CN112053269B - 一种学情诊断方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及数据处理领域，具体是一种学情诊断方法、装置、设备及存储介质，所述方法包括：获取待诊断知识点集以及目标对象的测试数据，确定所述测试数据对应的测试知识点集；根据所述测试数据确定所述目标对象对所述测试知识点集中各个知识点的真实掌握度；基于预设知识图谱和预设知识树对所述测试知识点集中各个知识点进行扩散，得到扩散知识点集；根据所述真实掌握度确定所述目标对象对所述扩散知识点集中各个知识点的预测掌握度；根据所述真实掌握度以及所述预测掌握度确定所述目标对象对所述待诊断知识点集中各个知识点的实时掌握情况。本发明的方法通过对知识点进行前后置扩散和知识树扩散及掌握度预测，能够扩大诊断知识点的范围。

Description

一种学情诊断方法、装置、设备及存储介质

技术领域

本发明涉及数据处理技术领域，特别涉及一种学情诊断方法、装置、设备及存储介质。

背景技术

在传统教学模式中，学校对于学生的教学过程大都参照统一的标准，老师无法及时获取每个学生对各知识点的掌握情况，也无法根据每个学生的个性、兴趣、特长和需要进行施教，导致学生的学习效率低下。通过个性化教学系统对学生在各个知识点的掌握程度进行准确、全面的度量和监测来实现个性化的指导，可以打破上述同质性教学弊端，从而使学习优化成为可能。

个性化教学就是尊重学生个性的教学，根据每个学生的个性、兴趣、特长、需要进行施教，亦即学生需要什么，老师便需授予什么。学情诊断即诊断学生在各个知识点的掌握程度，是个性化教学系统的关键部分，通过学情诊断可以准确判定学生还未掌握的知识点，即薄弱知识点。薄弱知识点的判定有利于老师针对性地教学、学生针对性地进行学习，将有限的精力投入迫切需要解决的知识点中，达到事半功倍的效果。

目前，学情诊断一般需要学生专门参加相应的测评考试，基于学生测试成绩统计出学生相应知识点的掌握程度。现有技术存在两大问题：一是诊断成本很高，它不仅需要老师专门设计测评试卷，还需要学生专门参加考试；且高诊断成本必然会影响测评的频率，导致很难实时地获得学生对知识点的掌握程度。二是测评考试受考试内容限制，一般只能覆盖一小部分知识点，没法同时获取学生对某个学科全量知识点的掌握程度。因此，现有的学情诊断方法无法满足个性化教学系统的要求。

发明内容

针对现有技术的上述问题，本发明的目的在于提供一种学情诊断方法、装置、设备及存储介质，能够扩大诊断知识点的范围。

为了解决上述问题，本发明提供一种学情诊断方法，包括：

获取待诊断知识点集以及目标对象的测试数据，确定所述测试数据对应的测试知识点集；

根据所述测试数据确定所述目标对象对所述测试知识点集中各个知识点的真实掌握度；

基于预设知识图谱和预设知识树对所述测试知识点集中各个知识点进行扩散，得到扩散知识点集；所述预设知识图谱包括多个知识点以及所述多个知识点之间的前后置关系，所述预设知识树包括所述多个知识点的组织关系；

根据所述真实掌握度确定所述目标对象对所述扩散知识点集中各个知识点的预测掌握度；

根据所述真实掌握度以及所述预测掌握度确定所述目标对象对所述待诊断知识点集中各个知识点的实时掌握情况。

本发明另一方面提供一种学情诊断装置，包括：

测试知识点集获取模块，用于获取待诊断知识点集以及目标对象的测试数据，确定所述测试数据对应的测试知识点集；

真实掌握度确定模块，用于根据所述测试数据确定所述目标对象对所述测试知识点集中各个知识点的真实掌握度；

扩散知识点集获取模块，用于基于预设知识图谱和预设知识树对所述测试知识点集中各个知识点进行扩散，得到扩散知识点集；所述预设知识图谱包括多个知识点以及所述多个知识点之间的前后置关系，所述预设知识树包括所述多个知识点的组织关系；

预测掌握度确定模块，用于根据所述真实掌握度确定所述目标对象对所述扩散知识点集中各个知识点的预测掌握度；

实时掌握情况确定模块，用于根据所述真实掌握度以及所述预测掌握度确定所述目标对象对所述待诊断知识点集中各个知识点的实时掌握情况。

本发明另一方面提供一种电子设备，包括处理器和存储器，所述存储器中存储有至少一条指令或者至少一段程序，所述至少一条指令或者所述至少一段程序由所述处理器加载并执行以实现上述的学情诊断方法。

本发明另一方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令或者至少一段程序，所述至少一条指令或者所述至少一段程序由处理器加载并执行以实现如上述的学情诊断方法。

本发明的学情诊断方法基于学生的测试数据，利用预设知识图谱和预设知识树，对测试数据对应的知识点进行前后置扩散和知识树扩散，同时预测学生对扩散得到的知识点的掌握度，大大地扩大了诊断知识点的范围，甚至可以做到全量知识点的诊断。本发明的学情诊断方法能够利用学生的日常考试记录数据进行学情诊断，免去了专门设计测评考试和专门参加测评考试的负担，能够降低学情诊断的成本。而且每当学生有新的日常考试记录数据，就能得到最新的学情诊断结果，真正实现实时诊断学生对知识点的掌握情况。

本发明的学情诊断方法在预测学生对知识点的掌握度的基础上还提出相应的可信度等级机制，在输出知识点掌握度的同时输出它的可信度等级，使得用户或者个性化学习系统的下游任务能够根据自身需求，更灵活地使用学情诊断结果。

