CN112100341A - 一种用于快速表达力测试的智能化题目分类及推荐方法 - Google Patents
一种用于快速表达力测试的智能化题目分类及推荐方法 Download PDFInfo
- Publication number
- CN112100341A CN112100341A CN202010287246.7A CN202010287246A CN112100341A CN 112100341 A CN112100341 A CN 112100341A CN 202010287246 A CN202010287246 A CN 202010287246A CN 112100341 A CN112100341 A CN 112100341A
- Authority
- CN
- China
- Prior art keywords
- difficulty
- users
- questions
- scores
- user
- 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
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000010365 information processing Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及问题分类应用技术领域,具体为一种用于快速表达力测试的智能化题目分类及推荐方法,使用机器学习技术即基于大量系统用户在题目使用过程中的分数数据对题目难度和题目区分度进行分类,并根据用户的偏好设置或历史数据进行题目推荐,该方法的步骤如下:步骤一、首先由人工根据偏度划分M个难度等级,表征题目难度;根据峰度划分K个区分度等级,表征题目区分度。本发明通过使用机器学习技术,只需要人工给出题目难度分类的数量,不需要指定题目的初始难度,题目难度的划分随着业务数据的增多而更加准确,从而可以大幅减少人工劳动,在很大程度上提高了出题效率,且可以随着业务数据的积累动态调整题目难度,让题目分类更加准确。
Description
技术领域
本发明涉及问题分类应用技术领域,具体为一种用于快速表达力测试的智能化题目分类及推荐方法。
背景技术
快速表达力测试是一种新型口语测试模式,相较于传统汉语言测试,快速表达力测试有适用面广、测试快捷、评测客观的优点,不仅可以作为用户表达力水平的评测标准,还可以作为用户日常学习、提高表达能力的辅助方法。有针对性的智能化、个性化的为用户推荐测试题目可以有效提高用户的学习效率,而目前在尚未有方案能够达到这些要求。鉴于此,我们提出一种用于快速表达力测试的智能化题目分类及推荐方法。
发明内容
本发明的目的在于提供一种用于快速表达力测试的智能化题目分类及推荐方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种用于快速表达力测试的智能化题目分类及推荐方法,使用机器学习技术即基于大量系统用户在题目使用过程中的分数数据对题目难度和题目区分度进行分类,并根据用户的偏好设置或历史数据进行题目推荐,该方法的步骤如下:
步骤一、首先由人工根据偏度划分M个难度等级,表征题目难度;根据峰度划分K个区分度等级,表征题目区分度;
步骤二、从题库中取得未经分类的一批题目,题目数量为N,将该批题目按默认难度系数投放到表达力测试系统供用户练习,并将用户完成这些题目的分数计入数据库,以该批题目中的具体题目P为例,统计用户在该题目上的得分,并得到用户分数分布曲线和偏度s以及峰度k;
步骤三、根据步骤二得到的用户分数分布偏度s把题目分配到M个难度等级中;
步骤四、根据步骤二得到的用户分数分布的峰度k把题目分配到K个区分度等级中;
步骤五、根据难度分类重新投放题目,并得到更多用户分数数据,重复步骤三和步骤四,使得题目分类更精确;
步骤六、将用户的历史做题记录和分数记入数据库,作为用户推荐题目的参考,若用户往期做题分数高于同龄或同行业用户平均水平,则提高为用户推荐题目的题目难度,用户分数高于同龄或同行业用户水平越多,推荐题目的难度应越高,若用户往期做题分数低于同龄或同行业用户平均水平,则降低为用户推荐题目的题目难度,用户分数低于同龄或同行业用户水平越多,推荐题目的难度应越低,高水平用户可选择挑战区分度较低的高难度题目,低水平用户则优先考虑推荐区分度较低的低难度题目,对于成长期用户,可优先推荐区分度较高的题目。
作为本发明的优选的技术方案,步骤二中的偏度s的计算公式为:
作为本发明的优选的技术方案,步骤二中的峰度k的计算公式为:
作为本发明的优选的技术方案,步骤二中的表达力测试系统包括信息储存模块、数据库模块、信息统计模块和信息处理模块;
信息储存模块用于存储题库中所有待测试的题目信息;
数据库模块用于完成题目后的分数计入;
信息统计模块用于用户完成题目后的得分统计;
信息处理模块用于用户完成题目后得分的综合分析。
