CN111858906A - 习题推荐方法、装置、电子设备及计算机可读存储介质 - Google Patents

习题推荐方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN111858906A
CN111858906A CN202010703145.3A CN202010703145A CN111858906A CN 111858906 A CN111858906 A CN 111858906A CN 202010703145 A CN202010703145 A CN 202010703145A CN 111858906 A CN111858906 A CN 111858906A
Authority
CN
China
Prior art keywords
student
mastery degree
exercises
pull
exercise
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.)
Granted
Application number
CN202010703145.3A
Other languages
English (en)
Other versions
CN111858906B (zh
Inventor
陈静
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.)
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Original Assignee
Guangzhou Shiyuan Electronics Thecnology 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 Guangzhou Shiyuan Electronics Thecnology Co Ltd filed Critical Guangzhou Shiyuan Electronics Thecnology Co Ltd
Priority to CN202010703145.3A priority Critical patent/CN111858906B/zh
Publication of CN111858906A publication Critical patent/CN111858906A/zh
Application granted granted Critical
Publication of CN111858906B publication Critical patent/CN111858906B/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
    • 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
    • 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
    • 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
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本申请提供一种习题推荐方法、装置、电子设备及计算机可读存储介质。该习题推荐方法包括：获取学生的历史答题信息，历史答题信息包括学生已答习题对应的知识点、已答习题对应的题型、已答习题对应的习题难度以及已答习题对应的习题得分；基于历史答题信息，使用拉希模型确定第一掌握度；基于历史答题信息，使用多义拉希模型确定第二掌握度；获取预设答对概率值，将预设答对概率值分别输入至拉希模型和多义拉希模型，且根据学生对于知识点的掌握度和习题难度，为学生进行习题推荐。本申请的方法，可以更准确得到学生对某个知识点的掌握度，在进行习题推荐时推荐的习题也会更符合学生的认知状态。

Description

习题推荐方法、装置、电子设备及计算机可读存储介质
技术领域
本申请涉及计算机技术，尤其涉及一种习题推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
随着科技水平的发展、经济条件的提升，越来越多的人使用在线学习的方式来辅助线下学习，相比于线下学习，在线学习系统更容易采集使用者的使用过程。对于学生而言，学生采取的每一步操作都可以反映其认知状态、偏好或行为习惯，每一个学生的独特性容易被挖掘。对老师而言，老师对于教学资源、教学方式的选择不仅仅体现了自身的风格，也在一定程度上反映了其所在学校、地区的教学理念或体系。习题作为重要的教学资源，同样在线学习系统扮演着关键角色。利用在线学习系统，基于每个学生的学习行为、记录数据的丰富性，可以单独构建每个学生的认知状态，进而可以向每个学生推荐最适合该学生的习题。
现有技术中，可以基于诊断的方式进行习题推荐。具体的，使用特定的模型诊断出学生的认知状态，认知状态代表了学生的能力。进而，向不同能力的学生推荐不同难度的习题。
但是，现有技术的方式无法对主观题进行准确的诊断，导致向学生推荐的习题可能与学生的认知状态不符。
发明内容
本申请提供一种习题推荐方法、装置、电子设备及计算机可读存储介质，用以解决现有技术的方式无法对主观题进行准确的诊断，导致向学生推荐的习题可能与学生的认知状态不符问题。
一方面，本申请提供一种习题推荐方法，包括：
获取学生的历史答题信息，所述历史答题信息包括学生已答习题对应的知识点、所述已答习题对应的题型、所述已答习题对应的习题难度以及所述已答习题对应的习题得分；
基于所述历史答题信息，使用拉希模型确定第一掌握度，所述第一掌握度用于标识所述学生对于客观题型的掌握度；
基于所述历史答题信息，使用多义拉希模型确定第二掌握度，所述第二掌握度用于标识所述学生对于主观题型的掌握度；
根据所述第一掌握度和所述第二掌握度确定学生对于所述知识点的掌握度；
获取预设答对概率值，将所述预设答对概率值分别输入至所述拉希模型和所述多义拉希模型，且根据所述学生对于所述知识点的掌握度和所述习题难度，为所述学生进行习题推荐。