本发明的学情诊断方法还通过对上一次全部考试场景的综合掌握情况以及最新一次单次考试场景的实时掌握情况进行融合，得到最新的全部考试场景的综合掌握情况，能够全面地诊断学生对各个知识点的掌握情况，同时提高学情诊断的效率。

附图说明

为了更清楚地说明本发明的技术方案，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的介绍。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它附图。

图1是本发明一个实施例提供的实施环境示意图；

图2是本发明一个实施例提供的学情诊断方法的流程图；

图3是本发明另一个实施例提供的学情诊断方法的流程图；

图4是本发明一个实施例提供的前后置扩散的示意图；

图5是本发明一个实施例提供的知识树扩散的示意图；

图6是本发明另一个实施例提供的学情诊断方法的流程图；

图7是本发明一个实施例提供的学情诊断装置的结构示意图；

图8是本发明另一个实施例提供的学情诊断装置的结构示意图；

图9是本发明一个实施例提供的服务器的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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做出创造性劳动的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。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为了使本发明实施例公开的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明实施例进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明实施例，并不用于限定本发明实施例。首先，本发明实施例对下述概念进行解释：

知识图谱：知识图谱是一种通过语义关联把真实世界中存在的各种实体或概念关联起来的图谱组织形式，主要由节点、边和节点属性形成图结构。本发明实施例中的预设知识图谱是教研先验知识，包括多个知识点以及所述多个知识点之间的前后置关系，所述前后置关系表示知识点之间的依赖关系，比如知识点a是知识点b的前置知识点，即表示知识点b依赖于知识点a。

知识树：知识树是一个层级式知识图，它以树状的形式表达了为实现某一组织目标的所有相关组织知识间的因果关系或从属关系。本发明实施例中的预设知识树是教研先验知识，表示一个学科体系的知识点的组织关系，类似于目录结构。知识树中的内节点表示层级组织关系，知识树中的叶子节点表示知识点，本发明实施例中要诊断的即是叶子节点。

知识点：知识点是指知识树的叶子节点(默认不跨学科学段)；本发明实施例中的全量知识点是指一个学科体系内的所有知识点，比如初中数学，高中物理等。

请参考说明书附图1，其示出了本发明实施例提供的一种实施环境示意图，该实施环境可以包括终端110和服务器120。所述终端110以及所述服务器120可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。

所述终端110可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。所述终端110可以运行有一个或多个客户端，所述多个客户端可以为同一类的客户端，也可以为不同类的客户端。

所述服务器120可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

在云计算的应用中，云教育(Cloud Computing Education简称：CCEDU)，是指基于云计算商业模式应用的教育平台服务。在云平台上，所有的教育机构，培训机构，招生服务机构，宣传机构，行业协会，管理机构，行业媒体，法律结构等都集中云整合成资源池，各个资源相互展示和互动，按需交流，达成意向，从而降低教育成本，提高效率。

在实际应用中，所述客户端可以为教育类客户端，所述客户端可以采集学生的考试数据，将采集的考试数据发送至所述服务器120，并接收所述服务器120发送的学情诊断结果、或者利用学情诊断结果推荐的练习题目和规划的学习路径等。

所述服务器120可以对应一云平台。所述服务器120可以为上述客户端提供后台服务，例如所述服务器120可以从客户端获取学生的考试数据，利用所述考试数据进行学情诊断，或者利用学情诊断结果推荐练习题目和规划学习路径等。

需要说明的是，图1仅仅是一种示例。

请参考说明书附图2，其示出了本发明一个实施例提供的一种学情诊断方法的流程，该方法可以应用于图1中的服务器。具体的如图2所示，所述方法可以包括以下步骤：

S210：获取待诊断知识点集以及目标对象的测试数据，确定所述测试数据对应的测试知识点集。

本发明实施例中，所述测试数据可以为所述目标对象在某个学科体系内的日常考试的记录数据，所述测试数据可以包括所述目标对象作答的试题以及与所述试题一一对应的试题得分，所述目标对象可以为完成所述试题的学生。所述待诊断知识点集可以包括该学科体系内所有的知识点，也可以包括用户想要获知掌握情况的知识点。所述测试知识点集可以包括所述测试数据中各个试题测试的所有知识点。

在一个可能的实施例中，可以基于所述测试数据确定本次测试的多个知识点，得到测试知识点集。具体地，对于每个知识点，基于所述测试数据中的试题映射所述知识点对应的试题集，例如对于知识点a，在所述测试数据里有且仅有题目2和题目5考察了知识点a，那么知识点a对应的试题集就是(题目2，题目5)，如果对某个知识点，在所述测试数据里没有题目考察，那么它对应的试题集就是空。通过上述方法得到的试题集不为空的知识点即为本次测试的知识点。

需要说明的是，所述测试数据可以为一次日常考试的考试数据，也可以为多次日常考试的考试数据，本发明实施例对此不做限制。本发明实施例的学情诊断方法基于学生日常考试记录数据进行学情诊断，不需要进行专门的测评，能够节省教研和专门测评的成本，而且每当学生有新的日常考试记录数据更新时，可以立刻体现在学情诊断结果上。

在实际应用中，本发明实施例的学情诊断方法可以应用到个性化学习系统中，所述个性化学习系统只需要接入学校的学生日常考试记录收集系统(随着教育行业数字化发展，有越来越多学生答题记录是能做到数字化的，可被收集的)，就可以通过本发明实施例的学情诊断方法实时地诊断每个学生的对知识点的掌握度。所述诊断结果可以提供给个性化学习系统的下游任务(例如题目推荐系统，学习路径规划等等)使用，例如题目推荐系统可以重点推荐那些学情诊断结果中掌握度较低的知识点的相关题目。

