CN112669006A - 一种基于学生知识点诊断的智能组卷的方法 - Google Patents
一种基于学生知识点诊断的智能组卷的方法 Download PDFInfo
- Publication number
- CN112669006A CN112669006A CN202011584346.2A CN202011584346A CN112669006A CN 112669006 A CN112669006 A CN 112669006A CN 202011584346 A CN202011584346 A CN 202011584346A CN 112669006 A CN112669006 A CN 112669006A
- Authority
- CN
- China
- Prior art keywords
- test
- knowledge point
- question
- knowledge
- questions
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于学生知识点诊断的智能组卷的方法,可以通过对学生考试数据的采集,进行计算总结出薄弱知识点,老师根据所述薄弱知识点进行智能组卷,根据不同阶段的学生设置不同的抽取题目优先级来组成试卷,方便学生进行针对性强化训练。包括以下步骤,需要先采集学生考试数据,根据采集数据得到学生知识点的掌握度,将采集知识点域进行层级划分,根据采集知识点域抽取知识点及题型题量,在采集知识点域抽取知识点和根据抽取知识点抽取试题的步骤之后,还包括:对该套抽取的试题针对每一题型按照难度从高到低进行排序;对该抽取的知识点按照要求掌握程度从高到低进行排序,完善上述抽取试题的试卷信息,使之成为一套完整试卷。
Description
技术领域
本发明涉及智能教育技术领域,尤其是涉及一种基于基于学生知识点诊断的智能组卷的方法。
背景技术
对于学生和老师来说,作业题目和考试试卷是检验老师教学成果,学生学习效果的必不可少的工具。根据班级学生的学习情况去布置作业、试卷,对于老师来说,往往是耗费精力的事情,并且也会由于出题教师的教学能力、知识层次等主观因素,使得对于试卷的难易程度、知识点分布难以把控。
在线教育系统中,通过组卷算法来组织生成试卷。目前网上很多智能组卷系统,组卷算法根据给定的组卷参数(题型、难度、涉及知识点、能力层次等)约束的试卷,其实质量不太行的,如果要组出适合班级学生水平的作业题目和卷子还需要老师去手动调整。由于老师可能不太有把握知晓班级学情,所以组出匹配学生能力水平的试卷或作业既耗时长,又没办法保证质量。
所以急需考虑一种更为智能、更为个性化的组卷方案,以提高试卷的智能化水平和使用效果,改进师生用户的使用体验。
不难看出,现有技术中还存在诸多问题。
发明内容
为此,为了解决现有技术中的上述问题,本发明提出一种基于学生知识点诊断的智能组卷的方法。
本发明通过以下技术手段解决上述问题:
一种基于学生知识点诊断的智能组卷的方法,包括:
S1、构建知识点库、试题库和试卷模板库,用于存储和调用知识点、知识点相关的试题和试卷模板;
S2、依据不同的测试需求,设定不同的组卷要求;
S3、采集学生参与的每次考试的数据;
S4、依据所述S3中采集的数据,获取知识点掌握度;
S5、将所述S4中获取的知识点掌握度进行层级划分;
S6、依据所述S5中对知识点掌握度的层级划分,确定知识点域;
S7、依据所述S2中的组卷要求,结合所述S6中所确定的知识点域,在所述试卷模板库中选定试卷模板;依据所选定的试卷模板,并结合S6所述的测试知识点域在试题库中抽取每个测试知识点对应的试题;
S8、依据试卷的属性,对所述S7中所抽取的试题进行属性设置,形成一套完整的试卷。
进一步的,所述S1包括:
S11、构建知识点库,按照学段划分不同学段的知识点库,所示知识点库内包括知识点名称及其要求掌握程度;
S12、构建试题库,根据考试需求,基于不同学科及学习阶段的考核特征构建海量试题库,所述试题库中包括试题及试题属性信息,所述试题属性信息包括:所属题型、关联章节(科目、年级、单元、课文)、关联知识点、题目本身所属能力层次、题目适用类型、题目难度系数、试题题干及答案、题目分值、题目年份、区域、来源、考点、分析、点评;
S13、构建试卷模板库,根据不同测试应用场景及年级、学科,构建试卷模板库,每套试卷模板中有明确的题型、题量、试题分值信息。
进一步的,所述S2中组卷要求包括:测试应用场景、测试范围,并设定试卷难度、区分度。
进一步的,所述S3中的数据包括:考试时间、考试试题、考试试卷以及考试成绩;所述考试试卷包括:所属科目、试卷类型、试卷名称、试题满分分值、原始题目。
进一步的,所述S4包括:
S41、所述的知识点掌握度通过以下方法得到:
