CN112016607B - 一种基于深度学习的错因分析方法 - Google Patents

一种基于深度学习的错因分析方法 Download PDF

Info

Publication number
CN112016607B
CN112016607B CN202010845887.XA CN202010845887A CN112016607B CN 112016607 B CN112016607 B CN 112016607B CN 202010845887 A CN202010845887 A CN 202010845887A CN 112016607 B CN112016607 B CN 112016607B
Authority
CN
China
Prior art keywords
answer
standard
written
value
preset
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
Application number
CN202010845887.XA
Other languages
English (en)
Other versions
CN112016607A (zh
Inventor
许昭慧
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 CN202010845887.XA priority Critical patent/CN112016607B/zh
Publication of CN112016607A publication Critical patent/CN112016607A/zh
Application granted granted Critical
Publication of CN112016607B publication Critical patent/CN112016607B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/103—Formatting, i.e. changing of presentation of documents
    • G06F40/117—Tagging; Marking up; Designating a block; Setting of attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明公开了一种基于深度学习的错因分析方法，用于解决没有有效地错因分析方法对书写答案进行自动错因分析的问题。所述方法包括：根据预设匹配值算法计算书写答案和标准答案的答案匹配值；在答案匹配值不大于预设匹配值，则根据预设错因综合值算法计算书写答案的每个答题步骤的答案错因综合值；判断每个答题步骤的答案错因综合值是否大于或等于预设错因标准值；若每个答题步骤的答案错因综合值大于或等于预设错因标准值，则根据标准答案对书写答案中错误内容进行标注。该方法通过计算书写答案与标准答案匹配值，及书写答案的每个答题步骤的答案错因综合值，达到对书写答案错误内容进行标注的目的。