其中一项实施例中，所述获取预设答对概率值，将所述预设答对概率值分别输入至所述拉希模型和所述多义拉希模型，且根据所述学生对于所述知识点的掌握度，为所述学生进行习题推荐，包括：
根据所述预设答对概率值，所述学生对于所述知识点的掌握度，以及，所述学生所属的区域信息，为所述学生进行习题推荐，所述区域信息包括所述学生所在的学校和/或所述学生所在的地区。
其中一项实施例中，所述基于所述历史答题信息，使用拉希模型确定第一掌握度，包括：
以所述历史答题信息作为所述拉希模型的输入参数，使用所述拉希模型和最大似然估计，得到所述第一掌握度，所述最大似然算法用于估计所述多义拉希模型中掌握度参数的值。
其中一项实施例中，所述基于所述历史答题信息，使用多义拉希模型确定第二掌握度，所述第二掌握度用于标识所述学生对于所述主观题型掌握度，包括：
以所述历史答题信息作为所述多义拉希模型的输入参数，使用所述多义拉希模型和最大似然估计，得到所述第二掌握度，所述最大似然算法用于估计所述多义拉希模型中掌握度参数的值。
其中一项实施例中，所述根据所述第一掌握度和所述第二掌握度确定学生对于所述知识点的掌握度包括：
获取所述历史答题信息中题型为客观题型的题目数量，得到客观题型数量；
获取所述历史答题信息中题型为主观题型的题目数量，得到主观题型数量；
根据所述客观题型数量和所述主观题型数量确定计算权重；
根据所述计算权重、所述第一掌握度和所述第二掌握度确定所述任一个所述知识点的掌握度。
其中一项实施例中，所述获取预设答对概率值，将所述预设答对概率值分别输入至所述拉希模型和所述多义拉希模型，且根据所述学生对于所述知识点的掌握度和所述习题难度，为所述学生进行习题推荐包括：
获取学生对所述习题库中每个知识点的掌握度；
将所述预设答对概率值分别输入至所述拉希模型和所述多义拉希模型，且根据所述学生对于所述知识点的掌握度和所述习题难度确定目标习题集。
其中一项实施例中，所述方法还包括：
根据所述每个知识点对应的掌握度，对所述知识点进行排序；
根据排序结果，推送所述知识点。
其中一项实施例中，所述方法还包括：
根据所述历史答题信息确定学生已答习题涵盖的知识点集合；
根据所述知识点集合更新所述习题库中的知识点。
另一方面，本申请还提供一种习题推荐装置，包括：
获取模块，所述获取模块用于获取学生的历史答题信息，所述历史答题信息包括学生已答习题对应的知识点、所述已答习题对应的题型、所述已答习题对应的习题难度以及所述已答习题对应的习题得分；
处理模块，所述处理模块用于基于所述历史答题信息，使用拉希模型确定第一掌握度，所述第一掌握度用于标识所述学生对于客观题型的掌握度；
所述处理模块还用于基于所述历史答题信息，使用多义拉希模型确定第二掌握度，所述第二掌握度用于标识所述学生对于主观题型的掌握度；
所述处理模块还用于根据所述第一掌握度和所述第二掌握度确定学生对于所述知识点的掌握度；
推荐模块，用于获取预设答对概率值，将所述预设答对概率值分别输入至所述拉希模型和所述多义拉希模型，且根据所述学生对于所述知识点的掌握度和所述习题难度，为所述学生进行习题推荐。
其中一项实施例中，所述推荐模块具体用于根据所述预设答对概率值，所述学生对于所述知识点的掌握度，以及，所述学生所属的区域信息，为所述学生进行习题推荐，所述区域信息包括所述学生所在的学校和/或所述学生所在的地区。
另一方面，本申请还提供一种电子设备，包括存储器，处理器和收发器，所述存储器用于存储指令，所述收发器用于和其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行如上述第一方面所述的习题推荐方法。
另一方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当所述指令被执行时，使得计算机执行如上述第一方面所述的习题推荐方法。
本申请提供的习题推荐方法可以根据学生的历史答题信息、拉希模型和多义拉希模型，得到学生对一个知识点的掌握度，进而在给学生推荐习题的时候根据学生的掌握度进行习题推荐。本申请提供的习题推荐方法不仅可以对学生对客观题型的掌握度进行了准确的判断，还可以对学生对主观题型的掌握度进行准确判断，因此可以更准确得到学生对某个知识点的掌握度，在进行习题推荐时推荐的习题也会更符合学生的认知状态。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1为本申请的一个实施例提供的习题推荐方法的应用场景示意图。
图2为本申请的一个实施例提供的习题推荐方法的流程示意图。
图3为本申请的另一个实施例提供的习题推荐方法的流程示意图。
图4为本申请的又一个实施例提供的习题推荐方法的流程示意图。
图5为本申请的另一个实施例提供的习题推荐方法的流程示意图。
图6为本申请的又一个实施例提供的习题推荐方法的流程示意图。
图7为本申请的一个实施例提供的习题推荐装置的示意图。
图8为本申请的又一个实施例提供的电子设备的示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
随着科技水平的发展、经济条件的提升，越来越多的人使用在线学习的方式来辅助线下学习，相比于线下学习，在线学习系统更容易采集使用者的使用过程。对于学生而言，学生采取的每一步操作都可以反映其认知状态、偏好或行为习惯，每一个学生的独特性容易被挖掘。对老师而言，老师对于教学资源、教学方式的选择不仅仅体现了自身的风格，也在一定程度上反映了其所在学校、地区的教学理念或体系。习题作为重要的教学资源，同样在线学习系统扮演着关键角色。利用在线学习系统，基于每个学生的学习行为、记录数据的丰富性，可以单独构建每个学生的认知状态，进而可以向每个学生推荐最适合该学生的习题。现有技术中，可以基于诊断的方式进行习题推荐。具体的，使用特定的模型诊断出学生的认知状态，认知状态代表了学生的能力。进而，向不同能力的学生推荐不同难度的习题。
但是，现有技术的方式在对学生的能力进行判定时只是片面得参考了学生做客观型习题的能力。而在给学生推荐不同难度的习题时，不应该只考虑学生做客观型习题的能力，还应该考虑学生对于主观型习题，例如解答题、材料问答题等有标准答案的习题的做题能力。而现有技术还没有可以诊断学生做主观习题的能力的方法，导致现有技术的习题推荐方法推荐的习题可能与学生的认知状态不符。
