CN112241447A - 一种学情数据处理方法、装置、计算机设备及存储介质 - Google Patents
一种学情数据处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112241447A CN112241447A CN202011511082.8A CN202011511082A CN112241447A CN 112241447 A CN112241447 A CN 112241447A CN 202011511082 A CN202011511082 A CN 202011511082A CN 112241447 A CN112241447 A CN 112241447A
- Authority
- CN
- China
- Prior art keywords
- diagnosed
- target
- knowledge point
- data
- cold start
- 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
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
- G06F16/3331—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Abstract
本申请实施例提供一种学情数据处理方法、装置、计算机设备及存储介质。所述方法包括：确定待诊断目标和待诊断知识点；对待诊断目标在所述待诊断知识点进行冷启动诊断；对待诊断目标在所述待诊断知识点进行非冷启动诊断；根据待诊断知识点的作答数据，以及待诊断目标的作答数据确定启动参数，所述启动参数用于调整冷启动诊断的输出的权重和非冷启动诊断的输出的权重；基于所述启动参数、所述冷启动诊断的输出和非冷启动诊断的输出，确定所述待诊断目标在待诊断知识点的诊断结果。本申请实施例中的技术方案有利于提升数据处理的准确性和适用范围。
Description
技术领域
本申请实施例涉及数据处理技术领域，具体涉及一种学情数据处理方法、装置、计算机设备及存储介质。
背景技术
随着电子技术和数据处理技术的进步，基于电子设备的教学发展迅速。由此，也产生了大量的学情数据。学情数据可以是用户对知识点上题目的作答数据，通过对学情数据进行处理，可以得到对用户在知识点掌握情况的诊断结果。
如何改进学情数据处理技术，提升诊断结果的准确性，成为亟待解决的技术问题。
发明内容
有鉴于此，本申请实施例中提供学情数据处理方法、装置、计算机设备及存储介质。
本申请实施例提供一种学情数据处理方法，包括：
确定待诊断目标和待诊断知识点；
对待诊断目标在所述待诊断知识点进行冷启动诊断；
对待诊断目标在所述待诊断知识点进行非冷启动诊断；
根据待诊断知识点的作答数据，以及待诊断目标的作答数据确定启动参数，所述启动参数用于调整冷启动诊断的输出的权重和非冷启动诊断的输出的权重；
基于所述启动参数、所述冷启动诊断的输出和非冷启动诊断的输出，确定所述待诊断目标在待诊断知识点的诊断结果。
可选的，所述冷启动诊断包括：
结合知识点之间的关系和全量样本数据构建知识点之间的概率图网络，所述全量样本数据为对知识点的作答数据的集合，所述概率图网络描述不同知识点之间掌握程度的依赖关系；
结合待诊断目标的作答数据以及所述概率图网络，得到待诊断目标在待诊断知识点的掌握程度数据作为所述冷启动诊断的输出，所述掌握程度数据用于指示待诊断目标在待诊断知识点的掌握程度。
可选的，所述构建知识点之间的概率图网络包括构建贝叶斯网络；结合知识点之间的关系和全量样本数据构建知识点之间的贝叶斯网络包括：
根据知识点之间的前后置关系构建知识点网络，所述前后置关系为知识点之间的前后依赖关系；
基于所述全量样本数据，采用吉布斯采样方法学习所述知识点网络上知识点之间的概率，得到所述贝叶斯网络。
可选的，所述冷启动诊断包括：
基于全量样本数据确定地域与知识点掌握程度之间的贝叶斯关系，所述全量样本数据为对知识点的作答数据的集合；
结合待诊断目标的地域以及所述地域与知识点掌握程度之间的贝叶斯关系，确定待诊断目标在待诊断知识点的掌握程度数据作为所述冷启动诊断的输出，所述掌握程度数据用于指示待诊断目标在待诊断知识点的掌握程度。
可选的，所述冷启动诊断包括：
计算全量样本数据中各地域出现的概率，所述全量样本数据为对知识点的作答数据的集合；
计算所述全量样本数据中各地域与各知识点的各掌握程度共同出现的联合概率；
确定在所述待诊断目标的地域条件下，在待诊断知识点上各个掌握程度的条件概率。
可选的，述冷启动诊断包括：
基于全量样本数据确定地域、知识点属性以及掌握程度之间的贝叶斯关系，所述全量样本数据为对知识点的作答数据的集合；
结合待诊断目标的地域、待诊断知识点的属性，以及所述地域、知识点属性以及掌握程度之间的贝叶斯关系，确定待诊断目标在待诊断知识点的掌握程度数据作为所述冷启动诊断的输出，所述掌握程度数据用于指示待诊断目标在待诊断知识点的掌握程度。
可选的，所述冷启动诊断包括：
计算全量样本数据中各地域和各知识点属性共同出现的概率，所述全量样本数据为对知识点的作答数据的集合；
计算所述全量样本数据中各地域、各知识点属性和各掌握程度共同出现的概率；
确定待诊断目标的地域以及待诊断知识点的属性的条件下，不同掌握程度的条件概率。
可选的，所述冷启动诊断包括：
确定待诊断目标的样本数据中各知识点属性出现的概率，所述待诊断目标的样本数据包括待诊断目标在不同知识点的作答数据；
根据所述待诊断目标的样本数据确定待诊断目标对各知识点属性的不同掌握程度的联合概率；
采用贝叶斯公式计算待诊断目标在已知待诊断知识点的知识点属性的条件下，对待诊断知识点不同掌握程度的条件概率。
可选的，所述非冷启动诊断包括：输入目标对象在待诊断知识点的样本数据至深度知识追踪模型，得到所述待诊断目标在待诊断知识点的诊断结果。
可选的，所述冷启动诊断包括多种诊断方式，所述冷启动诊断的输出包括所述多种诊断方式的输出，所述启动参数包括调整所述多种诊断方式中每种诊断方式的输出的参数。
可选的，所述根据待诊断知识点的作答数据，以及待诊断目标的作答数据确定启动参数包括：
当待诊断目标在待诊断知识点上作答数据的数量大于预设的阈值时，确定所述启动参数以调整冷启动诊断的输出的权重为零，非冷启动诊断的输出的权重为一；
当待诊断目标在待诊断知识点上作答数据的数量小于预设的阈值时，冷启动诊断的输出的参数与待诊断目标在待诊断知识点上作答数据的数量负相关。
可选的，所述基于所述启动参数、所述冷启动诊断和非冷启动诊断的输出，确定所述待诊断目标在待诊断知识点的诊断结果包括：
基于所述启动参数、所述冷启动诊断和非冷启动诊断的输出，确定待诊断目标对待诊断知识点在各掌握程度的概率；
比较所述各掌握程度的概率；
确定最大概率对应的掌握程度作为所述待诊断目标在待诊断知识点的诊断结果。
可选的，所述冷启动诊断包括以下至少一种诊断方式：
基于知识点之间掌握程度的相互关系以及待诊断目标对待诊断知识点以外的作答数据，确定待诊断目标对待诊断知识点的掌握程度数据；
基于地域和知识点掌握程度的相互关系以及待诊断目标的地域，确定待诊断目标对待诊断知识点的掌握程度数据；
基于地域、属性和掌握程度之间关系以及待诊断目标的地域和知识点属性，确定待诊断对待诊断知识点的掌握程度数据；
基于待诊断目标的知识点属性与掌握程度之间关系以及知识点属性，确定诊断对待诊断知识点的掌握程度数据。
可选的，所述根据待诊断知识点的作答数据，以及待诊断目标的作答数据确定启动参数，包括：
确定基于所述地域、属性和掌握程度的相互关系的诊断方式的参数以及基于所述待诊断目标的知识点属性与掌握程度之间关系的诊断方式的参数，使二者在诊断结果中权重与所述待诊断知识点的作答数据量负相关；
确定所述基于所述待诊断目标的知识点属性与掌握程度之间关系的诊断方式的参数，使其在诊断结果中权重与所述待诊断目标的作答数据的数量正相关；
确定所述基于地域和知识点掌握程度的相互关系的诊断方式的参数，使其在诊断结果中的权重与待诊断知识点的历史作答数量正相关。
本申请实施例中还提供一种学情数据处理装置，包括：
待诊断确定单元，适于确定待诊断目标和待诊断知识点；
冷启动诊断单元，适于对待诊断目标在所述待诊断知识点进行冷启动诊断；
非冷启动诊断单元，适于对待诊断目标在所述待诊断知识点进行非冷启动诊断；
启动参数确定单元，适于根据待诊断知识点的作答数据，以及待诊断目标的作答数据确定启动参数，所述启动参数用于调整冷启动诊断的输出的权重和非冷启动诊断的输出的权重；
诊断结果确定单元，适于基于所述启动参数、所述冷启动诊断的输出和非冷启动诊断的输出，确定所述待诊断目标在待诊断知识点的诊断结果。
可选的，所述知识点诊断单包括：
概率图网络建立单元，适于结合知识点之间的关系和全量样本数据构建知识点之间的概率图网络，所述全量样本数据为对知识点的作答数据的集合，所述概率图网络描述不同知识点之间掌握程度的依赖关系；
第一冷启动输出单元，适于结合待诊断目标的作答数据以及所述概率图网络，得到所述待诊断目标在待诊断知识点的掌握程度数据作为所述冷启动诊断的输出，所述掌握程度数据用于指示待诊断目标在待诊断知识点的掌握程度。
可选的，所述概率图网络建立单元适于构建所述知识点之间的贝叶斯网络，所述概率图网络建立单元包括：
知识点网络建立单元，适于根据知识点之间的前后置关系构建知识点网络，所述前后置关系为知识点之间的前后依赖关系；
吉布斯采样单元，基于所述全量样本数据，采用吉布斯采样方法学习所述知识点网络上知识点之间的概率，得到所述贝叶斯网络。