f=[(a1+a2+a3+...+an)÷N]×g;
其中,f是所述知识点掌握度,g是所述知识点重要度,a1、a2、a3...an是第1个、第2个、第3个...第n个错题评分值,N是知识点个数;
S42、所述知识点重要度g通过以下方法得到:
g=70%i+30%j;
其中,i是要求学生对所述知识点的掌握情况,j是所述知识点在升学考试中分值占比排名档位。
进一步的,所述错题评分值an通过以下方法得到:
an=x%b×y%(c+1)×z%(d+1)×m%e,
其中,b是试题满分分值,x%是试题满分分值的权重,c是试题区分度,y%是试题区分度的权重,d是所述知识点个人得分率和班级得分率的差值,z%是得分率差值的权重,e是时间因子,m%是时间因子权重;所述时间因子是所述考试时间的时间戳。
进一步的,所述试题区分度c通过以下方法得到:
c=(v1-v2)/b;
其中,v1是成绩排名前27%的考试成绩平均分,v2是成绩排名后27%的所述考试成绩平均分。
进一步的,所述S5包括设置薄弱知识点阈值和优势知识点阈值:
当所述知识点掌握度排序在所述薄弱知识点阈值之前且有相关原错题的知识点确定为薄弱知识点;
当所述知识点掌握度排序在所述优势知识点阈值之后的知识点确定为优势知识点。
进一步的,所述S7包括:
S71、依据所述S2中的组卷要求和所述S6中所确定的知识点域,对知识点进行筛选,形成测试知识点域R(R1,R2,......,Ri),其中Ri为第i个知识点;
S72、依据所述S2中的组卷要求,从所述试卷模板库中确定试卷模板;
S73、根据所述S71中的测试知识点域R及所述S72中的试卷模板,从测试知识点域R中选择抽题知识点,从所述试题库中抽取与该知识点相关试题,该知识点抽题结束将当前抽题知识点从测试知识点域R中排除,依次对余下的测试知识点进行抽题,直到完成试卷模板中所有试题的抽取。
进一步的,所述S73包括:
S731、分析所述试卷模板中所有题型的难度情况,按难度由高到低进行排序,根据题型排列顺序,选取待抽取试题题型;
S732、分析所述测试知识点域R中各知识点要求掌握程度,按照要求掌握程度由高到低排序,调整测试知识点域R中的知识点顺序(R1,R2,......,Ri),其中R1表示第一个抽题知识点;根据测试知识点域R中知识点排列顺序,依序选择抽题知识点;
S733、依据所述S731所选取的题型和所述S732所选取的测试知识点,从试题库中抽取符合要求的试题。
进一步的,所述S733包括:
S7331、剔除试题中包含已考核过知识点的所有试题,保留符合条件的试题。其中,试题难度及区分度与所述组卷要求一致;
S7332、若符合条件的试题数量大于1,自动从符合条件的试题中选取包含测试知识点数量最多的一道试题;若试题中包含知识点数量相同,则选取试题区分度最大的一道试题;
S7333、每确定一道试题,将试题中包含的所有测试知识点从测试知识点域R中排除,并放入已考核知识点域X内;更新测试知识点域R,选择下一个测试知识点,然后更新X,用于选择试题时排除已考核过知识点的试题;
S7334、判断试卷中当前题型的题目是否全部抽取完毕,如果没有,继续步骤S732,选择测试知识点域R中下一个知识点进行抽题;否则,进入下一步;
S7335、判断试卷中所有题型是否全部抽取完毕,如果没有,继续步骤S731,选择下一个题型,否则,表示试卷中所有试题抽取完毕。
进一步的,所述S7还包括设置优先级:
第一优先级,当年参加升学考试的学生依据试卷模板从试题库中抽取题目,按照期末检测、期中检测、月考试卷、单元测试、课后作业、当堂检测、课前作业、系统推荐作业依次排序;
第二优先级,当年不参加升学考试的学生依据试卷模板从试题库中抽取题目,按照课前作业、当堂检测、课后作业、单元测试、月考试卷、期中试卷、期末试卷、升学考试、系统推荐作业依次排序。
进一步的,所述S8中试卷的属性包括:
试题赋予分值、试卷名称、试卷类型、所属科目、年级、单元、课文、试卷格式、注意事项。
与现有技术相比,本发明提供的一种基于学生知识点诊断的智能组卷的方法,具有如下有益效果:
本发明所提供的一种基于学生知识点诊断的智能组卷的方法,可以通过对学生考试数据的采集,进行计算总结出薄弱知识点,老师根据所述薄弱知识点进行智能组卷,根据不同阶段的学生设置不同的抽取题目优先级来组成试卷,方便学生进行针对性强化训练。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种基于学生知识点诊断的智能组卷的方法的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是,所描述的实施例子仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,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,都属于本发明保护的范围。
