CN112102127A - 可解释智能学习报告生产方法 - Google Patents

可解释智能学习报告生产方法 Download PDF

Info

Publication number
CN112102127A
CN112102127A CN202010943087.1A CN202010943087A CN112102127A CN 112102127 A CN112102127 A CN 112102127A CN 202010943087 A CN202010943087 A CN 202010943087A CN 112102127 A CN112102127 A CN 112102127A
Authority
CN
China
Prior art keywords
content
target
contents
test
answer
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
CN202010943087.1A
Other languages
English (en)
Other versions
CN112102127B (zh
Inventor
崔炜
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 CN202010943087.1A priority Critical patent/CN112102127B/zh
Publication of CN112102127A publication Critical patent/CN112102127A/zh
Application granted granted Critical
Publication of CN112102127B publication Critical patent/CN112102127B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Educational Technology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明提供了可解释智能学习报告生产方法，包括：对目标对象做的试卷进行拍摄，获得试卷照片；对所述试卷照片进行内容识别，获得试卷中包括的试题以及试题对应的测试结果；所述试题中包括试题内容和试题对应的满分分值；所述测试结果包括答题内容和试题得分；从所述测试结果中筛选出试题得分小于试题对应的满分分值的目标测试结果；获取所述目标测试结果中包括的目标答题内容和所述目标测试结果对应的目标试题内容；获取所述目标试题内容对应的至少一种解题方法内容；根据所述目标答题内容、所述目标试题内容对应的至少一种解题方法内容以及预设的错误原因解释模型，生成所述目标对象对应的学习报告。