可选的，所述冷启动诊断单元包括：
地域和知识点掌握程度关系确定单元，适于基于全量样本数据确定地域与知识点掌握程度之间的贝叶斯关系，所述全量样本数据为对知识点的作答数据的集合；
第二冷启动诊断输出单元，适于结合待诊断目标的地域以及所述地域与知识点掌握程度之间的贝叶斯关系，确定待诊断目标在待诊断知识点的掌握程度数据作为所述冷启动诊断的输出，所述掌握程度数据用于指示待诊断目标在待诊断知识点的掌握程度。
可选的，所述冷启动诊断单元包括：
地域概率计算单元，适于计算全量样本数据中各地域出现的概率，所述全量样本数据为对知识点的作答数据的集合；
地域掌握程度联合概率计算单元，适于计算所述全量样本数据中各地域与各知识点的各掌握程度共同出现的联合概率；
掌握程度的地域条件概率确定单元，适于确定在所述待诊断目标的地域条件下，在待诊断知识点上各个掌握程度的条件概率。
可选的，所述冷启动诊断单元包括：
地域、知识点属性和掌握程度关系确定单元，适于基于全量样本数据确定地域、知识点属性以及掌握程度之间的贝叶斯关系，所述全量样本数据为对知识点的作答数据的集合；
第三冷启动输出单元，适于结合待诊断目标的地域、待诊断知识点的属性，以及所述地域、知识点属性以及掌握程度之间的贝叶斯关系，确定待诊断目标在待诊断知识点的掌握程度数据作为所述冷启动诊断的输出，所述掌握程度数据用于指示待诊断目标在待诊断知识点的掌握程度。
可选的，所述冷启动诊断单元包括：
地域及属性联合概率计算单元，适于计算全量样本数据中各地域和各知识点属性共同出现的概率，所述全量样本数据为对知识点的作答数据的集合；
地域、属性及掌握程度联合概率计算单元，适于计算所述全量样本数据中各地域、各知识点属性和各掌握程度共同出现的概率；
掌握程度的地域、属性条件概率确定单元，适于确定待诊断目标的地域以及待诊断知识点的属性的条件下，不同掌握程度的条件概率。
可选的，所述冷启动诊断单元包括：
知识点属性概率计算单元，适于确定待诊断目标的样本数据中各知识点属性出现的概率，所述待诊断目标的样本数据包括待诊断目标在不同知识点的作答数据；
属性及掌握程度联合概率计算单元，适于根据所述待诊断目标的样本数据确定待诊断目标对各知识点属性的不同掌握程度的联合概率；
掌握程度的属性条件概率确定单元，适于采用贝叶斯公式计算待诊断目标在已知待诊断知识点的知识点属性的条件下，对待诊断知识点不同掌握程度的条件概率。
可选的，所述非冷启动诊断单元适于输入目标对象在待诊断知识点的样本数据至深度知识追踪模型，得到所述待诊断目标在待诊断知识点的诊断结果。
可选的，所述冷启动诊断单元适于采用多种诊断方式，所述冷启动诊断单元的输出包括所述多种诊断方式的输出，所述启动参数包括调整所述多种诊断方式中每种诊断方式的输出的参数。
可选的，所述启动参数确定单元包括：
第一参数确定单元，适于当待诊断目标在待诊断知识点上作答数据的数量大于预设的阈值时，确定所述启动参数以调整冷启动诊断的输出的权重为零，非冷启动诊断的输出的权重为一；
第二参数确定单元，适于当待诊断目标在待诊断知识点上作答数据的数量小于预设的阈值时，冷启动诊断的输出的参数与待诊断目标在待诊断知识点上作答数据的数量负相关。
可选的，所述诊断结果确定单元包括：
各掌握程度概率确定单元，适于基于所述启动参数、所述冷启动诊断和非冷启动诊断的输出，确定待诊断目标对待诊断知识点在各掌握程度的概率；
比较单元，适于比较所述各掌握程度的概率；
掌握程度确定单元，适于确定最大概率对应的掌握程度作为所述待诊断目标在待诊断知识点的诊断结果。
可选的，所述冷启动诊断单元包括：
第一冷启动诊断单元，适于基于知识点之间掌握程度的相互关系以及待诊断目标对待诊断知识点以外的作答数据，确定待诊断目标对待诊断知识点的掌握程度数据；
第二冷启动诊断单元，适于基于地域和知识点掌握程度的相互关系以及待诊断目标的地域，确定待诊断目标对待诊断知识点的掌握程度数据；
第三冷启动诊断单元，适于基于地域、属性和掌握程度之间关系以及待诊断目标的地域和知识点属性，确定待诊断对待诊断知识点的掌握程度数据；
第四冷启动诊断单元，适于基于待诊断目标的知识点属性与掌握程度之间关系以及知识点属性，确定诊断对待诊断知识点的掌握程度数据。
可选的，所述启动参数确定单元包括：
第三参数确定单元，适于确定基于所述地域、属性和掌握程度的相互关系的诊断方式的参数以及基于所述待诊断目标的知识点属性与掌握程度之间关系的诊断方式的参数，使二者在诊断结果中权重与所述待诊断知识点的作答数据量负相关；
第四参数确定单元，适于确定所述基于所述待诊断目标的知识点属性与掌握程度之间关系的诊断方式的参数，使其在诊断结果中权重与所述待诊断目标的作答数据的数量正相关；
第五参数确定单元，适于确定所述基于地域和知识点掌握程度的相互关系的诊断方式的参数，使其在诊断结果中的权重与待诊断知识点的历史作答数量正相关。
本申请实施例还提供一种计算机设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行所述学情数据处理方法的步骤。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序运行时执行所述学情数据处理方法的步骤。
本申请实施例中的技术方案根据待诊断知识点的作答数据，以及待诊断目标的作答数据确定启动参数，可以调整冷启动诊断的输出的权重和非冷启动诊断的输出的权重，进而可以提升在待诊断目标在待诊断知识点上无数据时诊断结果准确性，扩大学情数据处理的适用范围。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例中一种学情数据处理方法的流程图；
图2为本申请实施例中一种冷启动诊断的诊断方式示意图；
图3为本申请实施例中一种构建贝叶斯网络的方法示意图；
图4为本申请实施例中另一种冷启动诊断的诊断方式示意图；
图5为本申请实施例中另一种冷启动诊断的诊断方式示意图；
图6为本申请实施例中另一种冷启动诊断的诊断方式示意图；
图7为本申请实施例中另一种冷启动诊断的诊断方式示意图；
图8为本申请实施例中另一种冷启动诊断的诊断方式示意图；
图9为本申请实施例中一种确定诊断结果的方式示意图；
图10为本申请实施例中一种学情数据处理装置的结构示意图；
图11为本申请实施例中一种冷启动诊断单元的结构示意图；
图12为本申请实施例中一种概率图网络建立单元的结构示意图；
图13为本申请实施例中另一种冷启动诊断单元的结构示意图；
图14为本申请实施例中另一种冷启动诊断单元的结构示意图；
图15为本申请实施例中另一种冷启动诊断单元的结构示意图；
图16为本申请实施例中另一种冷启动诊断单元的结构示意图；
图17为本申请实施例中另一种冷启动诊断单元的结构示意图；
图18为本申请实施例中一种诊断结果确定单元的结构示意图。
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清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在一种具体实施方式中，可以通过待诊断目标在待诊断知识点的样本数据进行处理，得到待诊断目标的诊断结果。这种学情数据处理方式得到的诊断结果是完全针对待诊断目标的结果，比较准确。但是，这种方式的适用范围较为有限，当待诊断目标在该待诊断知识点无数据时，则诊断结果是错误的。
本领域技术人员可以理解的是，上述待诊断目标可以是对知识点进行学习的用户。诊断结果为待诊断目标对目标知识点的掌握程度。掌握程度在技术处理中通常由数值或其它标识进行表示，一个知识点的掌握程度可以分成数个等级，数值或其它标识指代具体的等级。具体的等级划分则可以是多样的。
另外，本领域技术人员可以理解的是，当待诊断目标在待诊断知识点上有作答数据时，可以进行非冷启动诊断，同样可以称作热启动，也即前述的诊断方式。当待诊断目标在待诊断知识点上无作答数据时，进行的是冷启动诊断。
在本申请实施例中，提供了一种学情数据处理方法，结合参考图1，具体可以包括如下步骤：
步骤S11，确定待诊断目标和待诊断知识点；
步骤S12，对待诊断目标在所述待诊断知识点进行冷启动诊断
步骤S13，对待诊断目标在所述待诊断知识点进行非冷启动诊断；
步骤S14，根据待诊断知识点的作答数据，以及待诊断目标的作答数据确定启动参数，所述启动参数用于调整冷启动诊断的输出的权重和非冷启动诊断的输出的权重；
步骤S15，基于所述启动参数、所述冷启动诊断的输出和非冷启动诊断的输出，确定所述待诊断目标在待诊断知识点的诊断结果。
在本申请实施例中，根据待诊断知识点的作答数据，以及待诊断目标的作答数据确定启动参数，可以调整冷启动诊断的输出的权重和非冷启动诊断的输出的权重，进而可以提升在待诊断目标在待诊断知识点上无数据时诊断结果准确性，扩大适用范围。
在具体实施中，冷启动诊断可以包括多种诊断方式，所述冷启动诊断的输出可以包括多种诊断方式的输出，启动参数可以包括调整所述多种诊断方式中每种诊断方式的输出的参数。
由于冷启动诊断的多个诊断方式各具其特点，通多个诊断方式中每种诊断方式的输出的参数，可以调节冷启动诊断中不同诊断方式的输出及热启动诊断的输出的权重，从而可以适用于更多不同的冷启动场景，针对不同的场景使得在该场景下更准确的输出权重更大，进而可以进一步提升诊断的准确性。
本领域技术人员可以理解的是，前述场景，具体指待诊断知识点的作答数据，以及待诊断目标的作答数据的情形。例如，在待诊断知识点是否有作答数据，是否有待诊断目标的历史数据等。