S220：根据所述测试数据确定所述目标对象对所述测试知识点集中各个知识点的真实掌握度。

本发明实施例中，对所述测试知识点集中各个知识点，可以根据与所述知识点对应的各个试题的试题得分计算与之对应的真实统计得分，作为所述目标对象对所述知识点的真实掌握度，这些知识点也可以称之为真实统计知识点。

在一个可能的实施例中，所述根据所述测试数据确定所述目标对象对所述测试知识点集中各个知识点的真实掌握度可以包括：

针对所述测试知识点集中的每个知识点，确定与所述知识点对应的试题集；

根据所述试题集中各个试题对应的试题得分计算各个试题的得分率；

根据所述试题集中各个试题的得分率确定所述知识点的真实掌握度。

具体地，可以计算所述各个试题的得分率的平均值，作为所述知识点的真实统计得分/真实掌握度。

S230：基于预设知识图谱和预设知识树对所述测试知识点集中各个知识点进行扩散，得到扩散知识点集；所述预设知识图谱包括多个知识点以及所述多个知识点之间的前后置关系，所述预设知识树包括所述多个知识点的组织关系。

本发明实施例中，可以分别基于知识图谱进行前后置扩散预测和基于知识树进行知识树扩散预测，得到多个扩散知识点。所述预设知识图谱和所述预设知识树可以为所述测试数据对应的学科体系的知识图谱和知识树。

在一个可能的实施例中，如图3所示，所述基于预设知识图谱和预设知识树对所述测试知识点集中各个知识点进行扩散，得到扩散知识点集可以包括：

S231：针对所述测试知识点集中的各个知识点，基于预设知识图谱进行多次前后置扩散，得到第一扩散知识点集。

其中，前后置扩散的基本想法是利用现有知识图谱中知识点之间的前后置关系进行知识点扩散以及掌握程度的预估。它依赖的起点是所述测试知识点集中的各个知识点。

具体地，所述针对所述测试知识点集中的各个知识点，基于预设知识图谱进行多次前后置扩散，得到第一扩散知识点集可以包括：

针对所述测试知识点集中的每个知识点，以所述知识点为起点，基于所述预设知识图谱进行多次前后置扩散，得到所述知识点对应的第一知识点集；

对所述测试知识点集中各个知识点对应的第一知识点集做并集处理，得到所述第一扩散知识点集。

其中，所述前后置扩散也可以称为一跳扩散，所述前后置扩散的过程可以包括：确定待扩散的当前知识点；从所述预设知识图谱中获取所述当前知识点的直接前置知识点和直接后置知识点，作为所述当前知识点对应的扩散知识点。示例性地，如图4所示，假设a为待扩散的当前知识点，则a的直接前置知识点包括b和c，a的直接后置知识点包括d，则a对应的扩散知识点包括bcd。

在实际应用中，基于预设知识图谱的扩散过程可以包括一个知识点的前后置扩散过程和多个知识点的前后置扩散过程。

其中，一个知识点的前后置扩散过程可以包括：以所述测试知识点集中的知识点为起点，重复多次扩散，直到扩散过程自然结束。也可以基于性能考虑预先设置最大重复次数，当扩散的重复次数达到最大重复次数时结束上述扩散过程。示例性地，例如从知识点a扩散到知识点bcd后，可以分别对bcd进行一次前后置扩散/一跳扩散，对bcd扩散得到的知识点又可以进行一次前后置扩散/一跳扩散，如此重复进行，类似于广度优先搜索。需要说明的是，在扩散过程中遇到重复的点则直接跳过，由于知识点和前后置关系是有限的，扩散过程可以自然结束。

其中，多个知识点的前后置扩散过程可以包括：由于对所述测试知识点集中每个知识点进行扩散可以得到一个第一知识点集，各个知识点对应的第一知识点集之间可能有相同的知识点，通过进行并集处理即可得到去除重复后的第一扩散知识点集。

S232：针对所述测试知识点集中的各个知识点，基于预设知识树进行知识树扩散，得到第二扩散知识点集。

其中，知识树扩散的基本想法是利用知识树中的层级关系进行知识点扩散以及掌握程度的预估，同样地，它依赖的起点也是所述测试知识点集中的各个知识点。

具体地，所述针对所述测试知识点集中的各个知识点，基于预设知识树进行知识树扩散，得到第二扩散知识点集可以包括：

针对所述测试知识点集中的每个知识点，确定所述知识点与所述预设知识树中各个叶子知识点的最近祖先节点，得到最近祖先节点集；

确定所述最近祖先节点集中各个最近祖先节点与所述知识点之间的距离；

获取所述距离小于或等于预设距离阈值的最近祖先节点对应的叶子知识点，得到所述知识点对应的第二知识点集；

对所述测试知识点集中各个知识点对应的第二知识点集做并集处理，得到所述第二扩散知识点集。

其中，所述最近祖先节点是指在知识树中两个叶子知识点最接近的公共父节点。如图5所示，以叶子知识点a为参考，叶子知识点b与a的最近祖先节点是g；叶子知识点cde与a的最近祖先节点是j；叶子知识点f与a的最近祖先节点是k。