作为本发明的优选的技术方案,步骤三中的分析结果主要分为以下几种情形:
偏度s>0时,表明多数用户在该题目得分较高,s越大,则认为该题目难度越低;
偏度s<0时,表明多数用户在该题目得分较低,s越小,则认为该题目难度越高;
偏度s=0,则认为题目难度中等。
作为本发明的优选的技术方案,步骤四中的分析结果主要分为以下几种情形:
峰度k值越小,分布形态越平缓,呈现低阔峰分布形态,表明题目区分度越好;
峰度k值越大,分布形态越陡峭,呈现高狭峰分布形态,表明题目区分度越小。
与现有技术相比,本发明的有益效果是:
本发明通过使用机器学习技术,只需要人工给出题目难度分类的数量,不需要指定题目的初始难度,题目难度的划分随着业务数据的增多而更加准确,从而可以大幅减少人工劳动,在很大程度上提高了出题效率,且可以随着业务数据的积累动态调整题目难度,让题目分类更加准确。
附图说明
图1为用户分数分布情况和题目难度的关系示意图;
图2为用户分数分布情况和题目区分度的关系示意图;
图3为用户水平与推荐题目的类别关系示意图。
具体实施方式
下面将结合本发明实施例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。
本发明提供的技术方案:
实施例1
一种用于快速表达力测试的智能化题目分类及推荐方法,使用机器学习技术即基于大量系统用户在题目使用过程中的分数数据对题目难度和题目区分度进行分类,并根据用户的偏好设置或历史数据进行题目推荐,该方法的步骤如下:
步骤一、首先由人工根据偏度划分M个难度等级,表征题目难度;根据峰度划分K个区分度等级,表征题目区分度;
步骤二、从题库中取得未经分类的一批题目,题目数量为N,将该批题目按默认难度系数投放到表达力测试系统供用户练习,并将用户完成这些题目的分数计入数据库,以该批题目中的具体题目P为例,统计用户在该题目上的得分,并得到用户分数分布曲线和偏度s以及峰度k;
步骤三、根据步骤二得到的用户分数分布偏度s把题目分配到M个难度等级中;
步骤四、根据步骤二得到的用户分数分布的峰度k把题目分配到K个区分度等级中;
步骤五、根据难度分类重新投放题目,并得到更多用户分数数据,重复步骤三和步骤四,使得题目分类更精确;
步骤六、将用户的历史做题记录和分数记入数据库,作为用户推荐题目的参考,若用户往期做题分数高于同龄或同行业用户平均水平,则提高为用户推荐题目的题目难度,用户分数高于同龄或同行业用户水平越多,推荐题目的难度应越高,若用户往期做题分数低于同龄或同行业用户平均水平,则降低为用户推荐题目的题目难度,用户分数低于同龄或同行业用户水平越多,推荐题目的难度应越低,高水平用户可选择挑战区分度较低的高难度题目,低水平用户则优先考虑推荐区分度较低的低难度题目,对于成长期用户,可优先推荐区分度较高的题目。
作为本发明的优选实施例,步骤二中的偏度s的计算公式为:
作为本发明的优选实施例,步骤二中的峰度k的计算公式为:
作为本发明的优选实施例,步骤二中的表达力测试系统包括信息储存模块、数据库模块、信息统计模块和信息处理模块;
信息储存模块用于存储题库中所有待测试的题目信息;
数据库模块用于完成题目后的分数计入;
信息统计模块用于用户完成题目后的得分统计;
信息处理模块用于用户完成题目后得分的综合分析。
作为本发明的优选实施例,步骤三中的分析结果为:偏度s>0,表明多数用户在该题目得分较高,s越大,则该题目难度越低。
作为本发明的优选实施例,步骤四中的分析结果为:峰度k值小,分布形态平缓,呈现低阔峰分布形态,表明题目区分度越好。
实施例2
一种用于快速表达力测试的智能化题目分类及推荐方法,使用机器学习技术即基于大量系统用户在题目使用过程中的分数数据对题目难度和题目区分度进行分类,并根据用户的偏好设置或历史数据进行题目推荐,该方法的步骤如下:
步骤一、首先由人工根据偏度划分M个难度等级,表征题目难度;根据峰度划分K个区分度等级,表征题目区分度;
步骤二、从题库中取得未经分类的一批题目,题目数量为N,将该批题目按默认难度系数投放到表达力测试系统供用户练习,并将用户完成这些题目的分数计入数据库,以该批题目中的具体题目P为例,统计用户在该题目上的得分,并得到用户分数分布曲线和偏度s以及峰度k;
步骤三、根据步骤二得到的用户分数分布偏度s把题目分配到M个难度等级中;
步骤四、根据步骤二得到的用户分数分布的峰度k把题目分配到K个区分度等级中;
步骤五、根据难度分类重新投放题目,并得到更多用户分数数据,重复步骤三和步骤四,使得题目分类更精确;
步骤六、将用户的历史做题记录和分数记入数据库,作为用户推荐题目的参考,若用户往期做题分数高于同龄或同行业用户平均水平,则提高为用户推荐题目的题目难度,用户分数高于同龄或同行业用户水平越多,推荐题目的难度应越高,若用户往期做题分数低于同龄或同行业用户平均水平,则降低为用户推荐题目的题目难度,用户分数低于同龄或同行业用户水平越多,推荐题目的难度应越低,高水平用户可选择挑战区分度较低的高难度题目,低水平用户则优先考虑推荐区分度较低的低难度题目,对于成长期用户,可优先推荐区分度较高的题目。