Description

可解释智能学习报告生产方法
技术领域
本发明涉及智能计算机技术领域，特别涉及可解释智能学习报告生产方法。
背景技术
现有技术中，学生做题之后，教师只会判卷，而后，教师会针对学生对试题做的对错，在班级整体上进行讲评，例如在上数学课时，教师整体上为学生讲解学生做题的错误原因，限于精力、时间等原因，教师不能针对性地为每个学生分析他们各自的问题在哪里，错误原因是什么。
发明内容
本发明提供一种可解释智能学习报告生产方法，用以提供一种能够智能化的为用户提供试题做题结果的错误解释原因的技术。
本发明实施例提供了一种可解释智能学习报告生产方法，包括：
对目标对象做的试卷进行拍摄，获得试卷照片；
对所述试卷照片进行内容识别，获得试卷中包括的试题以及试题对应的测试结果；所述试题中包括试题内容和试题对应的满分分值；所述测试结果包括答题内容和试题得分；
从所述测试结果中筛选出试题得分小于试题对应的满分分值的目标测试结果；
获取所述目标测试结果中包括的目标答题内容和所述目标测试结果对应的目标试题内容；
获取所述目标试题内容对应的至少一种解题方法内容；
根据所述目标答题内容、所述目标试题内容对应的至少一种解题方法内容以及预设的错误原因解释模型，生成所述目标对象对应的学习报告。
在一个实施例中，所述根据所述目标答题内容、所述目标试题内容对应的至少一种解题方法内容以及预设的错误原因解释模型，生成所述目标对象对应的学习报告，包括：
对所述目标答题内容按照预设分割规则进行分割，获得目标答题内容的多个第一子内容；
获取所述目标试题内容对应的每一种解题方法内容各自对应的多个第二子内容；其中，针对每一种解题方法内容，预先按照预设分割规则分割为相应的多个第二子内容；
根据所述目标答题内容的多个第一子内容、每一种解题方法内容各自对应的多个第二子内容，确定与所述目标答题内容匹配度最高的目标解题方法内容；
对所述目标答题内容的多个第一子内容与目标解题方法内容对应的多个第二子内容进行比对，确定出目标参考内容，所述目标参考内容包括：未在所述目标答题内容中找到相应匹配内容的目标解题方法内容部分；
根据所述目标参考内容和预设的错误原因解释模型，生成所述目标对象对应的、带有所述目标答题内容错误原因解释的学习报告。
在一个实施例中，所述根据所述目标参考内容和预设的错误原因解释模型，生成所述目标对象对应的、带有所述目标答题内容错误原因解释的学习报告，包括：
在预设的错误原因解释模型库中，存储有用户上传的各种错误原因对应导致的错误做题结果的对应关系；
确定所述目标参考内容与所述对应关系中各个错误做题结果之间的匹配度；
对各个错误做题结果对应的匹配度按照从大到小的顺序排序；
获取等于或大于预设匹配度阈值的、并且排在前n位的匹配度所对应的第一目标错误做题结果，将所述第一目标错误做题结果及其对应的错误原因输出供用户选择，将用户选择的错误原因作为所述目标答题内容错误原因解释；或者，获取等于或大于预设匹配度阈值的、并且排在第1位的匹配度所对应的第二目标错误做题结果，将所述第二目标错误做题结果及其对应的错误原因输出供用户选择，将用户选择的错误原因作为所述目标答题内容错误原因解释；
对所述目标参考内容、所述目标参考内容对应的目标解题方法内容、所述目标答题内容错误原因解释填写入预设表格中，生成所述目标对象对应的、带有所述目标答题内容错误原因解释的学习报告。
在一个实施例中，所述目标测试结果对应的试题为数学解答题；
所述预设分割规则为：按照排版从前往后的顺序，将待分割的内容中的每一个单独存在的元素列为一独立段落，形成待分割的内容对应的段落式内容；所述单独存在的元素包括完整的数学表达式或者一句由文字组成的句子。
在一个实施例中，所述根据所述目标答题内容的多个第一子内容、每一种解题方法内容各自对应的多个第二子内容，确定与所述目标答题内容匹配度最高的目标解题方法内容，包括如下步骤A1-A2：
步骤A1、根据如下公式(1)计算第i种解题方法内容与所述目标答题内容的匹配度hi：
Figure BDA0002674321560000031
其中，gj表示所述目标答题内容对应的第一子内容中是否包括第i种解题方法内容中的第j个第二子内容，其中，当所述目标答题内容对应的第一子内容中包括第i种解题方法内容中的第j个第二子内容时，gj取值为1；当所述目标答题内容对应的第一子内容中不包括第i种解题方法内容中的第j个第二子内容时，gj取值为0；K为第i种解题方法内容中第二子内容的总数目；fj表示所述目标答题内容中与第j个第二子内容匹配的第一子内容在所述目标答题内容对应的段落式内容中所处的段落编号；lij表示所述第i种解题方法内容中第j个第二子内容在所述第i种解题方法内容对应的段落式内容中所处的段落编号；其中，当所述目标答题内容中不存在与第j个第二子内容匹配的第一子内容时，fj取值为0；
步骤A2、根据公式(1)确定出每一种解题方法内容分别与所述目标答题内容的匹配度之后，选择匹配度最大的解题方法内容作为与所述目标答题内容匹配度最高的目标解题方法内容；
