CN112131427A - 一种练习套题的获取方法及系统 - Google Patents

一种练习套题的获取方法及系统 Download PDF

Info

Publication number
CN112131427A
CN112131427A CN202011053899.5A CN202011053899A CN112131427A CN 112131427 A CN112131427 A CN 112131427A CN 202011053899 A CN202011053899 A CN 202011053899A CN 112131427 A CN112131427 A CN 112131427A
Authority
CN
China
Prior art keywords
knowledge
state
dimensional spatial
determining
learning
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
CN202011053899.5A
Other languages
English (en)
Other versions
CN112131427B (zh
Inventor
王枫
马镇筠
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.)
Beijing Love Theory Technology Co ltd
Original Assignee
Beijing Love Theory 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 Beijing Love Theory Technology Co ltd filed Critical Beijing Love Theory Technology Co ltd
Priority to CN202011053899.5A priority Critical patent/CN112131427B/zh
Publication of CN112131427A publication Critical patent/CN112131427A/zh
Application granted granted Critical
Publication of CN112131427B publication Critical patent/CN112131427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/735—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
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7844—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using original textual content or text extracted from visual content or transcript of audio data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
    • G09B7/04—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student characterised by modifying the teaching programme in response to a wrong answer, e.g. repeating the question, supplying a further explanation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Educational Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Library & Information Science (AREA)
  • Strategic Management (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种练习套题的获取方法及系统，涉及教育领域，该方法包括：获取高维空间知识状态集合和用户的学习行为数据；在高维空间知识状态集合中确定与学习行为数据对应的学习行为知识状态；根据学习行为知识状态确定未掌握知识点；获取与未掌握知识点相对应的练习套题。可见，实施这种实施方式，能够有针对性地提高学生的学习水平，从而提高学生的整体学习效率。