在实际应用中，基于预设知识树的扩散过程也可以包括一个知识点的知识树扩散过程和多个知识点的知识树扩散过程。

其中，一个知识点的知识树扩散过程可以包括：基于性能考虑，预设一个距离阈值用于控制知识树扩散程度；对所述测试知识点集中的某个知识点，记为知识点a，可以确定所述知识点与所述预设知识树中各个叶子知识点的最近祖先节点，如果某个叶子知识点与知识点a的最近祖先节点知识点a之间的距离小于或等于预设距离阈值，则可以将所述叶子知识点作为所述知识点a的扩散知识点，如果某个叶子知识点与知识点a的最近祖先节点与a的距离超过预设距离阈值，则直接忽略。示例性地，如图5所示，假设预设距离阈值是2，知识点a为所述测试知识点集中的知识点，叶子知识点b与a的最近祖先节点是g，g与a的距离为1，则b为知识点a的扩散知识点；叶子知识点cde与a的最近祖先节点是j，j与a的距离为2，则cde为知识点a的扩散知识点；叶子知识点f与a的最近祖先节点是k，k与a的距离是3，超过预设距离阈值，则忽略f。

其中，多个知识点的知识树扩散过程可以包括：由于对所述测试知识点集中每个知识点进行扩散可以得到一个第二知识点集，各个知识点对应的第二知识点集之间可能有相同的知识点，通过进行并集处理即可得到去除重复后的第二扩散知识点集。

S233：对所述第一扩散知识点集以及所述第二扩散知识点集做并集处理，得到所述扩散知识点集。

在实际应用中，由于对所述测试知识点集中各个知识点分别进行前后置扩散和知识树扩散得到的第一扩散知识点集和第二扩散知识点集中可能有相同的知识点，通过进行并集处理即可得到去除重复后的扩散知识点集。

S240：根据所述真实掌握度确定所述目标对象对所述扩散知识点集中各个知识点的预测掌握度。

本发明实施例中，可以在基于知识图谱进行前后置扩散和基于知识树进行知识树扩散的同时，预测所述目标对象对各个扩散知识点的预测掌握度，以扩大学情诊断涉及的知识点的范围。

在一个可能的实施例中，如图3所示，所述根据所述真实掌握度确定所述目标对象对所述扩散知识点集中各个知识点的预测掌握度可以包括：

S241：根据所述真实掌握度确定所述目标对象对所述第一扩散知识点集中各个知识点的第一预测掌握度。

本发明实施例中，在基于预设知识图谱的扩散过程中，还可以对扩散得到的各个知识点进行得分预测，将预测得到的前后置扩散分数作为所述目标对象对所述知识点的第一预测掌握度。

集体地，在一个知识点的前后置扩散过程中，每次进行前后置扩散(一跳扩散)时，可以对所述直接前置知识点和所述直接后置知识点进行得分预测，经过多次前后置扩散，可以使得一部分知识点获得前后置扩散分数。具体地，基于教研先验知识可知，前置知识点掌握度更高、后置知识点掌握度更低，所以向前置方向扩散时预测分数除以一预设值(所述预设值小于1，相当于变大)，向后置方向扩散时预测分数乘以一预设值(所述预设值小于1，相当于变小)。示例性地，如图4所示，假设知识点a是待扩散的当前知识点，a的真实统计得分是x，a的直接前置知识点为b和c，它们的前后置扩散分数是x/0.9；a的直接后置知识点为d，它的前后置扩散分数是0.9*x。

在多个知识点的前后置扩散过程中，由于所述测试知识点集中有多个知识点，对每一个知识点都可以进行前后置扩散，分别使得一部分知识点获得前后置扩散分数。有可能各个知识点分别扩散得到的第一知识点集的知识点之间是有交集的，即某个知识点可能会有多个前后置扩散分数。因此，在对各个第一知识点集做并集处理时，对具有多个前后置扩散分数的知识点，可以对多个前后置扩散分数进行平均或者加权平均(可以为扩散次数越大的前后置扩散分数设置越小的权重)，得到所述知识点最终的前后置扩散分数，作为第一预测掌握度。

S242：根据所述第一预测掌握度和所述真实掌握度确定所述目标对象对所述第二扩散知识点集中各个知识点的第二预测掌握度。

本发明实施例中，在基于预设知识树的扩散过程中，还可以对扩散得到的各个知识点进行得分预测，将预测得到的知识树扩散分数作为所述目标对象对所述知识点的第二预测掌握度。

具体地，在一个知识点的知识树扩散过程中，对所述测试知识点集中的某个知识点，记为知识点a，可以计算其他叶子知识点跟知识点a的最近祖先节点，可以将它俩最近祖先节点的节点分数作为该叶子知识点的基于知识点a的知识树扩散分数。示例性地，如图5所示，假设a是测试知识点集中的知识点(即真实统计知识点)，b与a的最近祖先节点是g，那么b的知识树扩散分数就是节点g的节点分数。

其中，祖先节点分数的定义为：对知识树内部的每个祖先节点，将该祖先节点下所有的叶子知识点分数的平均值作为祖先节点分数。其中，如果叶子知识点有真实统计分数，优先使用真实统计分数，否则使用前后置扩散分数，如果两个分数都没有，则直接忽略。

在多个知识点的知识树扩散过程中，由于所述测试知识点集中有多个知识点，对每一个知识点都可以进行知识树扩散，分别使得一部分知识点获得知识树扩散分数。有可能各个知识点分别扩散得到的第二知识点集的知识点之间是有交集的，即某个知识点可能会有多个知识树扩散分数。因此，在对各个第二知识点集做并集处理时，对具有多个知识树扩散分数的知识点，可以对多个知识树扩散分数进行平均或者加权平均(可以为最近祖先节点越远的知识树扩散分数设置越小的权重)，得到所述知识点最终的知识树扩散分数，作为第二预测掌握度。

