CN111932160A - 知识掌握信息处理方法、装置、计算机设备及存储介质 - Google Patents

知识掌握信息处理方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111932160A
CN111932160A CN202011069944.6A CN202011069944A CN111932160A CN 111932160 A CN111932160 A CN 111932160A CN 202011069944 A CN202011069944 A CN 202011069944A CN 111932160 A CN111932160 A CN 111932160A
Authority
CN
China
Prior art keywords
answer
question
knowledge
result
information processing
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
CN202011069944.6A
Other languages
English (en)
Inventor
何明
吴士婷
李伟
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.)
Beijing Century TAL Education Technology Co Ltd
Original Assignee
Beijing Century TAL Education 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 Beijing Century TAL Education Technology Co Ltd filed Critical Beijing Century TAL Education Technology Co Ltd
Priority to CN202011069944.6A priority Critical patent/CN111932160A/zh
Publication of CN111932160A publication Critical patent/CN111932160A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—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
    • G09B7/04—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 characterised by modifying the teaching programme in response to a wrong answer, e.g. repeating the question, supplying a further explanation

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Educational Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (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

本申请提供的知识掌握信息处理方法、装置、计算机设备及存储介质，方法包括获取用户关于知识点的答题结果；获取所述答题结果在多个掌握因子的维度上的局部信息；其中，所述多个掌握因子包括：作答正确信息、以及至少一种辅助参考因子；综合各所述局部信息，以获得所述用户对所述知识点的知识掌握信息处理结果；本申请方案中通过结合根据实际需求对应的多个掌握因子来融合得到最终的诊断结果，显著提高了诊断的准确性。

Description

知识掌握信息处理方法、装置、计算机设备及存储介质
技术领域
本申请实施例涉及智慧教学技术领域，尤其涉及知识掌握信息处理方法、装置、计算机设备及存储介质。
背景技术
不管是在线教育，还是线下教育，对学生知识点掌握情况的精准刻画都是一项重要且具有挑战的任务。传统的得分统计难以准确地刻画出学生的实际掌握情况，而近些年被普遍使用的项目反应理论技术（Item Response Theory，IRT）、深度知识追踪技术（DeepKnowledge Tracing，DKT）等，虽然能一定程度上基于学生的实际作答情况诊断出学生的知识点掌握情况，但这类方法一方面对数据要求较为严格，另一方面计算效率和可解释性都比较差，难以在实际应用中被学生和老师所理解和接受。事实上，对学生知识点的掌握程度进行诊断需要尽可能地实时，以及具备良好的可解释性。
广泛调研发现，一方面现有诊断算法虽使用了用户作答记录等信息，但使用的信息维度非常有限，主要是学生的作答正误信息，并没有使用其他重要且对诊断结果有很大影响的信息，如作答序列、订正情况等。另一方面，现有诊断算法复杂度较高、对数据的要求也较高，如作答的数量需要满足一定的数量才能保证实际的诊断效果。而这些不足都一定程度上限制了诊断算法的适用范围和准确性，尤其是现有诊断算法缺乏良好的可解释性，使得在具体落地过程中，难以被学生和老师接受和认同。
因此，如何找到一种用于判断知识掌握程度的方案，以逐一解决上述问题，已成为业界亟待解决的技术问题。
发明内容
有鉴于此，本申请实施例中提供知识掌握信息处理方法、装置、计算机设备及存储介质，解决现有技术中的技术问题。
本申请实施例提供一种知识掌握信息处理方法，包括：
获取用户关于知识点的答题结果；
获取所述答题结果在多个掌握因子的维度上的局部信息；其中，所述多个掌握因子包括：作答正确信息、以及至少一种辅助参考因子；
综合各所述局部信息，以获得所述用户对所述知识点的知识掌握信息处理结果。
可选的，所述至少一种辅助参考因子包括：答题数量、答题序列、答题订正情况、及题目难度中的至少一种。
可选的，所述至少一种辅助参考因子包括：答题序列；获取答题结果在所述答题序列的维度上的局部信息，包括：
通过冷却权重函数处理答题序列中每道题目的顺序值，以得到每道题目的冷却权重作为答题序列维度的局部信息；
其中，所述顺序值与题目在答题序列中的顺序位置相关，所述冷却权重函数设置为其对应一题目输出的冷却权重同该题目与最近题目的顺序位置之间的距离负相关。