实施例
如图1所示,一种基于学生知识点诊断的智能组卷的方法,包括:
S1、构建知识点库、试题库和试卷模板库,用于存储和调用知识点、知识点相关的试题和试卷模板;作为优选,所述S1包括:
S11、构建知识点库,按照学段划分不同学段的知识点库,所示知识点库内包括知识点名称及其要求掌握程度;例如:按照学段划分成用小学知识点库和初中知识点库,并根据大纲要求构建多学科版本教材,知识点库中的各知识点信息包括知识点名称及其要求掌握程度。所述的知识点要求掌握程度具体分为掌握应用、理解说明、认识了解、无应用要求4类。
S12、构建试题库,根据考试需求,基于不同学科及学习阶段的考核特征构建海量试题库,所述试题库中包括试题及试题属性信息,所述试题属性信息包括:所属题型、关联章节(科目、年级、单元、课文)、关联知识点、题目本身所属能力层次、题目适用类型、题目难度系数、试题题干及答案、题目分值、题目年份、区域、来源、考点、分析、点评;
S13、构建试卷模板库,根据不同测试应用场景及年级、学科,构建试卷模板库,每套试卷模板中有明确的题型、题量、试题分值信息等。
S2、依据不同的测试需求,设定不同的组卷要求;作为优选,所述S2中组卷要求包括:测试应用场景、测试范围,并设定试卷难度、区分度。所述的测试范围:为具体的测试内容,例如,一本教材的某章内容、大学英语四级考试内容等。
S3、采集学生参与的每次考试的数据;作为优选,所述S3中的数据包括:考试时间、考试试题、考试试卷以及考试成绩;所述考试试卷包括:所属科目、试卷类型、试卷名称、试题满分分值、原始题目。作为优选,所述原始题目id包含:所属题型、关联章节(科目、年级、单元、课文)、关联知识点、题目本身所属能力层次、题目适用类型、题目难度系数、试题题干及答案、题目分值、题目年份、区域、来源、考点、分析、点评等。
S4、依据所述S3中采集的数据,获取知识点掌握度;作为优选,所述S4包括:
S41、所述的知识点掌握度通过以下方法得到:
f=[(a1+a2+a3+...+an)÷N]×g;
其中,f是所述知识点掌握度,g是所述知识点重要度,a1、a2、a3...an是第1个、第2个、第3个...第n个错题评分值,N是知识点个数;
S42、所述知识点重要度g通过以下方法得到:
g=70%i+30%j;
其中,i是要求学生对所述知识点的掌握情况,j是所述知识点在升学考试中分值占比排名档位。
作为优选,所述错题评分值an通过以下方法得到:
an=x%b×y%(c+1)×z%(d+1)×m%e。
其中,b是试题满分分值,x%是试题满分分值的权重,c是试题区分度,y%是试题区分度的权重,d是所述知识点个人得分率和班级得分率的差值,z%是得分率差值的权重,e是时间因子,m%是时间因子权重;所述时间因子是所述考试时间的时间戳。
作为优选,所述试题区分度c通过以下方法得到:
c=(v1-v2)/b;
其中,v1是成绩排名前27%的考试成绩平均分,v2是成绩排名后27%的所述考试成绩平均分。
S5、将所述S4中获取的知识点掌握度进行层级划分;将所述知识点按照所述知识点掌握度由低到高依次排列,作为优选,所述S5包括设置薄弱知识点阈值和优势知识点阈值:
当所述知识点掌握度排序在所述薄弱知识点阈值之前且有相关原错题的知识点确定为薄弱知识点;
当所述知识点掌握度排序在所述优势知识点阈值之后的知识点确定为优势知识点。
S6、依据所述S5中对知识点掌握度的层级划分,确定知识点域;
S7、依据所述S2中的组卷要求,结合所述S6中所确定的知识点域,在所述试卷模板库中选定试卷模板;依据所选定的试卷模板,并结合S6所述的测试知识点域在试题库中抽取每个测试知识点对应的试题。选择一个科目,从采集到该科目的各层级知识点域中抽取一个或多个知识点,并且根据该试卷模板选择抽题题型以及自定义每一个抽取题型包含的试题数量;根据所选的抽题题型从预设的海量试题库中同一科目下抽取包含所选的知识点的试题;根据所述抽取知识点的试题与采集的知识点域以及采集的原错题题型的相似度不大于67%。
作为优选,所述S7包括:
S71、依据所述S2中的组卷要求和所述S6中所确定的知识点域,对知识点进行筛选,形成测试知识点域R(R1,R2,......,Ri),其中Ri为第i个知识点。
S72、依据所述S2中的组卷要求,从所述试卷模板库中确定试卷模板;需要说明的是,组卷者如果不满意所述试卷模板库中的试卷模板,组卷者可从试卷模板库中自主选择或建立新的试卷模板。
S73、根据所述S71中的测试知识点域R及所述S72中的试卷模板,从测试知识点域R中选择抽题知识点,从所述试题库中抽取与该知识点相关试题,该知识点抽题结束将当前抽题知识点从测试知识点域R中排除,依次对余下的测试知识点进行抽题,直到完成试卷模板中所有试题的抽取。
