CN112860756A - 基于习题测试的学习资源推荐方法、装置及计算机设备 - Google Patents
基于习题测试的学习资源推荐方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN112860756A CN112860756A CN202110439178.6A CN202110439178A CN112860756A CN 112860756 A CN112860756 A CN 112860756A CN 202110439178 A CN202110439178 A CN 202110439178A CN 112860756 A CN112860756 A CN 112860756A
- Authority
- CN
- China
- Prior art keywords
- data
- knowledge point
- learning
- target
- test question
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013210 evaluation model Methods 0.000 claims abstract description 24
- 238000013101 initial test Methods 0.000 claims description 158
- 230000004044 response Effects 0.000 claims description 18
- 238000007476 Maximum Likelihood Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007596 consolidation process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013102 re-test Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- 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)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了基于习题测试的学习资源推荐方法、装置、计算机设备及存储介质,涉及大数据技术,先获取用户针对与学习课程数据相对应的初始测试题数据集分别对应的知识点能力值后,再获取知识点能力值低于知识点能力阈值的目标知识点能力值及对应的目标选择信息,若对应选择继续学习则获取对应的目标学习资源数据并发送至用户端。实现了基于知识点能力值评估模型实时评估用户的测试结果以智能推荐下一步的学习路径,使得学习路径的获取效率更高。
Description
技术领域
本发明涉及大数据的数据分析技术领域,尤其涉及一种基于习题测试的学习资源推荐方法、装置、计算机设备及存储介质。
背景技术
目前,用户学习知识(如金融知识、保险知识、科学知识等)的学习模式,学习的内容是线状、平面化的,知识点之间是切割成块的。随着互联网和大数据的普及,传统的学习模式越来越难以满足用户日益增长的个性化学习需求,从而出现了互联网教育模式。互联网教育中出现了大量的在线教育智能产品,包括拍照搜题类、测评组卷类、智能作文批改类等,然而一方面这些工具都是基于学习过程中的某一个环节的,而不是完整的学习路径。另一方面,这些工具并不能很好的应用于当前的专业知识的学习培训场景中。
发明内容
本发明实施例提供了一种基于习题测试的学习资源推荐方法、装置、计算机设备及存储介质,旨在解决现有技术中在线教育智能产品是基于学习过程中的某一个环节的,而不是向用户准确的推送完整的学习路径的问题。
第一方面,本发明实施例提供了一种基于习题测试的学习资源推荐方法,其包括:
若检测到学习目标数据,调用预先存储的推荐策略获取与所述学习目标数据对应的学习课程数据并发送至用户端,在本地的资源数据库中获取与所述学习课程数据对应的初始测试题数据集;
将所述初始测试题数据集发送至用户端;
若检测并接收到用户端发送的与所述初始测试题数据集中任意一条初始测试题数据对应的初始答复数据,调用预先存储的知识点能力值评估模型计算获取初始答复数据对应的知识点能力值,直至获取到所述初始测试题数据集中所有初始测试题数据分别对应的知识点能力值;
判断所述初始测试题数据集中各条初始测试题数据分别对应的知识点能力值中是否存在有低于预设的知识点能力阈值的知识点能力值;
若有初始测试题数据对应的知识点能力值低于所述知识点能力阈值,获取低于所述知识点能力阈值的知识点能力值作为目标知识点能力值,并获取所述目标知识点能力值对应的目标选择信息;其中,所述目标选择信息是用于通知服务器确定继续学习知识点的第一选择信息,或用于通知服务器确定不继续学习知识点的第二选择信息;