可选的，所述冷却权重函数表示为：
Figure 158602DEST_PATH_IMAGE001
；
其中，wi表示第i道题目的冷却权重；γ表示冷却系数，ri表示第i道题目在答题序列中的顺序值。
可选的，在答题序列中相邻两道题目的答题时间间隔小于预设阈值的情况下，设置所述两道题目的顺序值相同。
可选的，所述至少一种辅助参考因子包括：答题订正情况；获取答题结果在所述答题订正情况的维度上的局部信息，包括：
通过折损函数根据每道题目的作答类型为首次作答或订正作答，对应计算所述每道题目的折损后权重作为局部信息；其中，订正作答的题目存在折损。
可选的，所述折损函数定义为：
Figure 830892DEST_PATH_IMAGE002
；
其中，di表示第i道题目的折损后权重，δ为折损系数，rei表示第i道题目的作答类型，I(rei)为所述作答类型是否为订正作答的指示函数。
可选的，所述至少一种辅助参考因子包括：题目难度；获取用户的答题结果在所述题目难度的维度上的局部信息，包括：
通过难度权重函数处理答题结果所涉及每道题目的得分率和相应转换系数之间的比较结果，得到每道题目的难度权重作为局部信息；其中，每道题目的转换系数是根据多个用户在该道题目上得分率的统计结果得到的。
可选的，所述转换系数是多个用户在该道题目上得分率的众数、中数或平均数。
可选的，所述难度权重函数定义为：
Figure DEST_PATH_IMAGE003
；
其中， μi表示第i道题目的难度权重；aci表示第i道题目的得分率；h表示缩放系数，用以控制难度权重的取值范围；ch表示所述转换系数；Ii为第i道题目是否有得分的指示函数，在无得分时为-1，在有得分时为1。
可选的，所述综合各所述局部信息，以获得所述用户对所述知识点的知识掌握信息处理结果，包括：
通过平衡函数处理根据所述答题结果得到的题数参数和正答参数，以得到所述知识掌握信息处理结果；
其中，所述题数参数包括：整体答题数量比例或有效答题数量比例；所述正答参数包括：整体正答率或有效正答率；
所述整体答题数量比例，指的是所述答题数量占需答的总题量的比例；
所述有效答题数量比例，指的是所述答题数量在扣除其中各题目存在订正作答时的折损的结果占需答的总题量的比例；
所述整体正答率，指的是答题结果的作答正确信息；
所述有效正答率，指的是各题目的得分率在答题序列、答题订正情况、及题目难度中至少一种维度的局部信息作用下得到的有效得分率的求和结果。
可选的，所述平衡函数为F分数函数。
本申请实施例提供一种知识掌握信息处理装置，包括：
答题结果获取模块，用于获取用户关于知识点的答题结果；
诊断信息获取模块，获取所述答题结果在多个掌握因子中每个的维度上的局部信息；其中，所述多个掌握因子包括：作答正确信息、以及至少一种辅助参考因子；
综合诊断模块，用于综合各所述局部信息，以获得所述用户对所述知识点的知识掌握信息处理结果。
本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行所述的知识掌握信息处理方法的步骤。
本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序运行时执行所述的知识掌握信息处理方法的步骤。
与现有技术相比，本申请实施例的技术方案具有以下有益效果：
一方面，本申请的实施例中，通过结合根据实际需求对应的多个掌握因子来融合得到最终的诊断结果，显著提高了诊断的准确性。
另一方面，该诊断算法方案复杂度较低，计算效率高，可以实时运算。
再一方面，本申请实现的知识掌握信息处理方案具有良好的可解释性，当学生掌握程度好或差的时候，只需定位到相应的掌握因子，便可以简洁而直观地向学生或老师进行诊断结果的解释，显著提高了用户的使用体验和方案的适用范围。
附图说明
图1是本申请实施例中知识掌握信息处理方法的流程示意图。
图2是本申请实施例中知识掌握信息处理装置的模块示意图。
图3是本申请实施例中计算机设备的结构示意图。
图4A是本申请实施例中的一种具体应用场景的示意图。
图4B是本申请实施例中的另一种具体应用场景的示意图。
图4C是本申请实施例中的再一种具体应用场景的示意图。
具体实施方式
在现有技术中，为判断学生是否掌握知识点，会提供对应知识点的题目来让学生答题，并通过比较直接的答题正确率的方式来进行。在一些示例中，常见的有通过试卷的方式对学生及逆行，例如答题以考卷的形式，20道题目，总分100分，学生得分80分，则可计算得到正确率在80%。
虽然通过此正确率可以大致得到学生对知识点的整体掌握程度，但是对更细节的掌握情况无法获知，例如两个学生A和B的答题正确率都是80%，但其中一个主要的得分点在难度较大的综合题上，另一个的主要得分点在选择题上，那么两者对知识点的实际掌握程度上一定是存在差异的，在现有技术的方案中并无法对这样类似于这样的差异进行量化，也就是诊断精度不够。相应的，也无法对学生A、B对该知识点的精确掌握情况进行解释。
在本申请实施例中，通过提供多个掌握因子，在掌握因子的基础上处理答题结果中的信息，以得到更加精确的知识掌握信息处理结果。以下通过具体实施例及图示进行相应说明。
如图1所述，展示本申请实施例中提供的知识掌握信息处理方法的流程示意图。
所述知识掌握信息处理方法包括：
步骤S101：获取用户关于知识点的答题结果。
在一些示例中，每个知识点可对应有一或多道题目，用户需对此一或多题目进行逐一作答，则按题目的排列顺序或答题顺序可构成答题序列。
在用户作答不是完全正确的情况下可以判断一道答题的答题结果为错误，如果用户在答题序列中有未作答的题目，也是表示该题目全错。
可选的，进一步可对每道题目进行细分。在可能示例中，每道题目可具有一或多个小题；在每道小题都正确的情况下，则该题目可判断正确，而若存在小题不正确的情况下，可以判断该道题目为错误。因此可选的，所述答题结果可以包含每道题目的正确或错误，以及每道题目中的每道小题的正确或错误情况。
可选的，有的题目虽然不分小题，但是其如果有中间过程正确也可以算作部分正确，例如公式正确但计算错误，某步中间计算结果正确，又或者引用的规则正确等等。
在答题结果中，对于上述需要更细致反映每道题目的正确程度的情形，可以通过相应的得分来表示，比如题目中每个小题有其预定分值情况下，答题时在各小题的得分情况；或者，对题目中预先设定对某些中间过程赋予相应分值，在这些中间过程正确的情况下可以获得这些分值。故所述答题结果中，不仅可以包含每道题目的答题正确或错误的信息，也可以包含其中小题或中间过程的正确或错误的信息。