Description

一种练习套题的获取方法及系统
技术领域
本申请涉及教育领域，具体而言，涉及一种练习套题的获取方法及系 统。
背景技术
随着互联网的快速发展，为了满足学生学习方式的多样性，越来越多 的在线教育方式出现在了学生的面前。目前，在线教育方式通常会输出固 定的教学视频和训练习题以便于学生进行视频学习和成果检测。然而，在 实践中发现，固定的训练试题并不能有针对性地提高学生的学习水平，从 而降低了学生的整体学习效率。
发明内容
本申请实施例的目的在于提供一种练习套题的获取方法及系统，能够 有针对性地提高学生的学习水平，从而提高学生的整体学习效率。
本申请实施例第一方面提供了一种练习套题的获取方法，包括：
获取高维空间知识状态集合和用户的学习行为数据；
在所述高维空间知识状态集合中确定与所述学习行为数据对应的学习 行为知识状态；
根据所述学习行为知识状态确定未掌握知识点；
获取与所述未掌握知识点相对应的练习套题。
在上述实现过程中，该练习套题的获取方法可以优先获取多个预存知 识点的高维空间知识状态集合，其中，一个预存知识点对应两个高维空间 知识状态，同时该方法还会获取用户的学习行为数据，如用户针对多个预 存知识点的答题结果，具体包括答题正确数量和答题错误情况；然后，再 在所述高维空间知识状态集合中确定与所述学习行为数据对应的学习行为 知识状态，以使系统可以得知用户的已掌握知识点和未掌握知识点；然后再根据未掌握知识点获取相应的练习套题，以供用户进行练习与学习。可 见，实施这种实施方式，能够在高维空间知识状态集合中确定用户的未掌 握知识点，并根据该未掌握知识点进行练习套题的获取，从而使得用户可 以有针对性的对自己的薄弱知识点进行学习与巩固，进而能够有针对性地 提高自身的学习水平；同时，实施这种实施方式，还能够避免用户大量的 无针对性训练，从而避免白白浪费时间，进而有效提高学习效率。
进一步地，所述获取高维空间知识状态集合和用户的学习行为数据的 步骤包括：
获取与预设的知识点集合相对应的高维空间知识状态集合、学习套题 以及与所述学习套题相对应的答题结果集合；
确定所述答题结果集合为用户的学习行为数据。
在上述实现过程中，该方法可以获取到用户的历史答题结果，并根据 历史答题结果来判断知识点的掌握情况，具体的，该方法优先获取到用户 对学习套题的答题结果，然后根据答题结果进一步参照高维空间知识状态 集合来深层次的寻求用户为什么答对或为什么答错的原因，从而在高维空 间知识状态集合的帮助下锁定用户的掌握知识点和未掌握知识点，并进一 步输出最具有针对性的联系套题。可见，实施这种实施方式，能够将有针对性的学习套题的答题结果作为用户的学习行为数据，能够有利于高维空 间知识状态集合进行知识点掌握程度的判断，从而能够获取到有针对性地 练习套题，进而有利于用户进一步地学习。
进一步地，所述在所述高维空间知识状态集合中确定与所述学习行为 数据对应的学习行为知识状态的步骤包括：
根据所述答题结果集合确定所述高维空间知识状态集合中多个高维空 间知识状态的多个知识状态概率；所述多个知识状态概率与所述多个高维 空间知识状态一一对应；
确定所述多个知识状态概率中概率值最大的高维空间知识状态为学习 行为知识状态。
在上述实现过程中，该方法在确定学习行为知识状态的过程中，可以 根据答题结果集合中每道题正确与否生成与高维空间知识状态结合中每个 高维空间知识状态对应的知识状态概率，该知识状态概率用于表示用户与 该种高维空间知识状态相匹配的概率值；然后获取最高概率值对应的高维 空间知识状态作为用户的学习行为知识状态，从而能够准确定出用户对于 各个知识点是否掌握的结果。可见，实施这种实施方式，能够根据答题结 果和高维空间知识状态确定出与用户相匹配的学习行为知识状态，从而有 利于确定高针对性的联系套题，进而能够有针对性地提高用户学习效果。
进一步地，所述根据所述答题结果集合确定所述高维空间知识状态集 合中多个高维空间知识状态的多个知识状态概率的步骤包括：
根据预设的误操作概率和预设的猜题概率进行计算，得到与所述答题 结果集合相对应的答题状态概率；
根据所述答题结果集合确定所述高维空间知识状态集合中多个高维空 间知识状态的多个结果状态概率；
根据所述多个结果状态概率、所述答题状态概率以及贝叶斯公式进行 计算，得到所述高维空间知识状态集合中多个高维空间知识状态的多个知 识状态概率。
在上述实现过程中，该方法还能够增加误操作概率和猜题概率，以使 用户的答题结果更加符合实际情况，从而使得获取到的多个知识状态概率 更加贴合实际情况。可见，实施这种实施方式，能够获取到准确的知识状 态概率，以使系统在高维空间知识状态集合中选择出来的高维空间知识状 态更加准确，从而提高练习套题的确定准确性。
本申请实施例第二方面提供了一种练习套题的获取系统，所述练习套 题的获取系统包括：
第一获取单元，用于获取高维空间知识状态集合和用户的学习行为数 据；
第一确定单元，用于在所述高维空间知识状态集合中确定与所述学习 行为数据对应的学习行为知识状态；
第二确定单元，用于根据所述学习行为知识状态确定未掌握知识点；
第二获取单元，用于获取与所述未掌握知识点相对应的练习套题。
在上述实现过程中，练习套题的获取系统可以通过第一获取单元来获 取高维空间知识状态集合和用户的学习行为数据；通过第一确定单元在高 维空间知识状态集合中确定与学习行为数据对应的学习行为知识状态；通 过第二确定单元来根据学习行为知识状态确定未掌握知识点；通过第二获 取单元来获取与未掌握知识点相对应的练习套题。可见，实施这种实施方 式，能够在高维空间知识状态集合中确定用户的未掌握知识点，并根据该 未掌握知识点进行练习套题的获取，从而使得用户可以有针对性的对自己 的薄弱知识点进行学习与巩固，进而能够有针对性地提高自身的学习水平； 同时，实施这种实施方式，还能够避免用户大量的无针对性训练，从而避 免白白浪费时间，进而有效提高学习效率。
进一步地，所述第一获取单元包括：
获取子单元，用于获取与预设的知识点集合相对应的高维空间知识状 态集合、学习套题以及与所述学习套题相对应的答题结果集合；
第一确定子单元，用于确定所述答题结果集合为用户的学习行为数据。
在上述实现过程中，第一获取单元可以通过获取子单元来获取与预设 的知识点集合相对应的高维空间知识状态集合、学习套题以及与学习套题 相对应的答题结果集合；再通过第一确定子单元来确定答题结果集合为用 户的学习行为数据。可见，实施这种实施方式。能够将有针对性的学习套 题的答题结果作为用户的学习行为数据，能够有利于高维空间知识状态集 合进行知识点掌握程度的判断，从而能够获取到有针对性地练习套题，进而有利于用户进一步地学习。
进一步地，所述第一确定单元包括：
第二确定子单元，用于根据所述答题结果集合确定所述高维空间知识 状态集合中多个高维空间知识状态的多个知识状态概率；所述多个知识状 态概率与所述多个高维空间知识状态一一对应；
第三确定子单元，用于确定所述多个知识状态概率中概率值最大的高 维空间知识状态为学习行为知识状态。
在上述实现过程中，第一确定单元可以通过第二确定子单元来根据答 题结果集合确定高维空间知识状态集合中多个高维空间知识状态的多个知 识状态概率；多个知识状态概率与多个高维空间知识状态一一对应；通过 第三确定子单元来确定多个知识状态概率中概率值最大的高维空间知识状 态为学习行为知识状态。可见，实施这种实施方式，能够根据答题结果和 高维空间知识状态确定出与用户相匹配的学习行为知识状态，从而有利于 确定高针对性的联系套题，进而能够有针对性地提高用户学习效果。
进一步地，所述第二确定子单元包括：
计算模块，用于根据预设的误操作概率和预设的猜题概率进行计算， 得到与所述答题结果集合相对应的答题状态概率；
确定模块，用于根据所述答题结果集合确定所述高维空间知识状态集 合中多个高维空间知识状态的多个结果状态概率；
所述计算模块，还用于根据所述多个结果状态概率、所述答题状态概 率以及贝叶斯公式进行计算，得到所述高维空间知识状态集合中多个高维 空间知识状态的多个知识状态概率。
在上述实现过程中，第二确定子单元可以通过计算模块来根据预设的 误操作概率和预设的猜题概率进行计算，得到与所述答题结果集合相对应 的答题状态概率；通过确定模块来根据所述答题结果集合确定所述高维空 间知识状态集合中多个高维空间知识状态的多个结果状态概率；通过所述 计算模块来根据所述多个结果状态概率、所述答题状态概率以及贝叶斯公 式进行计算，得到所述高维空间知识状态集合中多个高维空间知识状态的 多个知识状态概率。可见，实施这种实施方式，能够获取到准确的知识状 态概率，以使系统在高维空间知识状态集合中选择出来的高维空间知识状 态更加准确，从而提高练习套题的确定准确性。
本申请实施例第三方面提供了一种电子设备，包括存储器以及处理器， 所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所 述电子设备执行本申请实施例第一方面中任一项所述的练习套题的获取方 法。
本申请实施例第四方面提供了一种计算机可读存储介质，其存储有计 算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申 请实施例第一方面中任一项所述的练习套题的获取方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例 中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请 的某些实施例，因此不应被看作是对范围的限定，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他相 关的附图。
图1为本申请实施例提供的一种练习套题的获取方法的流程示意图；
图2为本申请实施例提供的另一种练习套题的获取方法的流程示意图；
图3为本申请实施例提供的一种练习套题的获取系统的结构示意图；
图4为本申请实施例提供的另一种练习套题的获取系统的结构示意图；
图5为本申请实施例提供的一种练习套题的获取系统的模块化结构示 意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进 行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一 旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步 定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区 分描述，而不能理解为指示或暗示相对重要性。
实施例1
请参看图1，图1为本申请实施例提供了一种练习套题的获取方法的流 程示意图。该方法用于学生进行学习的场景当中，具体的，该方法应用于 学生已经学习过一定的知识点之后，想要进一步巩固未掌握知识点的场景 当汇总。其中，该练习套题的获取方法包括：
S101、获取高维空间知识状态集合和用户的学习行为数据。
本实施例中，高维空间知识状态集合是与知识点相对应的掌握程度表 示方式。
举例来说，目前存在三个知识点，那么对于每个知识点都有掌握与未 掌握两种情况，因此，高维空间知识状态集合包括八个高维空间知识状态。 其中，当知识点已掌握用“1”表示与知识点未掌握用“0”表示，那么上 述的八个高维空间知识点则为：000、001、010、011、100、101、110、111 八种情况。
在本实施例中，高维空间知识状态集合中高维空间知识状态的数量与 知识点的个数成幂函数关系，即高维空间知识状态的数量等于2n，n为知识 点个数。
本实施例中，高维空间知识状态集合是对应于知识点的掌握与否确定 的，因此，高维空间知识状态集合中的高维空间知识状态能够显示出用户 当前对于知识点的掌握程度。
作为一种可选的实施方式，获取高维空间知识状态集合和用户的学习 行为数据的步骤包括：
获取预设的知识点集合；
获取与预设的知识点集合相对应的高维空间知识状态集合；
获取与预设的知识点集合相对应的学习套题；
获取与学习套题相对应的答题结果，并确定答题结果为用户的学习行 为数据。
作为一种进一步可选的实施方式，获取预设的知识点集合的步骤可以 包括：
获取用户的学习信息；
根据用户的学信息确定用户的已学知识点；
根据用户的已学知识点生成预设的知识点集合。
作为一种进一步可选的实施方式，根据用户的已学知识点生成预设的 知识点集合的步骤可以包括：
获取用户的已学知识点中每个知识点的掌握概率；
提取知识点掌握概率小于预设阈值的已学知识点；
将知识点掌握概率小于预设阈值的已学知识点确定为预设的知识点集 合。
作为一种进一步可选的实施方式，上述的预设阈值可以为75％。
作为一种进一步可选的实施方式，获取用户的已学知识点中每个知识 点的掌握概率的步骤可以包括：
根据已学知识点，获取用户信息中所有包括该已学知识点的训练习题；
获取已学知识点相对于每个训练习题的占比权重值；
获取训练习题相对应的历史答案；
获取历史答案为错误答案的训练习题，并获取该些训练习题的占比权 重值集合；
根据占比权重值集合计算出用户对于已学知识点的掌握概率。
举例来说，用户之所以做错一道训练习题，是因为60％的概率没有掌 握该已学知识点，其中60％为上述的占比权重值；同时训练习题的数量为 多个。
作为一种进一步可选的实施方式，该方法还可以包括：
根据用户的已学知识点确定其他用户对于该知识点的平均掌握概率；
将该平均掌握概率确定为上述的预设阈值。
本实施例中，该方法所应用的练习套题的获取系统中包括知识点模块， 该模块是一系列去结构化的知识点的集合，其中，n个知识点的合集记为 K＝{k1，k，…，kn}。该些知识点皆来源于教学大纲，具体的，该些知识点 皆是经由优秀的一线教师进行分析拆解之后得到的教学知识点。
在本实施例中，该知识点模块为构建高维空间知识状态集合提供数据 基础，同时，该知识点模块也是所有关于知识点处理方法的实现前提。
S102、在高维空间知识状态集合中确定与学习行为数据对应的学习行 为知识状态。
本实施例中，学习行为数据可以为视频观看数据、答题数据等等。
本实施例中，学习行为知识状态是高维空间知识状态集合中的一个。
在本实施例中，学习行为知识状态是与用户当前知识掌握情况相对应 的一个高维空间知识状态中最匹配的一个；其中，学习行为知识状态用于 表示用户对于多个知识点的掌握情况。
本实施例中，该方法所应用的练习套题的获取系统中还可以包括高维 空间知识状态模块，该模块基于上述知识点模块，穷举了若干高维知识点 掌握状态向量。例如：对知识点模块K中的任一知识点ki，本模块假设其 状态为mi，mi∈(0，1)。Mj＝{m1j，m2j，…，mij}即为一种对学生知识 状态的假设。本模块将穷举所有可能的对学生知识状态的假设，共计2n个 高维知识点掌握状态向量。
作为一种可选的实施方式，当学习行为知识数据为视频观看行为数据 时，在高维空间知识状态集合中确定与学习行为数据对应的学习行为知识 状态的步骤包括：
判断视频观看行为数据中视频观看进度值是否为100％；
当视频观看进度值为100％时，获取视频观看行为数据中包括的用户输 入的反馈信息、留言信息或弹幕信息；
获取用户观看行为数据中包括的额外试题连接点击与否的数据；
获取与额外试题相对应的答题分数；
根据用户输入的反馈信息、留言信息、弹幕信息、额外试题连接点击 与否的数据以及与额外试题相对应的答题分数，生成知识点掌握概率值；
根据知识点掌握概率值包括的多个子知识点掌握概率值确定对于每个 知识点的掌握与否信息；
根据每个知识点的掌握与否信息在高维空间知识状态集合中确定学习 行为知识状态。
作为一种进一步可选的实施方式，根据知识点掌握概率值包括的多个 子知识点掌握概率值确定对于每个知识点的掌握与否信息的步骤可以包括：
判断子知识点掌握概率值是否大于预设子知识点掌握概率值；
若大于或等于，则确定掌握情况为掌握；若小于，则确定掌握情况为 未掌握；
根据多个子知识点掌握概率值确定多个子知识点掌握情况；
根据多个子知识点掌握请情况确定对于每个知识点的掌握与否信息。
作为一种进一步可选的实施方式，根据每个知识点的掌握与否信息在 高维空间知识状态集合中确定学习行为知识状态的步骤包括：
量化每个知识点的掌握与否信息为“0”或“1”，得到量化信息；其中， “0”表示未掌握，“1”表示掌握；
根据量化信息在高维空间知识状态集合中进行匹配，得到学习行为知 识状态。
作为一种进一步可选的实施方式，根据量化信息在高维空间知识状态 集合中进行匹配，得到学习行为知识状态的步骤包括：
对高维空间知识状态集合中包括的高维空间知识状态进行量化，得到 知识状态量化结果；
根据量化信息和知识状态量化结果进行数值匹配，得到数值匹配结果；
根据数值匹配结果得到学习行为知识状态。
S103、根据学习行为知识状态确定未掌握知识点。
本实施例中，学习行为知识状态中包括用户的掌握知识点和未掌握知 识点。
在本实施例中，当预设知识点的数量为三个时，该学习行为状态可以 为掌握、掌握、未掌握。
S104、获取与未掌握知识点相对应的练习套题。
本实施例中，根据未掌握知识点可以再预设的题库中匹配练习套题。
实施这种实施方式，能够提供准确描述学生的知识点掌握状态的抽象 模型；在此模型下有效评估学生的知识点掌握状态；基于学生当前知识掌 握状态，向学生推荐最有学习效率的练习套题。
本实施例中，该方法的执行主体可以为计算机、服务器等计算装置， 对此本实施例中不作任何限定。
在本实施例中，该方法的执行主体还可以为智能手机和平板等智能设 备，对此本实施例中不作任何限定。
可见，实施图1所描述的练习套题的获取方法，能够优先获取多个预 存知识点的高维空间知识状态集合，其中，一个预存知识点对应两个高维 空间知识状态，同时该方法还会获取用户的学习行为数据，如用户针对多 个预存知识点的答题结果，具体包括答题正确数量和答题错误情况；然后， 再在高维空间知识状态集合中确定与学习行为数据对应的学习行为知识状 态，以使系统可以得知用户的已掌握知识点和未掌握知识点；然后再根据未掌握知识点获取相应的练习套题，以供用户进行练习与学习。可见，实 施这种实施方式，能够在高维空间知识状态集合中确定用户的未掌握知识 点，并根据该未掌握知识点进行练习套题的获取，从而使得用户可以有针 对性的对自己的薄弱知识点进行学习与巩固，进而能够有针对性地提高自 身的学习水平；同时，实施这种实施方式，还能够避免用户大量的无针对 性训练，从而避免白白浪费时间，进而有效提高学习效率。
实施例2
请参看图2，图2为本申请实施例提供的另一种练习套题的获取方法的 流程示意图。图2所描述的练习套题的获取方法的流程示意图是根据图1 所描述的练习套题的获取方法的流程示意图进行改进得到的。其中，该练 习套题的获取方法包括：
S201、获取与预设的知识点集合相对应的高维空间知识状态集合、学 习套题以及与学习套题相对应的答题结果集合。
本实施例中，该方法所应用的练习套题的获取系统中还可以包括学习 数据提取模块，该模块用于采集学生在系统的学习及练习行为，为概率计 算模块的后验概率分析提供数据基础。例如，用于在进行a道题目的学习 套题的训练过程中，得到关于每道题目的正误结果，该正误结果为答题结 果，该答题结果可以设为X＝{x1，x2，…，xa}。
作为一种可选的实施方式，在步骤S201之前，该方法还包括：
获取用户的学习信息；
在用户的学习信息中提取用户已学的知识点，并能够将用户已学的知 识点确定为预设的知识点集合；
根据知识点集合匹配学习套题；
并等待用户输入与学习套题相对应的答题结果。
S202、确定答题结果集合为用户的学习行为数据。
作为一种可选的实施方式，在步骤S202之后，该方法还可以包括：
根据答题结果集合确定高维空间知识状态集合中多个高维空间知识状 态的多个知识状态概率；多个知识状态概率与多个高维空间知识状态一一 对应。其中，该步骤还可以包括步骤S203～S205。
S203、根据预设的误操作概率和预设的猜题概率进行计算，得到与答 题结果集合相对应的答题状态概率。
本实施例中，答题状态概率用于表示用户此次答题中，用户的真实水 平。
在本实施例中，当5道题目用户答对4道时，该答题状态概率可以为 70％，其中，原本正确率为80％，但是考虑到用户可能有的题目是蒙对的， 因此该答题状态概率为70％；同理，如果用户手滑点错了，那么该答题状 态概率可以为90％。
S204、根据答题结果集合确定高维空间知识状态集合中多个高维空间 知识状态的多个结果状态概率。
本实施例中，考虑到一个题目包括多个知识点，因此，综合所有答题 结果确定每个知识点的掌握情况，从而确定每个高维空间知识状态的结果 状态概率。
在本实施例中，5道题目的答题结果可以为“对错对对错”，那么该五 到题目对应的3个知识点对应的8个高维空间知识状态可以为8个结果状 态概率。
S205、根据多个结果状态概率、答题状态概率以及贝叶斯公式进行计 算，得到高维空间知识状态集合中多个高维空间知识状态的多个知识状态 概率。
本实施例中，根据结果状态概率、答题状态概率以及贝叶斯共识可以 计算得到高维空间知识状态集合中多个高维空间知识状态的多个知识状态 概率。
本实施例中，多个知识状态概率与多个高维空间知识状态一一对应。
本实施例中，该方法所应用的练习套题的获取系统中还可以包括后验 概率计算模块，该模块用于计算上述的结果状态概率、答题状态概率以及 多个知识状态概率。具体的，该模块可以计算出发生某一行为的概率
Figure BDA0002708697470000141
以及根据贝叶斯理论，计算给定学习行为的前提下多个 知识状态概率中，每个知识状态的概率P(Mj|X)。
本实施例中，图5示出了一种知识点模块、高维空间知识状态模块、 学习数据提取模块、后验概率计算模块、知识点题目关系模块的具体示意 图，对于其解释说明可以参见实施例中的其他位置。
S206、确定多个知识状态概率中概率值最大的高维空间知识状态为学 习行为知识状态。
S207、根据学习行为知识状态确定未掌握知识点。
S208、获取与未掌握知识点相对应的练习套题。
本实施例中，该方法所应用的练习套题的获取系统中还可以包括知识 点题目关系模块，本模块包括知识点与题目集合之间关系的对应，即确定 未掌握知识点K后，可以相应的映射出其题目集合Q＝{q1，q2，…，qn}。 本模块中的知识点题目关系都是由具有丰富教学经验的教师所建立的，其 精准程度能在一定程度上获取到题目难度最适宜的练习套题。
举例来说，该方法可以优先基于给定的知识点范围K＝{k1，k2，…， kn}，穷举所有的高维空间知识状态{M1，M2，…，Mj，…，M2^n}；然后， 在给定学习行为X＝{x1，x2，…，xa}的前提下，计算所有可能知识状态的 概率P(Mj|X)；再然后，寻找当前学习行为概率最大的高维空间知识状态向 量M’；并在上述高维空间知识状态向量M’作为系统对学生知识点掌握情 况的估计，定位未掌握知识点K’，K’∈K；最后，寻找与目标未掌握知 识点K’相匹配的练习套题Q’＝{q1，q2，…，qn}进行推荐。
根据步骤S203～S205举例来说，在考虑手误，猜对等情况的概率对学 习行为数据的形象，预设误操作概率P(Slip)，猜题概率P(Guess)；然后， 计算所有知识状态假设下，发生当前学习行为的答题状态概率：
Figure BDA0002708697470000151
最后，依据贝叶斯公式：
Figure BDA0002708697470000152
计算给定学习行为的前提下，答题状态概率中每个知识状态的概率 P(Mj|X)。
可见，实施图2所描述的练习套题的获取方法，能够在高维空间知识 状态集合中确定用户的未掌握知识点，并根据该未掌握知识点进行练习套 题的获取，从而使得用户可以有针对性的对自己的薄弱知识点进行学习与 巩固，进而能够有针对性地提高自身的学习水平；同时，实施这种实施方 式，还能够避免用户大量的无针对性训练，从而避免白白浪费时间，进而 有效提高学习效率。
实施例3
请参看图3，图3为本申请实施例提供的一种练习套题的获取系统的结 构示意图。其中，该练习套题的获取系统包括：
第一获取单元310，用于获取高维空间知识状态集合和用户的学习行为 数据；
第一确定单元320，用于在高维空间知识状态集合中确定与学习行为数 据对应的学习行为知识状态；
第二确定单元330，用于根据学习行为知识状态确定未掌握知识点；
第二获取单元340，用于获取与未掌握知识点相对应的练习套题。
本实施例中，对于练习套题的获取系统的解释说明可以参照实施例1 或实施例2中的描述，对此本实施例中不再多加赘述。
可见，实施图3所描述的练习套题的获取系统，能够在高维空间知识 状态集合中确定用户的未掌握知识点，并根据该未掌握知识点进行练习套 题的获取，从而使得用户可以有针对性的对自己的薄弱知识点进行学习与 巩固，进而能够有针对性地提高自身的学习水平；同时，实施这种实施方 式，还能够避免用户大量的无针对性训练，从而避免白白浪费时间，进而 有效提高学习效率。
实施例4
请参看图4，图4为本申请实施例提供的另一种练习套题的获取系统的 结构示意图。图4所描述的练习套题的获取系统的结构示意图是根据图3 所描述的练习套题的获取系统的结构示意图进行改进得到的。其中，该第 一获取单元310包括：
获取子单元311，用于获取与预设的知识点集合相对应的高维空间知识 状态集合、学习套题以及与学习套题相对应的答题结果集合；
第一确定子单元312，用于确定答题结果集合为用户的学习行为数据。
作为一种可选的实施方式，第一确定单元320包括：
第二确定子单元321，用于根据答题结果集合确定高维空间知识状态集 合中多个高维空间知识状态的多个知识状态概率；多个知识状态概率与多 个高维空间知识状态一一对应；
第三确定子单元322，用于确定多个知识状态概率中概率值最大的高维 空间知识状态为学习行为知识状态。
作为一种可选的实施方式，第二确定子单元321包括：
计算模块，用于根据预设的误操作概率和预设的猜题概率进行计算， 得到与答题结果集合相对应的答题状态概率；
确定模块，用于根据答题结果集合确定高维空间知识状态集合中多个 高维空间知识状态的多个结果状态概率；
计算模块，还用于根据多个结果状态概率、答题状态概率以及贝叶斯 公式进行计算，得到高维空间知识状态集合中多个高维空间知识状态的多 个知识状态概率。
本实施例中，对于练习套题的获取系统的解释说明可以参照实施例1 或实施例2中的描述，对此本实施例中不再多加赘述。
可见，实施图4所描述的练习套题的获取系统，能够在高维空间知识 状态集合中确定用户的未掌握知识点，并根据该未掌握知识点进行练习套 题的获取，从而使得用户可以有针对性的对自己的薄弱知识点进行学习与 巩固，进而能够有针对性地提高自身的学习水平；同时，实施这种实施方 式，还能够避免用户大量的无针对性训练，从而避免白白浪费时间，进而 有效提高学习效率。
本申请实施例提供了一种电子设备，包括存储器以及处理器，所述存 储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子 设备执行本申请实施例1或实施例2中任一项练习套题的获取方法。
本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序 指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例1 或实施例2中任一项练习套题的获取方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置 和方法，也可以通过其它的方式实现。以上所描述的系统、装置实施例仅 仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实 施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。 在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码 的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规 定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中， 方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两 个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序 执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个 方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动 作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的 组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个 独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集 成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使 用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申 请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的 部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储 介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服 务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步 骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光 盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围， 对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请 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 申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示 类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需 要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局 限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可 轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请 的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用 来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者 暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语 “包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包 括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包 括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定 的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在 另外的相同要素。