本申请基于上述的问题，通过获取学生的历史答题信息，根据拉希模型和该历史答题信息诊断学生对客观题型的掌握度，以及根据多义拉希模型和该历史答题信息诊断学生对主观题型的掌握度，实现了/使得在对学生进行习题推荐时，可以全面考虑学生对不同题型的掌握度，进而推荐更符合学生的认知状态的习题。
本申请提供的习题推荐方法应用于电子设备，该电子设备例如计算机、服务器、平板电脑、手机等。本申请提供的习题推荐方法，应用于计算机。图1为本申请提供的习题推荐方法的应用示意图，该计算机上显示的是给学生推荐的多个习题，每个习题中可以包括多个不同的子习题，学生可以通过该计算机选中要作答的习题，在选中习题后可以在该计算机上进行习题作答，或者由该计算机将该学生选中的习题进行存储，在需要调用该习题时再发送给学生侧的终端设备，或直接显示在该计算机上。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
请参见图2，本申请提供一种习题推荐方法，包括：
S201，获取学生的历史答题信息，该历史答题信息包括学生已答习题对应的知识点、该已答习题对应的题型、该已答习题对应的习题难度以及该已答习题对应的习题得分。
关于该知识点，可以理解的是，每个习题都有对应的知识点，一个知识点可以对应有多个习题，例如，在数学题中，该知识点可以为二元一次方程，对应二元一次方程会有很多个习题。习题库中包括有题目和知识点之间的矩阵，该矩阵标识了每个题目需要用到哪些知识点，根据知识点可以找到与该知识点对应的习题。该习题难度例如可以包括1～10分，从1至10依次代表习题难度简单到习题难度复杂。该题型分为客观题型和主观题型。该客观题型指的是该题目是具有标准答案，题目的得分是一致的题目，即答对得分，答错不得分，例如选择题、判断题这些仅有对错之分的题型，或者是具有标准答案的单空填空题等。该主观题型指的是答案标准不唯一、可以有不同得分的题目，例如解答题、材料评论题、具有多空的填空题等。需要说明的是，该具有多空的填空题中每个空是有标准答案和固定分值的，但该具有多空的填空题的分值是多样的，因此归类为主观题型。习题库中包括所有习题的知识点、习题答案和习题解析，该习题得分指的是学生在题目上的得分，例如，选择题答对的分值为1分，答错的分值为0分，该学生在该选择题上的题目得分可以为0分或1分。解答题的满分分值为15分，该学生在该选择题上的题目得分可以为13分、或8分、或3分，或0分等。
S202，基于该历史答题信息，使用拉希模型确定第一掌握度，该第一掌握度用于标识该学生对于该客观题型的掌握度。
该拉希模型(Rasch Model)是一个数学模型，该模型的目标是建立一种客观的社会科学测量方法。该拉希模型主张让数据适合于模型，允许使用者生成一个可以同时描述试题难度和被试能力的等距量尺，这使得符合该模型的测试工具大多具有较高的质量。在本实施例中，基于该历史答题信息，使用该拉希模型可以有效确定该学生对于客观题型的掌握度。需要说明的是，根据该拉希模型可以确定该学生对于每个属于该客观题型的题目对应的知识点的掌握度。
S203，基于该历史答题信息，使用多义拉希模型确定第二掌握度，该第二掌握度用于标识该学生对于该主观题型的掌握度。
由于该拉希模型适用于具有标准答案的习题，即客观题型，因为客观题型的得分是确定的，即得满分或不得分。而针对主观题型，学生在主观题型上的得分是不确定的，比如满分为15分的题可以得12分、8分等，因此需要使用该多义拉希模型确定该第二掌握度，该多义拉希模型(Polytomous Rasch model)也是一个数学模型，但是相比该拉希模型考虑到了习题不同尺度的得分，因此适用于诊断该学生对该主观题型的掌握度。需要说明的是，根据该多义拉希模型可以确定该学生对于每个属于该主观题型的题目对应的知识点的掌握度。
S204，根据该第一掌握度和该第二掌握度确定学生对于该知识点的掌握度。
该知识点对应的题目的题目类型有客观题型和主观题型，根据该第一掌握度和该第二掌握度可以确定学生对于该知识点的掌握度。在一个可选的实施例中，根据该第一掌握度和该第二掌握度确定该学生对于该知识点的掌握度，可以为根据该知识点对应的属于客观题型的题目的数量，以及该知识点对应的属于主观题型的题目的数量，进行题型的权重分配，再根据权重的分配结果、该第一掌握度和该第二掌握度确定该学生对于该知识点的掌握度。
S205，获取预设答对概率值，将该预设答对概率值分别输入至该拉希模型和该多义拉希模型，且根据该学生对于该知识点的掌握度和该习题难度，为该学生进行习题推荐。
该预设答对概率值指的是该学生做对题目的概率，该题目的题型为客观题型或主观题型。若一个题目属于客观题型，则将该一个题目的预设答对概率值输入至该拉希模型，由于此时该学生对该一个题目对应的知识点的掌握度和该一个题目的习题难度已知，因此可以根据该一个题目的预设答对概率值、该一个题目对应的知识点的掌握度和该一个题目的习题难度确定该一个题目的编号。若另一个题目属于主观题型，则将该另一个题目的预设答对概率值输入至该多义拉希模型，由于该学生对该另一个题目对应的知识点的掌握度已知和该另一个题目的习题难度已知，因此可以根据该另一个题目的预设答对概率值、该另一个题目对应的知识点的掌握度和该另一个题目的习题难度确定该另一个题目的编号。该学生对该一个题目对应的知识点的掌握度，以及该学生对该另一个该题目对应的知识点的掌握度均可以由该学生对于该知识点的掌握度得到。