步骤S102：获取所述答题结果在多个掌握因子的维度上的局部信息。
其中，所述多个掌握因子包括：作答正确信息、以及至少一种辅助参考因子。
在一些示例中，所述作答正确信息可以是从所述答题结果提取（例如统计等）的每道题目、题目中的小题的正确情况，具体可以表现为例如作答正确率、每道题目的得分率等。其中，作答正确率可以是正确答题数量占答题总量的比例，每道题目的得分率可按该题目中可以得分的正确的中间过程、规则等的得分占题目的总得分的比例来得到。
其中，在一个知识点相关所有题目上的作答正确率，能较为直接反应学生对该知识点的整体掌握情况。
在一些示例中，所述至少一种辅助参考因子包括：答题数量、答题序列、答题订正情况、及题目难度中的至少一种。需说明的是，此几种因子仅为举例，并非以此为限。
可以使用所述答题数量作为辅助参考因子的原因在于，如之前所述，现有的统计方法，直接基于学生的作答正确率给出学生的知识点掌握情况，但只考虑作答正确率还不够。其原因在于，若答题数量不一样，即使答题率相同或接近，但是对应的实际掌握情况可能大相径庭。
例如，针对知识点1，学生A答对一道题则作答正确率为100%，而学生B答了50道题答错1题作答正确率为98%；很明显的，这种情况并不能说明学生A未必比学生B对知识点1的掌握情况要好。有可能学生A答对该道题是靠猜的，而从学生B的答题数量和作答正确率来看，大概率上学生B是掌握了该知识点，因为做了50道题只错了一道。故可以理解的是，在进行知识点诊断的时候，在考虑作答正确信息的同时，也需要考虑答题数量。
所述答题序列即学生答题的顺序。可以使用所述答题序列作为辅助参考因子的原因在于，依照时间顺序，学生正确答题的分布特征，亦能反映出学生对知识的掌握情况的不同。
举例而言，学生A和学生B都做了三道题，但学生A的作答情况是（1,1,0），即前两题正确而第三题错误；学生B的作答情况为(0,1,1)，即第一题错误而后两题正确。从作答正确率和做题数量上来看，学生A和学生B是完全相同的。但实际而言，学生B的掌握情况应该比学生A的要好，因为学生A是先做对两道题后做错一道题，反映出的实际情况可能是先掌握了该知识点后逐渐遗忘了该知识点，而学生B恰恰相反，先可能不会该知识点，而后逐渐掌握了该知识点。基于此，在对学生的知识点掌握程度进行诊断时，需要考虑学生的答题序列的维度。
越接近当前时间的题目的正确情况，对反映学生的知识点掌握程度的重要度越高；相反，也就是离当前时间越久远的题目的正确情况越不重要，也就相当于时间越向前推移则“热度”越低，即越“冷却”，这点与牛顿冷却定律有契合之处，牛顿冷却定律原指的是温度随时间推移下降的规律，而且其在已经有一些实际应用，例如文章热度在稳定场景下随着时间推移而逐步衰减等，又例如用户偏好在稳定场景下衰减等。
由此，在本申请的具体实施中，对应于离当前时间越久远的题目的正确情况越“冷却”的特点，可以引入表示答题序列中的每道题目对反映知识点掌握程度的重要性的“冷却权重”；例如，可以设定冷却权重越高，表示该题目的重要性越高。
为计算冷却权重，还需构建冷却函数，在步骤S102中可以通过冷却权重函数来获取答题结果在所述答题序列的维度上的局部信息。具体的，可以通过冷却权重函数处理每道题目对应赋予的顺序值，以得到每道题目的冷却权重作为答题序列维度的局部信息。
在一些示例中，结合离当前时间越久远的题目的正确情况越不重要的权重分布特点，设计所述冷却权重函数。相应的，即所述冷却权重函数设置为其对应一答题输出的冷却权重同该题目与最近题目的顺序位置之间的距离负相关。
可选的，可以参考基于高斯衰减与牛顿冷却定律融合的原理来设计这个冷却函数。
其中，高斯函数是以e为底的指数函数，表示为式（1）：
Figure 394116DEST_PATH_IMAGE004
(1)
其中，α、b与c为常数，且α大于0；高斯函数在曲线上形状上表现为一个倒悬着的钟，即高斯分布，又称为正态分布。
牛顿冷却定律指的是物体的冷却速度，与其当前的温度与物体的环境温度之间的温差成正比，表示为式（2）：
T’(t)= -a(T(t)-H) (2)
其中，T(t)是温度(T)随时间(t)变化的函数，其倒数表示降温速度。H表示环境温度，a表示比例关系，经过对该式（2）两侧积分并求积分解进行推导，可以得到式（3）：
T=H+（T0-H）e-a(t-t0) （3）
结合式（1）和（3）的原理，在一些示例中，所述冷却权重函数同样可以表示为以e为底的指数函数：
Figure 962500DEST_PATH_IMAGE001
（4）
其中，wi表示第i道题目的冷却权重；γ表示冷却系数，ri表示第i道题目在答题序列中的顺序值。
在此示例中，如果i是按时间轴正向的从前至今来递增，则顺序值与i负相关，则所述顺序值可与题目在答题序列中的顺序位置负相关，即ri随i的增加而减少。举例来说，假如学生总共作答了5道题，最近一道题目（设为题目5）的顺序值为0，以此向之前类推，题目4、3、2、1的顺序值依次为1、2、3、4；或者在其它示例中，如果i是按时间轴正逆向的从今至前来递增，即从前至今递减，则所述顺序值可与题目在答题序列中的顺序位置负相关，即ri随i的增加而增加。
由于ri为自然数，则在式（4）中，随ri增大，冷却权重减小；随ri减小，冷却权重增大，能达成题目越接近当前，所对应的冷却权重越高的目的。
在一些示例中，如果需要冷却权重的取值在[0,1]内，则可对应设置所述γ的取值以实现此需求。此外，所述冷却系数还可根据实际需求设定，举例而言，将γ设置为某个取值，以能够确保学生将最近3道题都答对后，不管之前答错了多少道题，都能使考虑冷却权重而计算得到的知识点掌握诊断结果所对应的学生的知识点掌握程度达到某个预设等级，例如“牢固”；又例如，设置γ的值以能够确保学生将最近2道题都答对后，不管之前答错多少道题，都能确保学生的知识点掌握的掌握程度达到“一般”以上。
在一些示例中，在答题序列中相邻两道题目的答题时间间隔小于预设阈值的情况下，设置所述两道题目的顺序值相同。
其目的在于，当学生连续答题，而答题时间又较为接近，故学生在此连续答题过程中并不可能存在对相应知识掌握程度的提升。因此在设置为顺序值相同的情况下，两题目对应的冷却权重相同，以表明此两道题目对知识掌握信息处理结果的贡献是相同的。
