CN111949870A - 一种基于记忆曲线的智能语言学习方法和存储介质 - Google Patents

一种基于记忆曲线的智能语言学习方法和存储介质 Download PDF

Info

Publication number
CN111949870A
CN111949870A CN202010804711.XA CN202010804711A CN111949870A CN 111949870 A CN111949870 A CN 111949870A CN 202010804711 A CN202010804711 A CN 202010804711A CN 111949870 A CN111949870 A CN 111949870A
Authority
CN
China
Prior art keywords
user terminal
examination point
point information
information
examination
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
CN202010804711.XA
Other languages
English (en)
Inventor
王振兴
罗楠
陈茜
陈彬
张昌宋
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.)
Concord University College Fujian Normal University
Original Assignee
Concord University College Fujian Normal University
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 Concord University College Fujian Normal University filed Critical Concord University College Fujian Normal University
Priority to CN202010804711.XA priority Critical patent/CN111949870A/zh
Publication of CN111949870A publication Critical patent/CN111949870A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9535Search customisation based on user profiles and personalisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24Querying
    • G06F16/245Query processing
    • G06F16/2457Query processing with adaptation to user needs
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/20Education
    • G06Q50/205Education administration or guidance

Landscapes

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

Abstract

本发明提供了一种基于记忆曲线的智能语言学习方法、存储介质和电子设备,所述方法包括以下步骤:S1:获取若干考点信息;所述考点信息包括考点词汇信息和/或考点试题信息;S2:记录第二用户终端上传的所述考点信息对应的答题结果,并根据所本次第二用户终端上传的答题结果,生成新的考点信息;S3:根据记忆曲线规律按照预定的时间间隔向所述第二用户终端再次推送新的考点信息。上述方案能够根据记忆曲线规律按照预定的时间间隔向所述第二用户终端再次推送新的考点信息,以使学生所使用的第二用户终端能不断地对考点信息进行强化学习记忆,提升了教学质量和效率。

