CN111861371A - 一种计算单词最佳复习时间的方法及设备 - Google Patents
一种计算单词最佳复习时间的方法及设备 Download PDFInfo
- Publication number
- CN111861371A CN111861371A CN202010566609.0A CN202010566609A CN111861371A CN 111861371 A CN111861371 A CN 111861371A CN 202010566609 A CN202010566609 A CN 202010566609A CN 111861371 A CN111861371 A CN 111861371A
- Authority
- CN
- China
- Prior art keywords
- review
- word
- learning
- time point
- user
- 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
Links
- 238000012552 review Methods 0.000 title claims abstract description 259
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012360 testing method Methods 0.000 claims description 139
- 238000004364 calculation method Methods 0.000 claims description 49
- 230000004044 response Effects 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 28
- 238000006243 chemical reaction Methods 0.000 description 27
- 230000035484 reaction time Effects 0.000 description 20
- 230000003247 decreasing effect Effects 0.000 description 10
- 230000009467 reduction Effects 0.000 description 10
- 238000012937 correction Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 206010011469 Crying Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007087 memory ability Effects 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 230000006993 memory improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
- G06Q10/1093—Calendar-based scheduling for persons or groups
-
- 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
- G09B19/00—Teaching not covered by other main groups of this subclass
- G09B19/06—Foreign languages
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能记忆方法技术领域,尤其涉及一种计算单词最佳复习时间的方法及设备,包括为用户生成学习单词的中文释义或者外文释义,获取用户对学习单词的的学习信息,所述学习信息包括用户对所述学习单词的记忆强度值、标记信息、时间信息,根据所述记忆强度值、标记信息、时间信息计算复习间隔时长和最佳复习时间点;通过记忆强度值、标记信息、时间信息来计算最佳复习时间点的方法,合理地解决了用户盲目复习、无法找到最佳复习时间的技术问题,达到了提高学习效率、有效安排学习计划的技术效果。
Description
技术领域:
本发明涉及智能记忆方法技术领域,尤其涉及一种计算单词最佳复习时间的方法及设备。
背景技术:
随着全球化的推广,语言是人们沟通能够及交流的基础。中国自加入WTO以来,掀起了一阵又一阵的外语学习热。在外语的学习工程中,外语单词的记忆是最为基础,最为重要的过程,但往往因为其枯燥无比让无数的外语学习者感到困难无比,花了大量时间往往无法达到良好的记忆效果,最终导致外语学习的困难;现在有不少外语单词的词典,记忆卡,记忆贴等及对应的记忆方法,最普通的是将单词及相应的注释按照一定排版印刷,使用者在学习使用过程中感觉十分枯燥,容易疲劳,效果很不好;目前外语学习者学习完单词以后,为了强化巩固需要对单词进行再次学习,但用户往往是根据随机安排对单词进行再次笼统的进行学习,无法解决针对每个单词的不同掌握程度而有针对性的在最佳复习时间复习的问题,从而更有效地记忆单词。
有鉴于此,提出本发明。
发明内容:
本发明提供一种计算单词最佳复习时间的方法及设备至少解决上述一个问题。
本发明提供一种计算单词最佳复习时间的方法,包括:为用户生成学习单词的中文释义或者外文释义,获取用户对学习单词的的学习信息,所述学习信息包括用户对所述学习单词的记忆强度值、标记信息、时间信息,根据所述记忆强度值、标记信息、时间信息计算复习间隔时长和最佳复习时间点。
采用上述方案,根据用户初次的学习信息会对所述学习的单词进行标记,根据对不同学习单词的不同标记会生成不同的当前记忆强度值,所述记忆强度值为用户对单词的掌握程度,记忆强度值越高表明用户对所述学习单词的掌握程度就越高,反之则越低;通过计算出第一复习间隔时长进而计算出第一最佳复习时间点。所述第一最佳复习时间点能够综合考虑用户对所述学习单词的掌握情况,从而提供最佳合理的复习时间。
进一步地,所述标记信息包括初次学习新词答对、初次学习新词答错、初次学习新词作答超时、再次复习生词答对、再次复习生词答错、再次复习生词作答超时。
采用上述方案,用户在使用时遇到的所述学习单词可能是初次学习的新词、也可能是再次复习学过的生词,所以即便针对同样的词在上述不同情况下都反映了用户的不同掌握程度,对不同情况加以区分可以更合理的计算最佳复习时间点。
进一步地,所述学习信息包括作答时长,设置上限反应时长和下限反应时长,当学习单词为新词、作答时长小于或等于所述下限反应时长、答对时,所述学习单词的标记为熟词且记忆强度值为第一初始记忆强度值;当学习单词为新词、作答时长大于所述下限反应时长、小于或等于所述上限反应时长时,所述学习单词的标记为生词且记忆强度值为第三初始记忆强度值,计算公式为I=(Dz-(D3'-Db))×2,Dz为极值,I为第三初始记忆强度值,D3'为反应时长,Da为上限反应时长,Db为下限反应时长;当所述学习单词为新词、作答时长超过上限反应时长时,所述学习单词的标记为生词且记忆强度值为第二初始记忆强度值。
