CN111930925B - 一种基于在线教学平台的试题推荐方法及系统 - Google Patents
一种基于在线教学平台的试题推荐方法及系统 Download PDFInfo
- Publication number
- CN111930925B CN111930925B CN202010700059.7A CN202010700059A CN111930925B CN 111930925 B CN111930925 B CN 111930925B CN 202010700059 A CN202010700059 A CN 202010700059A CN 111930925 B CN111930925 B CN 111930925B
- Authority
- CN
- China
- Prior art keywords
- question
- user
- topic
- knowledge point
- wrong
- 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
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 47
- 238000012216 screening Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 241000589562 Brucella Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/75—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Computational Linguistics (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)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开一种基于在线教学平台的试题推荐方法及系统，本发明基于学生的在线作业或考试，为每位学生生成错题集，从中提取出学生的薄弱知识点，采用K邻近算法进行候选图库筛选，进一步结合在线教学平台的大数据优势进行多层级筛选，为学生生成知识点难易匹配度高、试题质量好、推荐准确度高的推荐列表。
Description
技术领域
本发明涉及在线教学技术领域，具体涉及一种基于在线教学平台的试题推荐方法及系统。
背景技术
随着国家越来越提倡教学任务的线上线下的同时进行，社会上涌现出了大量的在线教学平台，因而有越来越多的教学管理任务在线上完成，布置给学生的作业和考试也随之放到了线上进行。线下教学时，学生完成作业和考试过程中出现的错题，需要老师手动统计，并集中讲解相关知识点，但因为一名教师所带学生众多，难以因材施教，所以聚焦到每个学生个体，这种共性教学的模式对学生的帮助不是很大。若教师单独针对每位学生单独教学，又会花费很多时间，线下教育时难以实施。
现阶段，线上教学模式处于起步阶段，对于学生错题数据的抓取和管理这块的研究尚不完善，大部分在线教学平台仅能帮助学生汇总错题集，以供反复练习，而没有做深入的数据分析，例如将关键字统计起来，分析出问题知识点，该知识点就是学生薄弱的知识点，然后将该知识点及对应的练习题推送给对应的学生。
现有的在线教育平台中关于学生错题管理功能存在的问题有：①仅有错题显示，没有汇总错题的功能，不能抓取错题信息，然后形成错题集；②即使有错题集，也有很多平台不提供错题关键字的数据抓取和统计，难以实现薄弱知识点的判断，无法实现有针对性地向学生推荐需加强的知识点和练习题，以帮助学生查漏补缺和自我强化；③现有的在线教育平台中基于错题的推荐不够精细，存在难易度不匹配、质量参差不齐等问题。
发明内容
有鉴于此，本发明提出了基于在线教学平台的试题推荐方法及系统，用于解决现有试题推荐技术中推荐的试题难易度不匹配、质量参差不齐的问题。
本发明第一方面，公开一种基于在线教学平台的试题推荐方法，所述方法包括：
学生在完成在线作业或考试后，自动将结果错误的试题收录到数据库，形成对应学生的错题集；
提取错题集中每道题的关键字，对错题集中每道题的关键字进行分类统计，并按照关键字的词频进行关键字降序排序；
按照章节知识点的关键字范围进行章节知识点的分类汇总，按照章节中关键字出现从多到少的顺序对所述章节知识点排序，获取前N个章节知识点作为对应学生的薄弱知识点，N≥3；
使用K邻近算法从在线教学平台中选择每个薄弱对应知识点的视频或题库资源作为候选题库；
从所述在线教学平台中获取候选题库中每道题的用户统计信息，构建候选题库中每道题的特征向量，并计算每道题的用户推荐度；