判断所述目标选择信息是第一选择信息或者是第二选择信息;
若所述目标选择信息是第一选择信息,在所述资源数据库中获取与所述目标知识点能力值对应的目标学习资源数据,将所述目标学习资源数据发送至用户端;
若检测并接收到用户端发送的完成指令,在所述资源数据库中获取与所述目标知识点能力值对应的自适应测试题数据组成当前测试题数据集,通过所述当前测试题数据集对初始测试题数据集进行更新,返回执行所述将所述初始测试题数据集发送至用户端的步骤;以及
若没有初始测试题数据对应的知识点能力值低于所述知识点能力阈值,结束流程。
第二方面,本发明实施例提供了一种基于习题测试的学习资源推荐装置,其包括:
初始测试集获取单元,用于若检测到学习目标数据,调用预先存储的推荐策略获取与所述学习目标数据对应的学习课程数据并发送至用户端,在本地的资源数据库中获取与所述学习课程数据对应的初始测试题数据集;
初始测试集发送单元,用于将所述初始测试题数据集发送至用户端;
知识点能力值获取单元,用于若检测并接收到用户端发送的与所述初始测试题数据集中任意一条初始测试题数据对应的初始答复数据,调用预先存储的知识点能力值评估模型计算获取初始答复数据对应的知识点能力值,直至获取到所述初始测试题数据集中所有初始测试题数据分别对应的知识点能力值;
能力值判断单元,用于判断所述初始测试题数据集中各条初始测试题数据分别对应的知识点能力值中是否存在有低于预设的知识点能力阈值的知识点能力值;
目标选择信息生成单元,用于若有初始测试题数据对应的知识点能力值低于所述知识点能力阈值,获取低于所述知识点能力阈值的知识点能力值作为目标知识点能力值,并获取所述目标知识点能力值对应的目标选择信息;其中,所述目标选择信息是用于通知服务器确定继续学习知识点的第一选择信息,或用于通知服务器确定不继续学习知识点的第二选择信息;
选择信息判断单元,用于判断所述目标选择信息是第一选择信息或者是第二选择信息;
目标学习资源数据获取单元,用于若所述目标选择信息是第一选择信息,在所述资源数据库中获取与所述目标知识点能力值对应的目标学习资源数据,将所述目标学习资源数据发送至用户端;
当前测试题数据集获取单元,用于若检测并接收到用户端发送的完成指令,在所述资源数据库中获取与所述目标知识点能力值对应的自适应测试题数据组成当前测试题数据集,通过所述当前测试题数据集对初始测试题数据集进行更新,返回执行所述将所述初始测试题数据集发送至用户端的步骤;以及
流程结束控制单元,用于若没有初始测试题数据对应的知识点能力值低于所述知识点能力阈值,结束流程。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的基于习题测试的学习资源推荐方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于习题测试的学习资源推荐方法。
本发明实施例提供了一种基于习题测试的学习资源推荐方法、装置、计算机设备及存储介质,先获取用户针对与学习课程数据相对应的初始测试题数据集分别对应的知识点能力值后,再获取知识点能力值低于知识点能力阈值的目标知识点能力值及对应的目标选择信息,若对应选择继续学习则获取对应的目标学习资源数据并发送至用户端。实现了基于知识点能力值评估模型实时评估用户的测试结果以智能推荐下一步的学习路径,使得学习路径的获取效率更高。
附图说明
为了更清楚地说明本发明实施例技术方案,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为本发明实施例提供的基于习题测试的学习资源推荐方法的应用场景示意图;
图2为本发明实施例提供的基于习题测试的学习资源推荐方法的流程示意图;
图3为本发明实施例提供的基于习题测试的学习资源推荐装置的示意性框图;
图4为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1和图2,图1为本发明实施例提供的基于习题测试的学习资源推荐方法的应用场景示意图;图2为本发明实施例提供的基于习题测试的学习资源推荐方法的流程示意图,该基于习题测试的学习资源推荐方法应用于服务器中,该方法通过安装于服务器中的应用软件进行执行。
如图2所示,该方法包括步骤S101~S109。
S101、若检测到学习目标数据,调用预先存储的推荐策略获取与所述学习目标数据对应的学习课程数据并发送至用户端,在本地的资源数据库中获取与所述学习课程数据对应的初始测试题数据集。
在本实施例中,为了更清楚的理解本申请的技术方案,下面对所涉及的终端进行详细介绍。本申请是在服务器的角度描述技术方案。
第一是服务器,在服务器中存储的本地存储有各种试题资源、学习视频资源、学习文档资源,上述资源均存储在服务器本地的资源数据库中。在服务器中还存储有用于根据学习目标数据对应推荐学习课程数据的推荐策略。在服务器中还存储有用于评估用户答题能力的知识点能力值评估模型。