Description

一种基于深度学习的错因分析方法
技术领域
本发明涉及错因分析技术领域，尤其涉及一种基于深度学习的错因分析方法。
背景技术
用户在答完预设题目后，都需要专业的人员，如老师需对学生试卷中题目答案进行评估及错因分析。目前，虽然随着计算机技术的快速发展，在选择题方面，已经可以通过计算机自动的完成自动阅卷，但现有的计算机阅卷方法无法对做错的选择题分析答案错因，尤其在其他类型题目方面：如填空、简答、作文等，还是需要专业人员进行答案批改及错因分析；另外错因分析也需要花费大量时间，因此急需一种错因分析方法，能对题目答案进行自动错因分析。
发明内容
本发明提供一种基于深度学习的错因分析方法，用于解决目前还没有一种有效地错因分析方法，能对用户书写答案进行自动错因分析的问题。本发明提供的一种基于深度学习的错因分析方法，通过计算书写答案与标准答案匹配值，及书写答案的每个答题步骤的答案错因综合值，达到对书写答案错误内容进行标注。
本发明提供一种基于深度学习的错因分析方法，包括以下步骤：
采集用户针对预设题目的书写答案，并从预设标准答案题库中调取所述预设题目的标准答案；
根据预设匹配值算法计算所述书写答案和标准答案的答案匹配值；
判断所述答案匹配值是否大于预设匹配值；
若所述答案匹配值不大于预设匹配值，则根据预设错因综合值算法计算所述书写答案的每个答题步骤的答案错因综合值；
判断每个书写答案步骤的答案错因综合值是否大于或等于预设错因标准值；
对于答案错因综合值大于或等于预设错因标准值的当前书写答案步骤，根据该当前书写答案步骤对应的标准答案步骤的内容，对该当前书写答案步骤中错误的关键点进行标注。
在一个实施例中，所述标准答案中标注了关键点；
所述预设匹配值算法为：
Figure GDA0003061289040000021
其中，P为答案匹配值，
Figure GDA0003061289040000022
K为所述标准答案中标注的关键点总数，f0k表示所述标准答案中标注的第k个关键点的标准答案值，f1k表示所述书写答案中与所述标准答案相对应的第k个关键点的书写答案值，k＝1,2,…,K；min(f1k，f0k)表示参数f0k和f1k中的最小值；λ表示所述标准答案的代价控制因子，取值范围为[10,13]；D表示对所述标准答案的答案修正参数；λ为预先设置的定值。
在一个实施例中，在所述采集用户针对预设题目的书写答案之前，还包括：
构建包括若干预设题目的标准答案的标准答案题库；
对所述标准答案题库中的每个标准答案按照预设步骤划分规范进行步骤拆分；
对拆分得到的每个标准答案步骤进行关键点标注；
所述根据预设错因综合值算法计算所述书写答案的每个答题步骤的答案错因综合值，包括：
将所述书写答案按照所述步骤划分规范进行步骤拆分，获得J个书写答案步骤；其中J为正整数；
确定每个书写答案步骤对应的标准答案步骤；
根据每个书写答案步骤对应的标准答案步骤和预设错因综合值算法，计算每个书写答案步骤的答案错因综合值。
在一个实施例中，所述预设错因综合值算法为：
Figure GDA0003061289040000031
其中，Yj表示第j个书写答案步骤的错因综合值；nj表示第j个书写答案步骤对应的标准答案步骤中的关键点总数；βij为第j个书写答案步骤对应的标准答案步骤中标注的第i个关键点的标准答案值；φij为第j个书写答案步骤对应的标准答案步骤中标注的第i个关键点的权重值；δij为第j个书写答案步骤中与对应标准答案步骤中的第i个关键点对应的书写答案值；j＝1,2,…,J；i＝1,2,…,nj。
在一个实施例中，所述根据所述标准答案对所述书写答案中错误内容进行标注，包括：
根据当前答案错因综合值大于或等于预设错因标准值的书写答案步骤对应的标准答案步骤的内容，对当前书写答案步骤中错误的关键点进行标注，标注中至少包括标准答案和错误原因。
在一个实施例中，在所述判断所述答案匹配值是否大于预设匹配值之后，还包括：
若所述答案大于预设匹配值，则确定所述书写答案为合格答案。
在一个实施例中，在根据所述标准答案对所述书写答案中的全部错误内容进行标注之后，还包括：
汇总所述书写答案的全部标注内容，生成标注文件并输出给用户。
本发明提供一种基于深度学习的错因分析方法，通过构建标准答案题库，并对每个步骤进行关键点标注，方便后续进行步骤以及关键点的一一对比，通过计算用户针对预设题目的书写答案与标准答案的匹配值，确定该书写答案是否合格，当不合格时，通过对书写步骤进行拆分，且确定对应的映射步骤，且通过计算书写答案每个步骤的答案错因综合值，便于有效的确定书写答案步骤中是否存在关键错因，若存在则根据标准答案进行标注，最后将所有标注汇总成完整标注文件，便于方便用户查看。
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
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种深度学习的错因分析方法实施例一的流程图；
图2为本发明实施例中一种深度学习的错因分析方法实施例二的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
图1为本发明实施例中一种深度学习的错因分析方法实施例一流程图。如图1所示，该方法包括以下步骤：