在进行习题推荐时，针对每个知识点都可以推荐给学生针对不同预设答对概率值的习题。例如，在一个该知识点下，将该预设答对概率值大于或等于80％对应的习题认定为推荐给该学生的简单习题，将该预设答对概率值小于或等于60％对应的习题认定为推荐给该学生的高难度习题，将该预设答对概率值大于60％，且小于80％对应的习题认定为推荐给该学生的中等难度习题。在将该预设答对概率值为大于或等于80％时，获取与该预设答对概率值对应的所有习题的编号，进而将该所有习题推荐给该学生，此时推荐给该学生的习题对于该学生对该知识点的掌握度来说为简单习题。在将该预设答对概率值为小于或等于60％时，获取与该预设答对概率值对应的所有习题的编号，进而将该所有习题推荐给该学生，此时推荐给该学生的习题对于该学生对该知识点的掌握度来说为高难度习题。在将该预设答对概率值为大于60％且小于80％时，获取与该预设答对概率值对应的所有习题的编号，进而将该所有习题推荐给该学生，此时推荐给该学生的习题对于该学生对该知识点的掌握度来说为中等难度习题。可以根据实际需要设定不同的预设答对概率值，进而给学生推荐对于该学生来说不同难度的题。例如，需要给该学生推荐中等难度习题时，可以预设该预设答对概率值为大于60％且小于80％。需要说明的是，该80％，60％的值是可以根据实际需要选择的，例如可以将该预设答对概率值为大于70％时对应的习题定义为简单习题。
需要说明的是，每个学生对于该知识点的掌握度不同，因此在针对每个学生确定该知识点对应的习题的难度的时候，对每个学生推荐的习题是不同的。
由于部分知识点之间存在依赖关系，单独训练某个知识点未必能提升整体能力，因此可以通过已经构建好的学科知识图谱对该知识点进行扩充，该学生对该扩充后的知识点的掌握度等于该学生对该扩充前的知识点的掌握度。因此，在基于该扩充后的知识点进行习题推荐时，该学生对于该扩充后的知识点的掌握度已知，根据步骤S205可以确定该扩充后的知识点下给该学生推荐的习题，或者给每个学生推荐的习题。例如，在进行一个知识点的扩充后，基于该一个知识点扩充后的知识点，将该预设答对概率值大于或等于80％对应的习题认定为推荐给该学生的简单习题，将该预设答对概率值小于或等于60％对应的习题认定为推荐给该学生的高难度习题，将该预设答对概率值大于60％，且小于80％对应的习题认定为推荐给该学生的中等难度习题。在将该预设答对概率值为大于或等于80％时，获取与该预设答对概率值对应的所有习题的编号，进而将该所有习题推荐给该学生，此时推荐给该学生的习题对于该学生对该扩充后的知识点的掌握度来说为简单习题。在将该预设答对概率值为小于或等于60％时，获取与该预设答对概率值对应的所有习题的编号，进而将该所有习题推荐给该学生，此时推荐给该学生的习题对于该学生对该扩充后的知识点的掌握度来说为高难度习题。在将该预设答对概率值为大于60％且小于80％时，获取与该预设答对概率值对应的所有习题的编号，进而将该所有习题推荐给该学生，此时推荐给该学生的习题对于该学生对该扩充后的知识点的掌握度来说为中等难度习题。可以根据实际需要设定不同的预设答对概率值，进而给学生推荐对于该学生来说不同难度的题。例如，需要给该学生推荐中等难度习题时，可以预设该预设答对概率值为大于60％且小于80％。需要说明的是，该80％，60％的值是可以根据实际需要选择的，例如可以将该预设答对概率值为大于70％时对应的习题定义为简单习题。
该知识点的扩充例如将该知识点的前置知识点、解法知识点等也视为该知识点。例如，假设该知识点为最简二次根式，该知识点的前置知识点是二次根式的性质与化简。再假设该知识点为平行线的判定，该知识点的解法知识点是同位角、内错角和同旁内角。
本申请提供的习题推荐方法可以根据学生的历史答题信息、拉希模型和多义拉希模型，得到学生对一个知识点的掌握度，进而在给学生推荐习题的时候根据预设答对概率值，结合该学生对于该知识点的掌握度，为该学生进行习题推荐。本申请提供的习题推荐方法不仅可以对学生对客观题型的掌握度进行了准确的判断，还可以对学生对主观题型的掌握度进行准确判断，因此可以更准确得到学生对某个知识点的掌握度，在进行习题推荐时推荐的习题也会更符合学生的认知状态。
在本申请的一个实施例中，步骤S205包括：
根据该预设答对概率值，该学生对于该知识点的掌握度，以及，该学生所属的区域信息，为该学生进行习题推荐，该区域信息包括该学生所在的学校和/或该学生所在的地区。
该区域信息包括该学生所在的学校和/或该学生所在的地区，也可以理解为该区域的学校和/或该学校的教育信息。例如，老师在根据实际教学时需要按照学校的教学风格、教学理念等为学生进行习题的推荐，则此时学校的教学风格、教学理念可以理解为该区域信息，即区域的学校和/或该学校的教育信息。在根据该学生对于该知识点的掌握度进行习题推荐时，需结合该学生该的区域信息，再对习题进行滤除、进而对滤除后的习题进行排序等操作，再将习题推荐给该学生。
该滤除包括在推荐的习题中滤除该学生已经做过的题目，该已经做过的题目根据该学生的该历史答题信息获得。例如，该知识点为三角形，在根据步骤S201至步骤S205确定的进行推荐的习题的习题编号包括习题1、习题2、习题5、习题7，但是该学生的该历史答题信息中获得该习题1属于该学生已经做过的题目，此时就可以从该确定的进行推荐的习题中滤除该习题1，而只给学生推荐习题2、习题5和习题7。该滤除还包括滤除推荐的习题中对于该学生所处环境而言不适合的习题。例如涉及超纲知识点的习题、涉及尚未学过的知识点的习题。该超纲知识点可以通过该学生所在地区的考纲确定。该未学过的知识点可以从该学生所在班级的教学进度、所使用的教材得到。通过知识点与章节的关联，可得到学生已学过的章节，因为教材章节的学习往往是顺序的，所以可以得到学生当前章节学习的进度，再映射回知识点的进度，从而得到学过和未学过的知识点。
关于该排序，考虑到不同地区、不同学校、不同任课老师对于选题的偏好，可统计该学生所在地区、学校、任课老师在各知识点下使用的高频习题及优质习题。对于高频习题，可通过对地区或学校使用过的习题进行频次统计得到。对于优质习题，可通过对老师历史使用过程中的标记行为统计得到。考虑到任课老师对于线下情况的了解，统计老师布置过的题目中主观题型和客观题型的占比，也可在排序中加入题型的考量。学生的所处的环境的是复杂的、多样的，从不同角度考量，不同环境因素的重要程度是不一样的。因而，可通对不同因素进行加权得到习题的排序分值，再根据该排序分值进行推荐的习题的排序。该排序分值可以由下式得到，即：
Si＝w1f1+w2f2+w3f3+…
其中，Si代表该习题编号为i的排序分值，w代表不同因素的权重，ｆ代表不同因素的量化指标。该不同因素指的是任课老师使用该习题编号为i的习题的频次、学校使用该习题编号为i的习题的频次、地区使用该习题编号为i的习题的频次。该量化指标可以包括任课老师、或学校、或地区使用习题编号为i的习题的频次、该习题编号为i的习题被标记为优质习题的频次。该w1、w2、……wn的值均由工作人员进行设置。