举例来说，假如有4道题，按时间逆序分别为题目1~题目4，其中,题目1和题目2之间的答题时间间隔为5秒，若第1道题的顺序值为0，则第二道题的顺序值为0，第三道题的顺序值为2，第四道题的顺序值为3。
所述答题时间间隔可为前一题的提交时间至下一题的提交时间之间的间隔，相应的所述预设阈值可设置为学生不太可能发生知识掌握程度提升的可能的长度。例如，学生可能通过翻看书页、查看答案、搜索答案库、搜索网页等来提升知识掌握程度，则该预设阈值可参考这些操作所需的时间来进行设定。
可选的，所述预设阈值例如包括但不限于5秒、6秒、7秒、8秒、9秒、10秒、11秒、12秒等等。
所述订正情况指的是，学生发现答题错误而对其进行订正的信息，订正后可能可以使答题正确，也有可能仍旧错误。可以使用所述作为辅助参考因子的原因在于，是否存在订正情况也可以一定程度上反映学生对知识点的掌握程度。举例来说，学生做错一道题后，会进行订正。但事实上，学生在订正一道题目时，常常是在做错了之后，看了答案才进行订正，故可以理解的是，虽然该题目在订正后正确，但该学生很有可能并非是真的掌握了该知识点。因此，出现订正的题目要区别于正常题目考虑。
在具体实施中，当所述至少一种辅助参考因子包括答题订正情况时，可以通过折损函数根据每道题目的作答类型为首次作答或订正作答，对应计算所述每道题目的折损后权重作为局部信息。也即是说，存在订正情况的题目相比于正常题目在对知识掌握程度诊断的贡献上存在折损。
可选的，所述折损函数定义为：
Figure 178718DEST_PATH_IMAGE002
（5）
其中，di表示第i道题目的折损后权重，δ为折损系数。rei表示第i道题目的作答类型，I(rei)为所述作答类型是否为订正作答的指示函数。“1”可以代表正常答题对知识掌握程度诊断的贡献为100%，则di就表示从该贡献中扣除由于订正产生的折损后的结果，即折损后权重。I(rei)指示函数为二值函数，当存在或不存在订正作答时，分别为第一值或第二值，例如此处可以设置为0或1，而δ可以相应设置成例如[0,1）之间的值，可视订正对知识掌握信息处理的影响程度设置δ的具体取值。
不同的题目可能存在不同的题目难度，则答对难度较高的题目相比于答对难度较低的题目可能对应知识掌握程度更高。在现有技术中，大多数考虑试题难度的方法都是采用机器学习的方法进行学习和训练，导致算法的计算时长和复杂度都较高，不利于实时运算。
故在本申请的一示例中，可以通过难度权重函数处理答题结果所涉及每道题目的得分率和相应转换系数之间的比较结果，得到每道题目的难度权重作为局部信息。
可选的，所述转换系数是多个用户（如学生）在该道题目上得分率的众数、中数或平均数（可以是简单算术平均数、或加权算术平均数）。
具体来说，众数指的是指在统计分布上具有明显集中趋势点的数值，代表数据的一般水平，也就是代表一个学生群体在答一题目上的一般得分。中数或平均数则能反映该学生群体在答该题目上的平均水平。
通过将某个学生在该题目上的得分率和对应的转换系数进行比较，其比较结果即能反映该学生在此知识点上相对学生群体的一般/平均水平的差距，或许该学生的得分率高于该学生群体的一般/平均水平，或许该学生的得分率低于该学生群体的一般/平均水平。
当学生得分率高于一般/平均水平时，得分率越高则说明题目的难度越高；当学生得分率低于一般/平均水平时，得分率越高则说明题目的难度越低。
通过设置转换系数与得分率进行比较，能够保证难度权重基于题目难度来弱化或增强对知识掌握程度判断的贡献。
在一些示例中，所述难度权重函数可以是以e为底的指数函数，在其幂中通过转换系数和得分率的数值之间的差值来代表比较结果，相比于机器学习的方法而言，计算时长和复杂度都会低很多，利于实时运算。
可选的，所述难度权重函数定义为：
Figure DEST_PATH_IMAGE005
（6）
其中，μi表示第i道题目的难度权重；aci表示第i道题目的得分率；h表示缩放系数，用以控制难度权重的取值范围；ch表示所述转换系数；Ii为第i道题目是否有得分的指示函数，在无得分时为-1，在有得分时为1。
式（6）示例的难度权重函数采用e为底的指数函数，能够保证权重的变化随着难度的增加而增加，因为μi的导数为单调减函数。
h用于控制μi的取值范围。例如h设置在0.85，以令μi的取值在[0.85，2]之间。
ch用于与得分率进行比较，以控制难度权重是否超过1，即表示在ch所对应难度以上的题目对知识点掌握的贡献值是否超过1。
当第i道题目得分为0时，Ii=-1；当第i道题得分不为0时，Ii=1。其取1或-1的作用在于，当学生某道题答错时，Ii=-1，则在式（6）难度权重函数的幂中，进行aci和ch位置的反转，即
Figure 123540DEST_PATH_IMAGE006
，反转时幂中ch前的负号能确保学生完全答错一道简单题获得的难度权重小于学生完全答错一道难题；因为得分率为0则aci=0，题目难度越大对应的ch越小（学生群体的一般/平均得分率会相应下降），eh*(-ch)即对eh*(ch)取倒数为1/eh*(ch)，则题目越难ch越小，μi即1/eh*(ch)的值就越大。
可以理解的是，上述答题序列、答题订正情况、及题目难度相关的函数，可以通过例如e为底的指数函数来实现，相比于例如机器学习方法所使用的数学模型而言，计算量和复杂度较小，有效提升计算效率，利于实时运算。
再如图1所示，步骤S103：综合各所述局部信息，以获得所述用户对所述知识点的知识掌握信息处理结果。
为将各维度的局部信息加以综合，需要设计相应的融合方法。
在一些示例中，可以先考虑较为直观的作答正确信息和答题数量的维度上的局部信息的融合。
在具体实施中，可以借鉴平衡F分数的思想，在衡量每个学生在单个知识点的掌握程度时可以综合考虑答题数量比例和正确率。
举例来说，学生在知识点上的掌握程度的计算公式可以示例性地表示为式（7）：
Figure 944866DEST_PATH_IMAGE007
（7）
其中，θ表示本示例中知识掌握程的计算结果，a的计算方式为：a=num/τ，num表示学生在该知识点上的答题数量，τ表示知识点需答的总题量；所述c为学生在该知识点上答对的题目比例。
β为平衡系数，当β=1时，表示答题比例和正确率的重要性相等；当β>1时，表示答题数量比例的重要性低于正确率的重要性；当β<1时，表示答题数量比例的重要性高于正确率的重要性。