所述对所述目标答题内容的多个第一子内容与目标解题方法内容对应的多个第二子内容进行比对，确定出所述目标参考内容，包括步骤B1-B：
步骤B1、从目标解题方法内容对应的段落式内容的第一段内容开始，逐段扫描所述目标答题内容对应的段落式内容的前1+n段内容；判断所述前1+n段内容中，是否包括与所述目标解题方法内容对应的段落式内容的第一段内容相匹配的一段内容；如果是，则标记与所述目标解题方法内容对应的段落式内容的第一段内容相匹配的一段内容,并设置该相匹配的一段内容对应的段落编号为第二次扫描基准段落X2；如果否，则记录未在所述目标答题内容中找到与所述第一段内容相匹配的匹配内容，将
Figure BDA0002674321560000041
设置为第二次扫描基准段落X2；n为正整数，其取值范围为[1,5]；
步骤B2、从目标解题方法内容对应的段落式内容的第二段内容开始，逐段扫描所述目标答题内容对应的段落式内容的第X2-n段至第X2+n段内容；判断所述第X2-n段至第X2+n段内容中是否包括与所述第二段内容相匹配的一段内容，如果是，则标记所述目标解题方法内容对应的段落式内容的第二段内容相匹配的一段内容，并设置该相匹配的一段内容对应的段落编号为第三次扫描基准段落X3；如果否，则记录未在所述目标答题内容中找到与所述第二段内容相匹配的匹配内容，将
Figure BDA0002674321560000042
设置为第三次扫描基准段落X3；
步骤B3、以此类推，从目标解题方法内容对应的段落式内容的第d段内容开始，逐段扫描所述目标答题内容对应的段落式内容的第Xd-n段至第Xd+n段内容，其中，d＝3，4，…,D,D为所述目标解题方法内容对应的段落式内容的段落总数；判断所述第Xd-n段至第Xd+n段内容中是否包括与所述第d段内容相匹配的一段内容，如果是，则标记所述目标解题方法内容对应的段落式内容的第d段内容相匹配的一段内容，并设置该相匹配的一段内容对应的段落编号为下一次扫描基准段落Xd+1；如果否，则记录未在所述目标答题内容中找到与所述第d段内容相匹配的匹配内容，将
Figure BDA0002674321560000051
设置为下一次扫描基准段落Xd+1；
步骤B4、汇总前述步骤B1至步骤B3确定出的所有记录，将所述汇总结果作为所述目标参考内容。
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可解释智能学习报告生产方法的流程图。
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。
本发明实施例提供一种可解释智能学习报告生产方法，如图1所示，包括如下步骤S1-S6：
步骤S1、对目标对象(例如学生)做的试卷进行拍摄，获得试卷照片；
步骤S2、对试卷照片进行内容识别，获得试卷中包括的试题以及试题对应的测试结果；试题中包括试题内容和试题对应的满分分值；测试结果包括答题内容和试题得分；
步骤S3、从测试结果中筛选出试题得分小于试题对应的满分分值的目标测试结果；
步骤S4、获取目标测试结果中包括的目标答题内容和目标测试结果对应的目标试题内容；
步骤S5、获取目标试题内容对应的至少一种解题方法内容；
步骤S6、根据目标答题内容、目标试题内容对应的至少一种解题方法内容以及预设的错误原因解释模型，生成目标对象对应的学习报告。
上述技术方案的有益效果为：按照上述技术方案，实现了智能地为用户(学生或者教师)生成包括试题做题结果的错误解释原因的学习报告，用户可以根据学习报告方便地获知目标对象例如学生做题错误的原因是什么，用户不需要手动的为错题分析错误原因，不需要手动的生成包括错题错误原因的学习报告，提高了学习报告生成的智能化。
在一个实施例中，步骤S6“根据目标答题内容、目标试题内容对应的至少一种解题方法内容以及预设的错误原因解释模型，生成目标对象对应的学习报告”可以实施为：
对目标答题内容按照预设分割规则进行分割，获得目标答题内容的多个第一子内容；
获取目标试题内容对应的每一种解题方法内容各自对应的多个第二子内容；其中，针对每一种解题方法内容，预先按照预设分割规则分割为相应的多个第二子内容；
根据目标答题内容的多个第一子内容、每一种解题方法内容各自对应的多个第二子内容，确定与目标答题内容匹配度最高的目标解题方法内容；
对目标答题内容的多个第一子内容与目标解题方法内容对应的多个第二子内容进行比对，确定出目标参考内容，目标参考内容包括：未在目标答题内容中找到相应匹配内容的目标解题方法内容部分；
根据目标参考内容和预设的错误原因解释模型，生成目标对象对应的、带有目标答题内容错误原因解释的学习报告。
在一个实施例中，上述步骤“根据目标参考内容和预设的错误原因解释模型，生成目标对象对应的、带有目标答题内容错误原因解释的学习报告”可以实施为：
在预设的错误原因解释模型库中，存储有用户上传的各种错误原因对应导致的错误做题结果的对应关系；