S101：采集用户针对预设题目的书写答案，并从预设标准答案题库中调取所述预设题目的标准答案；
S102：根据预设匹配值算法计算所述书写答案和标准答案的答案匹配值；
本实施例中，所述标准答案中标注了关键点，例如，数学解析题中每个解析步骤的得分点即为关键点；则所述预设匹配值算法为：
Figure GDA0003061289040000051
其中，P为答案匹配值，
Figure GDA0003061289040000052
K为所述标准答案中标注的关键点总数，f0k表示所述标准答案中标注的第k个关键点的标准答案值，f1k表示所述书写答案中与所述标准答案相对应的第k个关键点的书写答案值，k＝1,2,…,K；min(f1k，f0k)表示参数f0k和f1k中的最小值；λ表示所述标准答案的代价控制因子，取值范围为[10,13]，取值越大，标准答案的代价控制越大；D表示对所述标准答案的答案修正参数；λ为预先设置的定值。
S103：判断所述答案匹配值是否大于预设匹配值；是则执行步骤S104，否则执行步骤S105；
S104：确定所述书写答案为合格答案；
S105：根据预设错因综合值算法计算所述书写答案的每个答题步骤的答案错因综合值；
S106：判断所述每个答题步骤的答案错因综合值是否大于或等于预设错因标准值，是则执行步骤S107；
S107:根据所述标准答案对所述书写答案中错误内容进行标注。
本实施例中，作为一可选实施例，步骤S107之后，还包括：汇总所述书写答案的全部标注内容，生成标注文件并输出给用户。
本发明实施例提供的一种基于深度学习的错因分析方法，通过计算用户针对预设题目的书写答案与标准答案的匹配值，确定该书写答案是否合格，当不合格时，通过计算书写答案每个步骤的答案错因综合值，便于有效的确定书写答案步骤中是否存在关键错因，若存在则根据标准答案进行标注，最后将所有标注汇总成完整标注文件，便于方便用户查看。
图2为本发明一种基于深度学习的错因分析方法实施例二的流程示意图。参看图2，本发明基于深度学习的错因分析方法实施例，包括如下步骤：
S201：构建包括若干预设题目的标准答案的标准答案题库；
S202：对所述标准答案题库中的每个标准答案按照预设步骤划分规范进行步骤拆分；
S203：对拆分得到的每个标准答案步骤进行关键点标注；
S204：采集用户针对预设题目的书写答案，并从预设标准答案题库中调取所述预设题目的标准答案；
S205：根据预设匹配值算法计算所述书写答案和标准答案的答案匹配值；
S206：判断所述答案匹配值是否大于预设匹配值；是则执行步骤S207，否则执行步骤S208；
S207：确定所述书写答案为合格答案；
S208：将所述书写答案按照所述步骤划分规范进行步骤拆分，获得J个书写答案步骤；其中J为正整数；
S209：确定每个书写答案步骤对应的标准答案步骤；
在本实施例中，例如书写答案中的步骤1对应标准答案中的步骤1和2，此时，标准答案中的步骤1和2即为书写答案步骤1的对应步骤。
S210：根据第j个书写答案步骤对应的标准答案步骤和预设错因综合值算法，计算第j个书写答案步骤的答案错因综合值，j为正整数，初始值为1；
本实施例中，所述预设错因综合值算法为：
Figure GDA0003061289040000061
其中，Yj表示第j个书写答案步骤的错因综合值；nj表示第j个书写答案步骤对应的标准答案步骤中的关键点总数；βij为第j个书写答案步骤对应的标准答案步骤中标注的第i个关键点的标准答案值；φij为第j个书写答案步骤对应的标准答案步骤中标注的第i个关键点的权重值；δij为第j个书写答案步骤中与对应标准答案步骤中的第i个关键点对应的书写答案值；j＝1,2,…,J；i＝1,2,…,nj。
S211:判断所述第j个书写答题步骤的答案错因综合值是否大于或等于预设错因标准值，是则执行步骤S212，否则执行步骤S213；
S212：根据第j个书写答案步骤对应的标准答案步骤的内容，对第j个书写答案步骤中错误的关键点进行标注，标注中至少包括标准答案和错误原因；
本实施例中，例如书写答案步骤中的步骤1中的存在两个得分关键点，根据对应的标准答案内容，如发现第二得分关键点出现错误，则可以对第二得分关键点进行标注，标注中可以写上标准答案是什么，错误的原因是什么，例如错误原因为计算结果不正确等，此错误原因也可记为关键错因。
S213：判断j是否等于J，是则执行步骤S215，否则执行步骤214；
S214：j＝j+1，并返回执行步骤S210；
S215：汇总所述书写答案的全部标注内容，生成标注文件并输出给用户。
本发明实施例提供的一种基于深度学习的错因分析方法，通过构建标准答案题库，并对每个步骤进行关键点标注，方便后续进行步骤以及关键点的一一对比，通过计算用户针对预设题目的书写答案与标准答案的匹配值，确定该书写答案是否合格，当不合格时，通过对书写步骤进行拆分，且确定对应的映射步骤，且通过计算书写答案每个步骤的答案错因综合值，便于有效的确定书写答案步骤中是否存在关键错因，若存在则根据标准答案进行标注，最后将所有标注汇总成完整标注文件，便于方便用户查看。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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 (6)