由于不同区域的考纲、教学方式等环境因素的差异，各区域的教学内容、教材版本、教学侧重点有所区别，考题题型、风格、难度也不一样。同时，对于同一学科，不同学校甚至不同班级的教学进度或教学顺序是不一样的。因此在习题推荐时考虑环境因素的影响，能更贴近实际情况。
在本申请的一个实施例中，步骤S202包括：
以该历史答题信息作为该拉希模型的输入参数，使用该拉希模型和最大似然估计，得到该第一掌握度，该最大似然算法用于估计该拉希模型中掌握度参数的值。
该拉希模型为：
Figure BDA0002593666590000101
其中，i代表习题编号，为已知量，此处的习题编号对应的习题为客观题型。p(i)代表学生回答正确该习题编号对应的习题的概率值，即答对概率值；θ是需要求解的参数，代表该学生对该习题编号对应的知识点的掌握度。βi代表该习题编号对应的习题的习题难度，为已知量。
例如，该学生对三角形知识点的掌握度为θ，是个未知量，该学生的历史答题信息中与该知识点相关的题目有5道，得分情况为10011，1代表做对了，0代表做错了，则学生得到10011这样的答题情况的概率P的计算如下式所述，再将拉希模型的公式代入，此时整个式子中只有θ这个未知量，令整个式子的值最大，即P最大，求得θ，在求解的过程用到的是最大似然估计。
P＝p(1)×[1-p(2)×[1-p(3)]×p(4)×p(5)
在本申请的一个实施例中，步骤S203包括：
以该历史答题信息作为该多义拉希模型的输入参数，使用该多义拉希模型和最大似然估计，得到该第二掌握度，该最大似然算法用于估计该多义拉希模型中掌握度参数的值。该多义拉希模型为：
Figure BDA0002593666590000111
其中，i代表习题编号，为已知量，此处的习题编号对应的习题为主观题型。pi(x)代表该学生在习题编号为i的习题上得到x分值的概率。mi代表该习题编号为i的习题的满分值，例如习题编号为i的习题的满分值为15分，为已知量。Tki代表该学生在该习题编号为i的习题上得到不同分值对应的难度，Tki可以根据统计分析得到，为已知量。j是一个从0迭代到mi的数字，非变量，k是一个从0迭代到j的数字，例如，j为3分，则k为0或1或2或3，非变量。θ代表该学生对该习题编号为i的习题对应的知识点的掌握度。
例如，设学生在三角形知识点上的掌握度为θ，获得该学生的历史答题信息中与三角形相关的所有主观题答题记录，例如有5道，得分分别是1，2，3，0，5，则该学生得到该答题情况的概率P的计算如下式所述，将多义拉希模型的公式代入，利用最大似然估计来估计θ的值。
P＝p1(x＝1)×p2(x＝2)×p3(x＝3)×p4(x＝0)×p5(x＝5)
请参见图3，在本申请的一个实施例中，S204包括：
S301，获取该历史答题信息中题型为客观题型的题目数量，得到客观题型数量。
该客观题型数量指的是该历史答题信息中所有题型为客观题型的题目数量。
S302，获取该历史答题信息中题型为主观题型的题目数量，得到主观题型数量。
该主观题型数量指的是该历史答题信息中所有题型为主观题型的题目数量。
S303，根据该客观题型数量和该主观题型数量确定计算权重。
该计算权重指的是分配至客观题型和主观题型的计算比例，例如，客观题型的数量更少，给客观题型分配的计算比例可以为40％，给主观题型分配的计算比例可以为60％。
S304，根据该计算权重、该第一掌握度和该第二掌握度确定该任一个该知识点的掌握度。
例如，该客观题型对应的计算比例为40％，该主观题型对应的计算比例为60％，则该掌握度等于40％与该第一掌握度的乘积与60％与该第二掌握度的乘积相加的和。
请参见图4，在本申请的一个实施例中，S205包括：
S401，获取学生对该习题库中每个知识点的掌握度。
该习题库包括多个知识点，在根据该学生对于知识点的掌握度进行知识点的推荐时，需要获取该学生对该习题库中每个知识点的掌握度。
S402，将该预设答对概率值分别输入至该拉希模型和该多义拉希模型，且根据该学生对于该知识点的掌握度和该习题难度确定目标习题集。
该目标习题集即为要给该学生推荐的习题集，该学生对该习题集中的习题对应的答对概率值为该预设答对概率值。该目标习题集包括客观习题和主观习题，使用该拉希模型，根据该预设答对概率值、该学生对于该知识点的掌握度和该习题难度可以确定该目标习题集中的客观习题。使用该多义拉希模型，根据该预设答对概率值、该学生对于该知识点的掌握度和该习题难度可以确定该目标习题集中的主观习题。
请参见图5，该习题推荐方法还包括：
S501，根据该每个知识点对应的掌握度，对该知识点进行排序。
可选的，在一个实施例中，对该知识点进行排序可以为从掌握度由大至小排序对应的知识点，即排名第一的知识点对应的掌握度最大。对该知识点进行排序也可以从掌握度由小至大排序对应的知识点，即排名第一的知识点对应的掌握度最小。
S502，根据排序结果，推送该知识点。
该排序结果可以为从对应的掌握度最小至最大排序知识点，然后进行知识点的推送。该排序结果也可以为从对应的掌握度最大至最小排序知识点，然后进行知识点的推送。学生可以根据自己的需要选择知识点，进而在选择知识点以后再去选择该目标习题集中的题目。
在一个可选的实施例中，步骤S502可以在步骤S205之前执行，即在进行多个知识点的排序和推送后，再对每个知识点下的习题进行推荐。步骤S502也可以在步骤S205之后执行，即在确定了每个知识点下的推荐习题后，再进行多个知识点的排序和推送。
请参见图6，在本申请的一个实施例中，该习题推荐方法还包括：
S601，根据该历史答题信息确定学生已答习题涵盖的知识点集合。
该知识点集合包括该学生已答习题涵盖的所有知识点。
S602，根据该知识点集合更新该习题库中的知识点。
该更新指的是根据该知识点集合剔除该习题库中不属于该知识点集合的知识点。该不属于知识点集合的知识点可能是上述的超纲知识点，和学生们尚未学过的知识点。剔除该习题库中不属于该知识点集合的知识点可以更准确建立针对该区域的学生的习题库。
请参见图7，本申请还提供一种习题推荐装置10，包括：
获取模块11，该获取模块用于获取学生的历史答题信息，该历史答题信息包括学生已答习题对应的知识点、该已答习题对应的题型、该已答习题对应的习题难度以及该已答习题对应的习题得分。
