CN112131387B - 基于知识点碎片化的游戏训练法 - Google Patents

Abstract

本发明公开了一种基于知识点碎片化的游戏训练法，包括：将知识点训练题导入数据库中，并按照所述知识点标识进行分类；将分类后的知识点训练题进行切分，得到碎片化元素；接收前端展示平台发送的调取指定知识点标识对应的碎片化元素的请求指令；抽取指定知识点标识对应的碎片化元素，并按照碎片化元素的对应关系进行重组；将重组得到新的知识点训练题发送至前端展示平台不同的游戏模板进行显示，并记录训练结果；对训练结果进行统计分析，将分析结果发送到数据库备份存储并作为碎片化元素抽取计算的输入数据使用。本发明将知识点进行碎片化处理后，通过游戏进行重组的过程，提高了知识点的掌握和应用能力。

Description

基于知识点碎片化的游戏训练法

技术领域

本发明属于智能学习训练技术领域，特别涉及一种基于知识点碎片化的游戏训练法。

背景技术

在技术更新换代如此之快的当今社会，需要不继续充电学习。但是由于平时工作强度大，使用传统的学习方式需要占用大量的时间，好学者往往只能利用网上或者休息的时间对于自己知识的不足进行有针对性的学习。

现在市面上存在的训练方式，主要是固定题型的单一训练方式，学习者无法直接获取到自己想要的教学资源，需要做大量的搜索后才能获取一点点知识，需要学习者不断的重复操作，进行整体判断训练，其主要存在的缺陷为，训练的单一性，枯燥性，及训练的不明确性。

因此，如何提供一种能够能够对知识点碎片化重组，提高知识点掌握和应用能力的游戏训练法，是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于知识点碎片化的游戏训练法，将知识点进行碎片化处理后，通过游戏进行重组的过程，提高了知识点的掌握和应用能力。

一种基于知识点碎片化的游戏训练法，包括以下步骤：

S1、数据库中预存知识点标识；

S2、将知识点训练题导入数据库中，并按照所述知识点标识进行分类；

S3、将分类后的知识点训练题进行切分，得到碎片化元素，包括题干和选项数据，并分别进行对应存储；

S4、接收前端展示平台发送的调取指定知识点标识对应的碎片化元素的请求指令；

S5、在数据库中抽取指定知识点标识对应的碎片化元素，并按照碎片化元素的对应关系进行重组；

S6、将重组得到新的知识点训练题发送至前端展示平台不同的游戏模板进行显示，并记录训练结果；

S7、按照预设的统计表单对训练结果进行统计分析，训练若结束进入S8，训练若未结束，则将分析结果发送到数据库备份存储并作为S5碎片化元素抽取计算的输入数据使用，重复执行S5-S7；

S8、将分析结果发送到数据库备份存储。

优选的，所述选项数据具有选项标识，包括：正确选项标识、一级错误选项标识和二级错误选项标识。

优选的，所述S3还包括：将切分得到的选项数据中的正确选项和错误选项分别做知识点标识位置标记。

优选的，所述S5中的碎片化元素的对应关系包括：

同一题干下对应多个选项标识的选项数据；

碎片化元素之间具有交叉项，即同一选项数据在不同题干下分别对应不同的选项标识。

优选的，所述S5中的抽取指定知识点标识对应的碎片化元素进行重组具体包括：

根据如下抽取算法进行指定知识点标识对应的碎片化元素的抽取：

根据预设值确定第一次抽取题干数量，根据确定数量对题干进行随机抽取并抽取题干对应的选项数据；

将题干及每个题干下对应的选项数据进行乱序，然后重组得到新的知识点训练题；

根据第一次抽取训练结果计算第N次抽取数量，N≥2，根据第N次抽取数量对题干进行随机抽取并抽取题干对应的选项数据；所述训练结果包括：错误知识点标识、错误知识点训练题数量和上一次训练抽取数量。