采用上述方案,当新词经过用户初次作答后变为熟词证明用户对于所述新词掌握程度很高,所以为保证用户利用有限的时间更有针对性的进行学习,可以选择将熟词不列入复习过程中;通过设置上限反应时长和下限反应时长,能够更加准确并且细致的识别用户对所述学习单词的的记忆强度,所述上限反应时长和下限反应时长能够根据人类记忆反应规律得出。通过加入所述上限反应时长和下限反应时长的设置,可以进一步根据用户作答时长来更加细致、准确地反应用户对所述学习单词的掌握程度,还可以增加用户的专注度从而使用户具有紧迫感进而增加学习效率。
优选地,所述计算复习间隔时长和最佳复习时间点包括:计算用户在初次学习或再次复习后第一最佳复习时间点;当所述学习单词标记信息为新词且用户答错时,所述第一最佳复习时间点的计算公式为Tbr1=Trc1+D1,其中Tbr1为第一最佳复习时间点,Trc1为初学时间点,D1为第一复习间隔时长;当所述学习单词标记信息为生词且用户答对时,Tbr1=Trc2+D1,Trc2为当前复习时间点;当所述学习单词标记信息为生词且用户答错或超时作答时,Tbr1=Tbr1'+D1,其中Tbr1'为上次学习完成后的第一最佳复习时间点。
采用上述方案,所述第一最佳复习时间点为用户学习完所述单词后,下一次复习的最佳时间点,所述第一复习间隔时长为本次学习的当前时间距离第一最佳复习时间点的时长,通过用户对不同单词的不同学习情况,生成不同的第一最佳复习时间点;用户学习时初次学习完新词且被标记为生词之后,下次学习所述新词为复习,此时第一最佳复习时间点为初次学习所述新词时间点与第一复习间隔时长叠加;当所述学习单词被标记为生词说明本次学习已经不是初次学习,已经进入复习阶段;当所述学习单词标记信息为生词且用户答对或超时作答时,说明用户对所述生词掌握程度还是很低,用户本次的作答时间可能晚于上次学习完成后的第一最佳复习时间点、也可能晚于上次作答完成后的最佳复习时间点,所以在上次学习完成后的第一最佳复习时间点基础上与所述第一复习间隔时长叠加。不同情况采用不同的计算方法可以更合理的计算第一最佳复习时间点。
具体地,所述第一复习间隔时长的计算公式为:D1=C1×ep,P=(C2×Sn/μ)+C3,其中D1为第一复习间隔时长,C1为幂值系数,e为自然常数,P为幂值,C2为强度系数,Sn为第一当前记忆强度,C3为幂值常量,μ为计算常量。
采用上述方案,C1、e、C2、C3、μ的值都是根据人类遗忘规律确定;通过所述公式的计算,有效地结合了人类遗忘规律和人的生理特征,合理的对第一复习间隔时长进行计算。
优选地,还包括步骤:
判断所述学习单词连续答对的次数;
若此次数等于三次,则判断所述第一最佳复习时间点是否与上述连续三次答对时间处于同一复习周期内;
若是,则将本次的第一最佳复习时间点设置在下一复习周期。
采用上述方案,合理的结合了人类遗忘规律和人的生理特征对第一最佳复习时间点进行调整。
具体地,所述第一当前记忆强度Sn的确定包括:当所述学习单词为初次学习的新词时,所述当前记忆强度Sn根据上述记载为第二初始记忆强度值或第三初始记忆强度值;当所述学习单词为复习过程中的生词时Sn=Sn'+Sni,其中Sn'为记忆强度基础值,Sni为记忆强度变化值。
采用上述方案,所述记忆强度基础值Sn'为上次学习后的最终记忆强度值,所述记忆强度变化值Sni为本次学习之后增加或者减少的记忆强度值。
具体地,所述记忆强度变化值Sni还包括反应时长影响值,所述反应时长影响值的计算公式为:
具体地,Rd=(1-Mrd/20)×Srd,其中Mrd为作答时长,Srd为反应时长影响记忆强度基础值,Rd为反应时长影响值。
采用上述方案,所述反应时长影响记忆强度基础值Srd可以根据整体赋值情况和人类遗忘规律进行确定,本实施方式为反应时长影响记忆强度基础值Srd为8,表示反应时长最多对记忆强度值影响的多少,Mrd为作答时长单位为秒;通过计算反应时长影响值可以根据用户作答的快慢来准确、细致的计算用户对生词的掌握程度。
具体地,所述记忆强度变化值Sni还包括难度影响值,所述难度影响值计算公式为:
Df=Dti×Mdt,Dti=(Dm+Am),Dm=Rwr×λ,Rwr=Crw/Crt;所述Df为难度影响值,Dti为难度指数,Mdt为难度指数影响记忆强度基础值,Dm为学习数据计算难度,Am为人工标注难度,Rwr为用户再次复习过程中对所述生词作答的错误率,λ为难度标记,Crw为用户再次复习过程中答错所述生词的总次数,Crt为用户再次复习过程中对所述生词作答的总次数。
采用上述方案,难度影响值可以包括人工标注难度和学习数据计算难度,学习数据计算难度为通过用户对单词作答的错误率进行计算;难度标记λ用于计算学习数据计算难度,可以以能量格的形式显示在作答界面,难度指数影响记忆强度基础值Mdt根据整体赋值情况和人类遗忘规律进行确定,表示为单词难度对记忆强度值影响的多少,本实施方式Mdt值为3。
具体地,当所述用户进行生词复习时,增加或减少的记忆强度值还包括勤奋影响值,当用户答对且当前复习时间点小于第一最佳复习时间点时,勤奋影响值为0;当用户答错且当前复习时间点大于第一最佳复习时间点时,勤奋影响值为0。
当用户答对且当前复习时间点大于第一最佳复习时间点时按照下述公式计算出勤奋影响值,总记忆强度值增加;当用户答错且当前复习时间点小于第一最佳复习时间点时,按照下述述公式计算,总记忆强度值减少。上述两种情况的计算公式为:Dli=Dgi×Mdg,Dgi=(Trc-Tbr)/Td,其中Dli为勤奋影响值,Dgi为勤奋影响指数,Mdg为勤奋指数影响记忆强度基础值,Tbr为第一最佳复习时间点,Trc为当前复习时间点,Td为勤奋影响基数。
采用上述方案,根据用户的复习时间与最佳复习时间点的差值来计算增减记忆强度值的多少,合理的考虑了人类遗忘规律的影响。
具体地,所述记忆强度变化值Sni还包括疲劳影响值,所述疲劳影响值的计算公式为:
Fa=(1-Fi)×Mfa,Fi=De/Ds,其中Fa为疲劳影响值,Fi为疲劳指数,Mfa为疲劳指数影响记忆强度基础值,De为学习有效时长,Ds为疲劳设定时长。
采用上述方案,所述学习有效时长De为用户与学习界面交互的时间,疲劳指数影响记忆强度基础值Mfa表示为疲劳程度最多影响记忆强度值的多少,学习时间越长则用户越疲劳,增加和减小的记忆强度值就越少,反之增加和减小的记忆强度值就越大。
进一步地,所述计算单词最佳复习时间的方法还包括测试阶段,所述学习信息还包括测试信息,所述最佳复习时间点包括第二最佳复习时间点,根据所述测试信息计算第二最佳复习时间点。
采用上述方案,通过将测试信息对记忆强度值的影响与复习信息对记忆强度值的影响进行整合,可以使用户的学习更加多样化以及更综合以及全面的反应用户对于所述学习单词的掌握程度;因为用户在测试中同样会对单词进行记忆,因此测试会影响记忆强度值进而影响最佳复习时间点,所述第二最佳复习时间点为因为测试的影响在第一最佳复习时间点上调整的最佳复习时间点。
优选地,所述测试信息包括生词答对、生词答错。
采用上述方案,当用户答错所述生词时,用户对所述生词的记忆强度值减少,减少值为生词测试直接减少值;用户答对所述生词时,用户对所述生词的记忆强度值增加,增加值为生词测试直接增加值。
具体地,当所述测试信息为生词答对时,Tbr2=Tq+D2,其中D2为第二复习间隔时长,其中Tbr2为第二最佳复习时间点,Tq为测试时间点;当所述测试信息为生词答错且测试时间点晚于第一最佳复习时间点时,Tbr2=Tbr1+D3,当所述测试信息为生词答错且测试时间点早于或等于第一最佳复习时间点时,Tbr2=Tq+D3,其中Tbr1为第一最佳复习时间点,D3为第三复习间隔时长。
采用上述方案,测试中用户同样会对所述学习单词进行再次记忆,第二最佳复习时间点的确定能够使用户学习更加和合理化,并且测试会引起记忆强度的变化,而记忆强度又会引起复习间隔时长的变化;所以根据不同的测试信息对不同情况下的复习间隔时长进行计算可以更加合理的为用户提供最佳复习时间点。
