CN112015830A - 适用于自适应学习的题目存储方法 - Google Patents

适用于自适应学习的题目存储方法 Download PDF

Info

Publication number
CN112015830A
CN112015830A CN202010899352.0A CN202010899352A CN112015830A CN 112015830 A CN112015830 A CN 112015830A CN 202010899352 A CN202010899352 A CN 202010899352A CN 112015830 A CN112015830 A CN 112015830A
Authority
CN
China
Prior art keywords
question
knowledge
data
answering
preset object
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010899352.0A
Other languages
English (en)
Other versions
CN112015830B (zh
Inventor
王鑫
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.)
Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Original Assignee
Shanghai Squirrel Classroom Artificial Intelligence 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 Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd filed Critical Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Priority to CN202010899352.0A priority Critical patent/CN112015830B/zh
Publication of CN112015830A publication Critical patent/CN112015830A/zh
Application granted granted Critical
Publication of CN112015830B publication Critical patent/CN112015830B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2291—User-Defined Types; Storage management thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明提供了适用于自适应学习的题目存储方法，其能够根据预设对象在对关于不同知识点的不同类型题目的作答情况，确定预设对象对每一个题目的掌握熟练程度，再对每一个题目进行熟练与否的划分和难度等级的排序，并最终将排序后的题目进行存储，从而保证全面地保存学生在完成作业和/或试卷过程中的历史题目作答数据，以及便于对学生进行不熟练题目的循环反复测试，改善教学过程中的题目数据可追溯性和有效地提高教学质量。