获取薄弱知识点的属性信息，构建薄弱知识点特征向量，根据薄弱知识点特征向量与候选题库中每道题的特征向量之间的相似度和每道题的用户推荐度为学生的每个薄弱知识点产生推荐列表。
优选的，所述章节知识点的关键字范围为学生课本中章节对应的每小节的标题。
优选的，所述按照章节知识点的关键字范围进行章节知识点的分类汇总具体为：
获取学生身份信息，根据学生的身份信息及学生在线考试或作业的属性信息确定对应的课本；获取学生课本中每小节的标题，将所述降序排序的关键字与课本中每小节的标题匹配，匹配成功后将关键字划分入对应的小节，完成章节知识点的分类汇总；每个章节知识点包括一个或多个关键字。
优选的，所述在线教学平台中，所述用户统计信息包括用户对视频资源中每个视频或题库资源中的每道试题的难度评级、综合打分、收藏数或用户平均错题率，所述难度评级为用户对每道试题的难易度的评价，包括易、中、难；所述综合打分为在线教学平台的用户在观看视频或做题后对视频或每道试题的综合打分；所述平均错题率为每道试题答题错误人数与答题总人数的比值。
优选的，所述薄弱知识点的属性信息为章节知识点的层次标记层次标记，分为识记、理解、运用；所述层次标记中识记、理解、运用分别与难度评级中视为易、中、难一一对应；所述薄弱知识点特征向量包括薄弱知识点对应的关键字特征值和层次标记值；所述候选题库中每道题的特征向量包括知识点对应的关键字特征值难度评级值。
优选的，所述用户推荐度根据在线教学平台的用户对视频资源中每个视频或题库资源中的每道题的综合打分A、收藏数B和用户平均错题率P计算得到，其用户推荐度T的计算公式为：
所述综合打分A的取值范围为[1,5]，Bmax为每个薄弱对应知识点的候选题库中的最大收藏数。
优选的，根据薄弱知识点特征向量与候选题库中每道题的特征向量之间的相似度和每道题的用户推荐度为学生的每个薄弱知识点产生推荐列表具体为：
计算薄弱知识点特征向量和候选题库中每道题的特征向量的余弦相似度，通过所述余弦相似度进行薄弱知识点与试题之间的难易度匹配；
从候选题库中筛选出余弦相似度高于预设阈值的视频或题库资源，将筛选出的视频或试题按照用户推荐度降序排列，选取前M个试题形成推荐列表并推荐给对应学生。
本发明第二方面，公开一种基于在线教学平台的试题推荐系统，所述系统包括：
错题收集模块：学生在完成在线作业或考试后，自动将结果错误的题目收录到数据库，形成对应学生的错题集；
薄弱知识点提取模块：提取错题集中每道题的关键字，对错题集中每道题的关键字进行分类统计，并按照关键字的词频进行关键字降序排序；按照章节知识点的关键字范围进行章节知识点的分类汇总，按照章节中关键字出现从多到少的顺序对所述章节知识点排序，获取前N个章节知识点作为对应学生的薄弱知识点，N≥3；
智能推荐模块：使用K邻近算法从在线教学平台中选择每个薄弱知识点对应的视频或题库资源作为候选题库；
推荐筛选模块：从所述在线教学平台中获取候选题库中每道题的用户统计信息，构建候选题库中每道题的特征向量，并计算每道题的用户推荐度；获取薄弱知识点的属性信息，构建薄弱知识点特征向量，根据薄弱知识点特征向量与候选题库中每道题的特征向量之间的相似度和每道题的用户推荐度为学生的每个薄弱知识点产生推荐列表。
优选的，所述用户统计信息包括用户对视频资源中每个视频或题库资源中的每道试题的难度评级、综合打分、收藏数或用户平均错题率；所述难度评级为用户为每道题难易度的评价，包括易、中、难；所述综合打分为在线教学平台的用户在观看视频或做题后对视频或每道题的综合打分；所述平均错题率为每道试题答题错误人数与答题总人数的比值；
所述用户推荐度根据在线教学平台的用户对视频资源中每个视频或题库资源中的每道题的综合打分A、收藏数B和用户平均错题率P计算得到，其用户推荐度T的计算公式为：
所述综合打分A的取值范围为[1,5]，Bmax为每个薄弱对应知识点的候选题库中的最大收藏数。
本发明的相对于现有技术具有以下有益效果：
1)为每个学生生成在线错题集，方便学生随时回顾错题，查漏补缺；
2)基于错题集分析每个学生的薄弱知识点，采用K邻近算法从在线教学平台中进行候选题库初步筛选，再获取薄弱知识点的层次标记，建立了薄弱知识点层次标记与候选题库中用户对试题的难度评级之间的对应关系，根据所述对应关系，基于特征向量的余弦相似度进行难易度匹配，可精准匹配出与薄弱知识点难度相同的试题用于推荐，针对性更强。
3)本发明充分利用在线教学平台的大数据优势，从在线教学平台中获取候选题库中每道题的用户统计信息，基于用户统计信息进行用户推荐度计算，对所述难易度匹配后的数据进一步筛选，多层级筛选，实现了细粒度、高质量试题推荐。