优选地,所述测试信息还包括熟词答对、熟词答错,当所述测试信息为熟词答对时,不生成第二最佳复习时间点Tbr2;当所述测试信息为熟词答错时,所述学习单词改变为生词,Tbr2=Tq。
采用上述方案,虽然熟词被用户掌握的程度很高不会出现在再次复习中,但是考虑到有可能用户也会对熟词产生遗忘,所以在测试中会安排出现熟词,进行检测,当用户答对所述熟词时,证明用户依然掌握等程度很高,无需对熟词设置第二最佳复习时间;当用户答错熟词时,认为用户对所述熟词由于受遗忘因素的影响掌握度变低,需要重新进行学习,所以被标记为生词记忆强度值变为第二初始记忆强度值;当所述测试信息为熟词答错时,Tbr2=Tq。
具体地,参考D1计算公式,所述第三复习间隔时长根据公式D3=C1×ep,P=(C2×Sn3/10)+C3,Sn3为第三当前记忆强度值。
所述生词测试直接减少值的计算公式为Sqr=16+16×Rqw,Rqw=Cqw/Cqt,其中Sqr为生词测试直接减少值,Rqw为测试中所述生词的作答错误率,Cqw为测试中所述生词答错的总次数,Cqt为测试中所述生词作答总次数,式中的常量16根据人类遗忘曲线确定;通过计算测试中所述生词的作答错误率,进而根据作答错误率来计算测试中因答错所述生词减少的记忆强度值,可以更加精准、更有依据的使用户对于所述生词的掌握程度进行分析;当测试中生词答错,所述生词的第三当前记忆强度值Sn3=Sn1-Sqr。
具体地,参考D1计算公式,所述第三复习间隔时长根据公式D2=C1×ep,P=(C2×Sn2/10)+C3,Sn2为第二当前记忆强度值。
根据当前测试时间点Tq和最佳复习时间点Tbr1确定时间间隔Tit,Tit=Tq-Tbr1。
进一步地,当Tit<24×60×60时,生词测试直接增加值的计算公式为Sqi=(14+12×Meg×0.2)/3;当Tit>3×24×60×60时,生词测试直接增加值的计算公式为Sqi=(14+12×Meg×0.2);当24×60×60≤Tit≤3×24×60×60时,生词测试直接增加值的计算公式为Sqi=(14+12×Meg×0.2)/2;其中Sqi为生词测试直接增加值,Meg为引擎档位,式中的常量14、12根据人类遗忘曲线确定;通过计算测试中所述生词的作答正确率,进而根据作答正确率来计算测试中因答对所述生词减少的记忆强度值,通过引入测试时间点与最佳复习时间点的对比,可以更加精准、更有依据的使用户对于所述生词的掌握程度进行分析;当在测试中生词答对时,Sn2=Sn1+Sqi。
进一步地,所述引擎档位反应用户记忆水平的高低,可以由用户在复习信息和测试信息中对于所述生词作答的总正确率Rrt来确定,可以将引擎档位分为10个档位,如下:Rrt小于等于5:档位值为1;Rrt大于5且小于等于15:档位值为2;Rrt大于15且小于等于25:档位值为3;Rrt大于25且小于等于40:档位值为4;Rrt大于40且小于等于60:档位值为5;Rrt大于60且小于等于75:档位值为6;Rrt大于75且小于等于85:档位值为7;Rrt大于85且小于等于93:档位值为8;Rrt大于93且小于等于98:档位值为9;Rrt大于98:档位值为10。
进一步地,所述生词作答总正确率的计算公式可以为:Rrt=Crr+Cqr/Crt+Cqt,其中Crr为再次复习过程中用户对所述生词答对的总次数,Cqr为用户在测试中对所述生词答对的总次数,Crt为用户在再次复习过程中对所述生词作答的总次数,Cqt为用户在测试中对所述生词作答的总次数。通过引擎档位的设置可以体现用户对于每个生词记忆的快慢,而既对测试信息进行统计又对复习信息进行统计,可以对用户作答的正确率进行更加全面的分析,从而使分析数据更加具有权威性。
进一步地,所述用户在测试中对所述生词答对的总次数Cqr根据当前测试时间点Tq和最佳复习时间点Tbr之间的时间间隔Tit确定。
当Tit<-7×24×60×60时,用户在测试中对所述生词答对的总次数Cqr不增加;当Tit>7×24×60×60,用户在测试中对所述生词答对的总次数Cqr增加2次;当-7×24×60×60≤Tit≤7×24×60×60之间,用户在测试中对所述生词答对的总次数Cqr增加次数为1+Tit/(7×24×60×60)。
当Tit<-7×24×60×60时,用户在测试中对所述生词答错的总次数Cqw增加2次;当Tit>7×24×60×60,用户在测试中对所述生词答错的总次数Cqw不增加;当-7×24×60×60≤Tit≤7×24×60×60之间,用户在测试中对所述生词答错的总次数Cqw增加次数为1-Tit/(7×24×60×60)。
采用上述方案,最佳复习时间点和测试时间点的表示方式采用时间戳方式,即从1970年1月1日00:00:00开始到对应时间点所经过的秒数;根据时间间隔Tit来确定更加全面的考虑到遗忘对于人类记忆的影响,从而避免一概而论的将答对或答错一次就笼统的记为一次,可以更加精准的结合人类生理和心理规律进行统计。当测试时间点早于最佳复习时间点7天以上,因为认为用户在此时间段内应该答对,但是用户没有答对,所以测试答对次数Cqr不增加;当测试时间点晚于最佳复习时间点7天以上,因为认为用户在此时间段内应该已经忘记,但是用户依然能答对,所以测试答对次数Cqr增加2;当测试时间点既不早于最佳复习时间点7天以上、也不晚于最佳复习时间点7天以上时,那么按照公式合理进行计算。
优选地,当所述用户进行生词复习时,增加或减少的记忆强度值还包括校正难度影响值,所述校正难度影响值的计算按公式为:Df'=Dti'×Mdt,Dti'=(Dm'+Am),Dm'=Rwr'×λ,Rwr'=Crw+Cqw/Crt+Cqt;所述Df'为校正难度影响值,Dti'为校正难度指数,Mdt为难度指数影响记忆强度基础值,Dm'为校正学习数据计算难度,Am为人工标注难度,Rwr'为用户复习和测试过程中对所述生词作答的错误率,λ为难度标记,Crw为用户再次复习过程中答错所述生词的总次数,Crt为用户再次复习过程中对所述生词作答的总次数,Cqw为用户在测试中对所述生词答错的总次数,Cqt为为用户在测试中对所述生词作答的总次数。
采用上述方案,通过计算测试对于难度影响值的变化,校正难度影响值可以更加准确、细致的分析用户对学习单词的掌握程度。
优选地,当所述用户进行生词复习时,增加的记忆强度值还包括档位影响增加值,所述档位影响增加值的计算公式可以为G1=Meg×0.1×Reg,其中Meg为引擎档位,Reg为答对引擎常数。
采用上述方案,G1为档位影响增加值,答对引擎常数Reg根据人类遗忘规律进行确定,本实施方式中可以取值为6.
优选地,当所述用户进行生词复习时,减少的记忆强度值还包括档位影响减少值,所述档位影响减少值的计算公式可以为G2=Weg×Crw/Crt,其中Weg为答错引擎常数,Crw为复习中对所述学习生词答错的总次数,Crt为复习中对所述学习生词作答的总次数。
采用上述方案,G2为档位影响减少值,答错引擎常数Weg根据人类遗忘规律进行确定,本实施方式中可以取值为7.5。
本发明还保护一种应用上述计算单词最佳复习时间方法的设备,包括:存储器、处理器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计算单词最佳复习时间的方法。
本发明的有益效果:
1.通过记忆强度值、标记信息、时间信息来计算最佳复习时间点的方法,合理地解决了用户盲目复习、无法找到最佳复习时间的技术问题,达到了提高学习效率、有效安排学习计划的技术效果.