1.一种基于深度学习的错因分析方法，其特征在于，包括：
采集用户针对预设题目的书写答案，并从预设标准答案题库中调取所述预设题目的标准答案；
根据预设匹配值算法计算所述书写答案和标准答案的答案匹配值；
判断所述答案匹配值是否大于预设匹配值；
若所述答案匹配值不大于预设匹配值，则根据预设错因综合值算法计算所述书写答案的每个答题步骤的答案错因综合值；
判断每个书写答案步骤的答案错因综合值是否大于或等于预设错因标准值；
对于答案错因综合值大于或等于预设错因标准值的当前书写答案步骤，根据该当前书写答案步骤对应的标准答案步骤的内容，对该当前书写答案步骤中错误的关键点进行标注；
其中，所述标准答案中标注了关键点；
所述预设匹配值算法为：
Figure FDA0003061289030000011
其中，P为答案匹配值，
Figure FDA0003061289030000012
K为所述标准答案中标注的关键点总数，f0k表示所述标准答案中标注的第k个关键点的标准答案值，f1k表示所述书写答案中与所述标准答案相对应的第k个关键点的书写答案值，k＝1,2,…,K；min(f1k，f0k)表示参数f0k和f1k中的最小值；λ表示所述标准答案的代价控制因子，取值范围为[10,13]；D表示对所述标准答案的答案修正参数；λ为预先设置的定值。
2.根据权利要求1所述的基于深度学习的错因分析方法，其特征在于，在所述采集用户针对预设题目的书写答案之前，还包括：
构建包括若干预设题目的标准答案的标准答案题库；
对所述标准答案题库中的每个标准答案按照预设步骤划分规范进行步骤拆分；
对拆分得到的每个标准答案步骤进行关键点标注；
所述根据预设错因综合值算法计算所述书写答案的每个答题步骤的答案错因综合值，包括：
将所述书写答案按照所述步骤划分规范进行步骤拆分，获得J个书写答案步骤；其中J为正整数；
确定每个书写答案步骤对应的标准答案步骤；
根据每个书写答案步骤对应的标准答案步骤和预设错因综合值算法，计算每个书写答案步骤的答案错因综合值。
3.根据权利要求2所述的基于深度学习的错因分析方法，其特征在于，所述预设错因综合值算法为：
Figure FDA0003061289030000021
其中，Yj表示第j个书写答案步骤的错因综合值；nj表示第j个书写答案步骤对应的标准答案步骤中的关键点总数；βij为第j个书写答案步骤对应的标准答案步骤中标注的第i个关键点的标准答案值；φij为第j个书写答案步骤对应的标准答案步骤中标注的第i个关键点的权重值；δij为第j个书写答案步骤中与对应标准答案步骤中的第i个关键点对应的书写答案值；j＝1,2,…,J；i＝1,2,…,nj。
4.根据权利要求2所述的基于深度学习的错因分析方法，其特征在于，所述标注中至少包括标准答案和错误原因。
5.根据权利要求1-4中任一项所述的基于深度学习的错因分析方法，其特征在于，在所述判断所述答案匹配值是否大于预设匹配值之后，还包括：
若所述答案大于预设匹配值，则确定所述书写答案为合格答案。
6.根据权利要求5所述的基于深度学习的错因分析方法，其特征在于，在根据所述标准答案对所述书写答案中的全部错误内容进行标注之后，还包括：
汇总所述书写答案的全部标注内容，生成标注文件并输出给用户。
CN202010845887.XA 2020-08-20 2020-08-20 一种基于深度学习的错因分析方法 Active CN112016607B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010845887.XA CN112016607B (zh) 2020-08-20 2020-08-20 一种基于深度学习的错因分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010845887.XA CN112016607B (zh) 2020-08-20 2020-08-20 一种基于深度学习的错因分析方法