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为本发明实施例提供的基于在线教学平台的试题推荐方法流程示意图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
请参阅图1，图1为本发明第一方面，公开一种基于在线教学平台的试题推荐方法，所述方法包括：
S1、学生在完成在线作业或考试后，自动将结果错误的试题收录到数据库，形成对应学生的错题集；
S2、提取错题集中每道题的关键字，对错题集中每道题的关键字进行分类统计，并按照关键字的词频进行关键字降序排序；
S3、按照章节知识点的关键字范围进行章节知识点的分类汇总，按照章节中关键字出现从多到少的顺序对所述章节知识点排序，获取前N个章节知识点作为对应学生的薄弱知识点，N≥3；所述章节知识点的关键字范围为学生课本中各章节对应的每小节的标题。所述按照章节知识点的关键字范围进行章节知识点的分类汇总具体为：
根据学生的登录账号获取学生身份信息，根据学生的身份信息及学生在线考试或作业的属性信息确定对应的课本；获取学生课本中每小节的标题，将所述降序排序的关键字与课本中每小节的标题匹配，匹配成功后将关键字划分入对应的小节，完成章节知识点的分类汇总；每个章节知识点包括一个或多个关键字。即按照课本-章-节-知识点(关键字1，关键字2，…)进行分类汇总。
S4、使用K邻近算法从在线教学平台中选择每个薄弱知识点对应的视频或题库资源作为候选题库；K邻近(k-Nearest Neighbor，KNN)分类算法的思路是：在特征空间中，如果一个样本附近的k个最近(即特征空间中最邻近)样本的大多数属于某一个类别，则该样本也属于这个类别。可采用欧氏距离法计算与薄弱知识点相似的知识点，从在线教学平台中选择对应的视频或题库资源作为候选题库；所述相似的知识点可为词义相近的知识点，两个词义相近、词语重复度高的特征向量之间的距离较近，可选如候选题库。
S5、从所述在线教学平台中获取候选题库中每道题的用户统计信息，构建候选题库中每道题的特征向量，并计算每道题的用户推荐度；
所述在线教学平台中，所述用户统计信息包括用户对视频资源中每个视频或题库资源中的每道试题的难度评级、综合打分、收藏数或用户平均错题率，所述难度评级为用户对每道试题的难易度的评价，包括易、中、难；所述综合打分为在线教学平台的用户在观看视频或做题后对视频或每道试题的综合打分；所述平均错题率为每道试题答题错误人数与答题总人数的比值。
所述用户推荐度根据在线教学平台的用户对视频资源中每个视频或题库资源中的每道题的综合打分A、收藏数B和用户平均错题率P计算得到，其用户推荐度T的计算公式为：
所述综合打分A的取值范围为[1,5]，Bmax为每个薄弱对应知识点的候选题库中的最大收藏数。
本发明时基于在线教学平台的，在线教学平台中的大量视频资源和题库资源供用户使用，基于学生的薄弱知识点推荐也是从在线教学平台中选取，而在线教学平台中，大部分用户在观看视频及做题后可能会在评论区留下评论信息、对试题的评价信息、打分信息等。因此本发明充分利用了在线教学平台的优势，在线教学平台中统计用户对视频资源中每个视频或题库资源中的每道试题的难度评级、综合打分、收藏数、用户平均错题率，并将这些信息作为对应试题的评价标准，并根据这些信息计算用户推荐度，作为本发明试题推荐的参考因素之一。
S6、获取薄弱知识点的属性信息，构建薄弱知识点特征向量，根据薄弱知识点特征向量与候选题库中每道题的特征向量之间的相似度和每道题的用户推荐度为学生的每个薄弱知识点产生推荐列表。
所述薄弱知识点的属性信息包括章节知识点的层次标记，分为识记、理解、运用；所述层次标记为布鲁姆教学目标分类中的基础部分，学生的在线教学主要涉及这三个层次，部分课本中比如小学语文课本中就有明确记载的层次标记，所述层次标记可以是教师根据章节知识点预先设定。
所述层次标记中识记、理解、运用分别与难度评级中视为易、中、难一一对应；所述薄弱知识点特征向量包括薄弱知识点对应的关键字特征值和层次标记值；所述候选题库中每道题的特征向量包括知识点对应的关键字特征值难度评级值。比如层次标记中的“识记”对应用户难度评级中的“易”，可设定层次标记值和难度评级值均为1，层次标记中的“理解”对应用户难度评级中的“中”，设定层次标记值和难度评级值均为2，层次标记中的“运用”对应用户难度评级中的“难”，设定层次标记值和难度评级值均为3，以此建立了薄弱知识点层次标记与候选题库中用户对试题的难度评级之间的对应关系，根据上述对应关系，可基于特征向量的余弦相似度进行难度匹配，筛选出与上述薄弱知识点难度相同的试题用于推荐，针对性更强。