2.所述上限反应时长和下限反应时长的设置,解决了用户作答时无法根据答题的快慢而区别的显示出用户对于学习单词的掌握程度,带来了可以使用户学习成果更加细化、学习效果更好的技术效果.
3.所述反应时长影响值解决了用户学习时无法因为反应快慢而确定记忆强度值的技术问题.
4.所述勤奋影响值解决了用户学习时无法因为复习时间的早晚而确定记忆强度值的技术问题.
5.所述测试为用户提供更加多元化而又有效的学习模式;所述档位的计算解决了无法反应用户记忆快慢的技术问题;所述最佳时间点的确定解决了用户无法得知何时复习对记忆增强效果做最好的技术问题。
附图说明:
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种实施方式流程图;
图2为本发明一种实施方式用户做答示意图;
图3为本发明一种实施方式用户作答结果示意图;
图4为人类遗忘曲线示意图;
图5为本发明一种实施方式最佳复习时间点计算流程图;
图6为本发明判断执行过程示意图。
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。以下示例性实施例中所描述的实施方式并不代表与本发明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、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
文中所述单词可以指但不限于英文单词,为方便统一计算,涉及时长的运算单位统一为秒。
参考图1、图2、图3所示,本发明提供一种计算单词最佳复习时间的方法,包括:为用户生成学习单词的中文释义或者外文释义,获取用户对学习单词的的学习信息,所述学习信息包括用户对所述学习单词的记忆强度值、标记信息、时间信息,根据所述记忆强度值、标记信息、时间信息计算复习间隔时长和最佳复习时间点。
采用上述方案,所述计算单词最佳复习时间的方法可通过用户在电脑软件或在手机APP等来实现,用户首先可以对任意词库进行选择,例如选择大学英语四、六级词库或者商务英语词库,然后可以选择智能记忆模块进行学习,所述智能记忆模块为用户通过看英文作答中文、或者看中文作答英文;显示界面会出现被选择词库中相应的单词,所述智能记忆模块为用户通过看英文是否能掌握中文意思、或者看中文是否能掌握英文意思;显示界面会出现被选择词库中相应的单词,用户可以选择图2中的笑脸或者哭脸来作答,笑脸表示认识所述学习单词、哭脸表示不认识所述学习单词,然后会出现图3的界面,用户可以选择打勾或者打叉来确定是答对还是答错;然后根据用户初次的学习信息会对所述学习的单词进行标记,根据对不同学习单词的不同标记会生成不同的当前记忆强度值,所述记忆强度值为用户对单词的掌握程度,记忆强度值越高表明用户对所述学习单词的掌握程度就越高,反之则越低;通过计算出第一复习间隔时长进而计算出第一最佳复习时间点。所述第一最佳复习时间点能够综合考虑用户对所述学习单词的掌握情况,从而提供最佳合理的复习时间。
所述学习信息包括再次复习信息和初次学习信息,所述标记信息包括初次学习新词答对、初次学习新词答错、初次学习新词作答超时、再次复习生词答对、再次复习生词答错、再次复习生词作答超时。
采用上述方案,用户在使用时遇到的所述学习单词可能是初次学习的新词、也可能是再次复习学过的生词,所以即便针对同样的词在上述不同情况下都反映了用户的不同掌握程度,对不同情况加以区分可以更合理的计算最佳复习时间点。
参考图4所示,所述学习信息包括作答时长,设置上限反应时长和下限反应时长,当学习单词为新词、作答时长小于或等于所述下限反应时长、答对时,所述学习单词的标记为熟词且记忆强度值为第一初始记忆强度值;当学习单词为新词、作答时长大于所述下限反应时长、小于或等于所述上限反应时长时,所述学习单词的标记为生词且记忆强度值为第三初始记忆强度值,计算公式为I=(Dz-(D3'-Db))×2,Dz为极值,I为第三初始记忆强度值,D3'为反应时长,Da为上限反应时长,Db为下限反应时长;当所述学习单词为新词、作答时长超过上限反应时长时,所述学习单词的标记为生词且记忆强度值为第二初始记忆强度值。
采用上述方案,当新词经过用户初次作答后变为熟词证明用户对于所述新词掌握程度很高,所以为保证用户利用有限的时间更有针对性的进行学习,可以选择将熟词不列入复习过程中;通过设置上限反应时长和下限反应时长,能够更加准确并且细致的识别用户对所述学习单词的的记忆强度,所述上限反应时长和下限反应时长能够根据实际情况进行确定,所述极值可以取值为40,例如根据人类记忆反应规律得出,所述上限反应时长可以为20秒、下限反应时长可以为5秒,对用户在5秒以(包括5秒)内作答正确,说明用户对于所述学习单词掌握程度很高;当用户作答时间超过20秒,则认为是超时作答,说明说明用户对单词掌握很低需要思考很久才能作答,为此回答超时的设置避免了用户耗费过多的时间,同样答错的情况下不管作答时长多少均认为用户没有掌握所述学习单词;当用户作答时间大于5秒、小于等于20秒时,依然答对,证明用户对所述学习单词有一定的掌握程度,但掌握程度不高,此时赋予用户对所述学习单词的记忆强度值为第三初始记忆强度值,第三初始记忆强度值大于第二初始记忆强度值、但小于第一初始记忆强度值,初始记忆强度值的大小可以根据实际情况进行确定,例如最高的第一初始记忆强度值为100、第二初始记忆强度值为10,第三初始记忆强度值因为作答时长的不同可以根据公式I=(Dz-(D3'-Db))×2计算,I为第三初始记忆强度值,5<D3'≤20,D3'为实际反应时长。通过加入所述上限反应时长和下限反应时长的设置,可以进一步根据用户作答时长来更加细致、准确地反应用户对所述学习单词的掌握程度,还可以增加用户的专注度从而使用户具有紧迫感进而增加学习效率。
参考图5所示,所述计算复习间隔时长和最佳复习时间点包括:计算用户在初次学习或再次复习后第一最佳复习时间点;当所述学习单词标记信息为新词且用户答错时,所述第一最佳复习时间点的计算公式为Tbr1=Trc1+D1,其中Tbr1为第一最佳复习时间点,Trc1为初学时间点,D1为第一复习间隔时长;当所述学习单词标记信息为生词且用户答对时,Tbr1=Trc2+D1,Trc2为当前复习时间点;当所述学习单词标记信息为生词且用户答错或超时作答时,Tbr1=Tbr1'+D1,其中Tbr1'为上次学习完成后的第一最佳复习时间点。
采用上述方案,所述第一最佳复习时间点为用户学习完所述单词后,下一次再次复习的最佳时间点,所述第一复习间隔时长为本次学习的当前时间距离第一最佳复习时间点的时长,通过用户对不同单词的不同学习情况,生成不同的第一最佳复习时间点;用户学习时初次学习完新词且被标记为生词之后,下次学习所述新词为复习,此时第一最佳复习时间点为初次学习所述新词时间点与第一复习间隔时长叠加;当所述学习单词被标记为生词说明本次学习已经不是初次学习,已经进入复习阶段;当所述学习单词标记信息为生词且用户答对或超时作答时,说明用户对所述生词掌握程度还是很低,用户本次的作答时间可能晚于上次学习完成后的第一最佳复习时间点、也可能晚于上次作答完成后的最佳复习时间点,所以在上次学习完成后的第一最佳复习时间点基础上与所述第一复习间隔时长叠加。不同情况采用不同的计算方法可以更合理的计算第一最佳复习时间点。