S243：根据所述第一预测掌握度和所述第二预测掌握度确定所述目标对象对所述扩散知识点集中各个知识点的预测掌握度。

本发明实施例中，由于第一扩散知识点集与第二扩散知识点集之间可能是有交集的，即某个知识点可能会同时有第一预测掌握度和第二预测掌握度，可以对这类知识点的第一预测掌握度和第二预测掌握度进行加权平均，得到其最终的预测掌握度。对只有第一预测掌握度或者只有第二预测掌握度的知识点，可以直接将所述第一预测掌握度或者所述第二预测掌握度作为所述知识点最终的预测掌握度。

在实际应用中，在对第一扩散知识点集和第二扩散知识点集做并集处理时，当某个知识点既属于第一扩散知识点集又属于第二扩散知识点集时，所述知识点会同时有前后置扩散分数和知识树扩散分数，可以对前后置扩散分数和知识树扩散分数进行加权平均，得到最终的预测分数，作为所述知识点的预测掌握度。具体地，由教研先验知识可知，前后置关系比知识树层级关系更加可信，因此可以为前后置扩散分数设置更大的权重。

S250：根据所述真实掌握度以及所述预测掌握度确定所述目标对象对所述待诊断知识点集中各个知识点的实时掌握情况。

本发明实施例中，可以根据所述测试知识点集以及其中知识点对应的真实掌握度、所述扩散知识点集以及其中知识点对应的预测掌握度来预测所述待诊断知识点集中各个知识点的实时掌握情况。所述实时掌握情况可以包括所述目标对象对所述知识点的实时掌握度以及所述实时掌握度的可信度等级。

基于教研先验知识可知，根据不同方法得到的真实统计得分、前后置扩散分数和知识树扩散分数的可信度不同，导致得到的各个知识点的实时掌握度的可信度也不同。因此可以在确定各个知识点的实时掌握度的同时确定对应的可信度，使得后续任务能够更好地使用学情诊断的结果数据。

在一个可能的实施例中，所述根据所述真实掌握度以及所述预测掌握度确定所述目标对象对所述待诊断知识点集中各个知识点的实时掌握情况可以包括：

针对所述待诊断知识点集中的每个知识点，确定所述知识点所属的集合；

根据所述知识点所属的集合、所述真实掌握度以及所述预测掌握度确定所述目标对象对所述知识点的实时掌握度以及所述实时掌握度的可信度等级。

具体地，如果所述知识点属于测试知识点集，说明所述知识点有真实统计得分，则所述知识点的实时掌握度可以设置为所述真实掌握度，所述实时掌握度的可信度等级最高，为一等；

如果所述知识点属于所述扩散知识点集，说明所述知识点有前后置扩散分数和/或知识树扩散分数，则所述知识点的实时掌握度可以设置为所述预测掌握度；与此同时，可以判断所述知识点是否属于所述第一扩散知识点集，如果所述知识点属于所述第一扩散知识点集，说明所述知识点有前后置扩散分数，则所述实时掌握度的可信度等级为二等；如果所述知识点不属于所述第一知识点集，说明所述知识点没有前后置扩散分数，但有知识树扩散分数，则所述实时掌握度的可信度等级为三等；

如果所述知识点不属于测试知识点集也不属于所述扩散知识点集，则所述知识点的实时掌握度可以设置为默认值，所述实时掌握度的可信度等级最低，为四等。需要说明的是，所述默认值可以根据实际情况进行设置，例如设置为真实统计分数的平均值，本发明实施例对此不做限制。

综上所述，本发明的学情诊断方法基于学生的测试数据，利用预设知识图谱和预设知识树，对测试数据对应的知识点进行前后置扩散和知识树扩散，同时预测学生对扩散得到的知识点的掌握度，大大地扩大了诊断知识点的范围，甚至可以做到全量知识点的诊断。本发明的学情诊断方法能够利用学生的日常考试记录数据进行学情诊断，免去了专门设计测评考试和专门参加测评考试的负担，能够降低学情诊断的成本。而且每当学生有新的日常考试记录数据，就能得到最新的学情诊断结果，真正实现实时诊断学生对知识点的掌握情况。

本发明的学情诊断方法在预测学生对知识点的掌握度的基础上还提出相应的可信度等级机制，在输出知识点掌握度的同时输出它的可信度等级，使得用户或者个性化学习系统的下游任务能够根据自身需求，更灵活地使用学情诊断结果。

上述实施例提供的学情诊断方法可以应用于单次考试场景的学情诊断，下面介绍本发明实施例提供的另一种学情诊断方法的流程，该方法可以应用于全部考试场景的学情诊断。

请参考说明书附图6，其示出了本发明另一个实施例提供的一种学情诊断方法的流程，该方法也可以应用于图1中的服务器。具体的如图6所示，所述方法可以包括以下步骤：

S610：获取待诊断知识点集以及目标对象的测试数据，确定所述测试数据对应的测试知识点集。

S620：根据所述测试数据确定所述目标对象对所述测试知识点集中各个知识点的真实掌握度。

S630：基于预设知识图谱和预设知识树对所述测试知识点集中各个知识点进行扩散，得到扩散知识点集；所述预设知识图谱包括多个知识点以及所述多个知识点之间的前后置关系，所述预设知识树包括所述多个知识点的组织关系。

S640：根据所述真实掌握度确定所述目标对象对所述扩散知识点集中各个知识点的预测掌握度。

S650：根据所述真实掌握度以及所述预测掌握度确定所述目标对象对所述待诊断知识点集中各个知识点的实时掌握情况。

具体地，步骤S610至步骤S650的相关细节可参考图2所示的方法实施例。

S660：获取所述目标对象对所述待诊断知识点集中各个知识点的综合掌握情况。

S670：将所述目标对象对所述待诊断知识点集中各个知识点的实时掌握情况与所述综合掌握情况进行融合，得到更新的综合掌握情况。

本发明实施例中，可以获取上一次全部考试场景的学情诊断结果(即综合掌握情况)，通过将步骤S610至步骤S650得到的单次考试场景的诊断结果(即实时掌握情况)和上一次全部考试场景的学情诊断结果进行融合，可以得到更新的全部考试场景的诊断结果(即更新的综合掌握情况)。如果没有上一次全部考试场景的学情诊断结果，则不需要融合，直接将得到的单次考试场景的诊断结果作为更新的全部考试场景的诊断结果。