需说明的是，β的具体大小可基于实际需求来确定。可选的，β的初始值可以设置为例如2，意味着在知识点掌握程度上更加侧重于学生答题的正确率。
在平衡函数的思想基础上，结合上述答题序列、答题订正情况、及题目难度中一种或多种的局部信息，从而得到更为精准的对知识点的知识掌握信息处理结果。
在一些示例中，可以通过平衡函数处理根据所述答题结果得到的题数参数和正答参数，以得到所述知识掌握信息处理结果。
可选的，此平衡函数可以表示为式（8）：
Figure 480889DEST_PATH_IMAGE008
（8）
其中，θreal表示知识掌握信息处理结果，ereal表示有效答题数量比例，αreal表示有效正答率，β如上式（7）所述为平衡数。
可选的，所述有效答题数量比例，指的是所述答题数量在扣除其中各题目存在订正作答时的折损的结果占需答的总题量的比例。
举例来说，所述有效答题数量比例可以表示为式（9）：
Figure 387666DEST_PATH_IMAGE009
（9）
其中，di为第i道题目的折损后权重，即由与订正情况相关的折损函数计算得到；τ为知识点的需答的总题量；该式表示ereal是从第i道到第m道题目的di之和占需答的总题量的比例。可一并参考式（5），假设正常作答的每个题目对知识点掌握程度判断的贡献为100%，则经订正情形的折损，其折损后权重例如80%，70%等可精确反映此订正情形。
则原来每道题的数量亦为1，则通过将折损后权重替代其原数量“1”来表示其“有效数量”，例如“0.8”，进而将各道题目的有效数量求和即得到所述有效答题数量比例ereal。
可选的，所述有效正答率，指的是各题目的得分率在答题序列、答题订正情况、及题目难度中至少一种维度的局部信息作用下得到的有效得分率的求和结果。
举例来说，所述有效正答率可以表示为式（10）：
Figure 401758DEST_PATH_IMAGE010
（10）
其中，i为第i 道题目，μi为该题目的难度权重，di为该题目的折损后权重，wi为该题目的冷却权重，si为该题目的得分率。
该式(10)的意义在于，将影响每道题目的正确及得分情况的难度权重、折损后权重、冷却权重加权至对应题目的得分率上，以得到每道题目更为精准的有效得分再进行求和得到整体实际有效得分率，再比上对每道题目的几种权重加权到每道题目正确情况下的最大得分率100%即1的整体最大得分率，从而得到有效正答率。
需说明的是，虽然在式（10）中展示了使用三种权重进行知识掌握信息处理结果计算的示例，但是在其它实施例中，完全可以根据实际需求加以变化，可选择答题序列、答题订正情况、及题目难度其中任意一种或多种维度上的局部信息参与计算以得到知识掌握信息处理结果，例如只使用答题订正情况计算有效答题数量比例和有效正答率来得到最终知识掌握信息处理结果等，可视实际的精准度需求、计算效率等来设置，并非以式（10）示例为限。
另外，在其它示例中，也未必需要如式（10）采用有效答题数量和有效正答率进行计算，例如有效答题数量比例可以替换为整体答题数量比例（例如式（7）中的a），和/或，有效正答率可以替换为整体正答率（例如式（7）中的c）等，在只考虑答题数量和作答正确信息时可以使用式（9）来计算得到知识掌握信息处理结果，亦非以式（10）示例为限。
对上述式（9）及（10）相关示例的原理概括来讲，即通过平衡函数处理题数参数及正答参数来得到知识掌握信息处理结果。其中，所述题数参数包括：整体答题数量比例（例如式（9）中的a）或有效答题数量比例（例如式（10）中的ereal）；所述正答参数包括：整体正答率（例如式（9）中的c）或有效正答率（例如式（10）中的αreal）。
在一些示例中，可预先对应知识掌握信息处理结果的取值进行对应的图形或文本的输出信息的设置，例如在知识掌握信息处理结果取值在[0，a]区间中，对应等级为“初步”；在[a,b]中，对应等级为“一般”；在[b，c]中，对应等级为“牢固”等，从而可向用户输出能被理解的输出信息，例如“您对知识点A的掌握程度为“牢固”等。当然此仅为举例，例如还可以通过分值、星数、进度等方式来进行替代，并非以此输出信息的方式为限。接受输出信息的用户可以包括例如学生本人、老师、家长、或其它人员等。
在一些示例中，所述知识掌握信息处理方法可以是实时执行的，即当学生每答完一道或多道题时，即能得到其当前的知识掌握信息处理结果，例如评价或得分等，达到实时反馈学习进度信息的目的。
如图2所示，显示本申请实施例中知识掌握信息处理装置实现的功能框图。需说明的是，本示例中的知识掌握信息处理装置与之前实施例中的知识掌握信息处理方法实现原理相近，故具体实现的技术特征可参考前述实施例，在此示例中不作重复赘述。
所述知识掌握信息处理装置20，包括：
答题结果获取模块21，用于获取用户关于知识点的答题结果；
诊断信息获取模块22，获取所述答题结果在多个掌握因子中每个的维度上的局部信息；其中，所述多个掌握因子包括：作答正确信息、以及至少一种辅助参考因子；
综合诊断模块23，用于综合各所述局部信息，以获得所述用户对所述知识点的知识掌握信息处理结果。
可选的，所述至少一种辅助参考因子包括：答题数量、答题序列、答题订正情况、及题目难度中的至少一种。
可选的，所述至少一种辅助参考因子包括：答题序列；获取答题结果在所述答题序列的维度上的局部信息，包括：
通过冷却权重函数处理答题序列中每道题目的顺序值，以得到每道题目的冷却权重作为答题序列维度的局部信息；
其中，所述顺序值与题目在答题序列中的顺序位置相关，所述冷却权重函数设置为其对应一题目输出的冷却权重同该题目与最近题目的顺序位置之间的距离负相关。
可选的，所述冷却权重函数表示为：
Figure 671065DEST_PATH_IMAGE001
；
其中，wi表示第i道题目的冷却权重；γ表示冷却系数，ri表示第i道题目在答题序列中的顺序值。
可选的，在答题序列中相邻两道题目的答题时间间隔小于预设阈值的情况下，设置所述两道题目的顺序值相同。
可选的，所述至少一种辅助参考因子包括：答题订正情况；获取答题结果在所述答题订正情况的维度上的局部信息，包括：
通过折损函数根据每道题目的作答类型为首次作答或订正作答，对应计算所述每道题目的折损后权重作为局部信息；其中，订正作答的题目存在折损。
可选的，所述折损函数定义为：
Figure 50094DEST_PATH_IMAGE002
；
其中，di表示第i道题目的折损后权重，δ为折损系数，rei表示第i道题目的作答类型，I(rei)为所述作答类型是否为订正作答的指示函数。