优选的，所述S8中的统计分析过程包括：

对训练中的错误内容，错误时间，和错误位置进行汇总分析，确定当前知识点标识对应的掌握程度比例及级别，并根据不同程度比例和级别确定下次训练需要调取的知识点标识。

优选的，所述S8中的分析结果数据包括：

操作习惯、训练时长、对错比例、等候时长、操作力度、达标时间、通过标准、错误内容和理解程度的信息数据。

与现有技术相比，本发明公开提供了一种基于知识点碎片化的游戏训练法，优点在于：

本发明将知识点进行碎片化处理，分解为组成知识点的碎片化元素。根据不同的知识点，为学习者匹配知识点碎片，并引导完成碎片重组。通过不同的游戏模板为展示不同的知识点，提供有趣的、有体量的、有效果的学习过程，提高知识点的掌握和应用能力。

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为本发明实施例提供的基于知识点碎片化的游戏训练法的流程图；

图2为本发明实施例提供的基于知识点碎片化的游戏训练法的原理框架图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

参照图1所示，本发明实施例提供了一种基于知识点碎片化的游戏训练法，包括以下步骤：

一种基于知识点碎片化的游戏训练法，包括以下步骤：

S1、数据库中预存知识点标识；

S2、将知识点训练题导入数据库中，并按照知识点标识进行分类；

S3、将分类后的知识点训练题进行切分，得到碎片化元素，包括题干和选项数据，并分别进行对应存储；

S4、接收前端展示平台发送的调取指定知识点标识对应的碎片化元素的请求指令；

S5、在数据库中抽取指定知识点标识对应的碎片化元素，并按照碎片化元素的对应关系进行重组；

S6、将重组得到新的知识点训练题发送至前端展示平台不同的游戏模板进行显示，并记录训练结果；

S7、按照预设的统计表单对训练结果进行统计分析，训练若结束进入S8，训练若未结束，则将分析结果发送到数据库备份存储并作为S5碎片化元素抽取计算的输入数据使用，重复执行S5-S7；

S8、将分析结果发送到数据库备份存储。

在一个实施例中，选项数据具有选项标识，包括：正确选项标识、一级错误选项标识和二级错误选项标识。

本实施例中，知识点训练题由后台传输到数据库，并将知识点训练题按照知识点标识进行分类存储。然后通过后台数据切分程序进行切分，设定内容按照预设表格进行，表格内容包括：题干标识，正确选项标识，错误选项标识，(错误选项1，错误选项2，错误选项3.......)和近似错误选项标识，将训练题，在数据库中按照题干，正确选项，错误选项，近似错误选项的模块进行切分，切分时保留初始上传的信息，题干，正确选项，错误选项和近似错误选项。

在一个实施例中，S3还包括：将切分得到的选项数据中的正确选项和错误选项分别做知识点位置标记。

在一个实施例中，S5中的碎片化元素的对应关系包括：

同一题干下对应多个选项标识的选项数据；

碎片化元素之间具有交叉项，即同一选项数据在不同题干下分别对应不同的选项标识。

下面给出碎片处理过程的具体算例：

碎片处理过程：

1)由知识点训练题，按照知识点内容进行一次碎片处理，即将训练题内容进行切分，切分为题干，正确选项，错误选项，(错误选项1，错误选项2，错误选项3.......)和近似错误选项。

2)将正确选项做知识点标识位置标记和正确标记，错误选项做位置和错误标记。知识点标识位置具体为抽取知识点碎片化元素时记录源于哪个知识点标识，如学习知识点一，调取相应的碎片化元素，标记被知识点标识一调取。学习知识点二，调取了相同的碎片化元素，则标记知识点标识二调取。

3)将知识点碎片按照标记统一整理，整理要求，选项正确的碎片包含正确选项，错误选项和近似错误选项。并建立各个正确选项，错误选项和近似错误选项的关联，即

知识点题干为A，B，C，D，......

正确选项为0，错误选项为1，近似错误选择为2

知识点碎片若干，分别为a，b，c，d，

解释：知识点A的正确选项为b，b为0，错误选项a，d为1，近似选项c为2，......