所述第一复习间隔时长的计算公式为:D1=C1×ep,P=(C2×Sn/μ)+C3,其中D1为第一复习间隔时长,C1为幂值系数,e为自然常数,P为幂值,C2为强度系数,Sn为第一当前记忆强度,C3为幂值常量,μ为计算常量。
采用上述方案,C1、e、C2、C3、μ的值都是根据人类遗忘规律确定,C1的值可以为1,e=2.7183,C2的值可以为1.6,C3的值可以为0,μ可以取值为10;通过所述公式的计算,有效地结合了人类遗忘规律和人的生理特征,合理的对第一复习间隔时长进行计算。
还包括步骤:判断所述学习单词连续答对的次数;若此次数等于三次,则判断所述第一最佳复习时间点是否与上述连续三次答对时间处于同一复习周期内;若是,则将本次的第一最佳复习时间点设置在下一复习周期。
采用上述方案,合理的结合了人类遗忘规律和人的生理特征对第一最佳复习时间点进行调整,所述复习周期可以为一天,当在再次复习中在同一天连续答对所述学习单词三次之后的第一最佳复习时间点还出现在同一天,考虑到睡眠对记忆的促进作用,则所述第一最佳复习时间点可以调整到第二天的早上六点。
所述第一当前记忆强度Sn的确定包括:当所述学习单词为初次学习的新词时,所述第一当前记忆强度Sn根据上述记载为第二初始记忆强度值或第三初始记忆强度值;当所述学习单词为复习过程中用户答对所述生词时Sn=Sn'+Sni;用户答错或超时作答所述生词时,Sn=Sn'-Sni,其中Sn'为记忆强度基础值,Sni为记忆强度变化值。
采用上述方案,所述记忆强度基础值Sn'为上次学习后的最终记忆强度值。
所述记忆强度变化值Sni还包括反应时长影响值,所述反应时长影响值的计算公式为:
Rd=(1-Mrd/20)×Srd,其中Mrd为作答时长,Srd为反应时长影响记忆强度基础值,Rd为反应时长影响值。
采用上述方案,所述反应时长影响记忆强度基础值Srd可以根据整体赋值情况和人类遗忘规律进行确定,本实施方式为反应时长影响记忆强度基础值Srd为8,表示反应时长最多对记忆强度值影响的多少,Mrd为作答时长单位为秒;通过计算反应时长影响值可以根据用户作答的快慢来准确、细致的计算用户对生词的掌握程度。
所述记忆强度变化值Sni还包括难度影响值,所述难度影响值计算公式为:
Df=Dti×Mdt,Dti=(Dm+Am),Dm=Rwr×λ,Rwr=Crw/Crt;所述Df为难度影响值,Dti为难度指数,Mdt为难度指数影响记忆强度基础值,Dm为学习数据计算难度,Am为人工标注难度,Rwr为用户再次复习过程中对所述生词作答的错误率,λ为难度标记,Crw为用户再次复习过程中答错所述生词的总次数,Crt为用户再次复习过程中对所述生词作答的总次数。
采用上述方案,难度影响值可以包括人工标注难度和学习数据计算难度,例如人工标注难度为单词,体现在长度,构词规律,中文解释等方面,字母多比字母少的单词难记,字母排列有规律的比没规律的难记,需要通过人工标注不同单词的不同难度来加以区分;学习数据计算难度为通过用户对单词作答的错误率进行计算;难度标记λ用于计算学习数据计算难度,可以以能量格的形式显示在作答界面,难度指数影响记忆强度基础值Mdt根据整体赋值情况和人类遗忘规律进行确定,表示为单词难度对记忆强度值影响的多少,本实施方式Mdt值为3。
当所述用户进行生词复习时,增加或减少的记忆强度值还包括勤奋影响值,当用户答对且当前复习时间点小于第一最佳复习时间点时,勤奋影响值为0;当用户答错且当前复习时间点大于第一最佳复习时间点时,勤奋影响值为0。
当用户答对且当前复习时间点大于第一最佳复习时间点时按照下述公式计算出勤奋影响值,总记忆强度值增加;当用户答错且当前复习时间点小于第一最佳复习时间点时,按照下述述公式计算,总记忆强度值减少。上述两种情况的计算公式为:Dli=Dgi×Mdg,Dgi=(Trc-Tbr)/Td,其中Dli为勤奋影响值,Dgi为勤奋影响指数,Mdg为勤奋指数影响记忆强度基础值,Tbr为第一最佳复习时间点,Trc为当前复习时间点,Td为勤奋影响基数。
采用上述方案,勤奋影响值反映了用户实际作答时间与最佳复习时间的关系,Td为勤奋影响基数,可以取值为一天,即24×60×60,根据人类遗忘曲线的计算得出,实际作答时间不同产生的勤奋影响值也不同。
所述记忆强度变化值Sni还包括疲劳影响值,所述疲劳影响值的计算公式为:
Fa=(1-Fi)×Mfa,Fi=De/Ds,其中Fa为疲劳影响值,Fi为疲劳指数,Mfa为疲劳指数影响记忆强度基础值,De为学习有效时长,Ds为疲劳设定时长。
采用上述方案,所述学习有效时长De为用户与学习界面交互的时间,由于根据人类遗忘曲线可以得出每天30分钟的学习时间最为适宜,当有效学习时长超过30分钟时,有效学习时长的取值为30分钟,根据人类遗忘规律,可将Ds设定为30分钟,30×60为将30分钟换算成1800秒,疲劳指数影响记忆强度基础值Mfa表示为疲劳程度最多影响记忆强度值的多少,学习时间越长则用户越疲劳,增加和减小的记忆强度值就越少,反之增加和减小的记忆强度值就越大。所述疲劳影响值充分的从人的生理规律出发来考虑对记忆能力的影响,更为准确细致的计算出记忆强度值的增减,所述Mfa根据人类遗忘规律得到,本实施方式中取值为4。
参考图5所示,所述计算单词最佳复习时间的方法还包括测试阶段,所述学习信息还包括测试信息,所述最佳复习时间点包括第二最佳复习时间点,根据所述测试信息计算第二最佳复习时间点。
采用上述方案,测试可以通过人为安排对用户定时进行,也可以在学习完词库的每个章节后自动为用户安排等,通过将测试信息对记忆强度值的影响与复习信息对记忆强度值的影响进行整合,可以使用户的学习更加多样化以及更综合以及全面的反应用户对于所述学习单词的掌握程度;因为用户在测试中同样会对单词进行记忆,因此测试会影响记忆强度值进而影响最佳复习时间点,所述第二最佳复习时间点为因为测试的影响在第一最佳复习时间点上调整的最佳复习时间点。
所述测试信息包括生词答对、生词答错。
采用上述方案,当用户答错所述生词时,用户对所述生词的记忆强度值减少,减少值为生词测试直接减少值;用户答对所述生词时,用户对所述生词的记忆强度值增加,增加值为生词测试直接增加值。
当所述测试信息为生词答对时,Tbr2=Tq+D2,其中D2为第二复习间隔时长,其中Tbr2为第二最佳复习时间点,Tq为测试时间点;当所述测试信息为生词答错且测试时间点晚于第一最佳复习时间点时,Tbr2=Tbr1+D3,当所述测试信息为生词答错且测试时间点早于或等于第一最佳复习时间点时,Tbr2=Tq+D3,其中Tbr1为第一最佳复习时间点,D3为第三复习间隔时长。