作为本发明的优选实施例,步骤二中的偏度s的计算公式为:
作为本发明的优选实施例,步骤二中的峰度k的计算公式为:
作为本发明的优选实施例,步骤二中的表达力测试系统包括信息储存模块、数据库模块、信息统计模块和信息处理模块;
信息储存模块用于存储题库中所有待测试的题目信息;
数据库模块用于完成题目后的分数计入;
信息统计模块用于用户完成题目后的得分统计;
信息处理模块用于用户完成题目后得分的综合分析。
作为本发明的优选实施例,步骤三中的分析结果为:偏度s<0时,表明多数用户在该题目得分较低,s越小,则认为该题目难度越高。
作为本发明的优选实施例,步骤四中的分析结果为:峰度k值大,分布形态陡峭,呈现高狭峰分布形态,表明题目区分度越小。
实施例3
一种用于快速表达力测试的智能化题目分类及推荐方法,使用机器学习技术即基于大量系统用户在题目使用过程中的分数数据对题目难度和题目区分度进行分类,并根据用户的偏好设置或历史数据进行题目推荐,该方法的步骤如下:
步骤一、首先由人工根据偏度划分M个难度等级,表征题目难度;根据峰度划分K个区分度等级,表征题目区分度;
步骤二、从题库中取得未经分类的一批题目,题目数量为N,将该批题目按默认难度系数投放到表达力测试系统供用户练习,并将用户完成这些题目的分数计入数据库,以该批题目中的具体题目P为例,统计用户在该题目上的得分,并得到用户分数分布曲线和偏度s以及峰度k;
步骤三、根据步骤二得到的用户分数分布偏度s把题目分配到M个难度等级中;
步骤四、根据步骤二得到的用户分数分布的峰度k把题目分配到K个区分度等级中;
步骤五、根据难度分类重新投放题目,并得到更多用户分数数据,重复步骤三和步骤四,使得题目分类更精确;
步骤六、将用户的历史做题记录和分数记入数据库,作为用户推荐题目的参考,若用户往期做题分数高于同龄或同行业用户平均水平,则提高为用户推荐题目的题目难度,用户分数高于同龄或同行业用户水平越多,推荐题目的难度应越高,若用户往期做题分数低于同龄或同行业用户平均水平,则降低为用户推荐题目的题目难度,用户分数低于同龄或同行业用户水平越多,推荐题目的难度应越低,高水平用户可选择挑战区分度较低的高难度题目,低水平用户则优先考虑推荐区分度较低的低难度题目,对于成长期用户,可优先推荐区分度较高的题目。
作为本发明的优选实施例,步骤二中的偏度s的计算公式为:
作为本发明的优选实施例,步骤二中的峰度k的计算公式为:
作为本发明的优选实施例,步骤二中的表达力测试系统包括信息储存模块、数据库模块、信息统计模块和信息处理模块;
信息储存模块用于存储题库中所有待测试的题目信息;
数据库模块用于完成题目后的分数计入;
信息统计模块用于用户完成题目后的得分统计;
信息处理模块用于用户完成题目后得分的综合分析。
作为本发明的优选实施例,步骤三中的分析结果为:偏度s=0,则认为题目难度中等。
作为本发明的优选实施例,步骤四中的分析结果为:峰度k值小,分布形态平缓,呈现低阔峰分布形态,表明题目区分度越好。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种用于快速表达力测试的智能化题目分类及推荐方法,其特征在于:使用机器学习技术即基于大量系统用户在题目使用过程中的分数数据对题目难度和题目区分度进行分类,并根据用户的偏好设置或历史数据进行题目推荐,该方法的步骤如下:
步骤一、首先由人工根据偏度划分M个难度等级,表征题目难度;根据峰度划分K个区分度等级,表征题目区分度;
步骤二、从题库中取得未经分类的一批题目,题目数量为N,将该批题目按默认难度系数投放到表达力测试系统供用户练习,并将用户完成这些题目的分数计入数据库,以该批题目中的具体题目P为例,统计用户在该题目上的得分,并得到用户分数分布曲线和偏度s以及峰度k;
步骤三、根据步骤二得到的用户分数分布偏度s把题目分配到M个难度等级中;
步骤四、根据步骤二得到的用户分数分布的峰度k把题目分配到K个区分度等级中;
步骤五、根据难度分类重新投放题目,并得到更多用户分数数据,重复步骤三和步骤四,使得题目分类更精确;
步骤六、将用户的历史做题记录和分数记入数据库,作为用户推荐题目的参考,若用户往期做题分数高于同龄或同行业用户平均水平,则提高为用户推荐题目的题目难度,用户分数高于同龄或同行业用户水平越多,推荐题目的难度应越高,若用户往期做题分数低于同龄或同行业用户平均水平,则降低为用户推荐题目的题目难度,用户分数低于同龄或同行业用户水平越多,推荐题目的难度应越低,高水平用户可选择挑战区分度较低的高难度题目,低水平用户则优先考虑推荐区分度较低的低难度题目,对于成长期用户,可优先推荐区分度较高的题目。
4.根据权利要求1所描述的用于快速表达力测试的智能化题目分类及推荐方法,其特征在于:步骤二中的表达力测试系统包括信息储存模块、数据库模块、信息统计模块和信息处理模块;