处理模块12，该处理模块用于基于该历史答题信息，使用拉希模型确定第一掌握度，该第一掌握度用于标识该学生对于该客观题型的掌握度。该处理模块12具体用于以该历史答题信息作为该拉希模型的输入参数，使用该拉希模型和最大似然估计，得到该第一掌握度，该最大似然算法用于估计该多义拉希模型中掌握度参数的值。
该处理模块12还用于基于该历史答题信息，使用多义拉希模型确定第二掌握度，该第二掌握度用于标识该学生对于该主观题型掌握度。该处理模块12具体用于以该历史答题信息作为该多义拉希模型的输入参数，使用该多义拉希模型和最大似然估计，得到该第二掌握度，该最大似然算法用于估计该多义拉希模型中掌握度参数的值。
该处理模块12还用于根据该第一掌握度和该第二掌握度确定学生对于该知识点的掌握度。该处理模块12具体用于获取该历史答题信息中题型为客观题型的题目数量，得到客观题型数量。获取该历史答题信息中题型为主观题型的题目数量，得到主观题型数量。根据该客观题型数量和该主观题型数量确定计算权重。根据该计算权重、该第一掌握度和该第二掌握度确定该任一个该知识点的掌握度。
推荐模块13，用于获取预设答对概率值，将该预设答对概率值分别输入至该拉希模型和该多义拉希模型，且根据该学生对于该知识点的掌握度和该习题难度，为该学生进行习题推荐。该推荐模块13具体用于根据该预设答对概率值，该学生对于该知识点的掌握度，以及，该学生所属的区域信息，为该学生进行习题推荐，该区域信息包括该学生所在的学校和/或该学生所在的地区。该推荐模块13具体用于获取学生对该习题库中每个知识点的掌握度；将该预设答对概率值分别输入至该拉希模型和该多义拉希模型，且根据该学生对于该知识点的掌握度和该习题难度确定目标习题集。
该习题推荐装置10还包括：
排序模块14，该排序模块14用于根据该每个知识点对应的掌握度，对该知识点进行排序。
推送模块15，该推送模块15用于根据排序结果，推送该知识点。
该获取模块11还用于根据该历史答题信息确定学生已答习题涵盖的知识点集合。
该习题推荐装置10还包括：
更新模块16，该更新模块16用于根据该知识点集合更新该习题库中的知识点。
请参见图8，本申请还提供一种电子设备20，包括存储器21，处理器22和收发器23，该存储器21用于存储指令，该收发器23用于和其他设备通信，该处理器22用于执行该存储器21中存储的指令，以使该电子设备执行如上任一项该的习题推荐方法。
本申请还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机执行指令，当该指令被执行时，使得计算机执行指令被处理器执行时用于实现如上任一项实施例提供的该习题推荐方法。本申请还提供一种另一种计算机可读存储介质，该计算机可读存储介质中存储有计算机执行指令，当该指令被执行时，使得计算机执行如上任一项实施例提供的习题推荐方法。
需要说明的是，上述计算机可读存储介质可以是只读存储器(Read Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory，FRAM)、快闪存储器(FlashMemory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory，CD-ROM)等存储器。也可以是包括上述存储器之一或任意组合的各种电子设备，如移动电话、计算机、平板设备、个人数字助理等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所描述的方法。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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 (12)

1.一种习题推荐方法，其特征在于，包括：
获取学生的历史答题信息，所述历史答题信息包括学生已答习题对应的知识点、所述已答习题对应的题型、所述已答习题对应的习题难度以及所述已答习题对应的习题得分；
基于所述历史答题信息，使用拉希模型确定第一掌握度，所述第一掌握度用于标识所述学生对于客观题型的掌握度；
基于所述历史答题信息，使用多义拉希模型确定第二掌握度，所述第二掌握度用于标识所述学生对于主观题型的掌握度；
根据所述第一掌握度和所述第二掌握度确定学生对于所述知识点的掌握度；
获取预设答对概率值，将所述预设答对概率值分别输入至所述拉希模型和所述多义拉希模型，且根据所述学生对于所述知识点的掌握度和所述习题难度，为所述学生进行习题推荐。
2.根据权利要求1所述的方法，其特征在于，所述获取预设答对概率值，将所述预设答对概率值分别输入至所述拉希模型和所述多义拉希模型，且根据所述学生对于所述知识点的掌握度，为所述学生进行习题推荐，包括：
根据所述预设答对概率值，所述学生对于所述知识点的掌握度，以及，所述学生所属的区域信息，为所述学生进行习题推荐，所述区域信息包括所述学生所在的学校和/或所述学生所在的地区。
3.根据权利要求1或2所述的方法，其特征在于，所述基于所述历史答题信息，使用拉希模型确定第一掌握度，包括：
以所述历史答题信息作为所述拉希模型的输入参数，使用所述拉希模型和最大似然估计，得到所述第一掌握度，所述最大似然算法用于估计所述多义拉希模型中掌握度参数的值。
4.根据权利要求1或2所述的方法，其特征在于，所述基于所述历史答题信息，使用多义拉希模型确定第二掌握度，所述第二掌握度用于标识所述学生对于所述主观题型掌握度，包括：
以所述历史答题信息作为所述多义拉希模型的输入参数，使用所述多义拉希模型和最大似然估计，得到所述第二掌握度，所述最大似然算法用于估计所述多义拉希模型中掌握度参数的值。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第一掌握度和所述第二掌握度确定学生对于所述知识点的掌握度包括：
获取所述历史答题信息中题型为客观题型的题目数量，得到客观题型数量；
获取所述历史答题信息中题型为主观题型的题目数量，得到主观题型数量；
根据所述客观题型数量和所述主观题型数量确定计算权重；
根据所述计算权重、所述第一掌握度和所述第二掌握度确定所述任一个所述知识点的掌握度。