由此可见，知识点B的正确选项为知识点A的错误选项，近似选项与知识点A相同，错误选项也相同，以此类推。

综合上述特证，知识点中的碎片都有其关联性，将这些关联性作为标注依据，以标注碎片的形式，打乱顺序，进行分类存储，准备由算法处理器，进行调取。

在一个实施例中，算法处理器抽取指定知识点标识对应的碎片化元素进行重组具体包括：

根据如下抽取算法进行指定知识点标识对应的碎片化元素的抽取：

根据预设值确定第一次抽取题干数量，根据确定数量对题干进行随机抽取并抽取题干对应的选项数据；

将题干及每个题干下对应的选项数据进行乱序，然后重组得到新的知识点训练题；

根据第一次抽取训练结果计算第N次抽取数量，N≥2，根据第N次抽取数量对题干进行随机抽取并抽取题干对应的选项数据；训练结果包括：错误知识点标识、错误知识点训练题数量和上一次训练抽取数量。

下面给出碎片化元素抽取及重组的具体算例：

抽取碎片的数量公式及方式：

从碎片处理器根据不同知识点的要求，抽取足量的知识点训练题，即A，B， C，D，......

抽取的原则，第一次答题为固定值数量，第一次过后，再次抽题的原则为如下公式：m为错误知识点，n为错误数量，t为上次抽题数量；

当前训练题数量＝mn(20％)+(t-n+1)80％；

当m大于等于5时，训练题数量＝(m+2x)n(20％+10％x)+(t-n+1)(80％-10％x)，其中，X是一个随机值，使训练针对知识点碎片化元素重组增加随机性；

当m大于等于10时，数据不再上涨。维持此公式算法，抽取数据采用m 的随机值进行。

同时抽取相关联的知识点碎片即a，b，c，d，......。

为保证训练效果，将知识点训练题和知识点碎片分别打乱顺序。

将知识点训练题数据，相关知识点碎片化元素，及题干对应的选项数据中的正确选项一并发送前端展示平台。

在一个实施例中，前端展示平台，包含不同游戏重组模版，将算法处理器传输的碎片数据，导入游戏模版，进行重组训练。游戏模版随不同的知识点进行自由切换，对知识点进行不同重点的分层次训练。并将训练数据返回到算法处理器。

本实施例中，从调取相关知识点的碎片的同时，(包括在碎片化处理的过程中做了特殊标记的的碎片)，计算知识点难点训练的碎片数据，保证训练效果，将所提取的的碎片数据，进行重组训练的排列，发送到前端展示平台。

在一个实施例中，游戏模版对应知识点标识按照预设表单进行随机选择。达到训练方式多样性的训练目的。知识点碎片按照抽取的公式进行抽取，进行乱序后导入选择的游戏模版内，例：

正确选项为0，错误选项为1，近似错误选择为2，打乱顺序的方式，以题干为单位，首先进行先后顺序，再将题干内的选项进行乱序。

将乱序后的知识点碎片，按照算法处理器中的排列顺序数据，进行重组，正确加分，错误记录不扣分。主要训练在知识点碎片快速移动的过程中，将知识点碎片之前的关联重组为知识点训练内容，依照知识点碎片在重组的过程中不断的反复刺激记忆，让知识点内容在短时间内重复多次从而达到深刻记忆训练过程。每次重组训练所涉及的知识点训练，都是由易到难，由简单到复杂，分层次，分重点的进行，并将训练结果返还到算法处理器。

在一个实施例中，算法处理器，将前端展示平台返回的训练数据进行统计， S8中的统计分析过程包括：

对训练中的错误内容，错误时间，和错误位置进行汇总分析，确定当前知识点标识对应的掌握程度比例及级别，并根据不同程度比例和级别确定下次训练需要调取的知识点标识，为下次训练进行复习和新内容的训练确定比例，类型等信息，发送到碎片处理器进行抽取。