Claims (10)

1.一种练习套题的获取方法，其特征在于，所述方法包括：
获取高维空间知识状态集合和用户的学习行为数据；
在所述高维空间知识状态集合中确定与所述学习行为数据对应的学习行为知识状态；
根据所述学习行为知识状态确定未掌握知识点；
获取与所述未掌握知识点相对应的练习套题。
2.根据权利要求1所述的练习套题的获取方法，其特征在于，所述获取高维空间知识状态集合和用户的学习行为数据的步骤包括：
获取与预设的知识点集合相对应的高维空间知识状态集合、学习套题以及与所述学习套题相对应的答题结果集合；
确定所述答题结果集合为用户的学习行为数据。
3.根据权利要求2所述的练习套题的获取方法，其特征在于，所述在所述高维空间知识状态集合中确定与所述学习行为数据对应的学习行为知识状态的步骤包括：
根据所述答题结果集合确定所述高维空间知识状态集合中多个高维空间知识状态的多个知识状态概率；所述多个知识状态概率与所述多个高维空间知识状态一一对应；
确定所述多个知识状态概率中概率值最大的高维空间知识状态为学习行为知识状态。
4.根据权利要求3所述的练习套题的获取方法，其特征在于，所述根据所述答题结果集合确定所述高维空间知识状态集合中多个高维空间知识状态的多个知识状态概率的步骤包括：
根据预设的误操作概率和预设的猜题概率进行计算，得到与所述答题结果集合相对应的答题状态概率；
根据所述答题结果集合确定所述高维空间知识状态集合中多个高维空间知识状态的多个结果状态概率；
根据所述多个结果状态概率、所述答题状态概率以及贝叶斯公式进行计算，得到所述高维空间知识状态集合中多个高维空间知识状态的多个知识状态概率。
5.一种练习套题的获取系统，其特征在于，所述练习套题的获取系统包括：
第一获取单元，用于获取高维空间知识状态集合和用户的学习行为数据；
第一确定单元，用于在所述高维空间知识状态集合中确定与所述学习行为数据对应的学习行为知识状态；
第二确定单元，用于根据所述学习行为知识状态确定未掌握知识点；
第二获取单元，用于获取与所述未掌握知识点相对应的练习套题。
6.根据权利要求5所述的练习套题的获取系统，其特征在于，所述第一获取单元包括：
获取子单元，用于获取与预设的知识点集合相对应的高维空间知识状态集合、学习套题以及与所述学习套题相对应的答题结果集合；
第一确定子单元，用于确定所述答题结果集合为用户的学习行为数据。
7.根据权利要求6所述的练习套题的获取系统，其特征在于，所述第一确定单元包括：
第一第一确定子单元，用于根据所述答题结果集合确定所述高维空间知识状态集合中多个高维空间知识状态的多个知识状态概率；所述多个知识状态概率与所述多个高维空间知识状态一一对应；
第三确定子单元，用于确定所述多个知识状态概率中概率值最大的高维空间知识状态为学习行为知识状态。
8.根据权利要求7所述的练习套题的获取系统，其特征在于，所述第二确定子单元包括：
计算模块，用于根据预设的误操作概率和预设的猜题概率进行计算，得到与所述答题结果集合相对应的答题状态概率；
确定模块，用于根据所述答题结果集合确定所述高维空间知识状态集合中多个高维空间知识状态的多个结果状态概率；
所述计算模块，还用于根据所述多个结果状态概率、所述答题状态概率以及贝叶斯公式进行计算，得到所述高维空间知识状态集合中多个高维空间知识状态的多个知识状态概率。
9.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至4中任一项所述的练习套题的获取方法。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至4任一项所述的练习套题的获取方法。
CN202011053899.5A 2020-09-29 2020-09-29 一种练习套题的获取方法及系统 Active CN112131427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011053899.5A CN112131427B (zh) 2020-09-29 2020-09-29 一种练习套题的获取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011053899.5A CN112131427B (zh) 2020-09-29 2020-09-29 一种练习套题的获取方法及系统