根据薄弱知识点特征向量与候选题库中每道题的特征向量之间的相似度和每道题的用户推荐度为学生的每个薄弱知识点产生推荐列表具体为：
计算薄弱知识点特征向量和候选题库中每道题的特征向量的余弦相似度，通过所述余弦相似度进行薄弱知识点与试题之间的难易度匹配；从候选题库中筛选出余弦相似度高于预设阈值D0的视频或题库资源，将筛选出的视频或试题按照用户推荐度降序排列，选取前M个试题形成推荐列表并推荐给对应学生，M≥3。
与所述方法实施例相对应，本发明还提出一种基于在线教学平台的试题推荐系统，所述系统包括：
错题收集模块：学生在完成在线作业或考试后，自动将结果错误的题目收录到数据库，形成对应学生的错题集；
薄弱知识点提取模块：提取错题集中每道题的关键字，对错题集中每道题的关键字进行分类统计，并按照关键字的词频进行关键字降序排序；按照章节知识点的关键字范围进行章节知识点的分类汇总，按照章节中关键字出现从多到少的顺序对所述章节知识点排序，获取前N个章节知识点作为对应学生的薄弱知识点，N≥3；
智能推荐模块：使用K邻近算法从在线教学平台中选择每个薄弱知识点对应的视频或题库资源作为候选题库；
推荐筛选模块：从所述在线教学平台中获取候选题库中每道题的用户统计信息，构建候选题库中每道题的特征向量，并计算每道题的用户推荐度；获取薄弱知识点的属性信息，构建薄弱知识点特征向量，根据薄弱知识点特征向量与候选题库中每道题的特征向量之间的相似度和每道题的用户推荐度为学生的每个薄弱知识点产生推荐列表。
所述用户统计信息包括用户对视频资源中每个视频或题库资源中的每道试题的难度评级、综合打分、收藏数或用户平均错题率；所述难度评级为用户为每道题难易度的评价，包括易、中、难；所述综合打分为在线教学平台的用户在观看视频或做题后对视频或每道题的综合质量打分；所述平均错题率为每道试题答题错误人数与答题总人数的比值；
所述用户推荐度根据在线教学平台的用户对视频资源中每个视频或题库资源中的每道题的综合打分A、收藏数B和用户平均错题率P计算得到，其用户推荐度T的计算公式为：
所述综合打分A的取值范围为[1,5]，Bmax为每个薄弱对应知识点的候选题库中的最大收藏数。
通过计算薄弱知识点特征向量和候选题库中每道题的特征向量的余弦相似度，从候选题库中筛选出余弦相似度高于预设阈值的视频或试题资源，将筛选出的视频或试题按照用户推荐度降序排列，选取前M个试题形成推荐列表并推荐给对应学生。
本发明基于学生的在线作业或考试，为每位学生生成错题集，从中提取出学生的薄弱知识点，通过多层级筛选，为学生生成知识点难易匹配度高、试题质量好、推荐准确度高的推荐列表。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于在线教学平台的试题推荐方法，其特征在于，所述方法包括：
学生在完成在线作业或考试后，自动将结果错误的试题收录到数据库，形成对应学生的错题集；
提取错题集中每道题的关键字，对错题集中每道题的关键字进行分类统计，并按照关键字的词频进行关键字降序排序；
按照章节知识点的关键字范围进行章节知识点的分类汇总，按照章节中关键字出现从多到少的顺序对所述章节知识点排序，获取前N个章节知识点作为对应学生的薄弱知识点，N≥3；
使用K邻近算法从在线教学平台中选择每个薄弱知识点对应的题库资源作为候选题库；
从所述在线教学平台中获取候选题库中每道题的用户统计信息，构建候选题库中每道题的特征向量，并计算每道题的用户推荐度；
所述用户推荐度根据在线教学平台的用户对题库资源中的每道题的综合打分A、收藏数B和用户平均错题率P计算得到，其用户推荐度T的计算公式为：
；
B max 为每个薄弱知识点对应的候选题库中的最大收藏数；
获取薄弱知识点的属性信息，构建薄弱知识点特征向量，根据薄弱知识点特征向量与候选题库中每道题的特征向量之间的相似度和每道题的用户推荐度为学生的每个薄弱知识点产生推荐列表；
所述薄弱知识点的属性信息为章节知识点的层次标记，分为识记、理解、运用；所述层次标记中识记、理解、运用分别与难度评级中的易、中、难一一对应；所述难度评级为用户对每道试题的难易度的评价，包括易、中、难；所述薄弱知识点特征向量包括薄弱知识点对应的关键字特征值和层次标记值；所述候选题库中每道题的特征向量包括知识点对应的关键字特征值和难度评级值；
所述根据薄弱知识点特征向量与候选题库中每道题的特征向量之间的相似度和每道题的用户推荐度为学生的每个薄弱知识点产生推荐列表具体为：
计算薄弱知识点特征向量和候选题库中每道题的特征向量的余弦相似度，通过所述余弦相似度进行薄弱知识点与试题之间的难易度匹配；
从候选题库中筛选出余弦相似度高于预设阈值的题库资源，将筛选出的试题按照用户推荐度降序排列，选取前M个试题形成推荐列表并推荐给对应学生。