具体地，对最新一次单次考试场景的诊断结果来说，每个知识点都有一个实时掌握度，以及对应的可信度等级；同样地，对上一次全部考试场景的诊断结果来说，每个知识点都有一个综合掌握度，以及对应的可信度等级；所述对实时掌握情况和综合掌握情况进行融合就是对应每个知识点进行融合，得到新的综合掌握度以及对应的可信度等级。具体融合策略如下：

情况1：上一次全部考试场景综合掌握度的可信度等级是一等，单次考试场景实时掌握度的可信度等级是一等：融合后的综合掌握度为上一次全部考试场景综合掌握度和所述实时掌握度的平均值；对应的可信度等级为一等。

情况2：上一次全部考试场景综合掌握度的可信度等级是一等，单次考试场景实时掌握度的可信度等级低于一等：融合后的综合掌握度为上一次全部考试场景综合掌握度；对应的可信度等级为一等。

需要注意的是，因为要考虑历史衰减因素，如果连续多次都是这种情况，即没有一等的单次考试场景实时掌握度来刷新，融合后的综合掌握度直接设置为预设值，例如可以设置为单次考试场景的真实统计分数平均值，对应的可信度等级直接降为四等。其中，所述连续出现的次数可以根据实际情况进行设置，例如可以设置为5次，本发明实施例对此不做限制。

情况3：上一次全部考试场景综合掌握度的可信度等级是二等，单次考试场景实时掌握度的可信度等级是一等：融合后的综合掌握度为单次考试场景实时掌握度；对应的可信度等级为一等。

情况4：上一次全部考试场景综合掌握度的可信度等级是二等，单次考试场景实时掌握度的可信度等级是二等：融合后的综合掌握度为上一次全部考试场景综合掌握度和所述实时掌握度的平均值；对应的可信度等级为二等。

情况5：上一次全部考试场景综合掌握度的可信度等级是二等，单次考试场景实时掌握度的可信度等级低于二等：融合后的综合掌握度为上一次全部考试场景综合掌握度；对应的可信度等级为二等。

需要注意的是，因为要考虑历史衰减因素，如果连续多次都是这种情况，即没有高于二等的单次考试场景实时掌握度来刷新，融合后的综合掌握度直接设置为预设值，例如可以设置为单次考试场景的真实统计分数平均值，对应的可信度等级直接降为四等。其中，所述连续出现的次数可以根据实际情况进行设置，例如可以设置为5次，本发明实施例对此不做限制。

情况6：上一次全部考试场景综合掌握度的可信度等级是三等，单次考试场景实时掌握度的可信度等级是一等：融合后的综合掌握度为单次考试场景实时掌握度；对应的可信度等级为一等。

情况7：上一次全部考试场景综合掌握度的可信度等级是三等，单次考试场景实时掌握度的可信度等级是二等：融合后的综合掌握度为单次考试场景实时掌握度；对应的可信度等级为二等。

情况8：上一次全部考试场景综合掌握度的可信度等级是三等，单次考试场景实时掌握度的可信度等级是三等：融合后的综合掌握度为上一次全部考试场景综合掌握度和所述实时掌握度的平均值；对应的可信度等级为三等。

情况9：上一次全部考试场景综合掌握度的可信度等级是三等，单次考试场景实时掌握度的可信度等级低于三等：融合后的综合掌握度为上一次全部考试场景综合掌握度；对应的可信度等级为三等。

需要注意的是，因为要考虑历史衰减因素，如果连续多次都是这种情况，即没有高于三等的单次考试场景实时掌握度来刷新，融合后的综合掌握度直接设置为预设值，例如可以设置为单次考试场景的真实统计分数平均值，对应的可信度等级直接降为四等。其中，所述连续出现的次数可以根据实际情况进行设置，例如可以设置为5次，本发明实施例对此不做限制。

情况10：上一次全部考试场景综合掌握度的可信度等级是四等：融合后的综合掌握度为单次考试场景实时掌握度；对应的可信度等级为所述实时掌握度对应的可信度等级。

因为可信度四等是最差的，几乎不可信，所以如果上一次全部考试场景综合掌握度的可信度等级是四等，则可以忽略，直接将单次考试场景的诊断结果作为融合后的诊断结果即可。

在一些可能的实施例中，通过上述方法实施例提供的学情诊断方法实时诊断每个学生的学情情况，得到诊断结果，所述诊断结果包括两个结果：一个是单次考试场景的诊断结果，它是仅考虑最新考试的情况，更纯粹；另一个是全部考试场景的诊断结果，它是考虑学生所有历史考试情况，更全面；这两个结果作为学生画像特征的重要组成部分，可以供个性化学习系统中其他下游任务使用，比如题目推荐，学习路径规划等。

在一个示例中，对于题目推荐应用，题目推荐模块可以根据学生的学情诊断结果进行个性化推荐题目，比如制定推荐策略：对于诊断结果中所有可信度等级差于三等且实时/综合掌握度低于预设值(例如可以设置为0.4)的知识点为薄弱知识点，重点推荐薄弱知识点的题目，并且根据实时/综合掌握度情况，控制好推荐题目的难度，做到循序渐进。