Publications (2)

Publication Number Publication Date
CN112131427A true CN112131427A (zh) 2020-12-25
CN112131427B CN112131427B (zh) 2023-11-03

Family

ID=73844692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011053899.5A Active CN112131427B (zh) 2020-09-29 2020-09-29 一种练习套题的获取方法及系统

Country Status (1)

Country Link
CN (1) CN112131427B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191009A (zh) * 2021-05-11 2021-07-30 清华大学 实现离子阵列的方法、装置、计算机存储介质及终端

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61169962A (ja) * 1985-01-24 1986-07-31 Japan Radio Co Ltd 教育支援方法
CN1728193A (zh) * 2005-07-26 2006-02-01 北京健康在线网络技术有限公司 一种视频教学系统及应用方法
US20090288150A1 (en) * 2008-05-16 2009-11-19 University Of Washington Access control by testing for shared knowledge
CN104408985A (zh) * 2014-12-17 2015-03-11 李莎 基于云网络的答题学习方法及系统
CN104731583A (zh) * 2015-02-16 2015-06-24 翁建广 基于习题和知识点编号记录的学习方案生成系统及方法
CN105448152A (zh) * 2015-12-31 2016-03-30 华夏博雅（北京）教育科技发展有限公司 一种在线教学系统
CN108052672A (zh) * 2017-12-29 2018-05-18 北京师范大学 利用群体学习行为促进结构化知识图谱构建系统及方法
CN108664649A (zh) * 2018-05-17 2018-10-16 深圳习习网络科技有限公司 知识内容推送方法、装置和推送服务器
CN109509126A (zh) * 2018-11-02 2019-03-22 中山大学 一种基于用户学习行为的个性化试题推荐方法
CN109903617A (zh) * 2017-12-11 2019-06-18 北京三好互动教育科技有限公司 个性化练习方法和系统
CN110378818A (zh) * 2019-07-22 2019-10-25 广西大学 基于难度的个性化习题推荐方法、系统及介质
CN110991645A (zh) * 2019-11-18 2020-04-10 广东宜学通教育科技有限公司 一种基于知识模型的自适应学习方法、系统及存储介质
CN110992741A (zh) * 2019-11-15 2020-04-10 深圳算子科技有限公司 一种基于课堂情绪和行为分析的学习辅助方法及系统
CN110990707A (zh) * 2019-12-09 2020-04-10 北京爱论答科技有限公司 一种学习内容推送的方法、系统、设备及存储介质
CN111081106A (zh) * 2019-12-13 2020-04-28 北京爱论答科技有限公司 一种作业推送的方法、系统、设备和存储介质
CN111223019A (zh) * 2020-01-15 2020-06-02 北京爱论答科技有限公司 一种学习内容推送方法、系统、设备及存储介质
CN111651677A (zh) * 2020-06-09 2020-09-11 上海乂学教育科技有限公司 课程内容推荐方法、装置、计算机设备和存储介质

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61169962A (ja) * 1985-01-24 1986-07-31 Japan Radio Co Ltd 教育支援方法
CN1728193A (zh) * 2005-07-26 2006-02-01 北京健康在线网络技术有限公司 一种视频教学系统及应用方法
US20090288150A1 (en) * 2008-05-16 2009-11-19 University Of Washington Access control by testing for shared knowledge
CN104408985A (zh) * 2014-12-17 2015-03-11 李莎 基于云网络的答题学习方法及系统
CN104731583A (zh) * 2015-02-16 2015-06-24 翁建广 基于习题和知识点编号记录的学习方案生成系统及方法
CN105448152A (zh) * 2015-12-31 2016-03-30 华夏博雅（北京）教育科技发展有限公司 一种在线教学系统
CN109903617A (zh) * 2017-12-11 2019-06-18 北京三好互动教育科技有限公司 个性化练习方法和系统
CN108052672A (zh) * 2017-12-29 2018-05-18 北京师范大学 利用群体学习行为促进结构化知识图谱构建系统及方法
CN108664649A (zh) * 2018-05-17 2018-10-16 深圳习习网络科技有限公司 知识内容推送方法、装置和推送服务器
CN109509126A (zh) * 2018-11-02 2019-03-22 中山大学 一种基于用户学习行为的个性化试题推荐方法
CN110378818A (zh) * 2019-07-22 2019-10-25 广西大学 基于难度的个性化习题推荐方法、系统及介质
CN110992741A (zh) * 2019-11-15 2020-04-10 深圳算子科技有限公司 一种基于课堂情绪和行为分析的学习辅助方法及系统
CN110991645A (zh) * 2019-11-18 2020-04-10 广东宜学通教育科技有限公司 一种基于知识模型的自适应学习方法、系统及存储介质
CN110990707A (zh) * 2019-12-09 2020-04-10 北京爱论答科技有限公司 一种学习内容推送的方法、系统、设备及存储介质
CN111081106A (zh) * 2019-12-13 2020-04-28 北京爱论答科技有限公司 一种作业推送的方法、系统、设备和存储介质
CN111223019A (zh) * 2020-01-15 2020-06-02 北京爱论答科技有限公司 一种学习内容推送方法、系统、设备及存储介质
CN111651677A (zh) * 2020-06-09 2020-09-11 上海乂学教育科技有限公司 课程内容推荐方法、装置、计算机设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄晶晶: "MOOC在Photoshop课程教学中的应用研究", 《 才智》, pages 141 - 142 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191009A (zh) * 2021-05-11 2021-07-30 清华大学 实现离子阵列的方法、装置、计算机存储介质及终端
CN113191009B (zh) * 2021-05-11 2022-09-27 清华大学 实现离子阵列的方法、装置、计算机存储介质及终端

Also Published As

Publication number Publication date
CN112131427B (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
Yang et al. Predicting students' academic performance using multiple linear regression and principal component analysis
Ekanadham et al. T-skirt: Online estimation of student proficiency in an adaptive learning system
CN109509126A (zh) 一种基于用户学习行为的个性化试题推荐方法
KR102688187B1 (ko) 성어 괄호넣기문제의 답안 선택장치와 컴퓨터장비
CN110008339A (zh) 一种用于目标情感分类的深度记忆网络模型及其分类方法
CN110659311B (zh) 题目推送方法、装置、电子设备及存储介质
CN111831831A (zh) 一种基于知识图谱的个性化学习平台及其构建方法
CN112685550B (zh) 智能问答方法、装置、服务器及计算机可读存储介质
CN109145083B (zh) 一种基于深度学习的候选答案选取方法
CN117056612B (zh) 基于ai辅助的备课资料数据推送方法及系统
US20240177624A1 (en) Learning management systems and methods therefor
CN111582405B (zh) 一种数据标注方法及装置
CN113257060A (zh) 一种答疑解决方法、装置、设备和存储介质
CN116596073A (zh) 基于推理路径的自然语言推理方法、装置及设备
CN116541432A (zh) 一种基于教育机器人的在线课堂智能推荐方法
CN116383481A (zh) 一种基于学生画像的个性化试题推荐方法及系统
CN110852071A (zh) 知识点检测方法、装置、设备及可读存储介质
CN112131427B (zh) 一种练习套题的获取方法及系统
CN112052393B (zh) 一种学习方案推荐方法、装置、设备和存储介质
CN112419815A (zh) 一种学习路径的规划方法及装置
CN117743679A (zh) 学习内容推荐方法、装置、电子设备及存储介质
Yan et al. A method for personalized C programming learning contents recommendation to enhance traditional instruction
JP2010243662A (ja) リメディアル教育支援システム、リメディアル教育支援方法、およびメディアル教育支援プログラム
CN111062449A (zh) 预测模型的训练方法、兴趣度预测方法、装置和存储介质
CN111080025A (zh) 学习特征数据的处理方法及装置、电子设备

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