采用上述方案,测试中用户同样会对所述学习单词进行再次记忆,第二最佳复习时间点的确定能够使用户学习更加和合理化,并且测试会引起记忆强度的变化,而记忆强度又会引起复习间隔时长的变化;所以根据不同的测试信息对不同情况下的复习间隔时长进行计算可以更加合理的为用户提供最佳复习时间点。
所述测试信息还包括熟词答对、熟词答错,当所述测试信息为熟词答对时,不生成第二最佳复习时间点Tbr2;当所述测试信息为熟词答错时,所述学习单词改变为生词,Tbr2=Tq。
采用上述方案,虽然熟词被用户掌握的程度很高不会出现在再次复习中,但是考虑到有可能用户也会对熟词产生遗忘,所以在测试中会安排出现熟词,进行检测,当用户答对所述熟词时,证明用户依然掌握等程度很高,无需对熟词设置第二最佳复习时间;当用户答错熟词时,认为用户对所述熟词由于受遗忘因素的影响掌握度变低,需要重新进行学习,所以被标记为生词记忆强度值变为第二初始记忆强度值;当所述测试信息为熟词答错时,Tbr2=Tq。
参考D1计算公式,所述第三复习间隔时长根据公式D3=C1×ep,P=(C2×Sn3/10)+C3,Sn3为第三当前记忆强度值。
所述生词测试直接减少值的计算公式为Sqr=16+16×Rqw,Rqw=Cqw/Cqt,其中Sqr为生词测试直接减少值,Rqw为测试中所述生词的作答错误率,Cqw为测试中所述生词答错的总次数,Cqt为测试中所述生词作答总次数,式中的常量16根据人类遗忘曲线确定;通过计算测试中所述生词的作答错误率,进而根据作答错误率来计算测试中因答错所述生词减少的记忆强度值,可以更加精准、更有依据的使用户对于所述生词的掌握程度进行分析;当测试中生词答错,所述生词的第三当前记忆强度值Sn3=Sn1-Sqr。
参考D1计算公式,所述第三复习间隔时长根据公式D2=C1×ep,P=(C2×Sn2/10)+C3,Sn2为第二当前记忆强度值。
根据当前测试时间点Tq和最佳复习时间点Tbr1确定时间间隔Tit,Tit=Tq-Tbr1。
当Tit<24×60×60时,生词测试直接增加值的计算公式为Sqi=(14+12×Meg×0.2)/3;当Tit>3×24×60×60时,生词测试直接增加值的计算公式为Sqi=(14+12×Meg×0.2);当24×60×60≤Tit≤3×24×60×60时,生词测试直接增加值的计算公式为Sqi=(14+12×Meg×0.2)/2;其中Sqi为生词测试直接增加值,Meg为引擎档位,式中的常量14、12根据人类遗忘曲线确定;通过计算测试中所述生词的作答正确率,进而根据作答正确率来计算测试中因答对所述生词减少的记忆强度值,通过引入测试时间点与最佳复习时间点的对比,可以更加精准、更有依据的使用户对于所述生词的掌握程度进行分析;当在测试中生词答对时,Sn2=Sn1+Sqi。
所述引擎档位反应用户记忆水平的高低,可以由用户在复习信息和测试信息中对于所述生词作答的总正确率Rrt来确定,可以将引擎档位分为10个档位,如下:Rrt小于等于5:档位值为1;Rrt大于5且小于等于15:档位值为2;Rrt大于15且小于等于25:档位值为3;Rrt大于25且小于等于40:档位值为4;Rrt大于40且小于等于60:档位值为5;Rrt大于60且小于等于75:档位值为6;Rrt大于75且小于等于85:档位值为7;Rrt大于85且小于等于93:档位值为8;Rrt大于93且小于等于98:档位值为9;Rrt大于98:档位值为10。
所述生词作答总正确率的计算公式可以为:Rrt=Crr+Cqr/Crt+Cqt,其中Crr为再次复习过程中用户对所述生词答对的总次数,Cqr为用户在测试中对所述生词答对的总次数,Crt为用户在再次复习过程中对所述生词作答的总次数,Cqt为用户在测试中对所述生词作答的总次数。通过引擎档位的设置可以体现用户对于每个生词记忆的快慢,而既对测试信息进行统计又对复习信息进行统计,可以对用户作答的正确率进行更加全面的分析,从而使分析数据更加具有权威性。
所述用户在测试中对所述生词答对的总次数Cqr根据当前测试时间点Tq和最佳复习时间点Tbr之间的时间间隔Tit确定。
当Tit<-7×24×60×60时,用户在测试中对所述生词答对的总次数Cqr不增加;当Tit>7×24×60×60,用户在测试中对所述生词答对的总次数Cqr增加2次;当-7×24×60×60≤Tit≤7×24×60×60之间,用户在测试中对所述生词答对的总次数Cqr增加次数为1+Tit/(7×24×60×60)。
当Tit<-7×24×60×60时,用户在测试中对所述生词答错的总次数Cqw增加2次;当Tit>7×24×60×60,用户在测试中对所述生词答错的总次数Cqw不增加;当-7×24×60×60≤Tit≤7×24×60×60之间,用户在测试中对所述生词答错的总次数Cqw增加次数为1-Tit/(7×24×60×60)。
采用上述方案,最佳复习时间点和测试时间点的表示方式采用时间戳方式,即从1970年1月1日00:00:00开始到对应时间点所经过的秒数;根据时间间隔Tit来确定更加全面的考虑到遗忘对于人类记忆的影响,从而避免一概而论的将答对或答错一次就笼统的记为一次,可以更加精准的结合人类生理和心理规律进行统计。当测试时间点早于最佳复习时间点7天以上,因为认为用户在此时间段内应该答对,但是用户没有答对,所以测试答对次数Cqr不增加;当测试时间点晚于最佳复习时间点7天以上,因为认为用户在此时间段内应该已经忘记,但是用户依然能答对,所以测试答对次数Cqr增加2;当测试时间点既不早于最佳复习时间点7天以上、也不晚于最佳复习时间点7天以上时,那么按照公式合理进行计算。
当所述用户进行生词复习时,增加或减少的记忆强度值还包括校正难度影响值,所述校正难度影响值的计算按公式为:Df'=Dti'×Mdt,Dti'=(Dm'+Am),Dm'=Rwr'×λ,Rwr'=Crw+Cqw/Crt+Cqt;所述Df'为校正难度影响值,Dti'为校正难度指数,Mdt为难度指数影响记忆强度基础值,Dm'为校正学习数据计算难度,Am为人工标注难度,Rwr'为用户复习和测试过程中对所述生词作答的错误率,λ为难度标记,Crw为用户再次复习过程中答错所述生词的总次数,Crt为用户再次复习过程中对所述生词作答的总次数,Cqw为用户在测试中对所述生词答错的总次数,Cqt为为用户在测试中对所述生词作答的总次数。
采用上述方案,通过计算测试对于难度影响值的变化,校正难度影响值可以更加准确、细致的分析用户对学习单词的掌握程度。
当所述用户进行生词复习时,增加的记忆强度值还包括档位影响增加值,所述档位影响增加值的计算公式可以为G1=Meg×0.1×Reg,其中Meg为引擎档位,Reg为答对引擎常数。
采用上述方案,G1为档位影响增加值,答对引擎常数Reg根据人类遗忘规律进行确定,本实施方式中可以取值为6.