在具体实施中，冷启动诊断可以基于知识点之间掌握程度的相互关系以及待诊断目标对待诊断知识点以外的作答数据，确定待诊断目标对待诊断知识点的掌握程度数据。该诊断方式的具体实施方式可以是多样的，以下进一步对其进一步的具体实施方式进行说明。
在一种具体实施中，结合参考图2，冷启动诊断可以包括如下步骤：
步骤S21，结合知识点之间的关系和全量样本数据构建知识点之间的概率图网络，所述全量样本数据为对知识点的作答数据的集合，所述概率图网络描述不同知识点之间掌握程度的依赖关系；
步骤S22，结合待诊断目标的作答数据以及所述概率图网络，得到待诊断目标在待诊断知识点的掌握程度数据作为所述冷启动诊断的输出，所述掌握程度数据用于指示待诊断目标在待诊断知识点的掌握程度。
本领域技术人员可以理解的是，本申请中用户指基于电子设备进行知识点学习的用户，可以是真实用户或者是虚拟用户，待诊断目标是用户中的一员。作答数据即为用户对知识点进行作答的作答数据。全量样本数据为已有的一个或多个用户的作答数据。全量样本数据中的具体内容可以是不确定的，也即，具体有哪些用户在哪些知识点上的作答数据是不确定的。
在具体实施中，掌握程度数据可以是各种可以体现用户对知识点掌握程度的数据，可以是对知识点掌握程度的直接指示，也可以是一组数据以进行间接指示，通过该组数据可以得到用户对知识点的掌握程度。例如，可以是“薄弱”“一般”、“牢固”等直接指示，或者也可以是用户在各掌握程度的概率等。
概率图网络中体现知识点掌握程度的之间的相互关系，当所述待诊断目标的作答数据中缺失对所述待诊断知识点的作答数据时，也可根据该相互关系进行推断，从待诊断目标对其它知识点的作答数据得到对其它知识点的掌握程度，进一步根据概率图网络确定对待诊断知识点的掌握程度数据，作为该冷启动诊断方式的输出。在本申请中，该冷启动诊断方式也被称为基于知识点之间掌握程度的相互关系的诊断方式。
在具体实施中，概率图网络可以包括多种具体实现方式，例如可以是条件随机场、马尔科夫随机场或贝叶斯网络等。
进一步的，结合参考图3，结合知识点之间的关系和全量样本数据构建知识点之间的概率图网络具体可以是构建贝叶斯网络，图2中步骤S21，结合知识点之间的关系和全量样本数据构建知识点之间的概率图网络的具体实现方式可以包括如下步骤：
步骤S31，根据知识点之间的前后置关系构建知识点网络；
步骤S32，基于所述全量样本数据，采用吉布斯采样方法学习所述知识点网络上知识点之间掌握程度的概率。
其中，前后置关系是指知识点的前后依赖关系。举例而言，在教材中，只有先学完知识点k1才能学知识点k2时，此时知识点k1为k2的前置知识点，k2为k1的后置知识点，也就意味着可在知识点k1到k2之间建立一条有向边，为从知识点k1指向知识点k2的有向边。
吉布斯采样（Gibbs sampling）是统计学中用于马尔科夫蒙特卡洛（MCMC）的一种算法，用于在难以直接采样时从某一多变量概率分布中近似抽取样本序列。该序列可用于近似联合分布、部分变量的边缘分布或计算积分。
基于吉布斯采样学习方法，可以得到知识点网络上各知识点的各掌握程度的概率，以及知识点网络上各有向边上知识点掌握程度的联合概率分布。如前文所述，一个知识点的掌握程度可以分成数个等级，数值或其它标识指代具体的等级。具体的等级划分和等级表示方式则可以是多样的。例如，可以将掌握程度m划为三个等级，分别记为m=薄弱、m=一般和m=牢固。以从知识点k1指向知识点k2的有向边为例，可以通过吉布斯采样学习方法学习得到知识点k1在各掌握程度的条件概率p（k1=m），知识点k2在各掌握程度的条件概率p（k2=m），以及知识点k1和知识点k2之间各掌握程度的联合概率分布，也即p（k1=m1，k2=m2），其中m、m1和 m2均可以分别取薄弱、一般和牢固。
可以理解的是，在具体实施中，各知识点的各掌握程度的概率，或者知识点网络上各有向边上知识点掌握程度的联合概率分布也可以采用其它能够实现的方式确定。例如通过基于深度神经网络的学生知识点追踪模型 (DKT，Deep Knowledge Tracing)、项目反应理论( IRT，Item response theory)等方式确定。能够得到本申请中所需结果的各种本领域技术人员所知悉的计算方式均属于本申请的保护范围。
另外，可以理解的是，知识点k1和知识点k2仅为知识点的举例，具体的知识点个数可以是多个，有向边的数量也可以是多样的。例如，若共有100个知识点，这100个知识点之间有600个有向边，掌握程度有3个，则通过吉布斯采样学习方法，可以得到这100个知识点中每个知识点在3个不同掌握程度上的概率，以及在600个有向边上的9种不同掌握程度组合的联合概率。
在此基础上，可以得到各有向边上知识点之间掌握程度的条件概率。例如，从知识点k1指向知识点k2的有向边上的条件概率p（k1=m1|k2=m2）。
例如，若已知待诊断目标在k2知识点的掌握程度为牢固，希望待诊断知识点k1进行诊断，则可以分别确定以下条件概率：p（k1=薄弱|k2=牢固）、p（k1=一般|k2=牢固）以及p（k1=牢固|k2=牢固），上述对知识点k1的三个掌握程度以及对应的概率可以作为该部分冷启动诊断的输出，其中k为全量样本数据中知识点的集合，包括知识点k1、知识点k2等多个知识点。该输出为在该冷启动诊断的诊断方式下，待诊断目标在待诊断知识点不同掌握程度的概率。
如此，在待诊断目标在待诊断知识点上无数据时，可以根据待诊断目标在其它知识点上的掌握程度，计算在待诊断知识点上的掌握程度。这种诊断方式在本申请中也称为基于知识点之间掌握程度的相互关系的诊断方式。以下对该诊断方式进行进一步的说明。
继续参考图2，在步骤S21的具体实施中，可以在计算知识点之间的联合概率分布后不计算各知识点之间的条件概率，或者也可以计算各知识点之间的条件概率。若在步骤S21中未计算各知识点之间的条件概率，则可以在执行步骤S23时，根据待诊断目标的在其它知识点的作答数据，计算待诊断目标在目标知识点的条件概率。若在步骤S21中已计算各知识点之间的条件概率，则在执行步骤S23时，则可以直接根据待诊断目标的在其它知识点的作答数据取出各条件概率。
通过上述方式得到的贝叶斯网络为知识点掌握程度之间的贝叶斯网络，颗粒度较细，能够具体到知识点级别的信息。通过基于知识点网络进行机器学习得到的贝叶斯网络，可以在贝叶斯网络中体现知识点之间的前后置关系，以及各知识点掌握程度之间的相互关系。故这种冷启动诊断方式可以在待诊断知识点上无待诊断目标的作答数据时，进行冷启动诊断。
在具体实施中，冷启动诊断的诊断方式可以是多样的。冷启动诊断可以基于地域和知识点掌握程度的相互关系以及待诊断目标的地域，确定待诊断目标对待诊断知识点的掌握程度数据以下对其具体实施方式进行进一步的举例说明。
参考图4，在具体实施中，冷启动诊断可以包括如下步骤：
步骤S41，基于全量样本数据确定地域与知识点掌握程度之间的贝叶斯关系，所述全量样本数据为对知识点的作答数据的集合；
步骤S42，结合待诊断目标的地域以及所述地域与知识点掌握程度之间的贝叶斯关系，确定待诊断目标在待诊断知识点的掌握程度数据，所述掌握程度数据用于指示待诊断目标在待诊断知识点的掌握程度。
地域与知识点属性之间的贝叶斯关系可以体现在共性层面的地域和知识点之间的相互推理关系。仅需知悉待诊断目标的地域，即可利用该冷启动诊断方式进行诊断，适用范围更广。这种冷启动诊断方式在本申请中也称为基于地域和知识点掌握程度的相互关系。后文会结合图5对本诊断方式进行进一步的说明。
结合参考图5，在具体实施中，冷启动诊断可以包括如下步骤：
步骤S51，计算全量样本数据中各地域出现的概率，所述全量样本数据为对知识点的作答数据的集合；
步骤S52，计算所述全量样本数据中各地域与各知识点的各掌握程度共同出现的联合概率；
步骤S53，确定在所述待诊断目标的地域条件下，在待诊断知识点上各个掌握程度的条件概率。
在具体实施中，可以将待诊断目标在其地域条件下对待诊断知识点的各掌握程度的概率作为这种冷启动诊断方式的输出。
以下结合概率公式对上述步骤进行进一步的说明。在步骤S51的具体实施中，可以对全量样本数据中各地域出现的概率p（a）进行计算；在步骤S52的具体实施中，可以计算全量样本数据中各地域与各知识点的各掌握程度共同出现的联合概率p（a，k=m）。其中a代表不同的地域，是样本数据中不同地域的集合，其中可以包括多个不同的地域，例如可以记为、地域a1、地域a2等。k为知识点的集合，m为掌握程度的集合。k、m的含义见前文所述。a、k、m的具体内容，均来自全量样本数据。
在此基础上，可以根据待诊断目标的地域a1，确定在待诊断目标的地域条件下，待诊断知识点上各个掌握程度的条件概率p（k1=m | a=a1），代入贝叶斯条件概率公式，其具体计算为 p（a=a1，k1=m）/p（a=a1）。
进一步地，在本申请一实施例中，确定地域与知识点掌握程度之间的贝叶斯关系可以基于吉布斯采样进行。具体的，可以通过吉布斯采样这种机器学习方法得到上述全量样本数据中各地域出现的概率p（a），以及全量样本数据中各地域与各知识点的各掌握程度共同出现的联合概率p（a，k=m）。
可以理解的是，本申请中待诊断目标的地域a1和待诊断知识点k1仅为示例，也可以记为其它字符。另外，在具体实施中，各地域出现的概率，以及全量样本数据中各地域与各知识点的各掌握程度共同出现的联合概率也可以采用其它能够实现的方式确定。例如通过基于深度神经网络的学生知识点追踪模型、项目反应理论等方式确定。能够得到本申请中所需结果的各种本领域技术人员所知悉的计算方式均属于本申请的保护范围。
