识点ki的θ值。
该当前学生在该学科上的学习能力值的计算原理相同,即采集该学科所有知识点的题的作答结果进行运算即可得到该学科的学习能力值,即学科能力值。系统根据各个学生在该学科上的学习能力值进行排名,即可确定每个学生的学科能力值排名。
可以理解的,该历史学习数据可来源于用户导入该系统中的数据,也可以是各个学生在该系统中进行练习和测试过程中的学习记录。具体实施时,该系统可定期获取的历史学习数据,并更新各个学生的学科的学习能力值,以及学科各知识点的学习能力值。
当前学生的目标名次可以是系统设置的默认值,如名次提高5名时的名次,也可以是系统提供的输入界面以供学生选择或输入追赶的目标名次。
当获取到当前学生输入的某一学科的目标名次后,系统从数据库中提取当前学生在该学科的每个知识点的学习能力值。以及获取该目标名次的学生在该学科的每个知识点的学习能力值,并作为目标学习能力值。
步骤S13,根据所述学科的历史测试数据计算每个所述知识点的得分影响因子的值。
步骤S14,根据每个所述知识点的得分影响因子的值,以及每个所述知识点的学习能力值与目标学习能力值的差值确定目标知识点,并根据所述目标知识点制定学习计划。
该得分影响因子为影响该学科得分的影响因素,例如为各个知识点的出题概率或各个知识点的得分占比。一个学科中知识点有很多,针对各个知识点的重要性以及难易程度,在学科测试中每个知识的出题概率以及得分占比也有着很大的区别,且一定时期内每个知识点的出题概率和得分占比均有一定的规律。
该历史测试数据为学生在平时考试或练习中的题目信息,例如,每个题目所属的学科、每个题目覆盖的知识点等。根据该学科的历史测试数据计算该学科中各个知识点的得分影响因子的值。
具体的,知识点的出题概率计算方法例如为:
获取最近一段时间内该学科的历史测试数据,分别统计各个知识点对应的题目总的出题数量,并分别计算每个知识点的出题数量与历史数据中的该历史测试数据中总的题目数量的比值即可得到各个知识点的出题概率。
知识点的得分占比的计算方法例如为,可根据获取最近一段时间内该学科的历史测试数据,统计各个知识点对应的题目的占分比(即该题目分值占总分值的比率)。
本实施例中,系统可根据每个知识点的得分影响因子的值以及学生的当前知识点的学习能力值与目标学习能力值之间的差异确定需要进行重点学习的目标知识点。根据确定的目标知识点制定出合理的学习计划。学生可根据系统制定的学习计划进行练习,从而提升该学科各个知识点的学习能力值,以达到设置的目标学习能力值。该学科各个知识点的学习能力值提升后,自然整体提高了该学科的学习能力值,从而以最快的速度追赶目标名次。
本实施例根据该学科的得分影响因子的值,以及学生对各个知识点的掌握情况制定合理的学习计划,使学生有针对性的练习,提高学习效率,继而达到设定的目标。
请参阅图2,为本发明第二实施例中的自适应学习计划制定方法,包括步骤S21~S26。
步骤S21,获取当前学生在一学科的学科能力值排名的名次,以及获取所述当前学生设置的目标名次。
步骤S22,获取所述当前学生在所述学科上的每个知识点的学习能力值,以及每个所述知识点的目标学习能力值,所述目标学习能力值为所述目标名次对应的学生在所述知识点的学习能力值。
通过采集学生日常的作业数据和考试数据,系统存储了一个学生集体(如一个班级或年级)的学生某个学科的学习数据。根据该学习数据并基于项目反应理论(ItemResponse Theory)的2PL模型计算各个学生在该学科上的学习能力值,和各个知识点的学习能力值。
举例来说,一个班级的学生为
Figure 806185DEST_PATH_IMAGE017
,根据项目反应理论计算所有学生该学科的能力值
Figure 398840DEST_PATH_IMAGE018
。给定一个学生s,其学科能力值排名为r,系统可以默认其目标追赶计划为r-5 (即提升5名),或者提供书写界面供学生选择或输入学科能力追赶目标。最后,学生s的目标追赶计划是希望将学科能力排名提升至r名,其对应的学科的学习能力值为
Figure 214349DEST_PATH_IMAGE019
,各知识点的学习能力值为:
Figure 174346DEST_PATH_IMAGE020
,此学科能力值和知识点能力值即为学生s的追赶目标。
步骤S23,根据所述学科的历史测试数据获取每个所述知识点的出题概率和得分占比。
步骤S24,将各个所述知识点按照出题概率和得分占比以及每个所述知识点的学习能力值与目标学习能力值的差值,从大至小排序,并获取排序靠前的预设数量的每个所述知识点作为目标知识点
各个知识点的出题概率和得分占比影响学生该学科的得分,掌握了出题概率大以及占分比高的知识点能够帮助学生迅速的提高该学科的成绩。而各个知识点的学习能力值的大小表示该学生掌握该知识点的能力,因此提高该学科学习能力薄弱的知识点的学习能力值也可迅速地提高该学科的成绩。