在一个示例中，对于学习路径规划应用，学习路径规划模块可以根据学生的学情诊断结果进行个性化路径规划，比如制定路径规划策略：对于诊断结果中所有可信度等级差于三等且实时/综合掌握度低于预设值(例如可以设置为0.4)的的知识点为薄弱知识点，对这些薄弱知识点按照它们在知识图谱中前后置关系进行拓扑排序。

在实际应用中，学情诊断的预测范围越大，对下游任务来说是越友好的，能够极大地与下游任务解耦，避免下游任务受限于知识点诊断范围太小。

综上所述，本发明的学情诊断方法还通过对上一次全部考试场景的综合掌握情况以及最新一次单次考试场景的实时掌握情况进行融合，得到最新的全部考试场景的综合掌握情况，能够全面地诊断学生对各个知识点的掌握情况，同时提高学情诊断的效率。

请参考说明书附图7，其示出了本发明一个实施例提供的一种学情诊断装置的结构。如图7所示，所述装置可以包括：

测试知识点集获取模块710，用于获取待诊断知识点集以及目标对象的测试数据，确定所述测试数据对应的测试知识点集；

真实掌握度确定模块720，用于根据所述测试数据确定所述目标对象对所述测试知识点集中各个知识点的真实掌握度；

扩散知识点集获取模块730，用于基于预设知识图谱和预设知识树对所述测试知识点集中各个知识点进行扩散，得到扩散知识点集；所述预设知识图谱包括多个知识点以及所述多个知识点之间的前后置关系，所述预设知识树包括所述多个知识点的组织关系；

预测掌握度确定模块740，用于根据所述真实掌握度确定所述目标对象对所述扩散知识点集中各个知识点的预测掌握度；

实时掌握情况确定模块750，用于根据所述真实掌握度以及所述预测掌握度确定所述目标对象对所述待诊断知识点集中各个知识点的实时掌握情况。

在一个可能的实施例中，如图8所示，所述装置还可以包括：

综合掌握情况获取模块760，用于获取所述目标对象对所述待诊断知识点集中各个知识点的综合掌握情况；

融合模块770，用于将所述目标对象对所述待诊断知识点集中各个知识点的实时掌握情况与所述综合掌握情况进行融合，得到更新的综合掌握情况。

需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与相应方法实施例属于同一构思，其具体实现过程详见对应方法实施例，这里不再赘述。

本发明一个实施例还提供了一种电子设备，该电子设备包括处理器和存储器，该存储器中存储有至少一条指令或者至少一段程序，该至少一条指令或者该至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的学情诊断方法。

存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。

本发明实施例所提供的方法实施例可以在终端、服务器或者类似的运算装置中执行，即上述电子设备可以包括终端、服务器或者类似的运算装置。以运行在服务器上为例，如图9所示，其示出了本发明实施例提供的运行学情诊断方法的服务器的结构示意图。该服务器900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(Central Processing Unit，CPU)910(例如，一个或一个以上处理器)和存储器930，一个或一个以上存储应用程序923或数据922的存储介质920(例如一个或一个以上海量存储设备)。其中，存储器930和存储介质920可以是短暂存储或持久存储。存储在存储介质920的程序可以包括一个或一个以上模块，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器910可以设置为与存储介质920通信，在服务器900上执行存储介质920中的一系列指令操作。服务器900还可以包括一个或一个以上电源960，一个或一个以上有线或无线网络接口950，一个或一个以上输入输出接口940，和/或，一个或一个以上操作系统921，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等等。

输入输出接口940可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器900的通信供应商提供的无线网络。在一个实例中，输入输出接口940包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，输入输出接口940可以为射频(RadioFrequency，RF)模块，其用于通过无线方式与互联网进行通讯，所述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System ofMobilecommunication，GSM)、通用分组无线服务(General Packet Radio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code DivisionMultiple Access，WCDMA)、长期演进(Long Term Evolution，LTE)、电子邮件、短消息服务(ShortMessaging Service，SMS)等。

本领域普通技术人员可以理解，图9所示的结构仅为示意，服务器900还可包括比图9中所示更多或者更少的组件，或者具有与图9所示不同的配置。

本发明一个实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质可设置于电子设备之中以保存用于实现一种学情诊断方法相关的至少一条指令或者至少一段程序，该至少一条指令或者该至少一段程序由该处理器加载并执行以实现上述方法实施例提供的学情诊断方法。

可选地，在本发明实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本发明一个实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现例中提供的学情诊断方法。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，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 (8)

1.一种学情诊断方法，其特征在于，包括：

获取待诊断知识点集以及目标对象的测试数据，确定所述测试数据对应的测试知识点集；

根据所述测试数据确定所述目标对象对所述测试知识点集中各个知识点的真实掌握度；

基于预设知识图谱和预设知识树对所述测试知识点集中各个知识点进行扩散，得到扩散知识点集，包括：针对所述测试知识点集中的各个知识点，基于预设知识图谱进行多次前后置扩散，得到第一扩散知识点集；针对所述测试知识点集中的各个知识点，基于预设知识树进行知识树扩散，得到第二扩散知识点集；对所述第一扩散知识点集以及所述第二扩散知识点集做并集处理，得到所述扩散知识点集；所述预设知识图谱包括多个知识点以及所述多个知识点之间的前后置关系，所述预设知识树包括所述多个知识点的组织关系；

根据所述真实掌握度确定所述目标对象对所述扩散知识点集中各个知识点的预测掌握度；

根据所述真实掌握度以及所述预测掌握度确定所述目标对象对所述待诊断知识点集中各个知识点的实时掌握情况，包括：针对所述待诊断知识点集中的每个知识点，确定所述知识点所属的集合；根据所述知识点所属的集合、所述真实掌握度以及所述预测掌握度确定所述目标对象对所述知识点的实时掌握度以及所述实时掌握度的可信度等级；