继续参考图4，与前述基于知识点之间掌握程度的相互关系的冷启动诊断相类似，在步骤S41的具体实施中，可以在计算全量样本数据中各地域出现的概率p（a），以及全量样本数据中各地域与知识点的各掌握程度共同出现的联合概率p（a，k=m）后，不计算各知识点在各地域条件概率p（k=m | a）。在这种具体实施方式中，可以在步骤S42中，根据待诊断目标的地域a1，计算待诊断知识点上各个掌握程度的条件概率p（k1=m | a=a1）。或者，也可以在步骤S41中计算所有的知识点在各地域条件概率p（k=m | a），则在步骤S42中仅需根据待诊断目标的地域取出在待诊断目标地域的条件下，各个掌握程度的条件概率。
在具体实施中，冷启动诊断也可以基于地域、属性和掌握程度之间关系以及待诊断目标的地域和知识点属性，确定待诊断目标对待诊断知识点的掌握程度数据，作为其输出。该种诊断方式基于待诊断目标的作答数据进行，针对性较强，准确率较高，但适用范围较为有限。以下对其具体实施方式进行进一步举例说明。
参考图6，在具体实施中，冷启动诊断方法可以包括如下步骤：
步骤S61，基于全量样本数据确定地域、知识点属性以及掌握程度之间的贝叶斯关系，所述全量样本数据为对知识点的作答数据的集合；
步骤S62，结合待诊断目标的地域、待诊断知识点的属性，以及所述地域、知识点属性以及掌握程度之间的贝叶斯关系，确定待诊断目标在待诊断知识点的掌握程度数据作为所述冷启动诊断的输出，所述掌握程度数据用于指示待诊断目标在待诊断知识点的掌握程度。
可以看出，在该实施方式的冷启动诊断中，对掌握程度的推断基于地域和、识点属性和掌握程度之间的关联，该冷启动方式在待诊断知识点上缺失作答数据时依然可以进行诊断，适用范围较广。这种冷启动诊断方式在本申请中也称为基于地域、属性和掌握程度之间关系的诊断方式。以下结合图7进行进一步说明。
结合参考图7，在具体实施中，冷启动诊断方法可以包括如下步骤：
步骤S71，计算全量样本数据中各地域和各知识点属性共同出现的概率，所述全量样本数据为对知识点的作答数据的集合；
步骤S72，计算所述全量样本数据中各地域、各知识点属性和各掌握程度共同出现的概率；
步骤S73，确定待诊断目标的地域以及待诊断知识点的属性的条件下，不同掌握程度的条件概率。
在具体实施中，知识点的属性，在本申请中也称为知识点属性，可以包括多个属性项，例如可以包括学科、难度等级、考察等级三个属性项。知识点属性也可以包括其它属性项，在此不做限定。由于知识点属性可以包括多个属性项，其可以表示成向量形式。
在具体实施中，可以将待诊断目标在其地域条件下对待诊断知识点的各掌握程度的概率作为这种冷启动诊断方式的输出。
在具体实施中，可以计算全量样本数据中各地域p与各知识点属性
共同出现的联合概率p（a，
），以及全量样本数据中各地域、知识点属性与知识点的各掌握程度共同出现的联合概率p（a，
，m）。在此基础上，可以确定在待诊断目标的地域a1、知识属性
1的条件下，各掌握程度的条件概率p（m | a=a1，
=
1）。该知识点的掌握程度以及对应的概率可以作为本冷启动诊断方式的输出。
可以理解的是，本申请中a、a1、k、m、k1、k2、
、
1等字符仅为叙述方便，并不包含更多含义。这些字符也可以用其它字符替代，并非是对字符对应概念的限制。
进一步地，在本申请一实施例中，确定地域与知识点属性之间的贝叶斯关系可以基于吉布斯采样进行。具体的，可以通过吉布斯采样这种机器学习方法得到全量样本数据中各地域p与各知识点属性
共同出现的联合概率p（a，
），以及全量样本数据中各地域、知识点属性与知识点的各掌握程度共同出现的联合概率p（a，
，m）。可以理解的是，在具体实施中，p（a，
）、p（a，
，m）也可以采用其它能够实现的方式确定。例如通过基于深度神经网络的学生知识点追踪模型、项目反应理论等方式确定。能够得到本申请中所需结果的各种本领域技术人员所知悉的计算方式均属于本申请的保护范围。
结合参考图7和图6，在具体实施中，步骤S61可以包括步骤S71和S72。在步骤S62中，基于步骤S71和步骤S72的结果计算在待诊断目标的地域和待诊断知识点的属性的条件下，待诊断目标对待诊断知识点各掌握程度的条件概率。
或者，在具体实施中，步骤S61可以包括步骤S71和S72，并且，还可以包括对基于全量样本数据计算各不同地域与不同知识点属性的组合的条件下，各掌握程度的概率。沿用前例中的表示方式，即计算p（m | a，
）。则在步骤S62的具体实施中，仅需结合待诊断目标的地域a1和待诊断知识点的知识点属性
1读取p（m | a=a1，
=
1）。
在具体实施中，冷启动诊断可以基于待诊断目标的知识点属性与掌握程度之间关系以及知识点属性，确定诊断对待诊断知识点的掌握程度数据，作为冷启动诊断的输出。
参考图8，在具体实施中，当对待诊断目标有对不同知识点的作答数据时，冷启动诊断可以包括：
步骤S81，确定待诊断目标的样本数据中各知识点属性出现的概率，所述待诊断目标的样本数据包括待诊断目标在不同知识点的作答数据；
步骤S82，根据所述待诊断目标的样本数据确定待诊断目标对各知识点属性的不同掌握程度的联合概率；
步骤S83，采用贝叶斯公式计算待诊断目标在已知待诊断知识点的知识点属性的条件下，对待诊断知识点不同掌握程度的条件概率。
该方式是以待诊断目标的大数据为基础，根据待诊断知识点的知识点属性和掌握程度之间的关系，在已知待诊断知识点的知识点属性的情形下推测待诊断目标在待诊断知识点的掌握程度。该方式的针对性较强，准确性较高。适用于已有待诊断目标在其他知识点作答数据的情境中。该方式在本申请中也被称为基于待诊断目标的知识点属性和掌握程度之间关系的诊断方式。
具体的，与本申请前文所述的冷启动诊断方法类似，可以采用吉布斯采样这种机器学习方法确定待诊断目标在知识点属性
上的概率，记为pu（
）、待诊断目标各在知识点属性
以及各掌握程度m上的联合概率，记为pu（
，m）。对于待诊断知识点k1，基于其属性
1，可以确定待诊断目标在该知识点个掌握程度的概率为pu（k1=m|
=
1）。
在具体实施中，若有待诊断目标对待诊断知识点的作答数据，则可以采用非冷启动诊断方式对待诊断知识点的掌握程度进行诊断。具体的，可以输入目标对象在待诊断知识点的样本数据至深度知识追踪模型，得到所述待诊断目标在待诊断知识点的诊断结果。
也可以采用其它方式，基于待诊断目标对待诊断知识点的作答数据进行诊断。待诊断目标在待诊断知识点的作答数据量越大，非冷启动诊断方式的准确性越高。在数据量足够大的情况下，非冷启动诊断方式的准确度大于冷启动诊断方式，但适用范围较小。通过调节启动参数，充分发挥冷启动诊断方式和非冷启动诊断方式的优点，可以在更广阔的适用范围中提升诊断方式的准确性。
参考图9，在具体实施中，基于所述启动参数、所述冷启动诊断和非冷启动诊断的输出，确定所述待诊断目标在待诊断知识点的诊断结果可以包括：
步骤S91，基于所述启动参数、所述冷启动诊断和非冷启动诊断的输出，确定待诊断目标对待诊断知识点在各掌握程度的概率；
步骤S92，比较所述各掌握程度的概率；
步骤S93，确定最大概率对应的掌握程度作为所述待诊断目标在待诊断知识点的诊断结果。
在上述诊断结果的确定过程中，确定每种掌握程度的概率时，均对冷启动诊断和非冷启动诊断的输出进行了结合，可以更好的对冷启动和非冷启动的输出进行利用，进而得到更准确的诊断结果。
在具体实施中，根据待诊断知识点的作答数据，以及待诊断目标的作答数据确定启动参数可以包括：当待诊断目标在待诊断知识点上作答数据的数量大于预设的阈值时，确定所述启动参数以调整冷启动诊断的输出的权重为零，热启动诊断的输出的权重为一；当待诊断目标在待诊断知识点上作答数据的数量小于预设的阈值时，冷启动诊断的输出的参数与待诊断目标在待诊断知识点上作答数据的数量负相关。
在具体实施中，可以确定合适的作答数据的数量的阈值。若该阈值过大，会使得冷启动部分的结果权重过大，过小则会使得非冷启动的结果权重过大。在一实施例中，可以统计历史数据中所有用户的作答次数，也即作答数据的数量，基于所有用户的作答次数确定阈值。例如，可以以所有用户的作答次数的分位数上的作答次数作为该预设的阈值。具体的分位数可以是不同的，例如是20%的分位数、10%的分位数等。也可以以其它的方式确定该阈值，例如可以通过对诊断结果的反馈，调整该阈值。
当冷启动诊断包括多种诊断方式时，可以在上述基础上进一步确定各冷启动诊断方法的权重。
在本申请一实施例中，冷启动诊断中包括前文所述的四种诊断方式中的一种或多种：
基于知识点之间掌握程度的相互关系以及待诊断目标对待诊断知识点以外的作答数据，确定待诊断目标对待诊断知识点的掌握程度数据，其具体实施可以参见前文所述的基于知识点之间掌握程度的相互关系的诊断方式；
基于地域和知识点掌握程度的相互关系以及待诊断目标的地域，确定待诊断目标对待诊断知识点的掌握程度数据，其具体实施可以参见前文所述的基于地域和知识点掌握程度的相互关系的诊断方式；
基于地域、属性和掌握程度之间关系以及待诊断目标的地域和知识点属性，确定待诊断对待诊断知识点的掌握程度数据，其具体实施可以参见前文所述基于地域、属性和掌握程度之间关系的诊断方式；
基于待诊断目标的知识点属性与掌握程度之间关系以及知识点属性，确定诊断对待诊断知识点的掌握程度数据，其具体实施可以参见前文所述基于待诊断目标的知识点属性和掌握程度之间关系的诊断方式。
相应的，根据待诊断知识点的作答数据，以及待诊断目标的作答数据确定启动参数的方式可以如下：
确定基于所述地域、属性和掌握程度之间关系的诊断方式的参数以及基于所述待诊断目标的知识点属性与掌握程度之间关系的诊断方式的参数，使二者在诊断结果中权重与所述待诊断知识点的作答数据量负相关；