当所述用户进行生词复习时,减少的记忆强度值还包括档位影响减少值,所述档位影响减少值的计算公式可以为G2=Weg×Crw/Crt,其中Weg为答错引擎常数,Crw为复习中对所述学习生词答错的总次数,Crt为复习中对所述学习生词作答的总次数。
采用上述方案,G2为档位影响减少值,答错引擎常数Weg根据人类遗忘规律进行确定,本实施方式中可以取值为7.5。
参考图6所示,在本发明的一些实施方式中,系统会依照图中所示对单词执行每个步骤中的判断,然后对于判断结果分别进行参数的赋予;第一步判断是否为新单词,根据判断结果判断用户是否答对,并对作答结果进行参数的赋予,最后进行复习时间的计算并储存。
本发明还保护一种应用上述互译学习中用于计算外语单词记忆强度的方法的设备,包括:存储器、处理器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计算单词最佳复习时间的方法。
应当指出,对于本领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
应当理解,本申请实施例中,从权、各个实施例、特征可以互相组合结合,都能实现解决前述技术问题。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围,对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种计算单词最佳复习时间的方法,其特征在于,包括:
为用户生成学习单词的中文释义或者外文释义,获取用户对学习单词的的学习信息,所述学习信息包括用户对所述学习单词的记忆强度值、标记信息、时间信息;
根据所述记忆强度值、标记信息、时间信息计算复习间隔时长和最佳复习时间点。
2.根据权利要求1所述的计算单词最佳复习时间的方法,其特征在于:
所述学习信息包括再次复习信息和初次学习信息;
所述标记信息包括初次学习新词答对、初次学习新词答错、初次学习新词作答超时、再次复习生词答对、再次复习生词答错、再次复习生词作答超时。
3.根据权利要求2所述的计算单词最佳复习时间的方法,其特征在于,所述计算复习间隔时长和最佳复习时间点包括:
计算用户在初次学习或再次复习后第一最佳复习时间点;
当所述学习单词标记信息为新词且用户答错时,所述第一最佳复习时间点的计算公式为Tbr1=Trc1+D1,其中Tbr1为第一最佳复习时间点,Trc1为初学时间点,D1为第一复习间隔时长;
当所述学习单词标记信息为生词且用户答对时,Tbr1=Trc2+D1,Trc2为当前复习时间点;当所述学习单词标记信息为生词且用户答错或超时作答时,Tbr1=Tbr1'+D1,其中Tbr1'为上次学习完成后的第一最佳复习时间点。
4.根据权利要求3所述的计算单词最佳复习时间的方法,其特征在于,所述第一复习间隔时长的计算公式为:D1=C1×ep,P=(C2×Sn/μ)+C3,其中D1为第一复习间隔时长,C1为幂值系数,e为自然常数,P为幂值,C2为强度系数,Sn为第一当前记忆强度,C3为幂值常量,μ为计算常量。
5.根据权利要求4所述的计算单词最佳复习时间的方法,其特征在于,还包括步骤:
判断所述学习单词连续答对的次数;
若此次数等于三次,则判断所述第一最佳复习时间点是否与上述连续三次答对时间处于同一复习周期内;
若是,则将本次的第一最佳复习时间点设置在下一复习周期。
6.根据权利要求3-5任意一项所述的计算单词最佳复习时间的方法,其特征在于:所述计算单词最佳复习时间的方法还包括测试阶段,所述学习信息还包括测试信息,所述最佳复习时间点包括第二最佳复习时间点,根据所述测试信息计算第二最佳复习时间点。
7.根据权利要求6所述的计算单词最佳复习时间的方法,其特征在于:所述测试信息包括生词答对、生词答错。
8.根据权利要求7所述的计算单词最佳复习时间的方法,其特征在于:
当所述测试信息为生词答对时,Tbr2=Tq+D2,其中D2为第二复习间隔时长,其中Tbr2为第二最佳复习时间点,Tq为测试时间点;
当所述测试信息为生词答错且测试时间点晚于第一最佳复习时间点时,Tbr2=Tbr1+D3;
当所述测试信息为生词答错且测试时间点早于或等于第一最佳复习时间点时,Tbr2=Tq+D3,其中Tbr1为第一最佳复习时间点,D3为第三复习间隔时长。
9.根据权利要求7或8所述的计算单词最佳复习时间的方法,其特征在于:所述测试信息还包括熟词答对、熟词答错,当所述测试信息为熟词答对时,不生成第二最佳复习时间点Tbr2;当所述测试信息为熟词答错时,所述学习单词改变为生词,Tbr2=Tq。
10.一种计算单词最佳复习时间的设备,其特征在于,包括:存储器、处理器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权利要求1-9任一项的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010566609.0A CN111861371B (zh) | 2020-06-19 | 2020-06-19 | 一种计算单词最佳复习时间的方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010566609.0A CN111861371B (zh) | 2020-06-19 | 2020-06-19 | 一种计算单词最佳复习时间的方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111861371A true CN111861371A (zh) | 2020-10-30 |
CN111861371B CN111861371B (zh) | 2024-03-08 |
Family
ID=72986955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010566609.0A Active CN111861371B (zh) | 2020-06-19 | 2020-06-19 | 一种计算单词最佳复习时间的方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861371B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113094404A (zh) * | 2021-04-22 | 2021-07-09 | 山东顺势教育科技有限公司 | 一种大数据采集多核参数自适应分时记忆驱动方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW505907B (en) * | 1999-12-30 | 2002-10-11 | Cerego Cayman Inc | System, apparatus and method for maximizing effectiveness and efficiency of learning, retaining and retrieving knowledge and skills |
JP2008191226A (ja) * | 2007-02-01 | 2008-08-21 | Shigehiro Matsuda | 反復学習方法およびプログラム |
WO2011019257A2 (ko) * | 2009-08-14 | 2011-02-17 | O Joo Sung | 영어 학습 시스템 |
US20110065072A1 (en) * | 2009-09-16 | 2011-03-17 | Duffy Charles J | Method and system for quantitative assessment of word recognition sensitivity |
KR20110035710A (ko) * | 2009-09-30 | 2011-04-06 | 고려대학교 산학협력단 | 학습자 인지능력 기반의 외국어 학습 시스템 및 방법 |
KR20120006720A (ko) * | 2010-07-13 | 2012-01-19 | 윤영식 | 외국어 단어 암기방법 및 그 장치 |
CN103413478A (zh) * | 2013-07-09 | 2013-11-27 | 复旦大学 | 记忆单词智能学习方法与系统 |
CN106485965A (zh) * | 2017-01-03 | 2017-03-08 | 深圳市中子衔接教育有限公司 | 一种混合衔接英语导育系统 |
CN106846980A (zh) * | 2017-02-15 | 2017-06-13 | 山东顺势教育科技有限公司 | 一种记忆引擎系统 |
CN107358829A (zh) * | 2016-05-10 | 2017-11-17 | 永佳乐有限公司 | 学习测验系统 |