Description

适用于自适应学习的题目存储方法
技术领域
本发明涉及智能教育的技术领域，特别涉及适用于自适应学习的题目存储方法。
背景技术
为了及时获得学生在学习过程中对不同知识点的掌握程度，需要安排相应的作业和/或试卷来对学生进行测试，这样通过对该作业和该试卷进行评判确定学生对不同题目的作答正确与否，就能够客观地确定学生对不同知识点的掌握程度。但是，上述方式都只是一次性对学生进行知识测试，其并不能全面地保存学生在完成作业和/或试卷过程中的历史题目作答数据，这不利于对学生进行不熟练题目的循环反复测试，从而降低教学过程中的题目数据可追溯性和无法有效地提高教学质量。
发明内容
针对现有技术存在的缺陷，本发明提供适用于自适应学习的题目存储方法，其通过获取预设对象的历史知识学习数据，并根据该历史知识学习数据形成关于知识点和不同类型题目的作业和/或试卷，以及获取该预设对象在完成该作业和/或该试卷过程中的题目完成数据，并根据该题目完成数据确定该预设对象对该历史知识学习数据的掌握程度信息，再根据该掌握程度信息，对该作业和/或该试卷中的所有题目进行分类，以此获得关于该预设对象的熟练题目集合和非熟练题目集合，最后对该熟练题目集合和该非熟练题目集合中各自包含的题目分别进行难度等级排序，再将排序后的题目进行存储；可见，该适用于自适应学习的题目存储方法能够根据预设对象在对关于不同知识点的不同类型题目的作答情况，确定预设对象对每一个题目的掌握熟练程度，再对每一个题目进行熟练与否的划分和难度等级的排序，并最终将排序后的题目进行存储，从而保证全面地保存学生在完成作业和/或试卷过程中的历史题目作答数据，以及便于对学生进行不熟练题目的循环反复测试，改善教学过程中的题目数据可追溯性和有效地提高教学质量。
本发明提供适用于自适应学习的题目存储方法，其特征在于，其包括如下步骤：
步骤S1，获取预设对象的历史知识学习数据，并根据所述历史知识学习数据形成关于不同知识点和不同类型题目的作业和/或试卷；
步骤S2，获取所述预设对象在完成所述作业和/或所述试卷过程中的题目完成数据，并根据所述题目完成数据确定所述预设对象对所述历史知识学习数据的掌握程度信息；
步骤S3，根据所述掌握程度信息，对所述作业和/或所述试卷中的所有题目进行分类，以此获得关于所述预设对象的熟练题目集合和非熟练题目集合；
步骤S4，对所述熟练题目集合和所述非熟练题目集合中各自包含的题目分别进行难度等级排序，再将排序后的题目进行存储；
进一步，在所述步骤S1中，获取预设对象的历史知识学习数据具体包括：
步骤S101A，获取所述预设对象在线上学习过程中对应的历史课程知识教授数据和学习课程大纲数据，从所述历史课程知识教授数据和所述学习课程大纲数据中提取得到相应的历史知识学习数据；
步骤S102A，对所述历史知识学习数据的每一项数据进行知识所属学科信息和知识难度级别信息的标识；
进一步，在所述步骤S1中，根据所述历史知识学习数据形成关于不同知识点和不同类型题目的作业和/或试卷具体包括：
步骤S101B，根据所述历史知识学习数据的每一项数据对应标识的所述知识所属学科信息和所述知识难度级别信息，从预设题目库中摘选关于不同学科知识的若干判断题目、若干选择题目、若干填空题目和若干问答题目；
步骤S102B，对摘选得到的若干所述判断题目、若干所述选择题目、若干所述填空题目和若干所述问答题目进行题目版面顺序的调整，从而形成所述作业和/或所述试卷；
进一步，在所述步骤S1中，获取预设对象的历史知识学习数据，并根据所述历史知识学习数据形成关于不同知识点和不同类型题目的作业和/或试卷具体包括：
第一、获取预设对象的历史知识学习数据，并对所述历史知识学习数据进行知识点分类预处理，从而获得若干个分类知识，同时根据下面公式(1)，确定每一个分类知识对于所述预设对象的难易程度值s
Figure BDA0002659438750000031
在上述公式(1)中，n表示所述预设对象对所述分类知识进行解答的解答次数，Gi表示所述预设对象第i次对所述分类知识进行解答的正确程度值，G′表示所述预设对象对所述分类知识进行n次解答的平均正确程度值，Gmax表示所述预设对象对所述分类知识进行n次解答的正确程度值中的最大正确程度值，Gmin表示所述预设对象对所述分类知识进行n次解答的正确程度值中的最小正确程度值；
第二，根据所述若干个分类知识，构建第一学习资料，并根据所述难易程度值S，确定所述预设对象对每个所述分类知识的掌握情况，并根据所述掌握情况，对所述第一学习资料进行优化，获得第二学习资料；
第三，根据下面公式(2)和(3)，确定所述第二学习资料的综合有效值Z，
Figure BDA0002659438750000032
δ＝rand(1,5) (3)