确定所述基于所述待诊断目标的知识点属性与掌握程度之间关系的诊断方式的参数，使其在诊断结果中权重与所述待诊断目标的作答数据的数量正相关；
确定所述基于地域和知识点掌握程度的诊断方式相互关系的参数，使其在诊断结果中的权重与待诊断知识点的历史作答数量正相关。
基于待诊断目标的知识点属性和掌握程度之间关系的诊断方式是基于待诊断目标的数据进行诊断的，针对性强，准确性高，但适用范围较窄。基于知识点之间掌握程度的相互关系的诊断方法，当全量样本数据中有对待诊断知识点有作答数据，并且有待诊断目标对其它知识点的作答数据时，诊断的准确性较高。基于地域和知识点掌握程度的相互关系的诊断方法，无需待诊断目标对其它知识点的作答数据，即可进行诊断，适用方式较广。基于地域、属性和掌握程度之间关系的诊断方式，在全量样本数据中缺失待诊断知识点的作答数据的情况下可以进行诊断，适用范围更广。
上述四种冷启动诊断的诊断方式可以覆盖多种冷启动场景，当冷启动诊断部分采用多种诊断方式时，可以从不同的维度进行冷启动诊断。通过启动参数调整多种冷启动诊断的输出，以及非冷启动的输出的权重，可以提升诊断的准确性，并且适用范围更加广泛，对于缺失作答数据的待诊断目标、缺失作答数据的待诊断知识点等均可以进行诊断。
在本申请一实施例中，并用了上述四种冷启动诊断方式，待诊断目标在待诊断知识点k1上各掌握程度m的概率通过如下方式计算：
pu（k1=m）=（1-f2（nu，k））*pkk（k1=m）+f1（nk）*（1-f2（nu，k））*pak（k1=m）
+1/2（1-f1（nk））*（1-f2（nu，k））*pat（k1=m）+1/2（1-f2（nu，k））*sptku（k1=m）
+f2（nu，k）*spku（k1=m），
f1（nk）
；
f2（nu，k）
。
其中，nu，k为全量样本数据中待诊断目标在待诊断知识点上作答数据的数量，
为该数量的阈值；nk为待诊断知识点上所有作答数据的数量，
为该数量的阈值；pkk（k1=m）为基于知识点之间掌握程度的相互关系的诊断方式的输出；pak（k1=m）基于地域和知识点掌握程度的相互关系的诊断方式的输出；pat（k1=m）为基于地域、属性和掌握程度之间关系的诊断方式的输出；sptku（k1=m）为基于待诊断目标的知识点属性与掌握程度之间关系的诊断方式的输出；spku（k1=m）为非冷启动方式的输出；上述各输出中均包含待诊断目标在待诊断知识点各掌握程度的概率。
和
的具体数值可以通过前文在确定启动参数部分所述的方式确定，在此不再赘述。
在待诊断知识点k1上各掌握程度m的概率后，可以比较各掌握程度的概率，确定概率最大的掌握程度为诊断结果。
上述各种冷启动诊断的诊断方式中原理相同的部分可以进行具体实施方式的借鉴，在此不再一一赘述。
在本申请实施例中，根据待诊断知识点的作答数据，以及待诊断目标的作答数据确定启动参数，可以调整冷启动诊断的输出的权重和非冷启动诊断的输出的权重，进而可以提升在待诊断目标在待诊断知识点上无数据时诊断结果准确性，扩大学情数据处理的适用范围。
在本申请的描述中，参考术语“一实施例”、“具体实施”、“示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一种实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本申请中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
另外，前述实施例中的流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能。
本申请实施例还提供一种学情数据处理装置，结合参考图10，具体可以包括：
待诊断确定单元101，适于确定待诊断目标和待诊断知识点；
冷启动诊断单元102，适于对待诊断目标在所述待诊断知识点进行冷启动诊断；
非冷启动诊断单元103，适于对待诊断目标在所述待诊断知识点进行非冷启动诊断；
启动参数确定单元104，适于根据待诊断知识点的作答数据，以及待诊断目标的作答数据确定启动参数，所述启动参数用于调整冷启动诊断的输出的权重和非冷启动诊断的输出的权重；
诊断结果确定单元105，适于基于所述启动参数、所述冷启动诊断的输出和非冷启动诊断的输出，确定所述待诊断目标在待诊断知识点的诊断结果。
参见图11，在具体实施中，学情数据处理装置中知识点诊断单可以包括：
概率图网络建立单元111，适于结合知识点之间的关系和全量样本数据构建知识点之间的概率图网络，所述全量样本数据为对知识点的作答数据的集合，所述概率图网络描述不同知识点之间掌握程度的依赖关系；
第一冷启动输出单元112，适于结合待诊断目标的作答数据以及所述贝叶斯网络，得到所述待诊断目标在待诊断知识点的掌握程度数据作为所述冷启动诊断的输出，所述掌握程度数据用于指示待诊断目标在待诊断知识点的掌握程度。
进一步的，参见图12，在具体实施中，冷启动诊断单元中概率图网络建立单元适于构建所述知识点之间的贝叶斯网络，所述概率图网络建立单元可以包括：
知识点网络建立单元121，适于根据知识点之间的前后置关系构建知识点网络，所述前后置关系为知识点之间的前后依赖关系；
吉布斯采样单元122，基于所述全量样本数据，采用吉布斯采样方法学习所述知识点网络上知识点之间的概率，得到所述贝叶斯网络。
结合参考图13，在具体实施中，学情数据处理装置中冷启动诊断单元可以包括：
地域和知识点掌握程度关系确定单元131，适于基于全量样本数据确定地域与知识点掌握程度之间的贝叶斯关系，所述全量样本数据为对知识点的作答数据的集合；
第二冷启动诊断输出单元132，适于结合待诊断目标的地域以及所述地域与知识点掌握程度之间的贝叶斯关系，确定待诊断目标在待诊断知识点的掌握程度数据作为所述冷启动诊断的输出，所述掌握程度数据用于指示待诊断目标在待诊断知识点的掌握程度。
结合参考图14，在具体实施中，学情数据处理装置中冷启动诊断单元可以包括：
地域概率计算单元141，适于计算全量样本数据中各地域出现的概率，所述全量样本数据为对知识点的作答数据的集合；
地域掌握程度联合概率计算单元142，适于计算所述全量样本数据中各地域与各知识点的各掌握程度共同出现的联合概率；
掌握程度的地域条件概率确定单元143，适于确定在所述待诊断目标的地域条件下，在待诊断知识点上各个掌握程度的条件概率。
结合参考图15，在具体实施中，学情数据处理中冷启动诊断单元可以包括：
地域、知识点属性和掌握程度关系确定单元151，适于基于全量样本数据确定地域、知识点属性以及掌握程度之间的贝叶斯关系，所述全量样本数据为对知识点的作答数据的集合；
第三冷启动输出单元152，适于结合待诊断目标的地域、待诊断知识点的属性，以及所述地域、知识点属性以及掌握程度之间的贝叶斯关系，确定待诊断目标在待诊断知识点的掌握程度数据作为所述冷启动诊断的输出，所述掌握程度数据用于指示待诊断目标在待诊断知识点的掌握程度。
结合参考图16，在具体实施中，学情数据处理中冷启动诊断单元可以包括：
地域及属性联合概率计算单元161，适于计算全量样本数据中各地域和各知识点属性共同出现的概率，所述全量样本数据为对知识点的作答数据的集合；
地域、属性及掌握程度联合概率计算单元162，适于计算所述全量样本数据中各地域、各知识点属性和各掌握程度共同出现的概率；
掌握程度的地域、属性条件概率确定单元163，适于确定待诊断目标的地域以及待诊断知识点的属性的条件下，不同掌握程度的条件概率。
结合参考图17，在具体实施中，学情数据处理中冷启动诊断单元可以包括：
知识点属性概率计算单元171，适于确定待诊断目标的样本数据中各知识点属性出现的概率，所述待诊断目标的样本数据包括待诊断目标在不同知识点的作答数据；
属性及掌握程度联合概率计算单元172，适于根据所述待诊断目标的样本数据确定待诊断目标对各知识点属性的不同掌握程度的联合概率；
掌握程度的属性条件概率确定单元173，适于采用贝叶斯公式计算待诊断目标在已知待诊断知识点的知识点属性的条件下，对待诊断知识点不同掌握程度的条件概率。
在具体实施中，所述非冷启动诊断单元适于输入目标对象在待诊断知识点的样本数据至深度知识追踪模型，得到所述待诊断目标在待诊断知识点的诊断结果。
在具体实施中，所述冷启动诊断单元适于采用多种诊断方式，所述冷启动诊断单元的输出包括所述多种诊断方式的输出，所述启动参数包括调整所述多种诊断方式中每种诊断方式的输出的参数。
在具体实施中，所述启动参数确定单元可以包括：
第一参数确定单元，适于当待诊断目标在待诊断知识点上作答数据的数量大于预设的阈值时，确定所述启动参数以调整冷启动诊断的输出的权重为零，热启动诊断的输出的权重为一；
第二参数确定单元，适于当待诊断目标在待诊断知识点上作答数据的数量小于预设的阈值时，冷启动诊断的输出的参数与待诊断目标在待诊断知识点上作答数据的数量负相关。
参考图18，在具体实施中，诊断结果确定单元可以包括：
各掌握程度概率确定单元181，适于基于所述启动参数、所述冷启动诊断和非冷启动诊断的输出，确定待诊断目标对待诊断知识点在各掌握程度的概率；
比较单元182，适于比较所述各掌握程度的概率；
掌握程度确定单元183，适于确定最大概率对应的掌握程度作为所述待诊断目标在待诊断知识点的诊断结果。
在具体实施中，所述冷启动诊断单元可以包括：
第一冷启动诊断单元，适于基于知识点之间掌握程度的相互关系以及待诊断目标对待诊断知识点以外的作答数据，确定待诊断目标对待诊断知识点的掌握程度数据；