6.根据权利要求1或2所述的方法，其特征在于，所述获取预设答对概率值，将所述预设答对概率值分别输入至所述拉希模型和所述多义拉希模型，且根据所述学生对于所述知识点的掌握度和所述习题难度，为所述学生进行习题推荐包括：
获取学生对所述习题库中每个知识点的掌握度；
将所述预设答对概率值分别输入至所述拉希模型和所述多义拉希模型，且根据所述学生对于所述知识点的掌握度和所述习题难度确定目标习题集。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
根据所述每个知识点对应的掌握度，对所述知识点进行排序；
根据排序结果，推送所述知识点。
8.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
根据所述历史答题信息确定学生已答习题涵盖的知识点集合；
根据所述知识点集合更新所述习题库中的知识点。
9.一种习题推荐装置，其特征在于，包括：
获取模块，所述获取模块用于获取学生的历史答题信息，所述历史答题信息包括学生已答习题对应的知识点、所述已答习题对应的题型、所述已答习题对应的习题难度以及所述已答习题对应的习题得分；
处理模块，所述处理模块用于基于所述历史答题信息，使用拉希模型确定第一掌握度，所述第一掌握度用于标识所述学生对于客观题型的掌握度；
所述处理模块还用于基于所述历史答题信息，使用多义拉希模型确定第二掌握度，所述第二掌握度用于标识所述学生对于主观题型的掌握度；
所述处理模块还用于根据所述第一掌握度和所述第二掌握度确定学生对于所述知识点的掌握度；
推荐模块，用于获取预设答对概率值，将所述预设答对概率值分别输入至所述拉希模型和所述多义拉希模型，且根据所述学生对于所述知识点的掌握度和所述习题难度，为所述学生进行习题推荐。
10.根据权利要求9所述的装置，其特征在于，所述推荐模块具体用于根据所述预设答对概率值，所述学生对于所述知识点的掌握度，以及，所述学生所属的区域信息，为所述学生进行习题推荐，所述区域信息包括所述学生所在的学校和/或所述学生所在的地区。
11.一种电子设备，其特征在于，包括存储器，处理器和收发器，所述存储器用于存储指令，所述收发器用于和其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行如权利要求1-8任一项所述的习题推荐方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当所述指令被执行时，使得计算机执行如权利要求1-8中任一项所述的习题推荐方法。
CN202010703145.3A 2020-07-21 2020-07-21 习题推荐方法、装置、电子设备及计算机可读存储介质 Active CN111858906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010703145.3A CN111858906B (zh) 2020-07-21 2020-07-21 习题推荐方法、装置、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010703145.3A CN111858906B (zh) 2020-07-21 2020-07-21 习题推荐方法、装置、电子设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111858906A true CN111858906A (zh) 2020-10-30
CN111858906B CN111858906B (zh) 2023-11-03

Family

ID=73002154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010703145.3A Active CN111858906B (zh) 2020-07-21 2020-07-21 习题推荐方法、装置、电子设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111858906B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419812A (zh) * 2020-11-30 2021-02-26 北京爱论答科技有限公司 一种习题批改方法及装置
CN113010687A (zh) * 2021-03-03 2021-06-22 广州视源电子科技股份有限公司 一种习题标签预测方法、装置、存储介质以及计算机设备
CN113538188A (zh) * 2021-07-27 2021-10-22 北京世纪好未来教育科技有限公司 试卷生成方法、装置、电子设备及计算机可读存储介质
CN114281947A (zh) * 2021-12-29 2022-04-05 科大讯飞股份有限公司 试题搜索方法、装置、存储介质及电子设备
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
CN114691856A (zh) * 2022-04-20 2022-07-01 平安科技（深圳）有限公司 题目推荐方法、装置、设备及介质
CN117648449A (zh) * 2024-01-30 2024-03-05 青岛培诺教育科技股份有限公司 基于知识图谱的自适应推送方法、系统、设备和介质
CN118035568A (zh) * 2024-04-12 2024-05-14 暨南大学 一种感知知识掌握程度的教育习题智能推荐方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816265A (zh) * 2019-02-01 2019-05-28 北京作业盒子科技有限公司 知识特征掌握度的评价方法、题目推荐方法及电子设备
KR20190064911A (ko) * 2017-12-01 2019-06-11 한국전자통신연구원 학습 문항 추천 장치 및 그 방법