信息储存模块用于存储题库中所有待测试的题目信息;
数据库模块用于完成题目后的分数计入;
信息统计模块用于用户完成题目后的得分统计;
信息处理模块用于用户完成题目后得分的综合分析。
5.根据权利要求1所描述的用于快速表达力测试的智能化题目分类及推荐方法,其特征在于:步骤三中的分析结果主要分为以下几种情形:
偏度s>0时,表明多数用户在该题目得分较高,s越大,则认为该题目难度越低;
偏度s<0时,表明多数用户在该题目得分较低,s越小,则认为该题目难度越高;
偏度s=0,则认为题目难度中等。
6.根据权利要求1所描述的用于快速表达力测试的智能化题目分类及推荐方法,其特征在于:步骤四中的分析结果主要分为以下几种情形:
峰度k值越小,分布形态越平缓,呈现低阔峰分布形态,表明题目区分度越好;
峰度k值越大,分布形态越陡峭,呈现高狭峰分布形态,表明题目区分度越小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010287246.7A CN112100341B (zh) | 2020-04-13 | 2020-04-13 | 一种用于快速表达力测试的智能化题目分类及推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010287246.7A CN112100341B (zh) | 2020-04-13 | 2020-04-13 | 一种用于快速表达力测试的智能化题目分类及推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112100341A true CN112100341A (zh) | 2020-12-18 |
CN112100341B CN112100341B (zh) | 2023-07-07 |
Family
ID=73750322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010287246.7A Active CN112100341B (zh) | 2020-04-13 | 2020-04-13 | 一种用于快速表达力测试的智能化题目分类及推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112100341B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779396A (zh) * | 2021-09-10 | 2021-12-10 | 平安科技(深圳)有限公司 | 题目推荐方法和装置、电子设备、存储介质 |
CN114358425A (zh) * | 2022-01-06 | 2022-04-15 | 杭州数理大数据技术有限公司 | 一种试题选择方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1794277A (zh) * | 2005-12-29 | 2006-06-28 | 清华大学深圳研究生院 | 物流培训网络试题难度和区分度量化的实现方法 |
CN105138653A (zh) * | 2015-08-28 | 2015-12-09 | 天津大学 | 一种基于典型度和难度的题目推荐方法及其推荐装置 |
WO2016179938A1 (zh) * | 2015-05-14 | 2016-11-17 | 百度在线网络技术(北京)有限公司 | 题目推荐方法和题目推荐装置 |
CN110543995A (zh) * | 2018-05-29 | 2019-12-06 | 青岛农业大学 | 一种基于模糊算法的学生认知水平的测试评定系统 |
-
2020
- 2020-04-13 CN CN202010287246.7A patent/CN112100341B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1794277A (zh) * | 2005-12-29 | 2006-06-28 | 清华大学深圳研究生院 | 物流培训网络试题难度和区分度量化的实现方法 |
WO2016179938A1 (zh) * | 2015-05-14 | 2016-11-17 | 百度在线网络技术(北京)有限公司 | 题目推荐方法和题目推荐装置 |
CN105138653A (zh) * | 2015-08-28 | 2015-12-09 | 天津大学 | 一种基于典型度和难度的题目推荐方法及其推荐装置 |
CN110543995A (zh) * | 2018-05-29 | 2019-12-06 | 青岛农业大学 | 一种基于模糊算法的学生认知水平的测试评定系统 |
Non-Patent Citations (5)
Title |
---|
任亮宝等: "大学期末考试试卷量化分析研究", 《甘肃科技纵横》 * |