第二冷启动诊断单元，适于基于地域和知识点掌握程度的相互关系以及待诊断目标的地域，确定待诊断目标对待诊断知识点的掌握程度数据；
第三冷启动诊断单元，适于基于地域、属性和掌握程度之间关系以及待诊断目标的地域和知识点属性，确定待诊断对待诊断知识点的掌握程度数据；
第四冷启动诊断单元，适于基于待诊断目标的知识点属性与掌握程度之间关系以及知识点属性，确定诊断对待诊断知识点的掌握程度数据。
进一步的，在具体实施中所述启动参数确定单元可以包括：
第三参数确定单元，适于确定基于所述地域、属性和掌握程度的相互关系的诊断方式的参数以及基于所述待诊断目标的知识点属性与掌握程度之间关系的诊断方式的参数，使二者在诊断结果中权重与所述待诊断知识点的作答数据量负相关；
第四参数确定单元，适于确定所述基于所述待诊断目标的知识点属性与掌握程度之间关系的诊断方式的参数，使其在诊断结果中权重与所述待诊断目标的作答数据的数量正相关；
第五参数确定单元，适于确定所述基于地域和知识点掌握程度的相互关系的诊断方式的参数，使其在诊断结果中的权重与待诊断知识点的历史作答数量正相关。
本申请实施例中学情数据处理装置的原理、具体实施方式以及有益效果可以参考本申请实施例中的学情数据处理方法，在此不再赘述。
本申请实施例中的学情数据处理装置所描述的各个单元，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机程序。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机程序可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。
并且，所述的各个功能模块可以集成在一个处理部件中，也可以是各个模块单独物理存在，也可以两个或两个以上功能模块集成在一个部件中。上述集成的部件既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。上述集成的部件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，也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器，磁盘或光盘等。
本申请实施例还提供一种计算机设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行前述学情数据处理方法的步骤。
所述计算机设备包括但不限于：服务器、台式机、智能手机、笔记本电脑、平板电脑、智能手环、智能手表、其它智能设备或其中任意一种或多种的多个设备通信连接构成的分布式处理系统。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序运行时执行前述的学情数据处理方法的步骤。
即，上述本申请实施例中的学情数据处理方法可被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的学情数据处理方法。此外，当通用计算机访问用于实现在此示出的学情数据处理方法的代码时，代码的执行将通用计算机转换为用于执行在此示出的学情数据处理方法的专用计算机。
与现有技术相比，在本申请实施例中，根据待诊断知识点的作答数据，以及待诊断目标的作答数据确定启动参数，可以调整冷启动诊断的输出的权重和非冷启动诊断的输出的权重，进而可以提升在待诊断目标在待诊断知识点上无数据时诊断结果准确性，扩大适用范围。
虽然本申请实施例披露如上，但本申请并非限定于此。任何本领域技术人员，在不脱离本申请实施例的精神和范围内，均可作各种更动与修改，因此本申请的保护范围应当以权利要求所限定的范围为准。
Claims (30)
1.一种学情数据处理方法，其特征在于，包括：
确定待诊断目标和待诊断知识点；
对待诊断目标在所述待诊断知识点进行冷启动诊断；
对待诊断目标在所述待诊断知识点进行非冷启动诊断；
根据待诊断知识点的作答数据，以及待诊断目标的作答数据确定启动参数，所述启动参数用于调整冷启动诊断的输出的权重和非冷启动诊断的输出的权重；
基于所述启动参数、所述冷启动诊断的输出和非冷启动诊断的输出，确定所述待诊断目标在待诊断知识点的诊断结果。
2.根据权利要求1所述的学情数据处理方法，其特征在于，所述冷启动诊断包括：
结合知识点之间的关系和全量样本数据构建知识点之间的概率图网络，所述全量样本数据为对知识点的作答数据的集合，所述概率图网络描述不同知识点之间掌握程度的依赖关系；
结合待诊断目标的作答数据以及所述概率图网络，得到待诊断目标在待诊断知识点的掌握程度数据作为所述冷启动诊断的输出，所述掌握程度数据用于指示待诊断目标在待诊断知识点的掌握程度。
3.根据权利要求2所述的学情数据处理方法，其特征在于，所述构建知识点之间的概率图网络包括构建贝叶斯网络；结合知识点之间的关系和全量样本数据构建知识点之间的贝叶斯网络：
根据知识点之间的前后置关系构建知识点网络，所述前后置关系为知识点之间的前后依赖关系；
基于所述全量样本数据，采用吉布斯采样方法学习所述知识点网络上知识点之间的概率，得到所述贝叶斯网络。
4.根据权利要求1所述的学情数据处理方法，其特征在于，所述冷启动诊断包括：
基于全量样本数据确定地域与知识点掌握程度之间的贝叶斯关系，所述全量样本数据为对知识点的作答数据的集合；
结合待诊断目标的地域以及所述地域与知识点掌握程度之间的贝叶斯关系，确定待诊断目标在待诊断知识点的掌握程度数据作为所述冷启动诊断的输出，所述掌握程度数据用于指示待诊断目标在待诊断知识点的掌握程度。
5.根据权利要求1所述的学情数据处理方法，其特征在于，所述冷启动诊断包括：
计算全量样本数据中各地域出现的概率，所述全量样本数据为对知识点的作答数据的集合；
计算所述全量样本数据中各地域与各知识点的各掌握程度共同出现的联合概率；
确定在所述待诊断目标的地域条件下，在待诊断知识点上各个掌握程度的条件概率。
6.根据权利要求1所述的学情数据处理方法，其特征在于，所述冷启动诊断包括：
基于全量样本数据确定地域、知识点属性以及掌握程度之间的贝叶斯关系，所述全量样本数据为对知识点的作答数据的集合；
结合待诊断目标的地域、待诊断知识点的属性，以及所述地域、知识点属性以及掌握程度之间的贝叶斯关系，确定待诊断目标在待诊断知识点的掌握程度数据作为所述冷启动诊断的输出，所述掌握程度数据用于指示待诊断目标在待诊断知识点的掌握程度。
7.根据权利要求1所述的学情数据处理方法，其特征在于，所述冷启动诊断包括：
计算全量样本数据中各地域和各知识点属性共同出现的概率，所述全量样本数据为对知识点的作答数据的集合；
计算所述全量样本数据中各地域、各知识点属性和各掌握程度共同出现的概率；
确定待诊断目标的地域以及待诊断知识点的属性的条件下，不同掌握程度的条件概率。
8.根据权利要求1所述的学情数据处理方法，其特征在于，所述冷启动诊断包括：
确定待诊断目标的样本数据中各知识点属性出现的概率，所述待诊断目标的样本数据包括待诊断目标在不同知识点的作答数据；
根据所述待诊断目标的样本数据确定待诊断目标对各知识点属性的不同掌握程度的联合概率；
采用贝叶斯公式计算待诊断目标在已知待诊断知识点的知识点属性的条件下，对待诊断知识点不同掌握程度的条件概率。
9.根据权利要求1所述的学情数据处理方法，其特征在于，所述非冷启动诊断包括：输入目标对象在待诊断知识点的样本数据至深度知识追踪模型，得到所述待诊断目标在待诊断知识点的诊断结果。
10.根据权利要求1所述的学情数据处理方法，其特征在于，所述冷启动诊断包括多种诊断方式，所述冷启动诊断的输出包括所述多种诊断方式的输出，所述启动参数包括调整所述多种诊断方式中每种诊断方式的输出的参数。
11.根据权利要求1所述的学情数据处理方法，其特征在于，所述根据待诊断知识点的作答数据，以及待诊断目标的作答数据确定启动参数包括：
当待诊断目标在待诊断知识点上作答数据的数量大于预设的阈值时，确定所述启动参数以调整冷启动诊断的输出的权重为零，非冷启动诊断的输出的权重为一；
当待诊断目标在待诊断知识点上作答数据的数量小于预设的阈值时，冷启动诊断的输出的参数与待诊断目标在待诊断知识点上作答数据的数量负相关。
12.根据权利要求1所述的学情数据处理方法，其特征在于，所述基于所述启动参数、所述冷启动诊断和非冷启动诊断的输出，确定所述待诊断目标在待诊断知识点的诊断结果包括：
基于所述启动参数、所述冷启动诊断和非冷启动诊断的输出，确定待诊断目标对待诊断知识点在各掌握程度的概率；
比较所述各掌握程度的概率；
确定最大概率对应的掌握程度作为所述待诊断目标在待诊断知识点的诊断结果。
13.根据权利要求1所述的学情数据处理方法，其特征在于，所述冷启动诊断包括以下至少一种诊断方式：
基于知识点之间掌握程度的相互关系以及待诊断目标对待诊断知识点以外的作答数据，确定待诊断目标对待诊断知识点的掌握程度数据；
基于地域和知识点掌握程度的相互关系以及待诊断目标的地域，确定待诊断目标对待诊断知识点的掌握程度数据；
基于地域、属性和掌握程度之间关系以及待诊断目标的地域和知识点属性，确定待诊断对待诊断知识点的掌握程度数据；
基于待诊断目标的知识点属性与掌握程度之间关系以及知识点属性，确定诊断对待诊断知识点的掌握程度数据。
14.根据权利要求13所述的学情数据处理方法，其特征在于，所述根据待诊断知识点的作答数据，以及待诊断目标的作答数据确定启动参数，包括：
确定基于所述地域、属性和掌握程度的相互关系的诊断方式的参数以及基于所述待诊断目标的知识点属性与掌握程度之间关系的诊断方式的参数，使二者在诊断结果中权重与所述待诊断知识点的作答数据量负相关；