确定目标参考内容与对应关系中各个错误做题结果之间的匹配度；
对各个错误做题结果对应的匹配度按照从大到小的顺序排序；
获取等于或大于预设匹配度阈值的、并且排在前n位的匹配度所对应的第一目标错误做题结果，将第一目标错误做题结果及其对应的错误原因输出供用户选择，将用户选择的错误原因作为目标答题内容错误原因解释；或者，获取等于或大于预设匹配度阈值的、并且排在第1位的匹配度所对应的第二目标错误做题结果，将第二目标错误做题结果及其对应的错误原因输出供用户选择，将用户选择的错误原因作为目标答题内容错误原因解释；
对目标参考内容、目标参考内容对应的目标解题方法内容、目标答题内容错误原因解释填写入预设表格中，生成目标对象对应的、带有目标答题内容错误原因解释的学习报告。
在一个实施例中，目标测试结果对应的试题为数学解答题；
预设分割规则为：按照排版从前往后的顺序，将待分割的内容中的每一个单独存在的元素列为一独立段落，形成待分割的内容对应的段落式内容；单独存在的元素包括完整的数学表达式或者一句由文字组成的句子。
在一个实施例中，根据目标答题内容的多个第一子内容、每一种解题方法内容各自对应的多个第二子内容，确定与目标答题内容匹配度最高的目标解题方法内容，包括如下步骤A1-A2：
步骤A1、根据如下公式(1)计算第i种解题方法内容与目标答题内容的匹配度hi：
Figure BDA0002674321560000081
其中，gj表示目标答题内容对应的第一子内容中是否包括第i种解题方法内容中的第j个第二子内容，其中，当目标答题内容对应的第一子内容中包括第i种解题方法内容中的第j个第二子内容时，gj取值为1；当目标答题内容对应的第一子内容中不包括第i种解题方法内容中的第j个第二子内容时，gj取值为0；K为第i种解题方法内容中第二子内容的总数目；fj表示目标答题内容中与第j个第二子内容匹配的第一子内容在目标答题内容对应的段落式内容中所处的段落编号；lij表示第i种解题方法内容中第j个第二子内容在第i种解题方法内容对应的段落式内容中所处的段落编号；其中，当目标答题内容中不存在与第j个第二子内容匹配的第一子内容时，fj取值为0；
步骤A2、根据公式(1)确定出每一种解题方法内容分别与目标答题内容的匹配度之后，选择匹配度最大的解题方法内容作为与目标答题内容匹配度最高的目标解题方法内容；
按照上述步骤A1-A2可以快速、准确地确定出与目标答题内容匹配度最高的目标解题方法内容，最终提高学习报告生成的准确性和高效性。
对目标答题内容的多个第一子内容与目标解题方法内容对应的多个第二子内容进行比对，确定出目标参考内容，可以实施为步骤B1-B4：
步骤B1、从目标解题方法内容对应的段落式内容的第一段内容开始，逐段扫描目标答题内容对应的段落式内容的前1+n段内容；判断前1+n段内容中，是否包括与目标解题方法内容对应的段落式内容的第一段内容相匹配的一段内容；如果是，则标记与目标解题方法内容对应的段落式内容的第一段内容相匹配的一段内容,并设置该相匹配的一段内容对应的段落编号为第二次扫描基准段落X2；如果否，则记录未在目标答题内容中找到与第一段内容相匹配的匹配内容，将
Figure BDA0002674321560000091
设置为第二次扫描基准段落X2；n为正整数，其取值范围为[1,5]；
步骤B2、从目标解题方法内容对应的段落式内容的第二段内容开始，逐段扫描目标答题内容对应的段落式内容的第X2-n段至第X2+n段内容；判断第X2-n段至第X2+n段内容中是否包括与第二段内容相匹配的一段内容，如果是，则标记目标解题方法内容对应的段落式内容的第二段内容相匹配的一段内容，并设置该相匹配的一段内容对应的段落编号为第三次扫描基准段落X3；如果否，则记录未在目标答题内容中找到与第二段内容相匹配的匹配内容，将
Figure BDA0002674321560000092
设置为第三次扫描基准段落X3；
步骤B3、以此类推，从目标解题方法内容对应的段落式内容的第d段内容开始，逐段扫描目标答题内容对应的段落式内容的第Xd-n段至第Xd+n段内容，其中，d＝3，4，…,D,D为目标解题方法内容对应的段落式内容的段落总数；判断第Xd-n段至第Xd+n段内容中是否包括与第d段内容相匹配的一段内容，如果是，则标记目标解题方法内容对应的段落式内容的第d段内容相匹配的一段内容，并设置该相匹配的一段内容对应的段落编号为下一次扫描基准段落Xd+1；如果否，则记录未在目标答题内容中找到与第d段内容相匹配的匹配内容，将
Figure BDA0002674321560000101
设置为下一次扫描基准段落Xd+1；
步骤B4、汇总前述步骤B1至步骤B3确定出的所有记录，将汇总结果作为目标参考内容。
上述技术方案的有益效果为：按照上述技术方案，可以快速、准确的确定出目标参考内容，最终提高学习报告生成的准确性和高效性。
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 (5)