Description

一种基于记忆曲线的智能语言学习方法和存储介质
技术领域
本发明涉及通讯领域,特别涉及一种基于记忆曲线的智能语言学习方法、存储介质和电子设备。
背景技术
随着计算机科技以及因特网的发展,许多学校或培训机构投入在线教学的领域中,希望通过计算机多媒体的技术提供更多样化的教学内容,或是更便利的教学系统。而学生在学习过程中,常常需通过考试的方式检验学生的学习成效。然而,对于学生学习能力的掌握目前还依赖于人工进行判断,以背诵词汇为例,通过需要教师在课堂上以听写的方式来考察,老师宣读、学生默写、收卷、教师批改等操作都会占用大量的教学时间,影响教学效率。且对于学生默写错误的单词,现有的教学方式也没有一个很好的长效反馈机制,导致经过一定时间后学生对于已掌握的知识点又再次遗忘,导致教学质量的进一步下滑。
发明内容
为此,需要提供一种基于记忆曲线的智能语言学习的技术方案,用以解决现有出卷方式复杂、影响教学效率的问题。
为实现上述目的,作为本申请的第一方面,提供了一种基于记忆曲线的智能语言学习方法,所述方法包括以下步骤:
S1:获取若干考点信息;所述考点信息包括考点词汇信息和/或考点试题信息;
S2:记录第二用户终端上传的所述考点信息对应的答题结果,并根据所本次第二用户终端上传的答题结果,生成新的考点信息;
S3:根据记忆曲线规律按照预定的时间间隔向所述第二用户终端再次推送新的考点信息。
作为一种可选的实施例,“根据所本次第二用户终端上传的答题结果,生成新的考点信息”包括:
将所述第二用户终端的答题结果与预设标准结果进行比对,得到当前第二用户终端的错题记录;
根据本次第二用户终端的错题记录以及历史错题记录生成新的考点信息。
作为一种可选的实施例,“根据本次第二用户终端的错题记录以及历史错题记录生成新的考点信息”
检测当前各考点词汇信息和/或考点试题的权重值是否大于预设权重值,若是则将其记录于新的考点信息中,否则不将其记录于新的考点信息中;所述考点词汇信息和/或考点试题的权重值根据第二用户终端上传答题结果的时间戳以及历史错题记录中该点词汇信息和/或考点试题的错误率进行确定。
作为一种可选的实施例,所述记忆曲线规律包括:以第一次第二用户终端上传的答题结果的时间戳为基准,经过5分钟、30分钟、12小时、1天、2天、4天、7天、15天依次推送新的考点信息。
作为一种可选的实施例,步骤S1之前还包括:
接收第一用户终端上传的词汇库页码范围,所述词汇库包括若干考点词汇和/或考点试题;
步骤S1包括:
根据所述词汇库页码范围从所述词汇库中提取考点信息。
作为一种可选的实施例,步骤S2之前还包括:
接收第一用户终端设定的答题环境参数,将所述考点信息和所述答题环境参数发送给第二用户终端;所述答题环境参数包括做答预定时间。
作为一种可选的实施例,所述方法包括:
在检测到所述第二用户终端开始对所述待推送试卷进行做答后,若做答时间达到所述做答预定时间,则停止接收所述第二用户终端输入信息,并将当前第二用户终端上的答题结果上传至所述第一用户终端。
作为一种可选的实施例,所述答题环境参数还包括限制切屏次数;所述方法包括:
当检测到所述第二用户终端的切屏次数大于预设切屏次数时,则停止接收所述第二用户终端继续输入的答题信息,并将当前第二用户终端上的答题结果上传至所述第一用户终端;所述切屏次数是指从当前屏幕正在运行的应用程序切换为其他应用程序的次数。
本申请的第二方面提供了一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序被运行时执行如本申请第一方面所述的方法。
本申请的第三方面还提供了一种电子设备,所述电子设备包含如本申请第二方面所述的存储介质。
区别于现有技术,本发明提供了一种基于记忆曲线的智能语言学习方法、存储介质和电子设备,所述方法包括以下步骤:S1:获取若干考点信息;所述考点信息包括考点词汇信息和/或考点试题信息;S2:记录第二用户终端上传的所述考点信息对应的答题结果,并根据所本次第二用户终端上传的答题结果,生成新的考点信息;S3:根据记忆曲线规律按照预定的时间间隔向所述第二用户终端再次推送新的考点信息。上述方案能够根据记忆曲线规律按照预定的时间间隔向所述第二用户终端再次推送新的考点信息,以使得学生所使用的第二用户终端能不断地对考点信息进行强化学习记忆,提升了教学质量和效率。