可选的，所述至少一种辅助参考因子包括：题目难度；获取用户的答题结果在所述题目难度的维度上的局部信息，包括：
通过难度权重函数处理答题结果所涉及每道题目的得分率和相应转换系数之间的比较结果，得到每道题目的难度权重作为局部信息；其中，每道题目的转换系数是根据多个用户在该道题目上得分率的统计结果得到的。
可选的，所述转换系数是多个用户在该道题目上得分率的众数、中数或平均数。
可选的，所述难度权重函数定义为：
Figure 444166DEST_PATH_IMAGE003
；
其中， μi表示第i道题目的难度权重；aci表示第i道题目的得分率；h表示缩放系数，用以控制难度权重的取值范围；ch表示所述转换系数；Ii为第i道题目是否有得分的指示函数，在无得分时为-1，在有得分时为1。
可选的，所述综合各所述局部信息，以获得所述用户对所述知识点的知识掌握信息处理结果，包括：
通过平衡函数处理根据所述答题结果得到的题数参数和正答参数，以得到所述知识掌握信息处理结果；
其中，所述题数参数包括：整体答题数量比例或有效答题数量比例；所述正答参数包括：整体正答率或有效正答率；
所述整体答题数量比例，指的是所述答题数量占需答的总题量的比例；
所述有效答题数量比例，指的是所述答题数量在扣除其中各题目存在订正作答时的折损的结果占需答的总题量的比例；
所述整体正答率，指的是答题结果的作答正确信息；
所述有效正答率，指的是各题目的得分率在答题序列、答题订正情况、及题目难度中至少一种维度的局部信息作用下得到的有效得分率的求和结果。
可选的，所述平衡函数为F分数函数。
在图2实施例中，所描述的各个功能模块（例如21~23）可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机程序。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机程序可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。
并且，所述的各个功能模块可以集成在一个处理部件中，也可以是各个模块单独物理存在，也可以两个或两个以上功能模块集成在一个部件中。上述集成的部件既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。上述集成的部件如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器，磁盘或光盘等。
如图3所示，显示本申请实施例中的计算机设备的结构示意图。
所述计算机设备30包括但不限于：服务器、台式机、智能手机、笔记本电脑、平板电脑、智能手环、智能手表、其它智能设备或其中任意一种或多种的多个设备通信连接构成的分布式处理系统。
所述计算机设备30包括：通信器31、存储器32和处理器33。
所述通信器31适于与外部通信；所述存储器32上存储有可在所述处理器33上运行的计算机程序，所述处理器33运行所述计算机程序时执行前述实施例中的知识掌握信息处理方法的步骤。
在具体实施中，所述通信器31可以包括有线通信电路模块和/或无线通信电路模块，有线通信电路模块包括例如有线网卡、USB模块等，无线通信电路模块包括例如WiFi模块、2G/3G/4G/5G模块、NFC模块、红外模块、蓝牙模块等；所述存储器32可能包含高速RAM存储器，也可能还包括非易失性存储器(Non-volatile Memory)，例如至少一种闪存存储器、固态存储器、磁盘存储器；所述处理器33可以是实现计算功能的组合，例如包含一个或多个微处理器组合、数字信号处理(Digital Signal Processing，DSP)、专用集成电路（Application Specific Integrated Circuit，ASIC）、片上系统芯片（System On Chip，SoC）、现场可编程门阵列（Field Programmable Gate Array，FPGA）等。
如图4A所示，展示本申请实施例中的一种具体应用场景的示意图。
学生41可以通过其计算机设备42（例如台式机，也可是智能手机或平板电脑等）选择知识点进行答题，当其答题完成，所述计算机设备42运行前述实施例中的知识掌握信息处理方法，获得对应的知识掌握信息处理结果，并向用户41展示对应生成的输出信息。
例如，展示图4A中所示的，在计算机设备42的显示器显示“您对知识点A的知识掌握程度为“牢固”。该过程可以是实时的，即当学生41答完一道或多道题时，就能输出其知识掌握信息处理结果对应的输出信息，学生41可以从中看到其对知识点掌握程度的变化，达到更好的学习效果。
如图4B所示，展示本申请实施例中的另一种具体应用场景。
在此应用场景中，学生41’在其计算机设备42’进行答题，该计算机设备42’是接入网络43而在线的，可以通过在该计算机设备42’在本地计算所述知识掌握信息处理结果，也可以由该计算机设备42’将答题结果传输到网络43中，由远端设备（未图示，例如服务器）处理得到所述知识掌握信息处理结果（或对应的输出信息），并通过所述网络43发送到另一台计算机设备44上，可属于例如家长或老师等，以供展示对应生成的输出信息，利于家长或老师对学生的学习情况进行监督。
在一些示例中，所述网络43可以是局域网或广域网，局域网包括例如家庭、办公、学校等场所的局域网络，广域网包括例如电脑互联网或移动互联网等。
又如4C所示，展示本申请实施例中的再一种具体应用场景。
在此应用场景中，学生41”在教室中可以通过计算机设备42”（例如平板电脑等）进行答题，然后在计算机设备41”本地得到知识掌握信息处理结果，计算机设备41”可以通过教室的无线局域网络43”与教师的计算机设备44”（例如平板电脑、智能手机、台式机等）无线通信，以传输所述知识掌握信息处理结果，以在教师的计算机44”设备展示对应的输出信息。
本申请实施例中还可提供计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序运行时执行前述实施例（例如图1实施例）所述的知识掌握信息处理方法的步骤。
即，上述本申请实施例中的雨刮器控制方法可被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的雨刮器控制方法。此外，当通用计算机访问用于实现在此示出的图形编程作品检查方法的代码时，代码的执行将通用计算机转换为用于执行在此示出的雨刮器控制方法的专用计算机。