确定所述基于所述待诊断目标的知识点属性与掌握程度之间关系的诊断方式的参数，使其在诊断结果中权重与所述待诊断目标的作答数据的数量正相关；
确定所述基于地域和知识点掌握程度的相互关系的诊断方式的参数，使其在诊断结果中的权重与待诊断知识点的历史作答数量正相关。
15.一种学情数据处理装置，其特征在于，包括：
待诊断确定单元，适于确定待诊断目标和待诊断知识点；
冷启动诊断单元，适于对待诊断目标在所述待诊断知识点进行冷启动诊断；
非冷启动诊断单元，适于对待诊断目标在所述待诊断知识点进行非冷启动诊断；
启动参数确定单元，适于根据待诊断知识点的作答数据，以及待诊断目标的作答数据确定启动参数，所述启动参数用于调整冷启动诊断的输出的权重和非冷启动诊断的输出的权重；
诊断结果确定单元，适于基于所述启动参数、所述冷启动诊断的输出和非冷启动诊断的输出，确定所述待诊断目标在待诊断知识点的诊断结果。
16.根据权利要求15所述的学情数据处理装置，其特征在于，所述知识点诊断单包括：
贝叶斯网络建立单元，适于结合知识点之间的关系和全量样本数据构建知识点之间的概率图网络，所述全量样本数据为对知识点的作答数据的集合，所述概率图网络描述不同知识点之间掌握程度的依赖关系；
第一冷启动输出单元，适于结合待诊断目标的作答数据以及所述概率图网络，得到所述待诊断目标在待诊断知识点的掌握程度数据作为所述冷启动诊断的输出，所述掌握程度数据用于指示待诊断目标在待诊断知识点的掌握程度。
17.根据权利要求16所述的学情数据处理装置，其特征在于，所述概率图网络建立单元适于构建所述知识点之间的贝叶斯网络，所述概率图网络建立单元包括：
知识点网络建立单元，适于根据知识点之间的前后置关系构建知识点网络，所述前后置关系为知识点之间的前后依赖关系；
吉布斯采样单元，基于所述全量样本数据，采用吉布斯采样方法学习所述知识点网络上知识点之间的概率，得到所述贝叶斯网络。
18.根据权利要求15所述的学情数据处理装置，其特征在于，所述冷启动诊断单元包括：
地域和知识点掌握程度关系确定单元，适于基于全量样本数据确定地域与知识点掌握程度之间的贝叶斯关系，所述全量样本数据为对知识点的作答数据的集合；
第二冷启动诊断输出单元，适于结合待诊断目标的地域以及所述地域与知识点掌握程度之间的贝叶斯关系，确定待诊断目标在待诊断知识点的掌握程度数据作为所述冷启动诊断的输出，所述掌握程度数据用于指示待诊断目标在待诊断知识点的掌握程度。
19.根据权利要求15所述的学情数据处理装置，其特征在于，所述冷启动诊断单元包括：
地域概率计算单元，适于计算全量样本数据中各地域出现的概率，所述全量样本数据为对知识点的作答数据的集合；
地域掌握程度联合概率计算单元，适于计算所述全量样本数据中各地域与各知识点的各掌握程度共同出现的联合概率；
掌握程度的地域条件概率确定单元，适于确定在所述待诊断目标的地域条件下，在待诊断知识点上各个掌握程度的条件概率。
20.根据权利要求15所述的学情数据处理装置，其特征在于，所述冷启动诊断单元包括：
地域、知识点属性和掌握程度关系确定单元，适于基于全量样本数据确定地域、知识点属性以及掌握程度之间的贝叶斯关系，所述全量样本数据为对知识点的作答数据的集合；
第三冷启动输出单元，适于结合待诊断目标的地域、待诊断知识点的属性，以及所述地域、知识点属性以及掌握程度之间的贝叶斯关系，确定待诊断目标在待诊断知识点的掌握程度数据作为所述冷启动诊断的输出，所述掌握程度数据用于指示待诊断目标在待诊断知识点的掌握程度。
21.根据权利要求15所述的学情数据处理装置，其特征在于，所述冷启动诊断单元包括：
地域及属性联合概率计算单元，适于计算全量样本数据中各地域和各知识点属性共同出现的概率，所述全量样本数据为对知识点的作答数据的集合；
地域、属性及掌握程度联合概率计算单元，适于计算所述全量样本数据中各地域、各知识点属性和各掌握程度共同出现的概率；
掌握程度的地域、属性条件概率确定单元，适于确定待诊断目标的地域以及待诊断知识点的属性的条件下，不同掌握程度的条件概率。
22.根据权利要求15所述的学情数据处理装置，其特征在于，所述冷启动诊断单元包括：
知识点属性概率计算单元，适于确定待诊断目标的样本数据中各知识点属性出现的概率，所述待诊断目标的样本数据包括待诊断目标在不同知识点的作答数据；
属性及掌握程度联合概率计算单元，适于根据所述待诊断目标的样本数据确定待诊断目标对各知识点属性的不同掌握程度的联合概率；
掌握程度的属性条件概率确定单元，适于采用贝叶斯公式计算待诊断目标在已知待诊断知识点的知识点属性的条件下，对待诊断知识点不同掌握程度的条件概率。
23.根据权利要求15所述的学情数据处理装置，其特征在于，所述非冷启动诊断单元适于输入目标对象在待诊断知识点的样本数据至深度知识追踪模型，得到所述待诊断目标在待诊断知识点的诊断结果。
24.根据权利要求15所述的学情数据处理装置，其特征在于，所述冷启动诊断单元适于采用多种诊断方式，所述冷启动诊断单元的输出包括所述多种诊断方式的输出，所述启动参数包括调整所述多种诊断方式中每种诊断方式的输出的参数。
25.根据权利要求15所述的学情数据处理装置，其特征在于，所述启动参数确定单元包括：
第一参数确定单元，适于当待诊断目标在待诊断知识点上作答数据的数量大于预设的阈值时，确定所述启动参数以调整冷启动诊断的输出的权重为零，非冷启动诊断的输出的权重为一；
第二参数确定单元，适于当待诊断目标在待诊断知识点上作答数据的数量小于预设的阈值时，冷启动诊断的输出的参数与待诊断目标在待诊断知识点上作答数据的数量负相关。
26.根据权利要求15所述的学情数据处理装置，其特征在于，所述诊断结果确定单元包括：
各掌握程度概率确定单元，适于基于所述启动参数、所述冷启动诊断和非冷启动诊断的输出，确定待诊断目标对待诊断知识点在各掌握程度的概率；
比较单元，适于比较所述各掌握程度的概率；
掌握程度确定单元，适于确定最大概率对应的掌握程度作为所述待诊断目标在待诊断知识点的诊断结果。
27.根据权利要求15所述的学情数据处理装置，其特征在于，所述冷启动诊断单元包括：
第一冷启动诊断单元，适于基于知识点之间掌握程度的相互关系以及待诊断目标对待诊断知识点以外的作答数据，确定待诊断目标对待诊断知识点的掌握程度数据；
第二冷启动诊断单元，适于基于地域和知识点掌握程度的相互关系以及待诊断目标的地域，确定待诊断目标对待诊断知识点的掌握程度数据；
第三冷启动诊断单元，适于基于地域、属性和掌握程度之间关系以及待诊断目标的地域和知识点属性，确定待诊断对待诊断知识点的掌握程度数据；
第四冷启动诊断单元，适于基于待诊断目标的知识点属性与掌握程度之间关系以及知识点属性，确定诊断对待诊断知识点的掌握程度数据。
28.根据权利要求27所述的学情数据处理装置，其特征在于，所述启动参数确定单元包括：
第三参数确定单元，适于确定基于所述地域、属性和掌握程度的相互关系的诊断方式的参数以及基于所述待诊断目标的知识点属性与掌握程度之间关系的诊断方式的参数，使二者在诊断结果中权重与所述待诊断知识点的作答数据量负相关；
第四参数确定单元，适于确定所述基于所述待诊断目标的知识点属性与掌握程度之间关系的诊断方式的参数，使其在诊断结果中权重与所述待诊断目标的作答数据的数量正相关；
第五参数确定单元，适于确定所述基于地域和知识点掌握程度的相互关系的诊断方式的参数，使其在诊断结果中的权重与待诊断知识点的历史作答数量正相关。
29.一种计算机设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1至14中任一项所述的学情数据处理方法的步骤。
30.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序运行时执行权利要求1至14中任一项所述的学情数据处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011511082.8A CN112241447B (zh) | 2020-12-18 | 2020-12-18 | 一种学情数据处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011511082.8A CN112241447B (zh) | 2020-12-18 | 2020-12-18 | 一种学情数据处理方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112241447A true CN112241447A (zh) | 2021-01-19 |
| CN112241447B CN112241447B (zh) | 2021-04-02 |
Family
ID=74175325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011511082.8A Active CN112241447B (zh) | 2020-12-18 | 2020-12-18 | 一种学情数据处理方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112241447B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512214A (zh) * | 2015-11-28 | 2016-04-20 | 华中师范大学 | 一种知识数据库、构建方法及学情诊断系统 |