1.一种可解释智能学习报告生产方法，其特征在于，包括：
对目标对象做的试卷进行拍摄，获得试卷照片；
对所述试卷照片进行内容识别，获得试卷中包括的试题以及试题对应的测试结果；所述试题中包括试题内容和试题对应的满分分值；所述测试结果包括答题内容和试题得分；
从所述测试结果中筛选出试题得分小于试题对应的满分分值的目标测试结果；
获取所述目标测试结果中包括的目标答题内容和所述目标测试结果对应的目标试题内容；
获取所述目标试题内容对应的至少一种解题方法内容；
根据所述目标答题内容、所述目标试题内容对应的至少一种解题方法内容以及预设的错误原因解释模型，生成所述目标对象对应的学习报告。
2.如权利要求1所述的可解释智能学习报告生产方法，其特征在于，
所述根据所述目标答题内容、所述目标试题内容对应的至少一种解题方法内容以及预设的错误原因解释模型，生成所述目标对象对应的学习报告，包括：
对所述目标答题内容按照预设分割规则进行分割，获得目标答题内容的多个第一子内容；
获取所述目标试题内容对应的每一种解题方法内容各自对应的多个第二子内容；其中，针对每一种解题方法内容，预先按照预设分割规则分割为相应的多个第二子内容；
根据所述目标答题内容的多个第一子内容、每一种解题方法内容各自对应的多个第二子内容，确定与所述目标答题内容匹配度最高的目标解题方法内容；
对所述目标答题内容的多个第一子内容与目标解题方法内容对应的多个第二子内容进行比对，确定出目标参考内容，所述目标参考内容包括：未在所述目标答题内容中找到相应匹配内容的目标解题方法内容部分；
根据所述目标参考内容和预设的错误原因解释模型，生成所述目标对象对应的、带有所述目标答题内容错误原因解释的学习报告。
3.如权利要求2所述的可解释智能学习报告生产方法，其特征在于，
所述根据所述目标参考内容和预设的错误原因解释模型，生成所述目标对象对应的、带有所述目标答题内容错误原因解释的学习报告，包括：
在预设的错误原因解释模型库中，存储有用户上传的各种错误原因对应导致的错误做题结果的对应关系；
确定所述目标参考内容与所述对应关系中各个错误做题结果之间的匹配度；
对各个错误做题结果对应的匹配度按照从大到小的顺序排序；
获取等于或大于预设匹配度阈值的、并且排在前n位的匹配度所对应的第一目标错误做题结果，将所述第一目标错误做题结果及其对应的错误原因输出供用户选择，将用户选择的错误原因作为所述目标答题内容错误原因解释；或者，获取等于或大于预设匹配度阈值的、并且排在第1位的匹配度所对应的第二目标错误做题结果，将所述第二目标错误做题结果及其对应的错误原因输出供用户选择，将用户选择的错误原因作为所述目标答题内容错误原因解释；
对所述目标参考内容、所述目标参考内容对应的目标解题方法内容、所述目标答题内容错误原因解释填写入预设表格中，生成所述目标对象对应的、带有所述目标答题内容错误原因解释的学习报告。
4.如权利要求2所述的可解释智能学习报告生产方法，其特征在于，
所述目标测试结果对应的试题为数学解答题；
所述预设分割规则为：按照排版从前往后的顺序，将待分割的内容中的每一个单独存在的元素列为一独立段落，形成待分割的内容对应的段落式内容；所述单独存在的元素包括完整的数学表达式或者一句由文字组成的句子。
5.如权利要求4所述的可解释智能学习报告生产方法，其特征在于，
所述根据所述目标答题内容的多个第一子内容、每一种解题方法内容各自对应的多个第二子内容，确定与所述目标答题内容匹配度最高的目标解题方法内容，包括如下步骤A1-A2：
步骤A1、根据如下公式(1)计算第i种解题方法内容与所述目标答题内容的匹配度hi：
Figure FDA0002674321550000031