2.根据权利要求1所述基于在线教学平台的试题推荐方法，其特征在于，所述章节知识点的关键字范围为学生课本中各章节对应的每小节的标题。
3.根据权利要求2所述基于在线教学平台的试题推荐方法，其特征在于，按照章节知识点的关键字范围进行章节知识点的分类汇总具体为：
获取学生身份信息，根据学生的身份信息及学生在线考试或作业的属性信息确定对应的课本；获取学生课本中每小节的标题，将所述降序排序的关键字与课本中每小节的标题匹配，匹配成功后将关键字划分入对应的小节，完成章节知识点的分类汇总；每个章节知识点包括一个或多个关键字。
4.根据权利要求3所述基于在线教学平台的试题推荐方法，其特征在于，所述在线教学平台中，所述用户统计信息包括用户对题库资源中的每道试题的难度评级、综合打分、收藏数或用户平均错题率；所述综合打分为在线教学平台的用户在做题后对每道试题的综合打分；所述平均错题率为每道试题答题错误人数与答题总人数的比值。
5.使用权利要求1~4任一项所述方法的一种基于在线教学平台的试题推荐系统，其特征在于，所述系统包括：
错题收集模块：学生在完成在线作业或考试后，自动将结果错误的题目收录到数据库，形成对应学生的错题集；
薄弱知识点提取模块：提取错题集中每道题的关键字，对错题集中每道题的关键字进行分类统计，并按照关键字的词频进行关键字降序排序；按照章节知识点的关键字范围进行章节知识点的分类汇总，按照章节中关键字出现从多到少的顺序对所述章节知识点排序，获取前N个章节知识点作为对应学生的薄弱知识点，N≥3；
智能推荐模块：使用K邻近算法从在线教学平台中选择每个薄弱知识点对应的题库资源作为候选题库；
推荐筛选模块：从所述在线教学平台中获取候选题库中每道题的用户统计信息，构建候选题库中每道题的特征向量，并计算每道题的用户推荐度；获取薄弱知识点的属性信息，构建薄弱知识点特征向量，根据薄弱知识点特征向量与候选题库中每道题的特征向量之间的相似度和每道题的用户推荐度为学生的每个薄弱知识点产生推荐列表。
6.根据权利要求5所述基于在线教学平台的试题推荐系统，其特征在于，所述用户统计信息包括用户对题库资源中的每道试题的难度评级、综合打分、收藏数或用户平均错题率；所述难度评级为用户为每道题难易度的评价，包括易、中、难；所述综合打分为在线教学平台的用户在做题后对每道题的综合质量打分；所述平均错题率为每道试题答题错误人数与答题总人数的比值；
所述用户推荐度根据在线教学平台的用户对题库资源中的每道题的综合打分A、收藏数B和用户平均错题率P计算得到，其用户推荐度T的计算公式为：
；
所述综合打分A的取值范围为[1,5]，Bmax为每个薄弱知识点对应的候选题库中的最大收藏数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010700059.7A CN111930925B (zh) | 2020-07-20 | 2020-07-20 | 一种基于在线教学平台的试题推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010700059.7A CN111930925B (zh) | 2020-07-20 | 2020-07-20 | 一种基于在线教学平台的试题推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111930925A CN111930925A (zh) | 2020-11-13 |
| CN111930925B true CN111930925B (zh) | 2024-01-23 |
Family
ID=73312596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010700059.7A Active CN111930925B (zh) | 2020-07-20 | 2020-07-20 | 一种基于在线教学平台的试题推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111930925B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112883092A (zh) * | 2021-01-18 | 2021-06-01 | 潍坊学院 | 一种智能数学多媒体教学系统 |
| CN113051379B (zh) * | 2021-02-24 | 2023-08-04 | 南京审计大学 | 一种知识点推荐方法、装置、电子设备及存储介质 |