与现有技术相比，本申请实施例的技术方案具有以下有益效果：
一方面，本申请的实施例中，通过结合根据实际需求对应的多个掌握因子来融合得到最终的诊断结果，显著提高了诊断的准确性。
另一方面，该诊断算法方案复杂度较低，计算效率高，可以实时运算。
再一方面，本申请实现的知识掌握信息处理方案具有良好的可解释性，当学生掌握程度好或差的时候，只需定位到相应的掌握因子，便可以简洁而直观地向学生或老师进行诊断结果的解释，显著提高了用户的使用体验和方案的适用范围。
在本申请的描述中，参考术语“一个实施例”、“一些实施例”、“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、材料或者特点包括于本申请的至少一种实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本申请中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
另外，前述实施例（例如图1实施例）中的流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能。
虽然本申请实施例披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本申请实施例的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (15)

1.一种知识掌握信息处理方法，其特征在于，包括：
获取用户关于知识点的答题结果；
获取所述答题结果在多个掌握因子的维度上的局部信息；其中，所述多个掌握因子包括：作答正确信息、以及至少一种辅助参考因子；
综合各所述局部信息，以获得所述用户对所述知识点的知识掌握信息处理结果。
2.根据权利要求1所述的知识掌握信息处理方法，其特征在于，所述至少一种辅助参考因子包括：答题数量、答题序列、答题订正情况、及题目难度中的至少一种。
3.根据权利要求2所述的知识掌握信息处理方法，其特征在于，所述至少一种辅助参考因子包括：答题序列；获取答题结果在所述答题序列的维度上的局部信息，包括：
通过冷却权重函数处理答题序列中每道题目的顺序值，以得到每道题目的冷却权重作为答题序列维度的局部信息；
其中，所述顺序值与题目在答题序列中的顺序位置相关，所述冷却权重函数设置为其对应一题目输出的冷却权重同该题目与最近题目的顺序位置之间的距离负相关。
4.根据权利要求3所述的知识掌握信息处理方法，其特征在于，所述冷却权重函数表示为：
Figure 985635DEST_PATH_IMAGE001
；
其中，wi表示第i道题目的冷却权重；γ表示冷却系数，ri表示第i道题目在答题序列中的顺序值。
5.根据权利要求3所述的知识掌握信息处理方法，其特征在于，在答题序列中相邻两道题目的答题时间间隔小于预设阈值的情况下，设置所述两道题目的顺序值相同。
6.根据权利要求1所述的知识掌握信息处理方法，其特征在于，所述至少一种辅助参考因子包括：答题订正情况；获取答题结果在所述答题订正情况的维度上的局部信息，包括：
通过折损函数根据每道题目的作答类型为首次作答或订正作答，对应计算所述每道题目的折损后权重作为局部信息；其中，订正作答的题目存在折损。
7.根据权利要求6所述的知识掌握信息处理方法，其特征在于，所述折损函数定义为：
Figure 222581DEST_PATH_IMAGE002
；
其中，di表示第i道题目的折损后权重，δ为折损系数，rei表示第i道题目的作答类型，I(rei)为所述作答类型是否为订正作答的指示函数。
8.根据权利要求1所述的知识掌握信息处理方法，其特征在于，所述至少一种辅助参考因子包括：题目难度；获取用户的答题结果在所述题目难度的维度上的局部信息，包括：
通过难度权重函数处理答题结果所涉及每道题目的得分率和相应转换系数之间的比较结果，得到每道题目的难度权重作为局部信息；其中，每道题目的转换系数是根据多个用户在该道题目上得分率的统计结果得到的。
9.根据权利要求8所述的知识掌握信息处理方法，其特征在于，所述转换系数是多个用户在该道题目上得分率的众数、中数或平均数。
10.根据权利要求8所述的知识掌握信息处理方法，其特征在于，所述难度权重函数定义为：
Figure 26589DEST_PATH_IMAGE003
；
其中， μi表示第i道题目的难度权重；aci表示第i道题目的得分率；h表示缩放系数，用以控制难度权重的取值范围；ch表示所述转换系数；Ii为第i道题目是否有得分的指示函数，在无得分时为-1，在有得分时为1。
11.根据权利要求2所述的知识掌握信息处理方法，其特征在于，所述综合各所述局部信息，以获得所述用户对所述知识点的知识掌握信息处理结果，包括：
通过平衡函数处理根据所述答题结果得到的题数参数和正答参数，以得到所述知识掌握信息处理结果；
其中，所述题数参数包括：整体答题数量比例或有效答题数量比例；所述正答参数包括：整体正答率或有效正答率；
所述整体答题数量比例，指的是所述答题数量占需答的总题量的比例；
所述有效答题数量比例，指的是所述答题数量在扣除其中各题目存在订正作答时的折损的结果占需答的总题量的比例；
所述整体正答率，指的是答题结果的作答正确信息；
所述有效正答率，指的是各题目的得分率在答题序列、答题订正情况、及题目难度中至少一种维度的局部信息作用下得到的有效得分率的求和结果。
12.根据权利要求11所述的知识掌握信息处理方法，其特征在于，所述平衡函数为F分数函数。
13.一种知识掌握信息处理装置，其特征在于，包括：
答题结果获取模块，用于获取用户关于知识点的答题结果；
诊断信息获取模块，获取所述答题结果在多个掌握因子中每个的维度上的局部信息；其中，所述多个掌握因子包括：作答正确信息、以及至少一种辅助参考因子；
综合诊断模块，用于综合各所述局部信息，以获得所述用户对所述知识点的知识掌握信息处理结果。
14.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行权利要求1至12中任一项所述的知识掌握信息处理方法的步骤。
15.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序运行时执行权利要求1至12中任一项所述的知识掌握信息处理方法的步骤。