作为优选,所述S73包括:
S731、分析所述试卷模板中所有题型的难度情况,按难度由高到低进行排序,根据题型排列顺序,选取待抽取试题题型;
S732、分析所述测试知识点域R中各知识点要求掌握程度,按照要求掌握程度由高到低排序,调整测试知识点域R中的知识点顺序(R1,R2,......,Ri),其中R1表示第一个抽题知识点;根据测试知识点域R中知识点排列顺序,依序选择抽题知识点;
S733、依据所述S731所选取的题型和所述S732所选取的测试知识点,从试题库中抽取符合要求的试题。作为优选,抽取试题时以题型、知识点、难度和区分度作为抽题参数,进行试题的抽取。
作为优选,所述S733包括:
S7331、剔除试题中包含已考核过知识点的所有试题,保留符合条件的试题。其中,试题难度及区分度与所述组卷要求一致;
S7332、若符合条件的试题数量大于1,自动从符合条件的试题中选取包含测试知识点数量最多的一道试题;若试题中包含知识点数量相同,则选取试题区分度最大的一道试题;
S7333、每确定一道试题,将试题中包含的所有测试知识点从测试知识点域R中排除,并放入已考核知识点域X内;更新测试知识点域R,选择下一个测试知识点,然后更新X,用于选择试题时排除已考核过知识点的试题;
S7334、判断试卷中当前题型的题目是否全部抽取完毕,如果没有,继续步骤S732,选择测试知识点域R中下一个知识点进行抽题;否则,进入下一步;
S7335、判断试卷中所有题型是否全部抽取完毕,如果没有,继续步骤S731,选择下一个题型,否则,表示试卷中所有试题抽取完毕。
作为优选,所述S7还包括设置优先级:
第一优先级,当年参加升学考试的学生依据试卷模板从试题库中抽取题目,按照期末检测、期中检测、月考试卷、单元测试、课后作业、当堂检测、课前作业、系统推荐作业依次排序;
第二优先级,当年不参加升学考试的学生依据试卷模板从试题库中抽取题目,按照课前作业、当堂检测、课后作业、单元测试、月考试卷、期中试卷、期末试卷、升学考试、系统推荐作业依次排序。
S8、依据试卷的属性,对所述S7中所抽取的试题进行属性设置,形成一套完整的试卷。作为优选,所述S8中试卷的属性包括但不限于:
试题赋予分值、试卷名称、试卷类型、所属科目、年级、单元、课文、试卷格式、注意事项。
经所述S8后生成的完整试卷,由组卷者对试卷进行审核,可人工调整并替换当前试卷中的试题,以符合组卷者的实际测试需求,最终保存确认后的试卷,完成组卷。
与现有技术相比,本发明提供的一种基于学生知识点诊断的智能组卷的方法,具有如下有益效果:
本发明所提供的一种基于学生知识点诊断的智能组卷的方法,可以通过对学生考试数据的采集,进行计算总结出薄弱知识点,老师根据所述薄弱知识点进行智能组卷,根据不同阶段的学生设置不同的抽取题目优先级来组成试卷,方便学生进行针对性强化训练。
在本说明书中所谈到的“一个实施例”、“另一个实施例”、“实施例”、“优选实施例”等,指的是结合该实例描述的具体特征、结构或者特点包含在本申请概括描述的至少一个实施例中。在说明书中多个地方出现同种表述不是一定指的是同一个实施例。进一步来说,结合任一实施例描述一个具体特征、结构或者特点时,所要主张的是结合其他实施例来实现这种特征、结构或者特点也落在本发明内。尽管这里参照本发明的多个解释性实例对本发明进行了描述,但是,应该理解,本领域技术人员可以设计出很多其他的修改和实施方式,这些修改和实施方式降落在本申请公开的原则范围和精神之内。更具体地说,在本申请公开、附图和权利要求的范围内,可以对主题结合布局的组成部件和/或布局进行的变形和改进外,对于本领域技术人员来说,其他的用途也将是明显。
Claims (13)
1.一种基于学生知识点诊断的智能组卷的方法,其特征在于,包括:
S1、构建知识点库、试题库和试卷模板库,用于存储和调用知识点、知识点相关的试题和试卷模板;
S2、依据不同的测试需求,设定不同的组卷要求;
S3、采集学生参与的每次考试的数据;
S4、依据所述S3中采集的数据,获取知识点掌握度;
S5、将所述S4中获取的知识点掌握度进行层级划分;
S6、依据所述S5中对知识点掌握度的层级划分,确定知识点域;
S7、依据所述S2中的组卷要求,结合所述S6中所确定的知识点域,在所述试卷模板库中选定试卷模板;依据所选定的试卷模板,并结合S6所述的测试知识点域在试题库中抽取每个测试知识点对应的试题;
S8、依据试卷的属性,对所述S7中所抽取的试题进行属性设置,形成一套完整的试卷。
2.根据权利要求1所述的基于学生知识点诊断的智能组卷的方法,其特征在于,所述S1包括:
S11、构建知识点库,按照学段划分不同学段的知识点库,所示知识点库内包括知识点名称及其要求掌握程度;