其中，gj表示所述目标答题内容对应的第一子内容中是否包括第i种解题方法内容中的第j个第二子内容，其中，当所述目标答题内容对应的第一子内容中包括第i种解题方法内容中的第j个第二子内容时，gj取值为1；当所述目标答题内容对应的第一子内容中不包括第i种解题方法内容中的第j个第二子内容时，gj取值为0；K为第i种解题方法内容中第二子内容的总数目；fj表示所述目标答题内容中与第j个第二子内容匹配的第一子内容在所述目标答题内容对应的段落式内容中所处的段落编号；lij表示所述第i种解题方法内容中第j个第二子内容在所述第i种解题方法内容对应的段落式内容中所处的段落编号；其中，当所述目标答题内容中不存在与第j个第二子内容匹配的第一子内容时，fj取值为0；
步骤A2、根据公式(1)确定出每一种解题方法内容分别与所述目标答题内容的匹配度之后，选择匹配度最大的解题方法内容作为与所述目标答题内容匹配度最高的目标解题方法内容；
所述对所述目标答题内容的多个第一子内容与目标解题方法内容对应的多个第二子内容进行比对，确定出所述目标参考内容，包括步骤B1-B：
步骤B1、从目标解题方法内容对应的段落式内容的第一段内容开始，逐段扫描所述目标答题内容对应的段落式内容的前1+n段内容；判断所述前1+n段内容中，是否包括与所述目标解题方法内容对应的段落式内容的第一段内容相匹配的一段内容；如果是，则标记与所述目标解题方法内容对应的段落式内容的第一段内容相匹配的一段内容,并设置该相匹配的一段内容对应的段落编号为第二次扫描基准段落X2；如果否，则记录未在所述目标答题内容中找到与所述第一段内容相匹配的匹配内容，将
Figure FDA0002674321550000041
设置为第二次扫描基准段落X2；n为正整数，其取值范围为[1,5]；
步骤B2、从目标解题方法内容对应的段落式内容的第二段内容开始，逐段扫描所述目标答题内容对应的段落式内容的第X2-n段至第X2+n段内容；判断所述第X2-n段至第X2+n段内容中是否包括与所述第二段内容相匹配的一段内容，如果是，则标记所述目标解题方法内容对应的段落式内容的第二段内容相匹配的一段内容，并设置该相匹配的一段内容对应的段落编号为第三次扫描基准段落X3；如果否，则记录未在所述目标答题内容中找到与所述第二段内容相匹配的匹配内容，将
Figure FDA0002674321550000042
设置为第三次扫描基准段落X3；
步骤B3、以此类推，从目标解题方法内容对应的段落式内容的第d段内容开始，逐段扫描所述目标答题内容对应的段落式内容的第Xd-n段至第Xd+n段内容，其中，d＝3，4，…,D,D为所述目标解题方法内容对应的段落式内容的段落总数；判断所述第Xd-n段至第Xd+n段内容中是否包括与所述第d段内容相匹配的一段内容，如果是，则标记所述目标解题方法内容对应的段落式内容的第d段内容相匹配的一段内容，并设置该相匹配的一段内容对应的段落编号为下一次扫描基准段落Xd+1；如果否，则记录未在所述目标答题内容中找到与所述第d段内容相匹配的匹配内容，将
Figure FDA0002674321550000043
设置为下一次扫描基准段落Xd+1；
步骤B4、汇总前述步骤B1至步骤B3确定出的所有记录，将所述汇总结果作为所述目标参考内容。
CN202010943087.1A 2020-09-09 2020-09-09 可解释智能学习报告生产方法 Active CN112102127B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010943087.1A CN112102127B (zh) 2020-09-09 2020-09-09 可解释智能学习报告生产方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010943087.1A CN112102127B (zh) 2020-09-09 2020-09-09 可解释智能学习报告生产方法