在上述公式(2)和(3)中，m表示所述第二学习资料包含的分类知识的总个数，wj表示第j个分类知识的知识本身的权重值，sj表示第j个分类知识对于所述预设对象的难易程度值，δ表示对最大难易程度值smax对应的分类知识的修正参数，rand表示随机函数；
第四，确定所述综合有效值Z对应的综合等级，并按照所述综合等级，与所述第二学习资料中所包含的分类知识建立标识关系，来确定对应的不同知识点和不同类型题目的作业和/或试卷，再输出所述作业和/或所述试卷；
进一步，在所述步骤S2中，获取所述预设对象在完成所述作业和/或所述试卷过程中的题目完成数据，并根据所述题目完成数据确定所述预设对象对所述历史知识学习数据的掌握程度信息具体包括：
步骤S201，对所述预设对象在完成所述作业和/或所述试卷的题目作答数据信息以及题目作答耗费时间；
步骤S202，将所述题目作答数据信息与预设题目标准答案库进行比对处理，以此确定所述预设对象在完成所述作业和/或所述试卷的每一个题目的作答评分分值；
步骤S203，根据所述作答评分分值和所述题目作答耗费时间，确定所述预设对象对所述历史知识学习数据的掌握程度信息；
进一步，在所述步骤S202中，将所述题目作答数据信息与预设题目标准答案库进行比对处理，以此确定所述预设对象在完成所述作业和/或所述试卷的每一个题目的作答评分分值具体包括：
步骤S2021，根据所述题目作答数据信息划分为客观题目作答数据信息和主观题目作答数据信息；
步骤S2022，将所述客观题目作答数据信息与所述预设题目标准答案库中的预设客观题目标准答案进行比对处理，从而确定每一个客观题目的作答评分分值；
步骤S2023，将所述主观题目作答数据信息中的每一个主观题目作答数据划分为若干作答步骤数据，并将每一个作答步骤数据与所述预设题目标准答案库对应的预设标准作答步骤数据进行比对，以此获得每一个作答步骤数据各自对象的步骤评分分值，再将所有步骤评分分值进行累加，从而得到每一个主观题目的作答评分分值；
进一步，在所述步骤S203中，根据所述作答评分分值和所述题目作答耗费时间，确定所述预设对象对所述历史知识学习数据的掌握程度信息具体包括：
步骤S2031，根据所述题目作答耗费时间，确定所述预设对象在完成所述作业和/或所述试卷中每一个题目的单独作答耗费时间；
步骤S2032，根据每一个题目的单独作答耗费时间和每一个题目的作答评分分值，确定所述预设对象对所述历史知识学习数据的掌握程度信息；
进一步，在所述步骤S3中，根据所述掌握程度信息，对所述作业和/或所述试卷中的所有题目进行分类，以此获得关于所述预设对象的熟练题目集合和非熟练题目集合具体包括：
步骤S301，根据所述掌握程度信息，确定所述预设对象对所述作业和/或所述试卷中的每一个题目的掌握熟练值；
步骤S302，将每一个题目对应的掌握熟练值与预设掌握熟练阈值进行比对，若所述掌握熟练值大于或者等于所述预设掌握熟练阈值，则将对应的题目划分到熟练题目集合，若所述掌握熟练值小于所述预设掌握熟练阈值，则将对应的题目划分到非熟练题目集合；
进一步，在所述步骤S4中，对所述熟练题目集合和所述非熟练题目集合中各自包含的题目分别进行难度等级排序，再将排序后的题目进行存储具体包括：
步骤S401，根据题目的作答正确率和题目关联知识点的难度，对对所述熟练题目集合和所述非熟练题目集合中各自包含的题目分别进行难度等级排序；
步骤S402，根据题目的在所述作业和/或所述试卷中的出现时序，依次将将排序后的题目上传至云端存储器进行存储。
相比于现有技术，该适用于自适应学习的题目存储方法通过获取预设对象的历史知识学习数据，并根据该历史知识学习数据形成关于知识点和不同类型题目的作业和/或试卷，以及获取该预设对象在完成该作业和/或该试卷过程中的题目完成数据，并根据该题目完成数据确定该预设对象对该历史知识学习数据的掌握程度信息，再根据该掌握程度信息，对该作业和/或该试卷中的所有题目进行分类，以此获得关于该预设对象的熟练题目集合和非熟练题目集合，最后对该熟练题目集合和该非熟练题目集合中各自包含的题目分别进行难度等级排序，再将排序后的题目进行存储；可见，该适用于自适应学习的题目存储方法能够根据预设对象在对关于不同知识点的不同类型题目的作答情况，确定预设对象对每一个题目的掌握熟练程度，再对每一个题目进行熟练与否的划分和难度等级的排序，并最终将排序后的题目进行存储，从而保证全面地保存学生在完成作业和/或试卷过程中的历史题目作答数据，以及便于对学生进行不熟练题目的循环反复测试，改善教学过程中的题目数据可追溯性和有效地提高教学质量。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