| CN112883226B (zh) * | 2021-03-29 | 2023-05-26 | 读书郎教育科技有限公司 | 一种智慧课堂学习视频推荐方法 |
| CN113269667A (zh) * | 2021-07-20 | 2021-08-17 | 北京点趣教育科技有限公司 | 错题推送方法、装置及电子设备 |
| CN117235187B (zh) * | 2023-11-14 | 2024-03-22 | 深圳市联特微电脑信息技术开发有限公司 | 一种基于网络教学资源的数据存储方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015058558A1 (zh) * | 2013-10-23 | 2015-04-30 | 腾讯科技（深圳）有限公司 | 问题推荐方法、装置及系统 |
| CN105224665A (zh) * | 2015-09-30 | 2016-01-06 | 广东小天才科技有限公司 | 一种错题管理方法及系统 |
| CN106846962A (zh) * | 2017-03-20 | 2017-06-13 | 安徽七天教育科技有限公司 | 一种基于学生错题及精准推荐的错题本生成方法 |
| CN107924401A (zh) * | 2015-08-24 | 2018-04-17 | 谷歌有限责任公司 | 基于视频标题的视频推荐 |
| CN108062733A (zh) * | 2017-11-23 | 2018-05-22 | 吉林大学 | 基于艾宾浩斯遗忘曲线和网络题库的教学方法 |
| CN108446768A (zh) * | 2018-05-02 | 2018-08-24 | 水木天骄（深圳）科技有限公司 | 一种学生建模的方法和装置 |
| CN109584656A (zh) * | 2018-12-03 | 2019-04-05 | 湖北美和易思教育科技有限公司 | 在线教育平台学习轨迹数据统计分析系统和方法 |
| US10713964B1 (en) * | 2015-06-02 | 2020-07-14 | Bilal Ismael Shammout | System and method for facilitating creation of an educational test based on prior performance with individual test questions |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080147630A1 (en) * | 2006-10-27 | 2008-06-19 | Kaiyi Chu | Recommender and payment methods for recruitment |
| IL192742A0 (en) * | 2007-07-12 | 2009-08-03 | Dror Avigdor | Method and system of computerized examination strategy analyzer |
| US11372909B2 (en) * | 2018-08-30 | 2022-06-28 | Kavita Ramnik Shah Mehta | System and method for recommending business schools based on assessing profiles of applicants and business schools |
-
2020
- 2020-07-20 CN CN202010700059.7A patent/CN111930925B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015058558A1 (zh) * | 2013-10-23 | 2015-04-30 | 腾讯科技（深圳）有限公司 | 问题推荐方法、装置及系统 |
| US10713964B1 (en) * | 2015-06-02 | 2020-07-14 | Bilal Ismael Shammout | System and method for facilitating creation of an educational test based on prior performance with individual test questions |
| CN107924401A (zh) * | 2015-08-24 | 2018-04-17 | 谷歌有限责任公司 | 基于视频标题的视频推荐 |