附图说明
图1是本发明一实施例涉及的基于记忆曲线的智能语言学习方法的流程图。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
如图1所示,本发明提供了一种基于记忆曲线的智能语言学习方法所述方法包括以下步骤:
首先进入步骤S1:获取若干考点信息;所述考点信息包括考点词汇信息和/或考点试题信息。
所述考点信息为待学习的语言内容。优选的,第二用户终端可以从所述第一用户终端处获取所述考点信息,第二用户终端为学生正在操作使用的移动终端,第一用户终端为教师正在操作使用的用户终端,第一用户终端和第二用户终端可以建立网络通信连接进行数据交互。
所述考点词汇可以为中文、英文或其他语言,优选的,在本实施例中,所述考点词汇为英文。考点词汇可以从词汇库中获得,词汇库根据不同应用场景的需要,又可以划分为不同难度等级,以英文为例,考点词汇可以分为四级词汇、六级词汇、雅思词汇等等。考点试题包括选择题、填空题、听写题等。
而后进入步骤S2:记录第二用户终端上传的所述考点信息对应的答题结果,并根据本次第二用户终端上传的答题结果,生成新的考点信息。
以考点信息为考点词汇信息为例,则所述答题结果为对于词汇的拼写内容,学生可以在自身操作的第二用户终端上进行做答,并将结果上传至第一用户终端。第一用户终端的应用程序可以对所述答题结果进行分析,判断当前学生答题的正确率,从而生成新的考点信息。所述新的考点信息为下一次需要推送给第二用户终端的考点信息。
而后进入步骤S3:根据记忆曲线规律按照预定的时间间隔向所述第二用户终端再次推送新的考点信息。
优选的,所述预定的时间间隔是根据记忆曲线规律进行设定的。在本实施方式中,所述记忆曲线规律包括:以第一次第二用户终端上传的答题结果的时间戳为基准,经过5分钟、30分钟、12小时、1天、2天、4天、7天、15天依次推送新的考点信息。即第一用户终端在第一次发送考点信息给第二用户终端后,在之后的5分钟、30分钟、12小时、1天、2天、4天、7天、15天都会再次推送新的考点信息给第二用户终端,以使学生可以再次通过第二用户终端做答,对掌握的知识点进行巩固。当然,在另一些实施例中,记忆曲线规律中的时间间隔周期还可以根据实际需要进行调整。
在某些实施例中,“根据所本次第二用户终端上传的答题结果,生成新的考点信息”包括:将所述第二用户终端的答题结果与预设标准结果进行比对,得到当前第二用户终端的错题记录;根据本次第二用户终端的错题记录以及历史错题记录生成新的考点信息。
优选的,“根据本次第二用户终端的错题记录以及历史错题记录生成新的考点信息”检测当前各考点词汇信息和/或考点试题的权重值是否大于预设权重值,若是则将其记录于新的考点信息中,否则不将其记录于新的考点信息中;所述考点词汇信息和/或考点试题的权重值根据第二用户终端上传答题结果的时间戳以及历史错题记录中该点词汇信息和/或考点试题的错误率进行确定。简言之,如果在历史的答题过程中,某一考点信息学生的错误率越高、答题时间越近,则该考点信息对应的权重值就越大,越可能在下一次将要推送给第二用户终端的新的考点信息中体现。
记忆曲线告诉人们在学习中的遗忘是有规律的,遗忘的进程很快,并且先快后慢。设初次记忆后经过了x小时,那么记忆率y近似地满足y=1-0.56x^0.06。观察曲线,不难发现,学得的知识在一天后,如不抓紧复习,就只剩下原来的25%。随着时间的推移,遗忘的速度减慢,遗忘的数量也就减少。有人做过一个实验,两组学生学习一段课文,甲组在学习后不复习,一天后记忆率36%,一周后只剩13%。乙组按艾宾浩斯记忆规律复习,一天后保持记忆率98%,一周后保持86%,乙组的记忆率明显高于甲组。
因此,根据记忆曲线规律按预定的时间间隔顺序向所述第二用户终端推送新的考点信息包括:针对各第二用户终端推送相应的错题,且时间日期为依次在一天后、三天后、一周后、两周后(假设记忆曲线规律被设置为1天后、3天后、7天后和14天后)推送新的考点信息给第二用户终端,同时在每次推送时对应设置本次完成时间,以使得第二用户终端能够在预定的完成时间内完成做答。
例如在某一次针对考点信息进行做答时一位学生做错了20道题,则在一天后系统会推送这20道题给该学生进行练习,在本次练习中该学生又做错了10道题,则在三天后的推送错题中,会推送该学生在上一次练习累计做错的10道题,而对于上一次练习已经做对的10道题,尽管也还会进行推送,但是推送的权重值有所下降,如果在本次练习过程中,该学生又做对了上次做对的所有10道题,则在下一次(一周后)的推送错题过程中,系统只会推荐两次练习都做对的5道题给该学生练习,如果5道题又都做对了,则在下一次(两周后)的推送错题的过程中,将不再推送这5道题。通过错误率统计和推送错题的数量的平衡计算,能够使错题的推送更具针对性,学生也更容易掌握相应的知识点,提升教学质量。
在某些实施例中,步骤S1之前还包括:接收第一用户终端上传的词汇库页码范围,所述词汇库包括若干考点词汇和/或考点试题;步骤S1包括:根据所述词汇库页码范围从所述词汇库中提取考点信息。所述第一用户终端为教师正在操作使用的终端,教师可以直接选取词汇库的页码,提取相应页码范围的词汇来生成考点信息。当然,教师还可以通过上传预设格式文件的形式来完成对考点信息的选取,所述预设格式文件中包含有所述考点信息。这样,教师只需选择词汇库页码范围或者上传预设格式文件,系统就会自动生成相应的考点信息,极大的简化了教师的操作步骤,提升了教学效率。
在某些实施例中,步骤S2之前还包括:接收第一用户终端设定的答题环境参数,将所述考点信息和所述答题环境参数发送给第二用户终端;所述答题环境参数包括做答预定时间。优选的,所述方法包括:在检测到所述第二用户终端开始对所述待推送试卷进行做答后,若做答时间达到所述做答预定时间,则停止接收所述第二用户终端输入信息,并将当前第二用户终端上的答题结果上传至所述第一用户终端。这样,当到达答题时间,系统可以实现自动收卷功能,既提升了效率又保证了学生做答的公平性。
在某些实施例中,所述答题环境参数还包括限制切屏次数;所述方法包括:当检测到所述第二用户终端的切屏次数大于预设切屏次数时,则停止接收所述第二用户终端继续输入的答题信息,并将当前第二用户终端上的答题结果上传至所述第一用户终端;所述切屏次数是指从当前屏幕正在运行的应用程序切换为其他应用程序的次数。优选的,所述限制切屏次数为两次。
简言之,当待推送的考点信息发送给第二用户终端后,学生可以在第二用户终端上使用相对应的应用程序或小程序上进行作答,为了防止学生之间相互作弊,需要使得答题界面始终保持在第二用户终端的前端运行,因而可以通过设置限制切屏次数来实现,即当检测到所述第二用户终端的切屏次数大于预设切屏次数时,则停止接收所述第二用户终端输入信息,并将当前第二用户终端上的答题结果上传至所述第一用户终端。这样,可以有效保证测验的公平性。
作为本申请的第二方面,本申请还提供了一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序用于执行如本申请第一方面所述的方法。所述存储介质为具有数据存储功能的电子元件,包括但不限于:RAM、ROM、磁碟、磁带、光盘、闪存、U盘、移动硬盘、存储卡、记忆棒等。
作为本申请的第三方面,本申请还提供了一种电子设备,所述电子设备包含如本申请第二方面所述的存储介质。所述电子设备可以是手机、平板电脑、个人数字助理等智能移动设备,还可以是个人计算机、扫描仪等电子设备。
在某些实施例中,为了进一步提升教学效率,本申请的方法还提供了一种能够对于词汇进行运算,实现组卷功能的方案,具体的,所述方法包括以下步骤:
首先进入步骤S101:获取若干考点词汇和待生成题型。
而后进入步骤S201:根据待生成题型对获取的若干考点词汇进行计算,以得到待组卷试题。
第一方面,以所述待生成题型为听写题为例,步骤S201包括:S21:根据考点词汇生成相应音频信息,并将所述考点词汇与所述音频信息相对应得到所述听写题。以英文词汇为例,所述音频信息就是指当前英文词汇的标准发音,所述听写题是指用户根据所述标准发音听写与音频信息相对应的词汇,在试卷上体现听写题时可以只保留所述音频信息,而隐去与之相对应的考点词汇(如进行下划线处理)。
第二方面,以所述待生成题型为选择题为例,步骤S2包括:S22:根据所述考点词汇的字形从词库中搜索与当前考点词汇字形相似的近似词汇,获取所述近似词汇的含义内容,并将所述近似词汇的含义内容与当前考点词汇的含义内容进行比较,若相似则保留所述近似词汇,否则删除所述近似词汇;以及从保留下来的近似词汇中选出若干近似词汇与当前考点词汇组成所述选择题的备选项。
以英文词汇为例,可以根据当前考点词汇的英文字母组成,从词库中寻找与组成方式相近似的词汇作为当前选择题的错误选项,而这些错误选项中如果出现含义内容(如中文释义)与考点词汇相近似的,无疑会对选择题的选项造成干扰。因而将所述近似词汇的含义内容与当前考点词汇的含义内容进行比较,若相似则保留所述近似词汇,否则删除所述近似词汇,从而有效排除掉了干扰选项。而选择题的题目为包含有当前考点词汇的例句,只是在处理时将例句中考点词汇所在位置用下划线取代,并在例句下方相应排版备选项,从而完成选择题的生成。
第三方面,所述待生成题型包括填空题,步骤S201包括:S23:抽取包含有所述考点词汇的例句,根据通用的分隔符将例句依阅读顺序分割成若干个词汇;将所述例句中与所述考点词汇相匹配的词汇替换为下划线,得到所述填空题。简言之,填空题的例句生成方式与选择题类型,区别在于填空题不额外再生成备选项。
步骤S201之后可以进入步骤S301:对各待组卷试题进行排列组合,生成待推送试卷。
优选的,对各待组卷试题进行排列组合可以基于题型顺序来排布,例如在试卷的开头为听写题,而后为选择题,而后为填空题。当然,也可以根据实际需要适应性调整各试题的顺序。
在某些实施例中,步骤S101之前还包括:接收第一用户终端上传的词汇库页码范围和预设格式文件,所述词汇库包括若干考点词汇,所述预设格式文件包括待生成题型及各题型的数量。所述第一用户终端为教师控制的用户终端,教师在实际应用场景中,可以通过选择词汇库页码范围和预设格式文件来生成待推送试卷。例如某一教师可以选择四级词汇库中某一单元的页码范围,系统则会提取出所选择的页码范围内的所有考点词汇,并通过前文所描述的方式生成相应的题型。
优选的,在这一实施例中,步骤S101包括:根据所述词汇库页码范围从所述词汇库中提取若干考点词汇,以及从所述预设格式文件中获取的待生成题型及各题型的数量;所述待推送的试卷的试题类型和数量与所述预设格式文件中获取的待生成题型及各题型的数量相同。这样,教师只需选择词汇库页码范围以及上传预设格式文件,系统就会自动生成与预设格式文件相匹配的试卷(即生成的题型排布、题型数量与预设格式文件所包含的题型排布、题型数量相匹配),极大地简化了教师的操作步骤,提升了组卷效率。
当然,在另一些实施例中,教师也可以通过其控制的第一用户终端直接输入生成的题型类型和各题型对应的数量来生成待推送试卷,以满足不同的应用场景需求。
在某些实施例中,步骤S301包括:获取第一用户终端输入的试卷类型和各类型的试卷数量,对各待组卷试题进行排列组合,生成多个不同类型的待推送试卷;每个类型的待推送试卷数量与输入的该类型对应的试卷数量相同,不同类型的待推送试卷的题型不完全相同。简言之,生成的试卷所包含的题型和数量都可以不同,相当于形成了多套不同的试卷推送给不同的第二用户终端,进一步杜绝了学生之间相互作弊的可能。优选的,可以采用随机数算法来推送待推送试卷,即生成的多套试卷推送给多个第二用户终端时是完全随机的,每个人都不知道自己分配到的试卷题型和数量,从而进一步杜绝了学生之间相互作弊的可能。
需要说明的是,尽管在本文中已经对上述各实施例进行了描述,但并非因此限制本发明的专利保护范围。因此,基于本发明的创新理念,对本文所述实施例进行的变更和修改,或利用本发明说明书及附图内容所作的等效结构或等效流程变换,直接或间接地将以上技术方案运用在其他相关的技术领域,均包括在本发明的专利保护范围之内。

Claims (10)

1.一种基于记忆曲线的智能语言学习方法,其特征在于,所述方法包括以下步骤:
S1:获取若干考点信息;所述考点信息包括考点词汇信息和/或考点试题信息;
S2:记录第二用户终端上传的所述考点信息对应的答题结果,并根据所本次第二用户终端上传的答题结果,生成新的考点信息;
S3:根据记忆曲线规律按照预定的时间间隔向所述第二用户终端再次推送新的考点信息。
2.如权利要求1所述的基于记忆曲线的智能语言学习方法,其特征在于,“根据所本次第二用户终端上传的答题结果,生成新的考点信息”包括:
将所述第二用户终端的答题结果与预设标准结果进行比对,得到当前第二用户终端的错题记录;
根据本次第二用户终端的错题记录以及历史错题记录生成新的考点信息。
3.如权利要求1所述的基于记忆曲线的智能语言学习方法,其特征在于,“根据本次第二用户终端的错题记录以及历史错题记录生成新的考点信息”
检测当前各考点词汇信息和/或考点试题的权重值是否大于预设权重值,若是则将其记录于新的考点信息中,否则不将其记录于新的考点信息中;所述考点词汇信息和/或考点试题的权重值根据第二用户终端上传答题结果的时间戳以及历史错题记录中该点词汇信息和/或考点试题的错误率进行确定。
4.如权利要求1所述的基于记忆曲线的智能语言学习方法,其特征在于,所述记忆曲线规律包括:以第一次第二用户终端上传的答题结果的时间戳为基准,经过5分钟、30分钟、12小时、1天、2天、4天、7天、15天依次推送新的考点信息。
5.如权利要求1所述的基于记忆曲线的智能语言学习方法,其特征在于,步骤S1之前还包括:
接收第一用户终端上传的词汇库页码范围,所述词汇库包括若干考点词汇和/或考点试题;
步骤S1包括:
根据所述词汇库页码范围从所述词汇库中提取考点信息。
6.如权利要求1所述的基于记忆曲线的智能语言学习方法,其特征在于,步骤S2之前还包括:
接收第一用户终端设定的答题环境参数,将所述考点信息和所述答题环境参数发送给第二用户终端;所述答题环境参数包括做答预定时间。
7.如权利要求6所述的基于记忆曲线的智能语言学习方法,其特征在于,所述方法包括:
在检测到所述第二用户终端开始对所述待推送试卷进行做答后,若做答时间达到所述做答预定时间,则停止接收所述第二用户终端输入信息,并将当前第二用户终端上的答题结果上传至所述第一用户终端。
8.如权利要求6所述的基于记忆曲线的智能语言学习方法,其特征在于,所述答题环境参数还包括限制切屏次数;所述方法包括:
当检测到所述第二用户终端的切屏次数大于预设切屏次数时,则停止接收所述第二用户终端继续输入的答题信息,并将当前第二用户终端上的答题结果上传至所述第一用户终端;所述切屏次数是指从当前屏幕正在运行的应用程序切换为其他应用程序的次数。
9.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,所述计算机程序被运行时执行如权利要求1至8任一项所述的方法。
10.一种电子设备,其特征在于,所述电子设备包含如权利要求9所述的存储介质。
CN202010804711.XA 2020-08-12 2020-08-12 一种基于记忆曲线的智能语言学习方法和存储介质 Pending CN111949870A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010804711.XA CN111949870A (zh) 2020-08-12 2020-08-12 一种基于记忆曲线的智能语言学习方法和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010804711.XA CN111949870A (zh) 2020-08-12 2020-08-12 一种基于记忆曲线的智能语言学习方法和存储介质

Publications (1)

Publication Number Publication Date
CN111949870A true CN111949870A (zh) 2020-11-17

Family

ID=73332203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010804711.XA Pending CN111949870A (zh) 2020-08-12 2020-08-12 一种基于记忆曲线的智能语言学习方法和存储介质

Country Status (1)

Country Link
CN (1) CN111949870A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113590762A (zh) * 2021-09-26 2021-11-02 北京易言科技有限公司 试题信息的推荐方法、装置、电子设备及计算机可读介质
CN113724560A (zh) * 2021-09-22 2021-11-30 叶东富 一种自适应背单词的系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015206835A (ja) * 2014-04-17 2015-11-19 株式会社エレナ 学習システム
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
CN110209563A (zh) * 2019-05-31 2019-09-06 掌阅科技股份有限公司 试题测评监管方法、电子设备及计算机存储介质
CN110400117A (zh) * 2018-04-24 2019-11-01 中国移动通信集团有限公司 一种错题的提醒方法、电子设备及存储介质
CN110399541A (zh) * 2019-05-31 2019-11-01 平安国际智慧城市科技股份有限公司 基于深度学习的题目推荐方法、装置及存储介质
CN111125342A (zh) * 2019-12-17 2020-05-08 深圳市鹰硕技术有限公司 习题测试数据生成方法以及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015206835A (ja) * 2014-04-17 2015-11-19 株式会社エレナ 学習システム
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
CN110400117A (zh) * 2018-04-24 2019-11-01 中国移动通信集团有限公司 一种错题的提醒方法、电子设备及存储介质
CN110209563A (zh) * 2019-05-31 2019-09-06 掌阅科技股份有限公司 试题测评监管方法、电子设备及计算机存储介质
CN110399541A (zh) * 2019-05-31 2019-11-01 平安国际智慧城市科技股份有限公司 基于深度学习的题目推荐方法、装置及存储介质
CN111125342A (zh) * 2019-12-17 2020-05-08 深圳市鹰硕技术有限公司 习题测试数据生成方法以及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李卫江: "《现代远程教育理论探索与实践》", 31 December 2006 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113724560A (zh) * 2021-09-22 2021-11-30 叶东富 一种自适应背单词的系统
CN113590762A (zh) * 2021-09-26 2021-11-02 北京易言科技有限公司 试题信息的推荐方法、装置、电子设备及计算机可读介质
CN113590762B (zh) * 2021-09-26 2024-03-08 北京易言科技有限公司 试题信息的推荐方法、装置、电子设备及计算机可读介质

Similar Documents

Publication Publication Date Title
US10885809B2 (en) Device for language teaching with time dependent data memory
US20050084830A1 (en) Method of teaching a foreign language of a multi-user network requiring materials to be presented in audio and digital text format
CN111522970A (zh) 习题推荐方法、装置、设备及存储介质
CN109712446A (zh) 基于生词检测的语言学习方法
CN111949870A (zh) 一种基于记忆曲线的智能语言学习方法和存储介质
CN111610901B (zh) 一种基于ai视觉下的英语课文辅助教学方法及系统
CN113254708A (zh) 一种视频搜索方法、装置、计算机设备及存储介质
CN113779345B (zh) 一种教学材料生成方法、装置、计算机设备和存储介质
CN113836894B (zh) 多维度英语作文评分方法、装置及可读存储介质
JP6656529B2 (ja) 外国語の会話訓練システム
CN111967255A (zh) 一种基于互联网的语言自动组卷评测方法和存储介质
CN113963306B (zh) 基于人工智能的课件片头制作方法和装置
CN113177394B (zh) 海外视频教学资源转化系统及方法、电子设备及存储介质
CN116110262A (zh) 语音答题的评判方法、装置、设备及存储介质
CN112560431A (zh) 用于生成试题辅导信息的方法、装置、设备、存储介质以及计算机程序产品
CN112256743A (zh) 一种自适应出题方法、设备及存储介质
JP2021162732A (ja) 課題レコメンドシステム
CN111968434A (zh) 一种线上无纸化语言训练与评测的方法和存储介质
CN111932968A (zh) 一种基于互联网的语言教学互动的方法和存储介质
KR102658252B1 (ko) 캐릭터를 활용한 인공지능 자연어 처리 기반의 화상교육 콘텐츠 제공 방법 및 장치
CN113140210B (zh) 音频批改方法、装置、电子设备和存储介质
CN117079222B (zh) 一种基于课堂音视频智能分析的教案生成方法和系统
CN116595152A (zh) 基于大语言模型叠加适配器的儿童语言能力测试方法
CN111243367A (zh) 一种机器人教学系统
CN113919547A (zh) 一种教学质量预测方法、装置、设备及产品

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