梁雅丽等: "预防医学专业《卫生统计学》课程试卷分析", 《安徽医药》 * |
汪艳丽: "高校课程考试质量的分析与评价", 《北京联合大学学报》 * |
王筱明等: "《信息检索与利用》课程试卷分析", 《江西图书馆学刊》 * |
王能河等: "生物医学工程专业2005级《医用传感器》考试质量分析", 《数理医药学杂志》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779396A (zh) * | 2021-09-10 | 2021-12-10 | 平安科技(深圳)有限公司 | 题目推荐方法和装置、电子设备、存储介质 |
CN113779396B (zh) * | 2021-09-10 | 2023-09-01 | 平安科技(深圳)有限公司 | 题目推荐方法和装置、电子设备、存储介质 |
CN114358425A (zh) * | 2022-01-06 | 2022-04-15 | 杭州数理大数据技术有限公司 | 一种试题选择方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112100341B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111915148B (zh) | 一种基于信息技术的课堂教学评价方法和系统 | |
US6185531B1 (en) | Topic indexing method | |
CN110134952A (zh) | 一种错误文本拒识方法、装置及存储介质 | |
CN100580693C (zh) | 一种广告检测识别方法及系统 | |
CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
CN112100341A (zh) | 一种用于快速表达力测试的智能化题目分类及推荐方法 | |
CN106653001A (zh) | 婴儿哭声的辩识方法及其系统 | |
CN109086794B (zh) | 一种基于t-lda主题模型的驾驶行为模式识方法 | |
CN109492226B (zh) | 一种提高情感倾向占比低文本预断准确率的方法 | |
CN109800309A (zh) | 课堂话语类型分类方法及装置 | |
CN114925284B (zh) | 一种基于人工智能的资源搜索推送系统及方法 | |
CN111651606A (zh) | 一种文本处理方法、装置及电子设备 | |
CN110795630A (zh) | 一种学习方案推荐方法及装置 | |
CN113688623A (zh) | 一种基于深度学习的方面级情感分析方法 | |
CN113743079A (zh) | 一种基于共现实体交互图的文本相似度计算方法及装置 | |
CN112364123A (zh) | 一种题库自动组题及难易度实时更新方法 | |
CN113283748A (zh) | 一种教育软件信息分析处理方法、设备、系统及计算机存储介质 | |
CN115248888A (zh) | 一种通过大数据对热词进行搜索的数据识别系统 | |
CN116071032A (zh) | 基于深度学习的人力资源面试识别方法、装置及存储介质 | |
TWI761090B (zh) | 對話資料處理系統、其方法及電腦可讀媒介 | |
CN112348094A (zh) | 数据处理方法及装置 | |
CN111708434A (zh) | 一种结合眼动识别的网上答题反馈系统 | |
CN112131369A (zh) | 一种业务类别确定方法和装置 | |
CN114832386B (zh) | 一种基于大数据分析的游戏用户智能管理系统 | |
CN111881287B (zh) | 一种分类模糊性分析方法及装置 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230529 Address after: 200135 room 118, building 20, No. 1-42, Lane 83, Hongxiang North Road, Lingang New Area, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai Applicant after: Shanghai Haoxuan Education Technology Co.,Ltd. Address before: Room n275, 66 Miaojing Road, Minhang District, Shanghai, 201100 Applicant before: Shanghai mien Network Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |