CN112214651A - 智能学习竞赛系统及方法 - Google Patents
智能学习竞赛系统及方法 Download PDFInfo
- Publication number
- CN112214651A CN112214651A CN202010730549.1A CN202010730549A CN112214651A CN 112214651 A CN112214651 A CN 112214651A CN 202010730549 A CN202010730549 A CN 202010730549A CN 112214651 A CN112214651 A CN 112214651A
- Authority
- CN
- China
- Prior art keywords
- student
- users
- opponent
- module
- competition
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 15
- 238000012360 testing method Methods 0.000 claims abstract description 48
- 238000012937 correction Methods 0.000 claims abstract description 4
- 238000004088 simulation Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000005094 computer simulation Methods 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 description 2
- 206010023126 Jaundice Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Educational Technology (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种智能学习竞赛系统,其包括:试题数据库,推题模块,批改模块,决策模块,学生数据库,匹配模块。试题数据库用于分类存储试题组及各试题组对应的正确答案;推题模块用于根据试题列表推送对应的试题组,并采集答题数据;批改模块用于计算并显示正答累加值;决策模块中预存有运算模型,用于生成能力值M;学生数据库用于存储学生用户的个人信息、能力值M及答题记录;匹配模块用于根据能力值M抽取出竞赛对手。本发明能够保证学生用户在线答题竞赛时匹配到实力相当的对手。同时,通过构建镜像模型给学生用户在线对战的感觉。保证了学生用户对学习竞赛功能的兴趣和使用率。
Description
技术领域
本发明属于在线教育技术领域,具体来说涉及一种智能学习竞赛系统,以及基于该系统实现的一种智能学习竞赛方法。
背景技术
随着技术的进步,网络化的学习方式开始兴起。而在线模拟答题竞赛是一种常见的网络学习方式,方便学生用户通过对战的形式对学过的知识进行巩固。现有系统中,在线模拟答题竞赛需要双方选手同时在线,导致该学习方式使用效率不高。同时,经常出现竞赛双方学习水平差距较大,出现一边倒局面,打击学力较弱学生的学习信心的问题。因此,如何开发出一种新型的学习竞赛系统,以克服上述问题,是本领域技术人员需研究的方向。
发明内容
本发明的目的是提供一种智能学习竞赛系统,能够保证学生用户使用在线答题竞赛时能匹配到实力相当的对手。同时,通过构建对手用户的镜像模型输出至用户端,给学生用户在线对战的感觉。保证了学生用户对学习竞赛功能的兴趣和使用率。
其采用的技术方案如下:
一种智能学习竞赛系统,其包括:试题数据库,推题模块,批改模块,决策模块,学生数据库,匹配模块。所述试题数据库用于分类存储试题组及各试题组对应的正确答案;所述推题模块用于根据试题列表推送对应的试题组,并采集答题数据;所述批改模块用于比对答题数据与正确答案、计算并显示正答累加值;所述决策模块中预存有运算模型,用于将正答累加值导入预存的运算模型中、生成能力值M;所述学生数据库用于存储学生用户的个人信息、能力值M及答题记录;所述匹配模块用于根据能力值M从学生数据库中抽取出竞赛对手。
通过采用这种技术方案:基于学生用户的历史答题情况,求得表征各学生用户学习能力的能力值,并基于该能力值,对学生用户匹配与其学习能力相当的其他学生用户作为其竞赛对手
优选的是,上述智能学习竞赛系统中,所述运算模型为:所述Rt为学生用户的基准能力值,所述Rt基于以下公式求得:Rt=(R1+R2+R3)/3;所述R1,R2和R3为学生用户在近3轮答题中产生的正答累加值;所述P为学生用户的峰值能力值,基于以下公式求得:P=MAX(R1+R2+R3+...+Rt-3+Rt-2+Rt-1)。
更优选的是,上述智能学习竞赛系统中:所述匹配模块包括第二匹配单元和第三匹配单元;所述第二匹配单元用于从学生数据库中匹配出能力值M相同的用户作为准对手用户;所述第三匹配单元用于从准对手用户中随机抽取一人作为对手用户。
通过采用这种技术方案:先后采用匹配能力值M和随机抽取两个步骤选定一个用户作为最终的对手用户。
更优选的是,上述智能学习竞赛系统中:所述匹配模块包括第一匹配单元,第二匹配单元和第三匹配单元;所述第一匹配单元用于在学生数据库中匹配出个人信息相同的用户作为预备对手用户,所述关键词包括年级、性别、所在学校和所在学区;所述第二匹配单元用于从预备对手用户中匹配出能力值M相同的用户作为准对手用户;所述第三匹配单元用于从准对手用户中随机抽取一人作为对手用户。
通过采用这种技术方案:先后采用匹配个人信息、匹配能力值M和随机抽取两个步骤选定一个用户作为最终的对手用户。
进一步优选的是,上述智能学习竞赛系统中:还包括模拟模块;所述模拟模块用于读取匹配模块并搜索对手用户的答题数据;当该历史答题记录包含对推题模块推送试题组的答题数据时导出并显示竞赛对手就该试题的答题数据、当竞赛对手的历史答题记录未包含对该试题的答题数据时随机生成并显示答题数据。
通过采用这种技术方案:基于导出的历史答题记录和随机生成答题数据,实现竞赛对手以镜像模式参加在线竞赛。能够实现学生用户的在线不对称答题竞赛,保证学生用户对学习竞赛功能的兴趣和使用率。
进一步优选的是,上述智能学习竞赛系统中:还包括监督模块;所述监督模块中预存有怀疑阈值,所述监督模块用于计算同一学生用户在相邻2轮答题中产生的正答累加值的比例值,并在该比例值达到怀疑阈值时输出报警。
通过采用这种技术方案:
基于上述系统,本发明还公开了相应的智能学习竞赛方法,其方案如下:
一种智能学习竞赛方法,其包括如下步骤:S1:基于竞赛请求创建在线比赛,并读取输出竞赛请求的学生用户的个人信息;S2:基于S1所得个人信息、读取学生数据库并追溯其能力值M;S3:遍历学生数据库中的学生用户,基于能力值M在学生数据库中抽取对手用户;S4:根据试题列表对学生用户及其对手用户推送对应的试题组,并采集学生用户和对手用户的答题数据;S5:正误判断模块比对答题数据与正确答案、输出对试题组的正答累加值;S6:决策模块将S5所得正答累加值导入运算模型中、生成并替换保存学生用户和对手用户的能力值M。
采用上述方案:实现的是学生用户与匹配到的对手用户的真人在线对战竞赛。
另一种方案是:一种智能学习竞赛方法,其包括如下步骤:S1:基于竞赛请求创建在线比赛,并读取输出竞赛请求的学生用户的个人信息;S2:基于S1所得个人信息、读取学生数据库并追溯其能力值M;S3:遍历学生数据库中的学生用户,基于能力值M在学生数据库中抽取对手用户;S4:根据试题列表推送对应的试题组,并采集学生用户的答题数据;S5:正误判断模块比对答题数据与正确答案、输出对试题组的正答累加值;S6:模拟模块实时读取匹配模块并搜索对手用户的答题数据;当该历史答题记录包含对推题模块推送试题组的答题数据时导出并显示竞赛对手就该试题的答题数据、当竞赛对手的历史答题记录未包含对该试题的答题数据时随机生成并显示答题数据。S7:决策模块将S5得正答累加值导入运算模型中、生成并替换保存当前学生用户的能力值M。
采用上述方案:实现的是学生用户与匹配到的对手用户的镜像进行的在线对战竞赛。
优选的是,上述智能学习竞赛方法中,步骤S3包括:S31:从个人信息中选定若干个信息用于进行匹配,在学生数据库中匹配出该选定信息相同的用户作为预备对手用户;S32:从S31中所得预备对手用户中匹配出能力值M相同的用户作为准对手用户;S33:从S32所得准对手用户中随机抽取一人作为对手用户。
优选的是,上述智能学习竞赛方法中,步骤S6包括:S61:基于公式Rt=(R1+R2+R3)/3,求得学生用户的基准能力值Rt,所述R1,R2和R3为学生用户在近3轮答题中产生的正答累加值;S62:基于公式P=MAX(R1+R2+R3+...+Rt-3+Rt-2+Rt-1),求得学生用户的峰值能力值P;S63:基于公式求得学生用户的能力值M、;S64:以S63所得M值迭代当前所存储的该学生用户的能力值。
与现有技术相比,本发明能够保证学生用户使用在线答题竞赛时能匹配到实力相当的对手。同时,通过构建对手用户的镜像模型输出至用户端,给学生用户在线对战的感觉。保证了学生用户对学习竞赛功能的兴趣和使用率。
附图说明
下面结合附图与具体实施方式对本发明作进一步详细的说明:
图1为本发明的结构框图。
图2为本发明的工作流程图。
各附图标记与部件名称对应关系如下:
1、试题数据库;2、推题模块;3、批改模块;4、决策模块;5、学生数据库;6、匹配模块;7、模拟模块;8、监督模块。
具体实施方式
为了更清楚地说明本发明的技术方案,下面将结合各个实施例作进一步描述。
如图1所示为实施例1:
一种智能学习竞赛系统,其包括:试题数据库1,推题模块2,批改模块3,决策模块4,学生数据库5,匹配模块6,模拟模块7和监督模块8。
其中,所述试题数据库1用于分类存储试题组及各试题组对应的正确答案;所述推题模块2用于根据试题列表推送对应的试题组,并采集答题数据;所述批改模块3用于比对答题数据与正确答案、计算并显示正答累加值;所述决策模块4中预存有运算模型,用于将正答累加值导入预存的运算模型中、生成能力值M;
其中,所述Rt为学生用户的基准能力值,所述Rt基于以下公式求得:Rt=(R1+R2+R3)/3;所述R1,R2和R3为学生用户在近3轮答题中产生的正答累加值;所述P为学生用户的峰值能力值,基于以下公式求得:P=MAX(R1+R2+R3+...+Rt-3+Rt-2+Rt-1)。实践中:计算机在判断之前会对答案进行标准化处理,就是统一答案的字符编码,保证答案的唯一性,将中文转换为UTF-8的转换过程。用Trim()函数用来删除答问的前导空格和尾部空格。所述学生数据库用于存储学生用户的个人信息、能力值M及答题记录;学生用户的个人信息都会基于智能学习系统的大数据进行匹配和关联,所有学生在两个系统中,都会有唯一的账号作为识别依据。所述匹配模块6用于根据能力值M从学生数据库中抽取出竞赛对手。所述匹配模块包括第一匹配单元,第二匹配单元和第三匹配单元;所述第一匹配单元用于在学生数据库中匹配出个人信息相同的用户作为预备对手用户,所述关键词包括年级、性别、所在学校和所在学区;所述第二匹配单元用于从预备对手用户中匹配出能力值M相同的用户作为准对手用户;所述第三匹配单元用于从准对手用户中随机抽取一人作为对手用户。所述模拟模块7用于读取匹配模块并搜索对手用户的答题数据;当该历史答题记录包含对推题模块推送试题组的答题数据时导出并显示竞赛对手就该试题的答题数据、当竞赛对手的历史答题记录未包含对该试题的答题数据时随机生成并显示答题数据。设置这个模块的目的在于:基于互联网的情况,学生学习上线的时间不稳定,实时比赛的难度加大。当学生短时间内匹配不到对手时,计算机会匹配一个对手的镜像机器人作为对手。机器人会根据对手学生的学习数据和能力值M模拟学生答题,
所述监督模块8中预存有怀疑阈值,所述监督模块用于计算同一学生用户在相邻2轮答题中产生的正答累加值的比例值,并在该比例值达到怀疑阈值时输出报警。能力值M是学生近期学习能力之的一个稳定性模型,是能力值的正态分布平均值。能力值M首先会作为对手匹配的依据,同时也会做为比赛裁判的辅助信息;例如:学生赛前知识点的能力值M为30左右,比赛时全部答对等于能力值M≥90,比赛能力值为平时的3倍(正态分布的情况下达到2倍就已经判定为异常数据),那么就有作弊或代替参赛的嫌疑。
所述试题数据库1,推题模块2,正误判断模块3,决策模块4,学生数据库5,匹配模块6,模拟模块7均集成于云端服务器。其中,设M,R,P的取值范围均为1~100。当实际M值大于100时,则记为100。
实践中,其工作过程如下:
一种智能学习竞赛方法,其包括如下步骤:
S1:学生小明通过学生登录端口访问智能学习竞赛系统,并发起竞赛请求;
S2:智能学习竞赛系统根据S1所述竞赛请求创建在线比赛,同时读取根据ID获取学生小明的个人信息;
S3:基于S2所得个人信息、读取学生数据库并从中追溯小明的当前能力值M=80;
S3:匹配模块遍历学生数据库中的所有学生用户,搜索出其当前的能力值M=80的所有学生用户,并从中随机抽取学生小黄作为学生小明本次学习竞赛的对手;
S4:推题模块读取选定的知识点列表,对小明推送对应于知识点列表的试题组,并采集和存储小明对本套试题组的答题数据;
S5:模拟模块实时读取推题模块推送的试题并搜索小黄的答题数据,发现小黄的历史答题记录中已包含了对本套试题组的答题数据,智能学习竞赛随着小明的答题节奏,实时导出该套答题数据,模拟小黄作为对手的答题过程;
S6:正误判断模块比对答题数据与正确答案、输出小明对试题组的正答累加值R;
S7:决策模块将S6所得正答累加值R替换为小明的当前R3、将小明的上轮R3替换为当前R2,将小明的上轮R2替换为当前R1,求得新的Rt,同时运算新的P,
本次竞赛全部结束。
以上所述,仅为本发明的具体实施例,但本发明的保护范围并不局限于此,任何熟悉本领域技术的技术人员在本发明公开的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。本发明的保护范围以权利要求书的保护范围为准。
Claims (10)
1.一种智能学习竞赛系统,其特征在于,包括:
试题数据库:所述试题数据库用于分类存储试题组及各试题组对应的正确答案;
推题模块:所述推题模块用于根据试题列表推送对应的试题组,并采集答题数据;
批改模块:用于比对答题数据与正确答案、计算并显示正答累加值;
决策模块:所述决策模块中预存有运算模型,用于将正答累加值导入预存的运算模型中、生成能力值M;
学生数据库:所述学生数据库用于存储学生用户的个人信息、能力值M及答题记录;
匹配模块:所述匹配模块用于根据能力值M从学生数据库中抽取出竞赛对手。
3.如权利要求1所述智能学习竞赛系统,其特征在于:所述匹配模块包括第二匹配单元和第三匹配单元;所述第二匹配单元用于从学生数据库中匹配出能力值M相同的用户作为准对手用户;所述第三匹配单元用于从准对手用户中随机抽取一人作为对手用户。
4.如权利要求1所述智能学习竞赛系统,其特征在于:所述匹配模块包括第一匹配单元,第二匹配单元和第三匹配单元;所述第一匹配单元用于在学生数据库中匹配出个人信息相同的用户作为预备对手用户,所述关键词包括年级、性别、所在学校和所在学区;所述第二匹配单元用于从预备对手用户中匹配出能力值M相同的用户作为准对手用户;所述第三匹配单元用于从准对手用户中随机抽取一人作为对手用户。
5.如权利要求1所述智能学习竞赛系统,其特征在于:还包括模拟模块;所述模拟模块用于读取匹配模块并搜索对手用户的答题数据;当该历史答题记录包含对推题模块推送试题组的答题数据时导出并显示竞赛对手就该试题的答题数据、当竞赛对手的历史答题记录未包含对该试题的答题数据时随机生成并显示答题数据。
6.如权利要求1所述智能学习竞赛系统,其特征在与:还包括监督模块;所述监督模块中预存有怀疑阈值,所述监督模块用于计算同一学生用户在相邻2轮答题中产生的正答累加值的比例值,并在该比例值达到怀疑阈值时输出报警。
7.一种智能学习竞赛方法,其特征在于,包括如下步骤:
S1:基于竞赛请求创建在线比赛,并读取输出竞赛请求的学生用户的个人信息;
S2:基于S1所得个人信息、读取学生数据库并追溯其能力值M;
S3:遍历学生数据库中的学生用户,基于能力值M在学生数据库中抽取对手用户;
S4:根据试题列表对学生用户及其对手用户推送对应的试题组,并采集学生用户和对手用户的答题数据;
S5:正误判断模块比对答题数据与正确答案、输出对试题组的正答累加值;
S6:决策模块将S5所得正答累加值导入运算模型中、生成并替换保存学生用户和对手用户的能力值M。
8.一种智能学习竞赛方法,其特征在于,包括如下步骤:
S1:基于竞赛请求创建在线比赛,并读取输出竞赛请求的学生用户的个人信息;
S2:基于S1所得个人信息、读取学生数据库并追溯其能力值M;
S3:遍历学生数据库中的学生用户,基于能力值M在学生数据库中抽取对手用户;
S4:根据试题列表推送对应的试题组,并采集学生用户的答题数据;
S5:正误判断模块比对答题数据与正确答案、输出对试题组的正答累加值;
S6:模拟模块实时读取匹配模块并搜索对手用户的答题数据;当该历史答题记录包含对推题模块推送试题组的答题数据时导出并显示竞赛对手就该试题的答题数据、当竞赛对手的历史答题记录未包含对该试题的答题数据时随机生成并显示答题数据。
S7:决策模块将S5得正答累加值导入运算模型中、生成并替换保存当前学生用户的能力值M。
9.如权利要求7或8所述智能学习竞赛方法,其特征在于,步骤S3包括:
S31:从个人信息中选定若干个信息用于进行匹配,在学生数据库中匹配出该选定信息相同的用户作为预备对手用户;
S32:从S31中所得预备对手用户中匹配出能力值M相同的用户作为准对手用户;
S33:从S32所得准对手用户中随机抽取一人作为对手用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010730549.1A CN112214651A (zh) | 2020-07-27 | 2020-07-27 | 智能学习竞赛系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010730549.1A CN112214651A (zh) | 2020-07-27 | 2020-07-27 | 智能学习竞赛系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112214651A true CN112214651A (zh) | 2021-01-12 |
Family
ID=74059582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010730549.1A Pending CN112214651A (zh) | 2020-07-27 | 2020-07-27 | 智能学习竞赛系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112214651A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950428A (zh) * | 2021-03-31 | 2021-06-11 | 读书郎教育科技有限公司 | 一种学生直播课实时分派竞赛对象的方法 |
CN113051300A (zh) * | 2021-03-05 | 2021-06-29 | 深圳市鹰硕技术有限公司 | 基于学习伙伴匹配的在线学习方法以及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835087A (zh) * | 2015-04-30 | 2015-08-12 | 泸州市金点教育科技有限公司 | 教育测试系统的数据处理方法及装置 |
CN106600493A (zh) * | 2016-12-14 | 2017-04-26 | 重庆蜜枣科技有限公司 | 一种英语在线学习方法 |
CN108776944A (zh) * | 2018-05-24 | 2018-11-09 | 深圳市采集科技有限公司 | 一种用于网络竞赛式学习的数据处理系统和方法 |
WO2018227251A1 (en) * | 2017-06-16 | 2018-12-20 | App Ip Trap Ed Pty Ltd | Multiuser knowledge evaluation system or device |
CN109978739A (zh) * | 2019-03-22 | 2019-07-05 | 上海乂学教育科技有限公司 | 基于知识点掌握程度的自适应学习方法及计算机系统 |
CN110211441A (zh) * | 2019-05-31 | 2019-09-06 | 上海乂学教育科技有限公司 | 自动标记试题难度自动标记、推送方法及系统 |
CN110675678A (zh) * | 2019-11-05 | 2020-01-10 | 湖南新云网科技有限公司 | 一种在线答题竞赛的实现方法、实现系统及实现设备 |
-
2020
- 2020-07-27 CN CN202010730549.1A patent/CN112214651A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835087A (zh) * | 2015-04-30 | 2015-08-12 | 泸州市金点教育科技有限公司 | 教育测试系统的数据处理方法及装置 |
CN106600493A (zh) * | 2016-12-14 | 2017-04-26 | 重庆蜜枣科技有限公司 | 一种英语在线学习方法 |
WO2018227251A1 (en) * | 2017-06-16 | 2018-12-20 | App Ip Trap Ed Pty Ltd | Multiuser knowledge evaluation system or device |
CN108776944A (zh) * | 2018-05-24 | 2018-11-09 | 深圳市采集科技有限公司 | 一种用于网络竞赛式学习的数据处理系统和方法 |
CN109978739A (zh) * | 2019-03-22 | 2019-07-05 | 上海乂学教育科技有限公司 | 基于知识点掌握程度的自适应学习方法及计算机系统 |
CN110211441A (zh) * | 2019-05-31 | 2019-09-06 | 上海乂学教育科技有限公司 | 自动标记试题难度自动标记、推送方法及系统 |
CN110675678A (zh) * | 2019-11-05 | 2020-01-10 | 湖南新云网科技有限公司 | 一种在线答题竞赛的实现方法、实现系统及实现设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051300A (zh) * | 2021-03-05 | 2021-06-29 | 深圳市鹰硕技术有限公司 | 基于学习伙伴匹配的在线学习方法以及装置 |
CN112950428A (zh) * | 2021-03-31 | 2021-06-11 | 读书郎教育科技有限公司 | 一种学生直播课实时分派竞赛对象的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
McLeod et al. | A Bayesian method for the detection of item preknowledge in computerized adaptive testing | |
CN104573017B (zh) | 识别网络水军团体的方法及系统 | |
CN112214651A (zh) | 智能学习竞赛系统及方法 | |
CN101847226A (zh) | 一种社会性网络sns社区中推荐异性朋友的方法及系统 | |
CN111738294B (zh) | Ai模型的训练方法、使用方法、计算机设备及存储介质 | |
CN109410675A (zh) | 一种基于学生画像的练习题推荐方法及家教设备 | |
CN112107866A (zh) | 用户行为数据处理方法、装置、设备及存储介质 | |
CN115798022A (zh) | 一种基于特征提取的人工智能识别方法 | |
CN114529987A (zh) | 高校用基于云数据在线教育的智能教学监测装置及方法 | |
CN108900909B (zh) | 作弊用户的判断方法、相关存储介质和电子设备 | |
CN112951022A (zh) | 一种多媒体互动教育培训系统 | |
CN114117252A (zh) | 一种学生智能专属题库推荐方法及系统 | |
CN109377577A (zh) | 一种基于人脸识别的考勤方法、系统及存储装置 | |
CN112419815A (zh) | 一种学习路径的规划方法及装置 | |
CN114971425B (zh) | 数据库信息监控方法、装置、设备及存储介质 | |
CN112131427B (zh) | 一种练习套题的获取方法及系统 | |
CN111062345A (zh) | 静脉识别模型的训练方法、装置和静脉图像识别装置 | |
Haworth et al. | Performance and prediction: Bayesian modelling of fallible choice in chess | |
CN113796834B (zh) | 认知能力评估方法、装置、设备及存储介质 | |
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 | |
CN115544236A (zh) | 一种模型评估方法、装置及电子设备 | |
CN111967276B (zh) | 翻译质量评估方法及装置、电子设备、存储介质 | |
CN111815489B (zh) | 一种基于大数据的算法分析设计教学方法及装置 | |
CN113688226A (zh) | 基于大数据的习题练习方法、系统及存储介质 | |
CN113918825A (zh) | 习题推荐方法、装置及计算机存储介质 |
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 |