各个知识点按照出题概率、得分占比,以及知识点的学习能力值与目标学习能力值之间的差值是影响学科成绩的三个因素。因此,本实施例中将该学科的各个知识点按照出题概率大小、得分占比大小,以及知识点的学习能力值与目标学习能力值之间的差值大小进行排序。出题概率、得分占比,以及该学习能力差值最大的预设数量个知识点优先进行学习。
各个知识点按照出题概率、得分占比以及学习能力差值进行排序的具体规则可预先设置,例如各个知识点按照下述公式中的M的值从大至小排名:
Figure 733504DEST_PATH_IMAGE021
其中,
Figure 180665DEST_PATH_IMAGE022
为所述学科中知识点i的目标学习能力值,
Figure 901497DEST_PATH_IMAGE023
为所述当前学生在所述学科中知识点i的学习能力值,ni为知识点i的出题概率,mi为知识点i的得分占比,e为自然常数,值约为2.718281828。
可以理解的,各个知识点的出题概率、得分占比,以及学习能力差值对该学科的成绩的影响力不同,因此在本发明的另一实施例中,可对各个知识点的出题概率、得分占比,以及学习能力差值设置对应的权重。并对三个值进行权重计算后根据计算结果进行排序,选出结果值最大的预设数量的知识点作为目标知识点。
需要说明的是,每个学科的学习计划中,目标知识点的数量根据实际需要进行设置,且不同学科目标知识点的数量可设置不同。
步骤S25,分别获取所述目标知识点的学习能力值和目标学习能力值对应的题目难易程度值,得到第一程度值和第二程度值。
步骤S26,从题库中查找所述目标知识点对应的所有题目中难易程度在所述第一程度值和所述第二程度值范围内的题目,并根据查找到的题目生成学习计划。
该系统的题库中针对该学科的每个知识点设置有大量的练习题,且每个知识点的练习题的难易程度有所差别。对于当前学生来说,练习题目过于简单时达不到理想的提升效果,练习题难度太高时会让该当前学生产生挫败感影响学习积极性。因此,选择合适难度的练习题作为学习计划尤为重要。本实施例中,根据当前学生各个知识点的学习能力值确定对应的题目难易程度值,得到第一程度值,根据知识点的目标学习能力值确定对应的题目难易程度值,得到第二程度值。将该第一程度值和第二程度值分别作为该当前学生练习题的难易程度的上限制和下限值。
从题库中查找目标知识点对应的所有题目中难易程度在该第一程度值和第二程度值范围内的题目,并根据查找到的题目生成学习计划。该当前学生根据该学习计划中的题目进行练习,以此提升该学科的学习能力值,继而提高学习成绩。
进一步的,该学习计划中的题目根据难易程度从低至高依次推荐给学生练习。
由于一个学科各个知识点的难易程度和侧重点不同,在考试中出现的概率和占分比也有着很大的区别,因此本实施例中,系统可根据每个知识点的出题概率、占分比以及学生的当前知识点的学习能力值与目标学习能力值之间的差异确定需要进行重点学习的目标知识点。并根据学生在该学科上各个知识点的学习能力值以及目标学习能力值确定一定难度范围的题目作为该学生的学习计划的练习题。
请参阅图3,为本发明第三实施例中的自适应学习计划制定装置,包括:
第一获取模块10,用于获取当前学生在一学科的学科能力值排名的名次,以及获取所述当前学生设置的目标名次;
第二获取模块20,用于获取所述当前学生在所述学科上的每个知识点的学习能力值,以及每个所述知识点的目标学习能力值,所述目标学习能力值为所述目标名次对应的学生在所述知识点的学习能力值;
第一计算模块30,用于根据所述学科的历史测试数据计算每个所述知识点的得分影响因子的值;
确定模块40,用于根据每个所述知识点的得分影响因子的值,以及每个所述知识点的学习能力值与目标学习能力值的差值确定目标知识点。
制定模块50,用于根据所述目标知识点制定学习计划。
进一步的,上述自适应学习计划制定装置,其中,所述得分影响因子包括出题概率和得分占比中的至少一个。
进一步的,上述自适应学习计划制定装置,其中,所述确定模块40具有用于:
将各个所述知识点按照得分影响因子的值以及每个所述知识点的学习能力值与目标学习能力值的差值,从大至小排序,并获取排序靠前的预设数量的每个所述知识点作为目标知识点。
进一步的,上述自适应学习计划制定装置,还包括:
第二计算模块60,用于获取参与排名的每个学生在所述学科上的历史学习数据,并根据所述历史学习数据以及项目反应理论模型计算每个学生在所述学科的学习能力值,以及所述学科的每个知识的学习能力值。
本发明实施例所提供的自适应学习计划制定装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明还提出一种可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的自适应学习计划制定方法。