CN202011069944.6A 2020-10-09 2020-10-09 知识掌握信息处理方法、装置、计算机设备及存储介质 Pending CN111932160A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011069944.6A CN111932160A (zh) 2020-10-09 2020-10-09 知识掌握信息处理方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011069944.6A CN111932160A (zh) 2020-10-09 2020-10-09 知识掌握信息处理方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN111932160A true CN111932160A (zh) 2020-11-13

Family

ID=73335192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011069944.6A Pending CN111932160A (zh) 2020-10-09 2020-10-09 知识掌握信息处理方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111932160A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348725A (zh) * 2020-11-30 2021-02-09 上海松鼠课堂人工智能科技有限公司 基于大数据的知识点难度定级方法
CN114077873A (zh) * 2022-01-06 2022-02-22 江西风向标教育科技有限公司 数学试题难度类型的确定方法、系统、存储介质及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105654402A (zh) * 2015-12-25 2016-06-08 清华大学 基于时间维度和同类比较维度的学习能力判定方法和系统
CN107133196A (zh) * 2017-03-14 2017-09-05 杭州博世数据网络有限公司 一种基于大数据的知识点掌握概率计算方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105654402A (zh) * 2015-12-25 2016-06-08 清华大学 基于时间维度和同类比较维度的学习能力判定方法和系统
CN107133196A (zh) * 2017-03-14 2017-09-05 杭州博世数据网络有限公司 一种基于大数据的知识点掌握概率计算方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348725A (zh) * 2020-11-30 2021-02-09 上海松鼠课堂人工智能科技有限公司 基于大数据的知识点难度定级方法
CN114077873A (zh) * 2022-01-06 2022-02-22 江西风向标教育科技有限公司 数学试题难度类型的确定方法、系统、存储介质及设备

Similar Documents

Publication Publication Date Title
TWI567685B (zh) 透過線上測驗真實反映出受測者能力的系統、方法以及其儲存媒體
CN111858906B (zh) 习题推荐方法、装置、电子设备及计算机可读存储介质
CN112699283B (zh) 试卷生成方法及装置
CN111651677B (zh) 课程内容推荐方法、装置、计算机设备和存储介质
JP7052224B2 (ja) 学習支援装置、学習支援システム及びプログラム
CN111932160A (zh) 知识掌握信息处理方法、装置、计算机设备及存储介质
CN112348725A (zh) 基于大数据的知识点难度定级方法
CN115358897B (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
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
CN116739858B (zh) 基于时间序列分析的在线学习行为监测系统
JP6397146B1 (ja) 学習支援装置及びプログラム
CN114254122A (zh) 测试题的生成方法、装置、电子设备和可读存储介质
Mujtaba et al. Artificial intelligence in computerized adaptive testing
JP2006072122A (ja) 学習者習得特性分析システム及びその方法並びにプログラム
CN109800880B (zh) 基于动态学习风格信息的自适应学习特征提取系统及应用
CN112419815A (zh) 一种学习路径的规划方法及装置
CN111369140A (zh) 一种教学评价系统及方法
JP2012068572A (ja) 出題頻度と学習者の弱点を考慮した問題抽出機能を備えるｅ−ｌｅａｒｎｉｎｇシステム及び方法
CN111737448B (zh) 基于答题时长的基础学科简答题的选题方法及系统
CN111178770B (zh) 答题数据评估和学习图像构建方法、装置及存储介质
CN111782815A (zh) 一种知识测评的方法、装置、存储介质及电子设备
TW201428666A (zh) 個別觀念學習成效評估方法及其電腦可讀媒體
US20220398496A1 (en) Learning effect estimation apparatus, learning effect estimation method, and program
Triantafillou et al. CAT-MD: Computer adaptive test on mobile devices
CN117726082A (zh) 一种教学资源推荐方法、装置、电子设备及可读存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201113