本实施例中，分析结果数据包括：

操作习惯、训练时长、对错比例、等候时长、操作力度、达标时间、通过标准、错误内容和理解程度的信息数据。

下面给出分析结果的具体体现形式：

分析操作习惯，训练时长，对错比例，等候时长，操作力度，达标时间，通过标准，错误内容，理解程度等信息数据，按照比例测算，

训练时长，60-90s完成，5分 90s后每加10s分数减1分

对错比例：9:1完成，5分 对错比每加1，分数减1分

错误内容：做好记录完整存档。

理解程度：做好记录完整存档。

错误时间：对错题时间记录完整存档。

错误内容：记录完整存档

错误题型：记录完整存档

同时采纳分析结果，对错误比例较高的碎片进行优先抽取。对未在规定时长完成训练的按照时长的分数计算下次抽题的数量，每减1分，碎片训练题数减2分。

以此类推，不断循环，完成知识点碎片重组训练的过程。

以上对本发明所提供的基于知识点碎片化的游戏训练法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于知识点碎片化的游戏训练法，其特征在于，包括以下步骤：

S1、数据库中预存知识点标识；

S2、将知识点训练题导入数据库中，并按照所述知识点标识进行分类；

S3、将分类后的知识点训练题进行切分，得到碎片化元素，包括题干和选项数据，并分别进行对应存储；

S4、接收前端展示平台发送的调取指定知识点标识对应的碎片化元素的请求指令；

S5、在数据库中抽取指定知识点标识对应的碎片化元素，并按照碎片化元素的对应关系进行重组；

S6、将重组得到新的知识点训练题发送至前端展示平台不同的游戏模板进行显示，并记录训练结果；

S7、按照预设的统计表单对训练结果进行统计分析，训练若结束进入S8，训练若未结束，则将分析结果发送到数据库备份存储并作为S5碎片化元素抽取计算的输入数据使用，重复执行S5-S7；

S8、将分析结果发送到数据库备份存储；

所述S5中的抽取指定知识点标识对应的碎片化元素进行重组具体包括：

根据如下抽取算法进行指定知识点标识对应的碎片化元素的抽取：

根据预设值确定第一次抽取题干数量，根据确定数量对题干进行随机抽取并抽取题干对应的选项数据；

将题干及每个题干下对应的选项数据进行乱序，然后重组得到新的知识点训练题；

根据第一次抽取训练结果计算第N次抽取数量，N≥2，根据第N次抽取数量对题干进行随机抽取并抽取题干对应的选项数据；所述训练结果包括：错误知识点标识、错误知识点训练题数量和上一次训练抽取数量；

抽取公式为：

当前训练题数量＝mn(20％)+(t-n+1)80％；其中，m为错误知识点，n为错误数量，t为上次抽题数量；

当m大于等于5时，训练题数量＝(m+2x)n(20％+10％x)+(t-n+1)(80％-10％x)，其中，X是一个随机值；当m大于等于10时，数据不再上涨。

2.根据权利要求1所述的一种基于知识点碎片化的游戏训练法，其特征在于，所述选项数据具有选项标识，包括：正确选项标识、一级错误选项标识和二级错误选项标识。

3.根据权利要求2所述的一种基于知识点碎片化的游戏训练法，其特征在于，所述S3还包括：将切分得到的选项数据中的正确选项和错误选项分别做知识点标识位置标记。

4.根据权利要求2所述的一种基于知识点碎片化的游戏训练法，其特征在于，所述S5中的碎片化元素的对应关系包括：

同一题干下对应多个选项标识的选项数据；

碎片化元素之间具有交叉项，即同一选项数据在不同题干下分别对应不同的选项标识。

5.根据权利要求3所述的一种基于知识点碎片化的游戏训练法，其特征在于，所述S8中的统计分析过程包括：

对训练中的错误内容，错误时间，和错误位置进行汇总分析，确定当前知识点标识对应的掌握程度比例及级别，并根据不同程度比例和级别确定下次训练需要调取的知识点标识。

6.根据权利要求1所述的一种基于知识点碎片化的游戏训练法，其特征在于，所述S8中的分析结果数据包括：

操作习惯、训练时长、对错比例、等候时长、操作力度、达标时间、通过标准、错误内容和理解程度的信息数据。