| CN105224665A (zh) * | 2015-09-30 | 2016-01-06 | 广东小天才科技有限公司 | 一种错题管理方法及系统 |
| CN106846962A (zh) * | 2017-03-20 | 2017-06-13 | 安徽七天教育科技有限公司 | 一种基于学生错题及精准推荐的错题本生成方法 |
| CN108062733A (zh) * | 2017-11-23 | 2018-05-22 | 吉林大学 | 基于艾宾浩斯遗忘曲线和网络题库的教学方法 |
| CN108446768A (zh) * | 2018-05-02 | 2018-08-24 | 水木天骄（深圳）科技有限公司 | 一种学生建模的方法和装置 |
| CN109584656A (zh) * | 2018-12-03 | 2019-04-05 | 湖北美和易思教育科技有限公司 | 在线教育平台学习轨迹数据统计分析系统和方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于关键词匹配技术的相似试题检测方法研究;程维刚等;《北华航天工业学院学报》;第25卷(第3期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111930925A (zh) | 2020-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111930925B (zh) | 一种基于在线教学平台的试题推荐方法及系统 | |
| CN107230174B (zh) | 一种基于网络的在线互动学习系统和方法 | |
| WO2021000909A1 (zh) | 一种课程优化方法、装置和系统 | |
| CN109359215B (zh) | 视频智能推送方法和系统 | |
| CN107274020B (zh) | 一种基于协同过滤思想的学习者学科总测成绩预测系统及方法 | |
| CN110443427A (zh) | 基于认知知识谱的成绩预测方法及其系统 | |
| CN114913729B (zh) | 一种选题方法、装置、计算机设备和存储介质 | |
| CN110569393B (zh) | 一种空中课堂的短视频裁剪方法 | |
| CN110399558B (zh) | 一种试题推荐方法和系统 | |
| CN112149994A (zh) | 一种基于统计分析的英语个人能力追踪学习系统 | |
| CN107886451A (zh) | 移动端课堂教学系统中的习题个性化匹配方法 | |
| CN113256252A (zh) | 一种基于b/s架构的考测系统 | |
| CN110377802B (zh) | 一种新增试题的知识点标注方法及系统 | |
| CN112507792B (zh) | 在线视频关键帧定位方法、定位系统、设备及存储介质 | |
| Tamada et al. | Predicting student performance based on logs in moodle LMS | |
| CN111104455B (zh) | 多源多维的学校教学横向信息差异比对分析方法 | |
| Gogri et al. | Evaluation of students performance based on formative assessment using data mining | |
| CN115438152B (zh) | 一种基于多神经网络与知识图谱的简答题评分方法及系统 | |
| CN114780785A (zh) | 基于知识图谱的音乐教学推荐方法及系统 | |
| CN114398429A (zh) | 一种学校图书馆智能图书推荐方法及系统 | |
| Arafiyah et al. | Monitoring online learners’ performance based on learning progress prediction | |
| CN112395839A (zh) | 一种智能题库系统的构建方法及使用该方法构建的系统 | |
| CN112164262A (zh) | 一种智能阅卷辅导系统 | |
| CN116523225B (zh) | 一种基于数据挖掘的翻转课堂混合教学方法 | |
| CN111708951B (zh) | 一种试题推荐方法及装置 |
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 |