CN110377814A (zh) * 2019-05-31 2019-10-25 平安国际智慧城市科技股份有限公司 题目推荐方法、装置及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190064911A (ko) * 2017-12-01 2019-06-11 한국전자통신연구원 학습 문항 추천 장치 및 그 방법
CN109816265A (zh) * 2019-02-01 2019-05-28 北京作业盒子科技有限公司 知识特征掌握度的评价方法、题目推荐方法及电子设备
CN110377814A (zh) * 2019-05-31 2019-10-25 平安国际智慧城市科技股份有限公司 题目推荐方法、装置及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何鹏;郑长龙;: "基于Rasch模型的化学核心概念理解测量研究", 化学教育(中英文), no. 17 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419812A (zh) * 2020-11-30 2021-02-26 北京爱论答科技有限公司 一种习题批改方法及装置
CN113010687A (zh) * 2021-03-03 2021-06-22 广州视源电子科技股份有限公司 一种习题标签预测方法、装置、存储介质以及计算机设备
CN113538188A (zh) * 2021-07-27 2021-10-22 北京世纪好未来教育科技有限公司 试卷生成方法、装置、电子设备及计算机可读存储介质
CN113538188B (zh) * 2021-07-27 2024-03-01 北京世纪好未来教育科技有限公司 试卷生成方法、装置、电子设备及计算机可读存储介质
CN114281947A (zh) * 2021-12-29 2022-04-05 科大讯飞股份有限公司 试题搜索方法、装置、存储介质及电子设备
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
CN114691856A (zh) * 2022-04-20 2022-07-01 平安科技（深圳）有限公司 题目推荐方法、装置、设备及介质
CN117648449A (zh) * 2024-01-30 2024-03-05 青岛培诺教育科技股份有限公司 基于知识图谱的自适应推送方法、系统、设备和介质
CN117648449B (zh) * 2024-01-30 2024-05-14 青岛培诺教育科技股份有限公司 基于知识图谱的自适应推送方法、系统、设备和介质
CN118035568A (zh) * 2024-04-12 2024-05-14 暨南大学 一种感知知识掌握程度的教育习题智能推荐方法

Also Published As

Publication number Publication date
CN111858906B (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
CN111858906B (zh) 习题推荐方法、装置、电子设备及计算机可读存储介质
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
Lai et al. The contributions of school quality and teacher qualifications to student performance: Evidence from a natural experiment in Beijing middle schools
WO2021253480A1 (zh) 习题智能推荐方法、装置、计算机设备及存储介质
CN111651677B (zh) 课程内容推荐方法、装置、计算机设备和存储介质
Edwards et al. Using Rasch analysis to identify uncharacteristic responses to undergraduate assessments
CN111179675A (zh) 个性化练习题推荐方法、系统、计算机设备以及存储介质
WO2021180249A1 (zh) 职业推荐方法、装置、设备和介质
CN116383481B (zh) 一种基于学生画像的个性化试题推荐方法及系统
CN112199598A (zh) 网络课程的推荐方法、装置及计算机设备
Lynch et al. Real world usage of an adaptive testing algorithm to uncover latent knowledge
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
CN115358897A (zh) 一种基于电子学生证的学生管理方法、系统、终端及存储介质
CN111553555A (zh) 培训方法、装置、计算机设备和存储介质
CN112381291A (zh) 行为预测、信息推送方法及装置、电子设备及存储介质
CN113239669A (zh) 试题难度预测方法
CN111932160A (zh) 知识掌握信息处理方法、装置、计算机设备及存储介质
CN117010709A (zh) 一种学生弱项的评估方法及系统
CN111080025A (zh) 学习特征数据的处理方法及装置、电子设备
CN116578773A (zh) 智能刷题推荐方法、装置、设备及存储介质
Gonzalez Scaling the PIRLS reading assessment data
CN114936281A (zh) 基于大数据的试题动态分类方法、装置、设备及存储介质
CN113763767A (zh) 学习试题推送方法、装置、计算机设备和存储介质
CN110175282B (zh) 智能推荐测试题的方法及装置、存储介质
CN113706025A (zh) 一种学习报告生成方法、装置、计算机设备和存储介质

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