其中，所述根据所述知识点所属的集合、所述真实掌握度以及所述预测掌握度确定所述目标对象对所述知识点的实时掌握度以及所述实时掌握度的可信度等级，包括：

在所述知识点属于测试知识点集的情况下，确定所述知识点的实时掌握度为所述真实掌握度，并确定所述实时掌握度的可信度等级为一等；

在所述知识点属于扩散知识点集的情况下，确定所述知识点的实时掌握度为所述预测掌握度；在所述知识点属于所述第一扩散知识点集的情况下，确定所述知识点的实时掌握度的可信度等级为二等；在所述知识点属于扩散知识点集且所述知识点不属于第一知识点集的情况下，确定所述知识点的实时掌握度的可信度等级为三等；

在所述知识点不属于测试知识点集也不属于扩散知识点集的情况下，确定所述知识点的实时掌握度为默认值，并确定所述知识点的实时掌握度的可信度等级为最低。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述目标对象对所述待诊断知识点集中各个知识点的综合掌握情况；

将所述目标对象对所述待诊断知识点集中各个知识点的实时掌握情况与所述综合掌握情况进行融合，得到更新的综合掌握情况。

3.根据权利要求1所述的方法，其特征在于，所述针对所述测试知识点集中的各个知识点，基于预设知识图谱进行多次前后置扩散，得到第一扩散知识点集包括：

针对所述测试知识点集中的每个知识点，以所述知识点为起点，基于所述预设知识图谱进行多次前后置扩散，得到所述知识点对应的第一知识点集；

对所述测试知识点集中各个知识点对应的第一知识点集做并集处理，得到所述第一扩散知识点集。

4.根据权利要求1所述的方法，其特征在于，所述针对所述测试知识点集中的各个知识点，基于预设知识树进行知识树扩散，得到第二扩散知识点集包括：

针对所述测试知识点集中的每个知识点，确定所述知识点与所述预设知识树中各个叶子知识点的最近祖先节点，得到最近祖先节点集；

确定所述最近祖先节点集中各个最近祖先节点与所述知识点之间的距离；

获取所述距离小于或等于预设距离阈值的最近祖先节点对应的叶子知识点，得到所述知识点对应的第二知识点集；

对所述测试知识点集中各个知识点对应的第二知识点集做并集处理，得到所述第二扩散知识点集。

5.根据权利要求1所述的方法，其特征在于，所述根据所述真实掌握度确定所述目标对象对所述扩散知识点集中各个知识点的预测掌握度包括：

根据所述真实掌握度确定所述目标对象对所述第一扩散知识点集中各个知识点的第一预测掌握度；

根据所述第一预测掌握度和所述真实掌握度确定所述目标对象对所述第二扩散知识点集中各个知识点的第二预测掌握度；

根据所述第一预测掌握度和所述第二预测掌握度确定所述目标对象对所述扩散知识点集中各个知识点的预测掌握度。

6.一种学情诊断装置，其特征在于，包括：

测试知识点集获取模块，用于获取待诊断知识点集以及目标对象的测试数据，确定所述测试数据对应的测试知识点集；

真实掌握度确定模块，用于根据所述测试数据确定所述目标对象对所述测试知识点集中各个知识点的真实掌握度；

扩散知识点集获取模块，用于基于预设知识图谱和预设知识树对所述测试知识点集中各个知识点进行扩散，得到扩散知识点集，包括：针对所述测试知识点集中的各个知识点，基于预设知识图谱进行多次前后置扩散，得到第一扩散知识点集；针对所述测试知识点集中的各个知识点，基于预设知识树进行知识树扩散，得到第二扩散知识点集；对所述第一扩散知识点集以及所述第二扩散知识点集做并集处理，得到所述扩散知识点集；所述预设知识图谱包括多个知识点以及所述多个知识点之间的前后置关系，所述预设知识树包括所述多个知识点的组织关系；

预测掌握度确定模块，用于根据所述真实掌握度确定所述目标对象对所述扩散知识点集中各个知识点的预测掌握度；

实时掌握情况确定模块，用于根据所述真实掌握度以及所述预测掌握度确定所述目标对象对所述待诊断知识点集中各个知识点的实时掌握情况，包括：针对所述待诊断知识点集中的每个知识点，确定所述知识点所属的集合；根据所述知识点所属的集合、所述真实掌握度以及所述预测掌握度确定所述目标对象对所述知识点的实时掌握度以及所述实时掌握度的可信度等级；其中，所述根据所述知识点所属的集合、所述真实掌握度以及所述预测掌握度确定所述目标对象对所述知识点的实时掌握度以及所述实时掌握度的可信度等级，包括：在所述知识点属于测试知识点集的情况下，确定所述知识点的实时掌握度为所述真实掌握度，并确定所述实时掌握度的可信度等级为一等；在所述知识点属于扩散知识点集的情况下，确定所述知识点的实时掌握度为所述预测掌握度；在所述知识点属于所述第一扩散知识点集的情况下，确定所述知识点的实时掌握度的可信度等级为二等；在所述知识点属于扩散知识点集且所述知识点不属于第一知识点集的情况下，确定所述知识点的实时掌握度的可信度等级为三等；在所述知识点不属于测试知识点集也不属于扩散知识点集的情况下，确定所述知识点的实时掌握度为默认值，并确定所述知识点的实时掌握度的可信度等级为最低。

7.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求1-5任意一项所述的学情诊断方法。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-5任意一项所述的学情诊断方法。