本发明实施例还提供了一种终端,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法的步骤。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种自适应学习计划制定方法,其特征在于,包括:
获取当前学生在一学科的学科能力值排名的名次,以及获取所述当前学生设置的目标名次;
获取所述当前学生在所述学科上的每个知识点的学习能力值,以及每个所述知识点的目标学习能力值,所述目标学习能力值为所述目标名次对应的学生在所述知识点的学习能力值;
根据所述学科的历史测试数据计算每个所述知识点的得分影响因子的值;
根据每个所述知识点的得分影响因子的值,以及每个所述知识点的学习能力值与目标学习能力值的差值确定目标知识点,并根据所述目标知识点制定学习计划。
2.如权利要求1所述的自适应学习计划制定方法,其特征在于,所述得分影响因子包括出题概率和得分占比中的至少一个。
3.如权利要求2所述的自适应学习计划制定方法,其特征在于,所述根据每个所述知识点的得分影响因子的值,以及每个所述知识点的学习能力值与目标学习能力值的差值确定目标知识点的步骤包括:
将各个所述知识点按照得分影响因子的值以及每个所述知识点的学习能力值与目标学习能力值的差值,从大至小排序,并获取排序靠前的预设数量的每个所述知识点作为目标知识点。
4.如权利要求3所述的自适应学习计划制定方法,其特征在于,当所述得分影响因子包括出题概率和得分占比时,各个所述知识点按照下述公式中的M的值从大至小排名:
Figure 738770DEST_PATH_IMAGE001
其中,
Figure 340784DEST_PATH_IMAGE002
为所述学科中知识点i的目标学习能力值,
Figure 301787DEST_PATH_IMAGE003
为所述当前学生在所述学科中知识点i的学习能力值,ni为知识点i的出题概率,mi为知识点i的得分占比,e为自然常数。
5.如权利要求1所述的自适应学习计划制定方法,其特征在于,所述获取当前学生在一学科的学科能力值排名的名次的步骤之前还包括:
获取参与排名的每个学生在所述学科上的历史学习数据,并根据所述历史学习数据以及项目反应理论模型计算每个学生在所述学科的学习能力值,以及所述学科的每个知识的学习能力值。
6.如权利要求1所述的自适应学习计划制定方法,其特征在于,所述根据所述目标知识点制定学习计划的步骤包括:
分别获取所述目标知识点的学习能力值和目标学习能力值对应的题目难易程度值,得到第一程度值和第二程度值;
从题库中查找所述目标知识点对应的所有题目中难易程度在所述第一程度值和所述第二程度值范围内的题目,并根据查找到的题目生成学习计划。
7.一种自适应学习计划制定装置,其特征在于,包括:
第一获取模块,用于获取当前学生在一学科的学科能力值排名的名次,以及获取所述当前学生设置的目标名次;
第二获取模块,用于获取所述当前学生在所述学科上的每个知识点的学习能力值,以及每个所述知识点的目标学习能力值,所述目标学习能力值为所述目标名次对应的学生在所述知识点的学习能力值;
第一计算模块,用于根据所述学科的历史测试数据计算每个所述知识点的得分影响因子的值;
确定模块,用于根据每个所述知识点的得分影响因子的值,以及每个所述知识点的学习能力值与目标学习能力值的差值确定目标知识点;
制定模块,用于根据所述目标知识点制定学习计划。
8.如权利要求7所述的自适应学习计划制定装置,其特征在于,所述得分影响因子包括出题概率和得分占比中的至少一个。
9.一种可读存储介质,其上存储有程序,其特征在于,所述程序被处理器执行时实现如权利要求1-6任意一项所述的方法。
10.一种终端,包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6任意一项所述的方法。
CN202010875094.2A 2020-08-27 2020-08-27 自适应学习计划制定方法、装置、可读存储介质及终端 Pending CN111815491A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010875094.2A CN111815491A (zh) 2020-08-27 2020-08-27 自适应学习计划制定方法、装置、可读存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010875094.2A CN111815491A (zh) 2020-08-27 2020-08-27 自适应学习计划制定方法、装置、可读存储介质及终端