Publications (2)

Publication Number Publication Date
CN112016607A CN112016607A (zh) 2020-12-01
CN112016607B true CN112016607B (zh) 2021-06-22

Family

ID=73505318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010845887.XA Active CN112016607B (zh) 2020-08-20 2020-08-20 一种基于深度学习的错因分析方法

Country Status (1)

Country Link
CN (1) CN112016607B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112732868B (zh) * 2020-12-30 2023-04-07 科大讯飞股份有限公司 解答题的答案分析方法、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512132A (zh) * 2014-09-25 2016-04-20 林辉 一种智能评测方法和系统
CN106096564A (zh) * 2016-06-17 2016-11-09 福建网龙计算机网络信息技术有限公司 一种数学自动批改方法
US9812027B2 (en) * 2016-03-08 2017-11-07 Gholam Hossein Zereshkian Anti-cheating device for online examination
CN109472014A (zh) * 2018-10-30 2019-03-15 南京红松信息技术有限公司 一种错题集自动识别生成方法及其装置
CN110598641A (zh) * 2019-09-16 2019-12-20 杭州大拿科技股份有限公司 计算练习方法、系统、电子设备及计算机可读存储介质
CN110675677A (zh) * 2019-10-16 2020-01-10 杭州大拿科技股份有限公司 用于辅助数学应用题的方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150317907A1 (en) * 2014-04-30 2015-11-05 Way On Ho Computer-aided integrated examination and assignment system and method
CN110085075A (zh) * 2019-05-23 2019-08-02 宜春宜联科技有限公司 学习状况管理方法、装置和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512132A (zh) * 2014-09-25 2016-04-20 林辉 一种智能评测方法和系统
US9812027B2 (en) * 2016-03-08 2017-11-07 Gholam Hossein Zereshkian Anti-cheating device for online examination
CN106096564A (zh) * 2016-06-17 2016-11-09 福建网龙计算机网络信息技术有限公司 一种数学自动批改方法
CN109472014A (zh) * 2018-10-30 2019-03-15 南京红松信息技术有限公司 一种错题集自动识别生成方法及其装置
CN110598641A (zh) * 2019-09-16 2019-12-20 杭州大拿科技股份有限公司 计算练习方法、系统、电子设备及计算机可读存储介质
CN110675677A (zh) * 2019-10-16 2020-01-10 杭州大拿科技股份有限公司 用于辅助数学应用题的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
人工智能在教育考试评测中的应用探索;竺博，付瑞吉，盛志超，汪洋;《电子测试》;20190731;第5-9页 *

Also Published As

Publication number Publication date
CN112016607A (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
US11704578B2 (en) Machine learning method, apparatus, and computer program for providing personalized educational content based on learning efficiency
CN112464659A (zh) 基于知识图谱的辅助教学方法、装置、设备及存储介质
US20080206731A1 (en) Apparatus, Method and Computer Program for Compiling a Test as Well as Apparatus, Method and Computer Program for Testing an Examinee
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
CN112016607B (zh) 一种基于深度学习的错因分析方法
CN112749563A (zh) 一种命名实体识别数据标注质量评估与控制方法及系统
CN112256576B (zh) 人机对话语料测试方法、装置、设备及存储介质
CN112001163B (zh) 一种文件完整性的检测方法、系统、电子设备及存储介质
CN114202978A (zh) 一种基于大数据的智能培训方法及系统
CN112764760A (zh) 基于程序评测的辅助答题系统
CN113900654A (zh) 基于程序语言教学实践平台的代码抄袭检测方法及系统
CN109063846B (zh) 机器学习的运行方法、装置、设备及存储介质
CN116227992A (zh) 一种考核试卷生成方法、装置及终端设备
CN113377962B (zh) 一种基于图像识别和自然语言处理的智能过程模拟方法
CN115269812A (zh) 题目推荐方法、装置、设备及存储介质
CN114691903A (zh) 一种智能课程测试方法及系统、电子设备、存储介质
CN110163498B (zh) 课件原创度评分方法、装置、存储介质及处理器
CN114461786A (zh) 一种学习路径生成方法和系统
Barbosa et al. Adaptive clustering of codes for assessment in introductory programming courses
CN112860983B (zh) 一种学习内容推送的方法、系统、设备及可读存储介质
CN113569112A (zh) 基于题目的辅导策略提供方法、系统、装置及介质
CN112465227A (zh) 一种授课资料获取方法及装置
CN110502675A (zh) 基于数据分析的语音拨叫用户分类方法及相关设备
KR102665966B1 (ko) 도서목록정보(marc data) 구축을 위한 인공지능을 이용한 분류번호(kdc, ddc) 생성 방법 및 시스템
CN108417099B (zh) 用于监管教学过程的方法、装置及系统

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: 20210622

PP01 Preservation of patent right