S12、构建试题库,根据考试需求,基于不同学科及学习阶段的考核特征构建海量试题库,所述试题库中包括试题及试题属性信息,所述试题属性信息包括:所属题型、关联章节(科目、年级、单元、课文)、关联知识点、题目本身所属能力层次、题目适用类型、题目难度系数、试题题干及答案、题目分值、题目年份、区域、来源、考点、分析、点评;
S13、构建试卷模板库,根据不同测试应用场景及年级、学科,构建试卷模板库,每套试卷模板中有明确的题型、题量、试题分值信息。
3.根据权利要求1所述的基于学生知识点诊断的智能组卷的方法,其特征在于,所述S2中组卷要求包括:测试应用场景、测试范围,并设定试卷难度、区分度。
4.根据权利要求1所述的基于学生知识点诊断的智能组卷的方法,其特征在于,所述S3中的数据包括:考试时间、考试试题、考试试卷以及考试成绩;所述考试试卷包括:所属科目、试卷类型、试卷名称、试题满分分值、原始题目。
5.根据权利要求1所述的基于学生知识点诊断的只能组卷的方法,其特征在于,所述S4包括:
S41、所述的知识点掌握度通过以下方法得到:
f=[(a1+a2+a3+...+an)÷N]×g;
其中,f是所述知识点掌握度,g是所述知识点重要度,a1、a2、a3...an是第1个、第2个、第3个...第n个错题评分值,N是知识点个数;
S42、所述知识点重要度g通过以下方法得到:
g=70%i+30%j;
其中,i是要求学生对所述知识点的掌握情况,j是所述知识点在升学考试中分值占比排名档位。
6.根据权利要求5所述的基于学生知识点诊断的只能组卷的方法,其特征在于,所述错题评分值an通过以下方法得到:
an=x%b×y%(c+1)×z%(d+1)×m%e,
其中,b是试题满分分值,x%是试题满分分值的权重,c是试题区分度,y%是试题区分度的权重,d是所述知识点个人得分率和班级得分率的差值,z%是得分率差值的权重,e是时间因子,m%是时间因子权重;所述时间因子是所述考试时间的时间戳。
7.根据权利要求6所述的基于学生知识点诊断的只能组卷的方法,其特征在于,所述试题区分度c通过以下方法得到:
c=(v1-v2)/b;
其中,v1是成绩排名前27%的考试成绩平均分,v2是成绩排名后27%的所述考试成绩平均分。
8.根据权利要求1所述的基于学生知识点诊断的只能组卷的方法,其特征在于,所述S5包括设置薄弱知识点阈值和优势知识点阈值:
当所述知识点掌握度排序在所述薄弱知识点阈值之前且有相关原错题的知识点确定为薄弱知识点;
当所述知识点掌握度排序在所述优势知识点阈值之后的知识点确定为优势知识点。
9.根据权利要求1所述的基于学生知识点诊断的只能组卷的方法,其特征在于,所述S7包括:
S71、依据所述S2中的组卷要求和所述S6中所确定的知识点域,对知识点进行筛选,形成测试知识点域R(R1,R2,......,Ri),其中Ri为第i个知识点;
S72、依据所述S2中的组卷要求,从所述试卷模板库中确定试卷模板;
S73、根据所述S71中的测试知识点域R及所述S72中的试卷模板,从测试知识点域R中选择抽题知识点,从所述试题库中抽取与该知识点相关试题,该知识点抽题结束将当前抽题知识点从测试知识点域R中排除,依次对余下的测试知识点进行抽题,直到完成试卷模板中所有试题的抽取。
10.根据根据权利要求9所述的基于学生知识点诊断的只能组卷的方法,其特征在于,所述S73包括:
S731、分析所述试卷模板中所有题型的难度情况,按难度由高到低进行排序,根据题型排列顺序,选取待抽取试题题型;
S732、分析所述测试知识点域R中各知识点要求掌握程度,按照要求掌握程度由高到低排序,调整测试知识点域R中的知识点顺序(R1,R2,......,Ri),其中R1表示第一个抽题知识点;根据测试知识点域R中知识点排列顺序,依序选择抽题知识点;
S733、依据所述S731所选取的题型和所述S732所选取的测试知识点,从试题库中抽取符合要求的试题。
11.根据根据权利要求10所述的基于学生知识点诊断的只能组卷的方法,其特征在于,所述S733包括:
S7331、剔除试题中包含已考核过知识点的所有试题,保留符合条件的试题。其中,试题难度及区分度与所述组卷要求一致;
S7332、若符合条件的试题数量大于1,自动从符合条件的试题中选取包含测试知识点数量最多的一道试题;若试题中包含知识点数量相同,则选取试题区分度最大的一道试题;
S7333、每确定一道试题,将试题中包含的所有测试知识点从测试知识点域R中排除,并放入已考核知识点域X内;更新测试知识点域R,选择下一个测试知识点,然后更新X,用于选择试题时排除已考核过知识点的试题;
S7334、判断试卷中当前题型的题目是否全部抽取完毕,如果没有,继续步骤S732,选择测试知识点域R中下一个知识点进行抽题;否则,进入下一步;