Publications (1)

Publication Number Publication Date
CN111815491A true CN111815491A (zh) 2020-10-23

Family

ID=72859700

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010875094.2A Pending CN111815491A (zh) 2020-08-27 2020-08-27 自适应学习计划制定方法、装置、可读存储介质及终端

Country Status (1)

Country Link
CN (1) CN111815491A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112258359A (zh) * 2020-10-30 2021-01-22 国网甘肃省电力公司 一种自适应推荐方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180151083A1 (en) * 2016-11-30 2018-05-31 Electronics And Telecommunications Research Institute Learning diagnosis apparatus and method and adaptive learning system using the same
CN109388744A (zh) * 2017-08-11 2019-02-26 北京龙之门网络教育技术股份有限公司 一种自适应学习推荐方法及装置
CN110489648A (zh) * 2019-08-15 2019-11-22 上海乂学教育科技有限公司 学习资源动态推送方法及系统
CN111444423A (zh) * 2020-03-25 2020-07-24 上海乂学教育科技有限公司 学习资源智能推送方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180151083A1 (en) * 2016-11-30 2018-05-31 Electronics And Telecommunications Research Institute Learning diagnosis apparatus and method and adaptive learning system using the same
CN109388744A (zh) * 2017-08-11 2019-02-26 北京龙之门网络教育技术股份有限公司 一种自适应学习推荐方法及装置
CN110489648A (zh) * 2019-08-15 2019-11-22 上海乂学教育科技有限公司 学习资源动态推送方法及系统
CN111444423A (zh) * 2020-03-25 2020-07-24 上海乂学教育科技有限公司 学习资源智能推送方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112258359A (zh) * 2020-10-30 2021-01-22 国网甘肃省电力公司 一种自适应推荐方法及系统

Similar Documents

Publication Publication Date Title
Papousek et al. Adaptive practice of facts in domains with varied prior knowledge
JP6701367B2 (ja) 個人オーダーメイド教育コンテンツを提供する方法、装置、及びコンピュータプログラム
US20040041829A1 (en) Adaptive testing and training tool
Verdú et al. A genetic fuzzy expert system for automatic question classification in a competitive learning environment
WO2005045786A1 (en) Automatic essay scoring system
Jiao et al. Exploring levels of performance using the mixture Rasch model for standard setting1
CN111815491A (zh) 自适应学习计划制定方法、装置、可读存储介质及终端
Banerjee et al. Rubrics for assessment item difficulty in engineering courses
JP6313515B1 (ja) 学習力評価システム、学習者端末およびコンピュータプログラム
Frosini et al. Performing automatic exams
Hare et al. Optimize student learning via random forest-based adaptive narrative game
CN113935618A (zh) 下棋能力的测评方法、装置、电子设备及存储介质
Nagovitsyn et al. Program management of improvement of physical education of students using mobile methods
Castellano et al. Mining categories of learners by a competitive neural network
Neill et al. Does the use of technological interventions improve student academic achievement in mathematics and language arts for an identified group of at-risk middle school students?
CN111127271A (zh) 一种用于学情分析的教学方法及系统
CN114461786B (zh) 一种学习路径生成方法和系统
KR101199029B1 (ko) 언어 영역의 학습 정도를 진단하기 위한 시스템 및 방법
Li et al. Design and implementation of student programming profile-based teaching aids solution in introductory programming course
Sergent et al. Predicting young students' self-evaluation deficits through their activity traces
Fritzsche On the relationships of learning style, perceived learning, and performance in an experiential learning environment
Xu et al. A learning ability evaluation method based on Item Response Theory and Machine Learning Method
de Lucas Brandão et al. Analysis of student´ s proficiency evaluation model for adaptative testing
Silveira et al. A new benchmark for automatic essay scoring in portuguese
JP6823330B1 (ja) 試験結果分析システムおよび方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201023