Publications (2)

Publication Number Publication Date
CN112102127A true CN112102127A (zh) 2020-12-18
CN112102127B CN112102127B (zh) 2021-06-01

Family

ID=73751250

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010943087.1A Active CN112102127B (zh) 2020-09-09 2020-09-09 可解释智能学习报告生产方法

Country Status (1)

Country Link
CN (1) CN112102127B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210100392A (ko) 2020-02-06 2021-08-17 삼성전자주식회사 전자 장치 및 이의 제어 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130108849A (ko) * 2012-03-26 2013-10-07 주식회사 소프트펍 오답노트 제공 방법
CN103886302A (zh) * 2014-03-28 2014-06-25 上海携培信息科技有限公司 试卷识别分析实现方法及装置
CN108416352A (zh) * 2018-03-23 2018-08-17 李文 一种计算机网络阅卷系统及阅卷方法
CN109977230A (zh) * 2019-04-02 2019-07-05 上海乂学教育科技有限公司 适合自适应教学的选择题错因分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130108849A (ko) * 2012-03-26 2013-10-07 주식회사 소프트펍 오답노트 제공 방법
CN103886302A (zh) * 2014-03-28 2014-06-25 上海携培信息科技有限公司 试卷识别分析实现方法及装置
CN108416352A (zh) * 2018-03-23 2018-08-17 李文 一种计算机网络阅卷系统及阅卷方法
CN109977230A (zh) * 2019-04-02 2019-07-05 上海乂学教育科技有限公司 适合自适应教学的选择题错因分析方法

Also Published As

Publication number Publication date
CN112102127B (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
Magis et al. Computerized adaptive and multistage testing with R: Using packages catR and mstR
CN109947836A (zh) 英语试卷结构化方法和装置
CN109598995B (zh) 基于贝叶斯知识跟踪模型的智能教学系统
US9685095B2 (en) Systems and methods for assessment administration and evaluation
US8768241B2 (en) System and method for representing digital assessments
WO2006121542A2 (en) Systems and methods for semantic knowledge assessment, instruction, and acquisition
CN109949637B (zh) 一种客观题目的自动解答方法和装置
CN116263782A (zh) 一种基于题库的智能组卷方法、系统及存储介质
CN114913729A (zh) 一种选题方法、装置、计算机设备和存储介质
CN114579760A (zh) 一种基于学生错题知识点自适应阶段学习系统
US11551146B2 (en) Automated non-native table representation annotation for machine-learning models
US11328377B2 (en) Semi-automated system and method for assessment of responses
CN112102127B (zh) 可解释智能学习报告生产方法
US11915615B2 (en) Systems and methods for detecting collusion in student testing using graded scores or answers for individual questions
Gross et al. A handwriting recognition system for the classroom
KR102016820B1 (ko) 오답 노트 생성 방법, 장치
US10854106B2 (en) Targeted repetition and targeted reinforcement in a language learning system
KR102476578B1 (ko) 딥러닝 손글씨 인식을 통한 주관식 답안 자동 채점 방법 및 그 시스템
CN115393875B (zh) 基于MobileNetV3的五线谱识别与简谱转换的方法及系统
Ntourmas et al. Comparative study of two different MOOC forums posts classifiers: analysis and generalizability issues
CN112347366B (zh) 基于学习者画像与习题相似度的预科中文习题推送方法
Cebrian et al. Towards the validation of plagiarism detection tools by means of grammar evolution
Tashu et al. Smartscore-short answer scoring made easy using sem-LSH
CN112164262A (zh) 一种智能阅卷辅导系统
KR20210058376A (ko) 인공지능 기반 동영상 해답 제공을 이용한 학습 시스템

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
PP01 Preservation of patent right

Effective date of registration: 20221020

Granted publication date: 20210601