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为本发明提供的适用于自适应学习的题目存储方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，为本发明实施例提供的适用于自适应学习的题目存储方法的流程示意图。该适用于自适应学习的题目存储方法包括如下步骤：
步骤S1，获取预设对象的历史知识学习数据，并根据该历史知识学习数据形成关于不同知识点和不同类型题目的作业和/或试卷；
步骤S2，获取该预设对象在完成该作业和/或该试卷过程中的题目完成数据，并根据该题目完成数据确定该预设对象对该历史知识学习数据的掌握程度信息；
步骤S3，根据该掌握程度信息，对该作业和/或该试卷中的所有题目进行分类，以此获得关于该预设对象的熟练题目集合和非熟练题目集合；
步骤S4，对该熟练题目集合和该非熟练题目集合中各自包含的题目分别进行难度等级排序，再将排序后的题目进行存储。
该适用于自适应学习的题目存储方法通过根据预设对象在对关于不同知识点的不同类型题目的作答情况，确定预设对象对每一个题目的掌握熟练程度，再对每一个题目进行熟练与否的划分和难度等级的排序，并最终将排序后的题目进行存储，从而保证全面地保存学生在完成作业和/或试卷过程中的历史题目作答数据，以及便于对学生进行不熟练题目的循环反复测试，改善教学过程中的题目数据可追溯性和有效地提高教学质量。
优选地，在该步骤S1中，获取预设对象的历史知识学习数据具体包括：
步骤S101A，获取该预设对象在线上学习过程中对应的历史课程知识教授数据和学习课程大纲数据，从该历史课程知识教授数据和该学习课程大纲数据中提取得到相应的历史知识学习数据；
步骤S102A，对该历史知识学习数据的每一项数据进行知识所属学科信息和知识难度级别信息的标识。
通过对预设对象进行线上学习对应的历史课程知识教授数据和学习课程大纲数据进行分析处理，能够保证生成的历史知识学习数据能够全面地和精确地反映预设对象的真实学习状态，而对该历史知识学习数据进行所属学科和难度级别的标识，能够提高该历史知识学习数据的标识性，以便于后续对该历史知识学习数据进行快速的处理。
优选地，在该步骤S1中，根据该历史知识学习数据形成关于不同知识点和不同类型题目的作业和/或试卷具体包括：
步骤S101B，根据该历史知识学习数据的每一项数据对应标识的该知识所属学科信息和该知识难度级别信息，从预设题目库中摘选关于不同学科知识的若干判断题目、若干选择题目、若干填空题目和若干问答题目；
步骤S102B，对摘选得到的若干该判断题目、若干该选择题目、若干该填空题目和若干该问答题目进行题目版面顺序的调整，从而形成该作业和/或该试卷。
通过根据该历史知识学习数据形成不同难度等级的判断题目、选择题目、填空题目和问答题目，能够最大限度地全面考核预设对象的知识学习状态，从而便于准确地获得对预设对象的知识测试结果信息。
优选地，在该步骤S1中，获取预设对象的历史知识学习数据，并根据该历史知识学习数据形成关于不同知识点和不同类型题目的作业和/或试卷具体包括：
第一、获取预设对象的历史知识学习数据，并对该历史知识学习数据进行知识点分类预处理，从而获得若干个分类知识，同时根据下面公式(1)，确定每一个分类知识对于该预设对象的难易程度值s
Figure BDA0002659438750000081
在上述公式(1)中，n表示该预设对象对该分类知识进行解答的解答次数，Gi表示该预设对象第i次对该分类知识进行解答的正确程度值(例如得分)，G′表示该预设对象对该分类知识进行n次解答的平均正确程度值(例如平均得分)，Gmax表示该预设对象对该分类知识进行n次解答的正确程度值中的最大正确程度值(例如最高得分)，Gmin表示该预设对象对该分类知识进行n次解答的正确程度值中的最小正确程度值(例如最低得分)；
第二，根据该若干个分类知识，构建第一学习资料，并根据该难易程度值S，确定该预设对象对每个该分类知识的掌握情况，并根据该掌握情况，对该第一学习资料进行优化，获得第二学习资料；举例而言，获取数学中的概率相关分类知识和矩阵相关分类知识，再从线上知识数据库中分别抓取与概率相关和矩阵相关的所有资料，从而得到该第一学习资料，接着当对概率相关分类知识的掌握情况优于对矩阵分类知识的掌握情况时，在该第一学习资料的基础上，进一步增加矩阵相关分类知识的关联学习资料，同时减少概率相关分类知识的关联学习资料，从而实现对该第一学习资料的优化以获得该第二学习资料；
第三，根据下面公式(2)和(3)，确定该第二学习资料的综合有效值Z，
Figure BDA0002659438750000091
δ＝rand(1,5) (3)
在上述公式(2)和(3)中，m表示该第二学习资料包含的分类知识的总个数，wj表示第j个分类知识的知识本身的权重值，为预设值，取值范围为(0,1)，sj表示第j个分类知识对于该预设对象的难易程度值，δ表示对最大难易程度值smax对应的分类知识的修正参数，rand表示随机函数；
第四，确定该综合有效值Z对应的综合等级，并按照该综合等级，与该第二学习资料中所包含的分类知识建立标识关系，来确定对应的不同知识点和不同类型题目的作业和/或试卷，再输出该作业和/或该试卷；举例而言，该综合等级可包括但不限于第一等级、第二等级和第三等级，并且该第二学习资料的资料内容难度随着第一等级、第二等级和第三等级依次变大，当该综合有效值Z对应该第二等级时，首先确定该第二学习资料包含的所有分类知识，然后向对应的分类知识添加“第二等级”的标签，以此建立该标识关系，再根据该标识关系确定对应的不同知识点和不同类型题目的作业和/或试卷，最后输出该作业和/或该试卷。
通过对历史知识学习数据进行知识点分类预处理，且通过公式计算每个分类知识对于预设对象的难易程度，便于获取与预设对象贴合的习题，提高效率，通过构建第一学习资料，并对第一学习资料进行优化，便于保证资料的有效性，且适用于预设对象针对不同知识点的学习情况，提高学习质量，通过计算综合有效值，便于确定预设对象的综合等级，进而建立相关的表标识，来构建有效的不同知识点和不同类型题目的作业和/或试卷，且方便针对性辅导，进而间接提高教学质量。
优选地，在该步骤S2中，获取该预设对象在完成该作业和/或该试卷过程中的题目完成数据，并根据该题目完成数据确定该预设对象对该历史知识学习数据的掌握程度信息具体包括：
步骤S201，对该预设对象在完成该作业和/或该试卷的题目作答数据信息以及题目作答耗费时间；
步骤S202，将该题目作答数据信息与预设题目标准答案库进行比对处理，以此确定该预设对象在完成该作业和/或该试卷的每一个题目的作答评分分值；
步骤S203，根据该作答评分分值和该题目作答耗费时间，确定该预设对象对该历史知识学习数据的掌握程度信息。
当预设对象的题目作答结果与题目标准答案越接近以及题目作答所耗费的时间越短，表明预设对象对历史知识学习数据中相应知识点的掌握程度越高，这样能够快速地和定量地衡量预设对象的知识学习效果。
优选地，在该步骤S202中，将该题目作答数据信息与预设题目标准答案库进行比对处理，以此确定该预设对象在完成该作业和/或该试卷的每一个题目的作答评分分值具体包括：
步骤S2021，根据该题目作答数据信息划分为客观题目作答数据信息和主观题目作答数据信息；
步骤S2022，将该客观题目作答数据信息与该预设题目标准答案库中的预设客观题目标准答案进行比对处理，从而确定每一个客观题目的作答评分分值；
步骤S2023，将该主观题目作答数据信息中的每一个主观题目作答数据划分为若干作答步骤数据，并将每一个作答步骤数据与该预设题目标准答案库对应的预设标准作答步骤数据进行比对，以此获得每一个作答步骤数据各自对象的步骤评分分值，再将所有步骤评分分值进行累加，从而得到每一个主观题目的作答评分分值。
通过对判断题和选择题等客观题目以及填空题和问答题等主观题目进行不同程序的评分，能够提高对题目的评分准确性和评分效率，从而避免发生误评分的情况。
优选地，在该步骤S203中，根据该作答评分分值和该题目作答耗费时间，确定该预设对象对该历史知识学习数据的掌握程度信息具体包括：
步骤S2031，根据该题目作答耗费时间，确定该预设对象在完成该作业和/或该试卷中每一个题目的单独作答耗费时间；
步骤S2032，根据每一个题目的单独作答耗费时间和每一个题目的作答评分分值，确定该预设对象对该历史知识学习数据的掌握程度信息。
根据每一个题目的单独作答耗费时间和作答评分分值，能够实现对单个知识点数据掌握程度的精细化确定，从而大大提高对预设对象学习状态的评价精确性。
优选地，在该步骤S3中，根据该掌握程度信息，对该作业和/或该试卷中的所有题目进行分类，以此获得关于该预设对象的熟练题目集合和非熟练题目集合具体包括：
步骤S301，根据该掌握程度信息，确定该预设对象对该作业和/或该试卷中的每一个题目的掌握熟练值；
步骤S302，将每一个题目对应的掌握熟练值与预设掌握熟练阈值进行比对，若该掌握熟练值大于或者等于该预设掌握熟练阈值，则将对应的题目划分到熟练题目集合，若该掌握熟练值小于该预设掌握熟练阈值，则将对应的题目划分到非熟练题目集合。
通过设置预设掌握熟练阈值能够保证将预设对象对每一个题目的掌握熟练程度进行量化区分，从而提高熟练题目集合和非熟练题目集合的划分效率和准确性。
优选地，在该步骤S4中，对该熟练题目集合和该非熟练题目集合中各自包含的题目分别进行难度等级排序，再将排序后的题目进行存储具体包括：
步骤S401，根据题目的作答正确率和题目关联知识点的难度，对对该熟练题目集合和该非熟练题目集合中各自包含的题目分别进行难度等级排序；
步骤S402，根据题目的在该作业和/或该试卷中的出现时序，依次将将排序后的题目上传至云端存储器进行存储。
通过根据题目的在该作业和/或该试卷中的出现时序，依次将将排序后的题目上传至云端存储器进行存储，能够方便预设对象随时随地根据自身的学习需求追溯历史学习和答题信息，从而提高预设对象的学习效率。
从上述实施例的内容可知，该用于自适应学习的题目存储方法通过获取预设对象的历史知识学习数据，并根据该历史知识学习数据形成关于知识点和不同类型题目的作业和/或试卷，以及获取该预设对象在完成该作业和/或该试卷过程中的题目完成数据，并根据该题目完成数据确定该预设对象对该历史知识学习数据的掌握程度信息，再根据该掌握程度信息，对该作业和/或该试卷中的所有题目进行分类，以此获得关于该预设对象的熟练题目集合和非熟练题目集合，最后对该熟练题目集合和该非熟练题目集合中各自包含的题目分别进行难度等级排序，再将排序后的题目进行存储；可见，该适用于自适应学习的题目存储方法能够根据预设对象在对关于不同知识点的不同类型题目的作答情况，确定预设对象对每一个题目的掌握熟练程度，再对每一个题目进行熟练与否的划分和难度等级的排序，并最终将排序后的题目进行存储，从而保证全面地保存学生在完成作业和/或试卷过程中的历史题目作答数据，以及便于对学生进行不熟练题目的循环反复测试，改善教学过程中的题目数据可追溯性和有效地提高教学质量。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.适用于自适应学习的题目存储方法，其特征在于，其包括如下步骤：
步骤S1，获取预设对象的历史知识学习数据，并根据所述历史知识学习数据形成关于不同知识点和不同类型题目的作业和/或试卷；
步骤S2，获取所述预设对象在完成所述作业和/或所述试卷过程中的题目完成数据，并根据所述题目完成数据确定所述预设对象对所述历史知识学习数据的掌握程度信息；
步骤S3，根据所述掌握程度信息，对所述作业和/或所述试卷中的所有题目进行分类，以此获得关于所述预设对象的熟练题目集合和非熟练题目集合；
步骤S4，对所述熟练题目集合和所述非熟练题目集合中各自包含的题目分别进行难度等级排序，再将排序后的题目进行存储。
2.如权利要求1所述的适用于自适应学习的题目存储方法，其特征在于：在所述步骤S1中，获取预设对象的历史知识学习数据具体包括：
步骤S101A，获取所述预设对象在线上学习过程中对应的历史课程知识教授数据和学习课程大纲数据，从所述历史课程知识教授数据和所述学习课程大纲数据中提取得到相应的历史知识学习数据；
步骤S102A，对所述历史知识学习数据的每一项数据进行知识所属学科信息和知识难度级别信息的标识。
3.如权利要求2所述的适用于自适应学习的题目存储方法，其特征在于：在所述步骤S1中，根据所述历史知识学习数据形成关于不同知识点和不同类型题目的作业和/或试卷具体包括：
步骤S101B，根据所述历史知识学习数据的每一项数据对应标识的所述知识所属学科信息和所述知识难度级别信息，从预设题目库中摘选关于不同学科知识的若干判断题目、若干选择题目、若干填空题目和若干问答题目；
步骤S102B，对摘选得到的若干所述判断题目、若干所述选择题目、若干所述填空题目和若干所述问答题目进行题目版面顺序的调整，从而形成所述作业和/或所述试卷。
4.如权利要求1所述的适用于自适应学习的题目存储方法，其特征在于：在所述步骤S1中，获取预设对象的历史知识学习数据，并根据所述历史知识学习数据形成关于不同知识点和不同类型题目的作业和/或试卷具体包括：
第一、获取预设对象的历史知识学习数据，并对所述历史知识学习数据进行知识点分类预处理，从而获得若干个分类知识，同时根据下面公式(1)，确定每一个分类知识对于所述预设对象的难易程度值s：
Figure FDA0002659438740000021
在上述公式(1)中，n表示所述预设对象对所述分类知识进行解答的解答次数，Gi表示所述预设对象第i次对所述分类知识进行解答的正确程度值，G′表示所述预设对象对所述分类知识进行n次解答的平均正确程度值，Gmax表示所述预设对象对所述分类知识进行n次解答的正确程度值中的最大正确程度值，Gmin表示所述预设对象对所述分类知识进行n次解答的正确程度值中的最小正确程度值；
第二，根据所述若干个分类知识，构建第一学习资料，并根据所述难易程度值S，确定所述预设对象对每个所述分类知识的掌握情况，并根据所述掌握情况，对所述第一学习资料进行优化，获得第二学习资料；
第三，根据下面公式(2)和(3)，确定所述第二学习资料的综合有效值Z，
Figure FDA0002659438740000031
δ＝rand(1,5) (3)
在上述公式(2)和(3)中，m表示所述第二学习资料包含的分类知识的总个数，wj表示第j个分类知识的知识本身的权重值，sj表示第j个分类知识对于所述预设对象的难易程度值，δ表示对最大难易程度值smax对应的分类知识的修正参数，rand表示随机函数；
第四，确定所述综合有效值Z对应的综合等级，并按照所述综合等级，与所述第二学习资料中所包含的分类知识建立标识关系，来确定对应的不同知识点和不同类型题目的作业和/或试卷，再输出所述作业和/或所述试卷。
5.如权利要求1所述的适用于自适应学习的题目存储方法，其特征在于：在所述步骤S2中，获取所述预设对象在完成所述作业和/或所述试卷过程中的题目完成数据，并根据所述题目完成数据确定所述预设对象对所述历史知识学习数据的掌握程度信息具体包括：
步骤S201，对所述预设对象在完成所述作业和/或所述试卷的题目作答数据信息以及题目作答耗费时间；
步骤S202，将所述题目作答数据信息与预设题目标准答案库进行比对处理，以此确定所述预设对象在完成所述作业和/或所述试卷的每一个题目的作答评分分值；
步骤S203，根据所述作答评分分值和所述题目作答耗费时间，确定所述预设对象对所述历史知识学习数据的掌握程度信息。
6.如权利要求5所述的适用于自适应学习的题目存储方法，其特征在于：在所述步骤S202中，将所述题目作答数据信息与预设题目标准答案库进行比对处理，以此确定所述预设对象在完成所述作业和/或所述试卷的每一个题目的作答评分分值具体包括：
步骤S2021，根据所述题目作答数据信息划分为客观题目作答数据信息和主观题目作答数据信息；
步骤S2022，将所述客观题目作答数据信息与所述预设题目标准答案库中的预设客观题目标准答案进行比对处理，从而确定每一个客观题目的作答评分分值；
步骤S2023，将所述主观题目作答数据信息中的每一个主观题目作答数据划分为若干作答步骤数据，并将每一个作答步骤数据与所述预设题目标准答案库对应的预设标准作答步骤数据进行比对，以此获得每一个作答步骤数据各自对象的步骤评分分值，再将所有步骤评分分值进行累加，从而得到每一个主观题目的作答评分分值。
7.如权利要求6所述的适用于自适应学习的题目存储方法，其特征在于：在所述步骤S203中，根据所述作答评分分值和所述题目作答耗费时间，确定所述预设对象对所述历史知识学习数据的掌握程度信息具体包括：
步骤S2031，根据所述题目作答耗费时间，确定所述预设对象在完成所述作业和/或所述试卷中每一个题目的单独作答耗费时间；
步骤S2032，根据每一个题目的单独作答耗费时间和每一个题目的作答评分分值，确定所述预设对象对所述历史知识学习数据的掌握程度信息。
8.如权利要求1所述的适用于自适应学习的题目存储方法，其特征在于：在所述步骤S3中，根据所述掌握程度信息，对所述作业和/或所述试卷中的所有题目进行分类，以此获得关于所述预设对象的熟练题目集合和非熟练题目集合具体包括：
步骤S301，根据所述掌握程度信息，确定所述预设对象对所述作业和/或所述试卷中的每一个题目的掌握熟练值；
步骤S302，将每一个题目对应的掌握熟练值与预设掌握熟练阈值进行比对，若所述掌握熟练值大于或者等于所述预设掌握熟练阈值，则将对应的题目划分到熟练题目集合，若所述掌握熟练值小于所述预设掌握熟练阈值，则将对应的题目划分到非熟练题目集合。
9.如权利要求1所述的适用于自适应学习的题目存储方法，其特征在于：在所述步骤S4中，对所述熟练题目集合和所述非熟练题目集合中各自包含的题目分别进行难度等级排序，再将排序后的题目进行存储具体包括：
步骤S401，根据题目的作答正确率和题目关联知识点的难度，对对所述熟练题目集合和所述非熟练题目集合中各自包含的题目分别进行难度等级排序；
步骤S402，根据题目的在所述作业和/或所述试卷中的出现时序，依次将将排序后的题目上传至云端存储器进行存储。
CN202010899352.0A 2020-08-31 2020-08-31 适用于自适应学习的题目存储方法 Active CN112015830B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010899352.0A CN112015830B (zh) 2020-08-31 2020-08-31 适用于自适应学习的题目存储方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010899352.0A CN112015830B (zh) 2020-08-31 2020-08-31 适用于自适应学习的题目存储方法

Publications (2)

Publication Number Publication Date
CN112015830A true CN112015830A (zh) 2020-12-01
CN112015830B CN112015830B (zh) 2021-08-13

Family

ID=73503062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010899352.0A Active CN112015830B (zh) 2020-08-31 2020-08-31 适用于自适应学习的题目存储方法

Country Status (1)

Country Link
CN (1) CN112015830B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115454951A (zh) * 2022-10-18 2022-12-09 读书郎教育科技有限公司 一种教学数据共享系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080187898A1 (en) * 2003-05-02 2008-08-07 Auckland Uniservices Limited System, method and computer program for student assessment
US20120214147A1 (en) * 2011-02-16 2012-08-23 Knowledge Factor, Inc. System and Method for Adaptive Knowledge Assessment And Learning
CN107862926A (zh) * 2017-11-24 2018-03-30 苏州民众财行企业管理咨询有限公司 一种在线学习效果的评测方法、移动终端和介质
US10354544B1 (en) * 2015-02-20 2019-07-16 Snapwiz Inc. Predicting student proficiencies in knowledge components
CN110378818A (zh) * 2019-07-22 2019-10-25 广西大学 基于难度的个性化习题推荐方法、系统及介质
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
CN110956376A (zh) * 2019-11-19 2020-04-03 浙江创课网络科技有限公司 一种适合衡量自适应学生学习效果的分析方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080187898A1 (en) * 2003-05-02 2008-08-07 Auckland Uniservices Limited System, method and computer program for student assessment
US20120214147A1 (en) * 2011-02-16 2012-08-23 Knowledge Factor, Inc. System and Method for Adaptive Knowledge Assessment And Learning
US10354544B1 (en) * 2015-02-20 2019-07-16 Snapwiz Inc. Predicting student proficiencies in knowledge components
CN107862926A (zh) * 2017-11-24 2018-03-30 苏州民众财行企业管理咨询有限公司 一种在线学习效果的评测方法、移动终端和介质
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
CN110378818A (zh) * 2019-07-22 2019-10-25 广西大学 基于难度的个性化习题推荐方法、系统及介质
CN110956376A (zh) * 2019-11-19 2020-04-03 浙江创课网络科技有限公司 一种适合衡量自适应学生学习效果的分析方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115454951A (zh) * 2022-10-18 2022-12-09 读书郎教育科技有限公司 一种教学数据共享系统
CN115454951B (zh) * 2022-10-18 2023-06-30 读书郎教育科技有限公司 一种教学数据共享系统

Also Published As

Publication number Publication date
CN112015830B (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN107230174B (zh) 一种基于网络的在线互动学习系统和方法
CN109903617B (zh) 个性化练习方法和系统
CN111179675B (zh) 个性化练习题推荐方法、系统、计算机设备以及存储介质
CN112699283B (zh) 试卷生成方法及装置
CN114579760A (zh) 一种基于学生错题知识点自适应阶段学习系统
CN113535982B (zh) 一种基于大数据的教学系统
CN116263782A (zh) 一种基于题库的智能组卷方法、系统及存储介质
CN111626372B (zh) 一种线上教学监督管理方法及系统
CN117010709A (zh) 一种学生弱项的评估方法及系统
CN112015830B (zh) 适用于自适应学习的题目存储方法
CN112015783B (zh) 可交互学习流程生成方法和系统
CN117079504B (zh) 一种大数据精准教学批阅系统的错题数据管理方法
Luchoomun et al. A knowledge based system for automated assessment of short structured questions
CN117313947A (zh) 一种基于随机森林和金枪鱼群优化算法的学习预警方法
CN111369140A (zh) 一种教学评价系统及方法
Koong et al. The learning effectiveness analysis of JAVA programming with automatic grading system
Han et al. Using computerised comparative judgement to assess translation
CN113919983A (zh) 试题画像方法、装置、电子设备和存储介质
CN112163975A (zh) 智能学习指引和提示方法与系统
CN118115330B (zh) 基于ai的考试实时阅卷和评价系统
CN113223356B (zh) 一种用于plc控制技术的技能培训和考核的系统
CN117952796B (zh) 一种基于数据分析的阅读教学质量评估方法及系统
Sharma et al. Managers Training Programs Effectiveness Evaluation by using different Machine Learning Approaches
CN114820254A (zh) 一种基于学生对错题的知识掌握策略分析方法和系统
Kozierkiewicz-Hetmańska et al. An item bank calibration method for a computer adaptive test

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
PP01 Preservation of patent right

Effective date of registration: 20221020

Granted publication date: 20210813

PP01 Preservation of patent right