| CN106709829A (zh) * | 2015-08-03 | 2017-05-24 | 科大讯飞股份有限公司 | 基于在线题库的学情诊断方法及系统 |
| US20180075356A1 (en) * | 2016-09-09 | 2018-03-15 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for monitoring system |
| CN109427218A (zh) * | 2017-08-25 | 2019-03-05 | 北京三好互动教育科技有限公司 | 一种在线教育系统和方法 |
| CN109858797A (zh) * | 2019-01-25 | 2019-06-07 | 中山大学 | 基于知识网络精准在线教育系统的多维度信息学情分析方法 |
| CN110807173A (zh) * | 2019-10-15 | 2020-02-18 | 广州摩翼信息科技有限公司 | 学情分析方法、装置、计算机设备和存储介质 |
| CN111127271A (zh) * | 2020-01-20 | 2020-05-08 | 北京爱论答科技有限公司 | 一种用于学情分析的教学方法及系统 |
| US20200167352A1 (en) * | 2017-09-13 | 2020-05-28 | Shenzhen Withsum Technology Limited | Data exploration management method and system, electronic device, and storage medium |
| CN111582694A (zh) * | 2020-04-29 | 2020-08-25 | 腾讯科技（深圳）有限公司 | 一种学习评估方法及装置 |
| CN112053269A (zh) * | 2020-09-22 | 2020-12-08 | 腾讯科技（深圳）有限公司 | 一种学情诊断方法、装置、设备及存储介质 |
-
2020
- 2020-12-18 CN CN202011511082.8A patent/CN112241447B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709829A (zh) * | 2015-08-03 | 2017-05-24 | 科大讯飞股份有限公司 | 基于在线题库的学情诊断方法及系统 |
| CN105512214A (zh) * | 2015-11-28 | 2016-04-20 | 华中师范大学 | 一种知识数据库、构建方法及学情诊断系统 |
| US20180075356A1 (en) * | 2016-09-09 | 2018-03-15 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for monitoring system |
| CN109427218A (zh) * | 2017-08-25 | 2019-03-05 | 北京三好互动教育科技有限公司 | 一种在线教育系统和方法 |
| US20200167352A1 (en) * | 2017-09-13 | 2020-05-28 | Shenzhen Withsum Technology Limited | Data exploration management method and system, electronic device, and storage medium |
| CN109858797A (zh) * | 2019-01-25 | 2019-06-07 | 中山大学 | 基于知识网络精准在线教育系统的多维度信息学情分析方法 |
| CN110807173A (zh) * | 2019-10-15 | 2020-02-18 | 广州摩翼信息科技有限公司 | 学情分析方法、装置、计算机设备和存储介质 |
| CN111127271A (zh) * | 2020-01-20 | 2020-05-08 | 北京爱论答科技有限公司 | 一种用于学情分析的教学方法及系统 |
| CN111582694A (zh) * | 2020-04-29 | 2020-08-25 | 腾讯科技（深圳）有限公司 | 一种学习评估方法及装置 |
| CN112053269A (zh) * | 2020-09-22 | 2020-12-08 | 腾讯科技（深圳）有限公司 | 一种学情诊断方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112241447B (zh) | 2021-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11138899B2 (en) | Cheating detection in remote assessment environments | |
| WO2022041979A1 (zh) | 一种信息推荐模型的训练方法和相关装置 | |
| US20200098284A1 (en) | Classroom teaching cognitive load measurement system | |
| US6831663B2 (en) | System and process for automatically explaining probabilistic predictions | |
| Wang | Mutual information item selection method in cognitive diagnostic computerized adaptive testing with short test length | |
| CN111783902B (zh) | 数据增广、业务处理方法、装置、计算机设备和存储介质 | |
| CN112149004B (zh) | 一种基于协同知识图谱的个性化推荐方法 | |
| US11763174B2 (en) | Learning material recommendation method, learning material recommendation device, and learning material recommendation program | |
| CN111506814B (zh) | 一种基于变分自注意力网络的序列推荐方法 | |
| KR102265573B1 (ko) | 인공지능 기반 입시 수학 학습 커리큘럼 재구성 방법 및 시스템 | |
| Huang et al. | A novel framework for robustness analysis of visual qa models | |
| US20230252362A1 (en) | Techniques for deriving and/or leveraging application-centric model metric | |
| CN113409174A (zh) | 知识点测评方法和装置 | |
| Yang et al. | Alignment for honesty | |
| Roads et al. | Improving human‐machine cooperative classification via cognitive theories of similarity | |
| Schlangen | Language tasks and language games: On methodology in current natural language processing research | |
| CN114385930A (zh) | 一种兴趣点推荐方法及系统 | |
| CN112241447B (zh) | 一种学情数据处理方法、装置、计算机设备及存储介质 | |
| Calma et al. | Simulation of Annotators for Active Learning: Uncertain Oracles. | |
| JP7293658B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
| CN111932160A (zh) | 知识掌握信息处理方法、装置、计算机设备及存储介质 | |
| Ranger et al. | Using response times as collateral information about latent traits in psychological tests | |
| US20220343216A1 (en) | Information processing apparatus and information processing method | |
| Jaeger et al. | When to Impute? Imputation before and during cross-validation | |
| JP2005202619A (ja) | アンケート評価装置および方法 |
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 |