S7335、判断试卷中所有题型是否全部抽取完毕,如果没有,继续步骤S731,选择下一个题型,否则,表示试卷中所有试题抽取完毕。
12.根据权利要求9所述的基于学生知识点诊断的只能组卷的方法,其特征在于,所述S7还包括设置优先级:
第一优先级,当年参加升学考试的学生依据试卷模板从试题库中抽取题目,按照期末检测、期中检测、月考试卷、单元测试、课后作业、当堂检测、课前作业、系统推荐作业依次排序;
第二优先级,当年不参加升学考试的学生依据试卷模板从试题库中抽取题目,按照课前作业、当堂检测、课后作业、单元测试、月考试卷、期中试卷、期末试卷、升学考试、系统推荐作业依次排序。
13.根据权利要求1所述的基于学生知识点诊断的智能组卷的方法,其特征在于,所述S8中试卷的属性包括:
试题赋予分值、试卷名称、试卷类型、所属科目、年级、单元、课文、试卷格式、注意事项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011584346.2A CN112669006A (zh) | 2020-12-28 | 2020-12-28 | 一种基于学生知识点诊断的智能组卷的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011584346.2A CN112669006A (zh) | 2020-12-28 | 2020-12-28 | 一种基于学生知识点诊断的智能组卷的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112669006A true CN112669006A (zh) | 2021-04-16 |
Family
ID=75411171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011584346.2A Pending CN112669006A (zh) | 2020-12-28 | 2020-12-28 | 一种基于学生知识点诊断的智能组卷的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112669006A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269666A (zh) * | 2021-07-19 | 2021-08-17 | 北京爱论答科技有限公司 | 基于试卷的备课方法、装置及存储介质 |
CN113360631A (zh) * | 2021-05-26 | 2021-09-07 | 医声医事(北京)科技有限公司 | 一种智能组卷方法及装置 |
CN113377942A (zh) * | 2021-07-12 | 2021-09-10 | 北京乐学帮网络技术有限公司 | 一种试卷生成方法、装置、计算机设备及存储介质 |
CN113535935A (zh) * | 2021-06-18 | 2021-10-22 | 华南师范大学 | 基于重要程度和优先级的组卷方法、装置、设备及介质 |
CN113870634A (zh) * | 2021-09-24 | 2021-12-31 | 华中科技大学 | 一种结合虚拟教学的智能组卷方法与系统 |
CN113887968A (zh) * | 2021-10-09 | 2022-01-04 | 陕西万唯教育传媒有限公司 | 一种试卷定时发放与结果输出方法、系统及设备 |
CN114238613A (zh) * | 2022-02-22 | 2022-03-25 | 北京一起航帆科技有限公司 | 一种确定知识点掌握程度的方法、装置及电子设备 |
CN114461787A (zh) * | 2022-04-13 | 2022-05-10 | 北京东大正保科技有限公司 | 一种试题分发方法和系统 |
CN115658928A (zh) * | 2022-12-14 | 2023-01-31 | 成都泰盟软件有限公司 | 一种组卷试卷的方法、装置、计算机设备及存储介质 |
CN116542829A (zh) * | 2023-07-03 | 2023-08-04 | 江西师范大学 | 一种个性化智能组卷及线上考试方法 |
CN116561260A (zh) * | 2023-07-10 | 2023-08-08 | 北京十六进制科技有限公司 | 一种基于语言模型的习题生成方法、设备及介质 |
CN117151070A (zh) * | 2023-10-31 | 2023-12-01 | 联城科技(河北)股份有限公司 | 试卷组题方法、装置、设备及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777223A (zh) * | 2016-12-26 | 2017-05-31 | 广州迅云教育科技有限公司 | 一种联想型微课资源库构建方法及系统 |
CN109299882A (zh) * | 2018-10-11 | 2019-02-01 | 四川生学教育科技有限公司 | 一种成绩分析、诊断预测和学习资源推送方法及平台 |
CN109783601A (zh) * | 2018-11-23 | 2019-05-21 | 浙江蓝鸽科技有限公司 | 基于测试知识点的计算机智能组卷方法及其系统 |
CN110704746A (zh) * | 2019-10-10 | 2020-01-17 | 江苏曲速教育科技有限公司 | 根据强弱知识点分析结果进行推荐测试题方法和系统 |
CN110718105A (zh) * | 2019-10-10 | 2020-01-21 | 江苏曲速教育科技有限公司 | 个性化个人假期作业本、生成方法及使用方法 |
CN110807962A (zh) * | 2019-11-19 | 2020-02-18 | 浙江创课网络科技有限公司 | 一种智能组卷考试系统 |
-
2020
- 2020-12-28 CN CN202011584346.2A patent/CN112669006A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777223A (zh) * | 2016-12-26 | 2017-05-31 | 广州迅云教育科技有限公司 | 一种联想型微课资源库构建方法及系统 |
CN109299882A (zh) * | 2018-10-11 | 2019-02-01 | 四川生学教育科技有限公司 | 一种成绩分析、诊断预测和学习资源推送方法及平台 |
CN109783601A (zh) * | 2018-11-23 | 2019-05-21 | 浙江蓝鸽科技有限公司 | 基于测试知识点的计算机智能组卷方法及其系统 |
CN110704746A (zh) * | 2019-10-10 | 2020-01-17 | 江苏曲速教育科技有限公司 | 根据强弱知识点分析结果进行推荐测试题方法和系统 |
CN110718105A (zh) * | 2019-10-10 | 2020-01-21 | 江苏曲速教育科技有限公司 | 个性化个人假期作业本、生成方法及使用方法 |
CN110807962A (zh) * | 2019-11-19 | 2020-02-18 | 浙江创课网络科技有限公司 | 一种智能组卷考试系统 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113360631A (zh) * | 2021-05-26 | 2021-09-07 | 医声医事(北京)科技有限公司 | 一种智能组卷方法及装置 |
CN113535935B (zh) * | 2021-06-18 | 2023-05-30 | 华南师范大学 | 基于重要程度和优先级的组卷方法、装置、设备及介质 |
CN113535935A (zh) * | 2021-06-18 | 2021-10-22 | 华南师范大学 | 基于重要程度和优先级的组卷方法、装置、设备及介质 |
CN113377942A (zh) * | 2021-07-12 | 2021-09-10 | 北京乐学帮网络技术有限公司 | 一种试卷生成方法、装置、计算机设备及存储介质 |
CN113269666A (zh) * | 2021-07-19 | 2021-08-17 | 北京爱论答科技有限公司 | 基于试卷的备课方法、装置及存储介质 |
CN113870634A (zh) * | 2021-09-24 | 2021-12-31 | 华中科技大学 | 一种结合虚拟教学的智能组卷方法与系统 |
CN113887968A (zh) * | 2021-10-09 | 2022-01-04 | 陕西万唯教育传媒有限公司 | 一种试卷定时发放与结果输出方法、系统及设备 |
CN114238613A (zh) * | 2022-02-22 | 2022-03-25 | 北京一起航帆科技有限公司 | 一种确定知识点掌握程度的方法、装置及电子设备 |
CN114461787A (zh) * | 2022-04-13 | 2022-05-10 | 北京东大正保科技有限公司 | 一种试题分发方法和系统 |
CN115658928A (zh) * | 2022-12-14 | 2023-01-31 | 成都泰盟软件有限公司 | 一种组卷试卷的方法、装置、计算机设备及存储介质 |
CN116542829A (zh) * | 2023-07-03 | 2023-08-04 | 江西师范大学 | 一种个性化智能组卷及线上考试方法 |
CN116561260A (zh) * | 2023-07-10 | 2023-08-08 | 北京十六进制科技有限公司 | 一种基于语言模型的习题生成方法、设备及介质 |
CN117151070A (zh) * | 2023-10-31 | 2023-12-01 | 联城科技(河北)股份有限公司 | 试卷组题方法、装置、设备及计算机可读存储介质 |
CN117151070B (zh) * | 2023-10-31 | 2024-01-23 | 联城科技(河北)股份有限公司 | 试卷组题方法、装置、设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112669006A (zh) | 一种基于学生知识点诊断的智能组卷的方法 | |
Mao et al. | Validation of automated scoring for a formative assessment that employs scientific argumentation | |
CN111062842A (zh) | 动态生成个性化题目的方法及装置 | |
CN112508334A (zh) | 融合认知特性及试题文本信息的个性化组卷方法及系统 | |
CN107067849A (zh) | 基于云教学平台的家长端系统 | |
CN112699283B (zh) | 试卷生成方法及装置 | |
CN110704746A (zh) | 根据强弱知识点分析结果进行推荐测试题方法和系统 | |
KR20190098376A (ko) | 대학입시 합격 예측 방법 | |
CN113590956A (zh) | 知识点推荐方法、装置、终端及计算机可读存储介质 | |
CN112132717A (zh) | 基于大数据的智能分班方法和系统 | |
Thomas | An analysis of the research methodology of the Ramirez study | |
CN117150151B (zh) | 一种基于大语言模型的错题分析及试题推荐系统和方法 | |
Simsek et al. | The Use of Expert Systems in Individualized Online Exams. | |
CN112132715A (zh) | 智能课件管理方法和系统 | |
CN112364123A (zh) | 一种题库自动组题及难易度实时更新方法 | |
CN116307877A (zh) | 一种基于grm模型的作业四象限评估学生能力方法 | |
CN113076835B (zh) | 基于回归分析的教学评价方法及系统 | |
CN115269812A (zh) | 题目推荐方法、装置、设备及存储介质 | |
Agustianti et al. | The Correlation between University Students’ Vocabulary Learning Strategies and The Vocabulary Mastery Level: The Correlation between The Students' Vocabulary Learning Strategies and Vocabulary Mastery Level | |
JP2006139130A (ja) | カリキュラム解析システム、及び方法 | |
CN112614034A (zh) | 一种试题推荐方法、装置、电子设备和可读存储介质 | |
CN108255833B (zh) | 一种知识信息互动方法及系统 | |
Davis | Criterion-Referenced Measurement. | |
Ananda et al. | Implementation Inquiry Model with Examples and Non Examples to Enhance The Mathematical Conceptual Understanding of Primary School Students | |
CN112908067B (zh) | 一种基于多维度分层机制的学生作业分发系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210416 |
|
RJ01 | Rejection of invention patent application after publication |