CN108171434A (zh) * | 2018-01-08 | 2018-06-15 | 河南机电职业学院 | 一种备考用优化系统 |
CN108281052A (zh) * | 2018-02-09 | 2018-07-13 | 郑州市第十中学 | 一种在线教学系统及在线教学方法 |
CN110097484A (zh) * | 2019-04-28 | 2019-08-06 | 赵玉芝 | 一种可防止遗忘的辅助类多核驱动记忆引擎 |
CN110276005A (zh) * | 2019-06-05 | 2019-09-24 | 北京策腾教育科技集团有限公司 | 一种基于用户在线英语单词交互数据的个性化推荐方法及系统 |
-
2020
- 2020-06-19 CN CN202010566609.0A patent/CN111861371B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW505907B (en) * | 1999-12-30 | 2002-10-11 | Cerego Cayman Inc | System, apparatus and method for maximizing effectiveness and efficiency of learning, retaining and retrieving knowledge and skills |
JP2008191226A (ja) * | 2007-02-01 | 2008-08-21 | Shigehiro Matsuda | 反復学習方法およびプログラム |
WO2011019257A2 (ko) * | 2009-08-14 | 2011-02-17 | O Joo Sung | 영어 학습 시스템 |
US20110065072A1 (en) * | 2009-09-16 | 2011-03-17 | Duffy Charles J | Method and system for quantitative assessment of word recognition sensitivity |
KR20110035710A (ko) * | 2009-09-30 | 2011-04-06 | 고려대학교 산학협력단 | 학습자 인지능력 기반의 외국어 학습 시스템 및 방법 |
KR20120006720A (ko) * | 2010-07-13 | 2012-01-19 | 윤영식 | 외국어 단어 암기방법 및 그 장치 |
CN103413478A (zh) * | 2013-07-09 | 2013-11-27 | 复旦大学 | 记忆单词智能学习方法与系统 |
CN107358829A (zh) * | 2016-05-10 | 2017-11-17 | 永佳乐有限公司 | 学习测验系统 |
CN106485965A (zh) * | 2017-01-03 | 2017-03-08 | 深圳市中子衔接教育有限公司 | 一种混合衔接英语导育系统 |
CN106846980A (zh) * | 2017-02-15 | 2017-06-13 | 山东顺势教育科技有限公司 | 一种记忆引擎系统 |
CN108171434A (zh) * | 2018-01-08 | 2018-06-15 | 河南机电职业学院 | 一种备考用优化系统 |
CN108281052A (zh) * | 2018-02-09 | 2018-07-13 | 郑州市第十中学 | 一种在线教学系统及在线教学方法 |
CN110097484A (zh) * | 2019-04-28 | 2019-08-06 | 赵玉芝 | 一种可防止遗忘的辅助类多核驱动记忆引擎 |
CN110276005A (zh) * | 2019-06-05 | 2019-09-24 | 北京策腾教育科技集团有限公司 | 一种基于用户在线英语单词交互数据的个性化推荐方法及系统 |
Non-Patent Citations (4)
Title |
---|
L. ROMERO ET AL: "The Neural Correlates of Phonological Short-term Memory: A Repetitive Transcranial Magnetic Stimulation Study", 《JOURNAL OF COGNITIVE NEUROSCIENCE》, 31 July 2006 (2006-07-31), pages 1147 * |
何静: "第二语言伴随性词汇习得中任务含量的研究", 《中国博士学位论文全文数据库哲学与人文科学辑》, no. 7, 15 July 2008 (2008-07-15), pages 084 - 4 * |
毛新瑞 等: "双加工再认提取中的情绪记忆增强效应", 《心理学报》, no. 9, 30 September 2015 (2015-09-30), pages 1111 - 1123 * |
郑昊辉: "主题式教学模式在泰国中学初级汉语词汇教学中的应用研究", 《中国优秀硕士学位论文全文数据库社会科学Ⅱ辑》, no. 2, 15 February 2020 (2020-02-15), pages 130 - 173 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113094404A (zh) * | 2021-04-22 | 2021-07-09 | 山东顺势教育科技有限公司 | 一种大数据采集多核参数自适应分时记忆驱动方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111861371B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111861372B (zh) | 一种单词掌握程度的测试方法及系统 | |
US20090233263A1 (en) | System and method for teaching | |
Tragant et al. | Understanding foreign language learning strategies: A validation study | |
CN113871015B (zh) | 用于提升认知的人机交互方案推送方法及系统 | |
CN112785205A (zh) | 一种基于教育大数据的智慧教学综合分析系统 | |
Cates et al. | Predictors of reading comprehension in deaf and hearing bilinguals | |
CN111861371A (zh) | 一种计算单词最佳复习时间的方法及设备 | |
CN111861374B (zh) | 一种外语复习机制及装置 | |
CN111815267B (zh) | 一种外语学习及复习的方法及装置 | |
CN114897077A (zh) | 一种基于机器学习的英语阅读素养评价方法 | |
CN111861817B (zh) | 一种字母语言听写学习的记忆强度计算方法及系统 | |
CN111861814B (zh) | 一种字母语言听写学习中记忆水平的评估方法及系统 | |
CN111861816A (zh) | 一种语言互译学习中用于计算单词记忆强度的方法及设备 | |
CN112017748A (zh) | 语言障碍患者的康复训练系统、方法、设备及存储介质 | |
CN116741001A (zh) | 一种试卷动态更新的仿真培训考试装置及考试方法 | |
CN111861375B (zh) | 一种单词听写最佳复习时间的计算方法及系统 | |
CN111862707A (zh) | 一种语言互译学习中评估用户记忆水平的方法及设备 | |
KR102498371B1 (ko) | 오답 기반 문제 제공 서버 및 오답 기반 문제 제공 프로그램 | |
CN111861813B (zh) | 一种智能默写记忆强度的计算方法及电子设备 | |
CN111861370B (zh) | 一种词听最佳复习时间规划的方法及装置 | |
CN111861812B (zh) | 一种词听方式的单词记忆强度计算方法及装置 | |
CN111861819B (zh) | 一种智能默写中评估用户记忆水平的方法及电子设备 | |
CN111861373B (zh) | 一种智能默写中的复习时间计算方法及电子设备 | |
Daniels | IQ, heritability, and human nature | |
CN111861815B (zh) | 一种词听学习中评估用户记忆水平的方法及装置 |
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 |