第二是用户端,用户端可以登陆服务器后,可以向其发送学习目标数据,之后接收服务器根据学习目标数据反馈的学习课程数据以及初始测试题数据集。当用户端将根据初始测试题数据集中任意一条初始测试题数据对应反馈初始答复数据后,服务器会根据知识点能力值评估模型计算这一初始测试题数据对应的知识点能力值。
当用户端登陆服务器后,可以是用户编辑文本以生成学习目标数据(从该学习目标数据中,服务器可以获知用户希望掌握哪一方面的知识点,例如理财知识点、核保知识点等),或者是在服务器提供的知识点目录选定待学知识点清单后生成学习目标数据,或者是服务器根据用户端对应的用户账号以及历史知识点学习记录直接推荐学习目标数据。其中,服务器中的推荐策略至少可以包括以下几种实现方式:一是根据学习目标数据对应的知识点关键词在本地对应检索获取学习课程数据(第一种实现方式是根据关键词推荐学习课程数据);二是在根据学习目标数据对应的知识点目录中选定待学知识点清单后在本地对应检索获学习目标数据(第二种实现方式是根据所选定待学知识点清单推荐学习课程数据);三是根据用户端对应的用户账号以及历史知识点学习记录在本地对应检索获取系统自动推荐的学习目标数据(第三种实现方式是根据用户账号及历史学习记录推荐学习课程数据)。
在一实施例中,步骤S101包括:
获取所述学习目标数据对应的知识点关键词集;
调用预先存储的推荐策略,根据所述推荐策略获取所述知识点关键词集中每一知识点关键词对应的学习课程子数据,组成学习课程数据并发送至用户端;
若检测到用户端发送的测试申请指令,在本地的资源数据库中获取与每一学习课程子数据对应的测试题子数据,组成初始测试题数据集。
在本实施例中,一旦服务器检测到学习目标数据,此时是先获取所述学习目标数据对应的知识点关键词集,然后根据知识点关键词集以及预先存储的推荐策略,获取每一知识点关键词对应的学习课程子数据,组成学习课程数据并发送至用户端。用户端在接收到该课程学习数据后先是进行学习,在知识点学习完成之后则可以进行测试申请,以请求向服务器申请获取与课程学习数据相关的初始测试题数据集。
更具体的,当服务器接收到了测试申请后,此时需要进一步判断该用户在服务器中对应存储的用户数据中判断是否有对应的知识点能力值,如果有对应的知识点能力值则根据该知识点能力值自适应出题。如果没有对应的知识点能力值则在本地的资源数据库中获取与每一学习课程子数据对应的测试题子数据,组成初始测试题数据集。
S102、将所述初始测试题数据集发送至用户端。
在本实施例中,当在服务器中根据学习课程数据对应获取初始测试题数据集后,将所述初始测试题数据集发送至用户端以进行测试。
S103、若检测并接收到用户端发送的与所述初始测试题数据集中任意一条初始测试题数据对应的初始答复数据,调用预先存储的知识点能力值评估模型获取计算获取初始答复数据对应的知识点能力值,直至获取到所述初始测试题数据集中所有初始测试题数据分别对应的知识点能力值。
在本实施例中,当用户端接收到了初始测试题数据集后,可以根据各测试题进行作答,此时有两种方式获取用户针对每一测试题的知识点能力值。第一种是用户端每答复一道初始测试题数据(答复一道初始测试题数据可以理解为答复一道测试题)并上传对应的初始答复数据后,服务器实时调用预先存储的知识点能力值评估模型获取计算获取初始答复数据对应的知识点能力值,直至用户将每一道初始测试题数据对应的初始答复数据均上传至服务器后,服务器在计算完最后一道初始测试题数据对应的初始答复数据对应的知识点能力值之后,即完成了针对所有测试题的答题能力值评估。
在一实施例中,所述调用预先存储的知识点能力值评估模型计算获取初始答复数据对应的知识点能力值,包括:
获取初始答复数据对应的试题工作量值、受试者对于知识板块的能力水平值、与初始答复数据对应的实际观测结果值;
将初始答复数据对应的试题工作量值、受试者对于知识板块的能力水平值、与初始答复数据对应的实际观测结果值输入至极大似然估计模型进行计算,得到极大似然估计结果;
将极大似然估计结果作为反应理论模型的输出进行计算,得到与初始答复数据对应的知识点能力值。
其中,所调用的知识点能力值评估模型是中包括项目反应理论模型和极大似然估计模型,两个模型相结合即可用于根据用户答题回复的答复数据计算知识点能力值;其中,项目反应理论模型(具体为Rasch模型)的模型如下:
在计算对应的能力值时,还需要结合极大似然估计log likelihood评估用户能
力值,在结合极大似然估计评估用户能力值是还要考虑试题的难度、区分度,训练试题工作
量对似然值进行调整,而且为了防止全部是简单题时,能力值溢出,增加惩罚系数,同时还
增加用户学习速率系数以及遗忘指数。极大似然估计模型如下:
其中表示试题工作量(可以理解为初始答复数据对应的试题工作量值),受
试者i对于一个知识板块的能力水平(可以理解为受试者对于知识板块的能力水平值),
观测到的实际项目j的结果(可以理解为与初始答复数据对应的实际观测结果值)。
结合了极大似然估计模型和项目反应理论模型后,即可在答题过程中计算用户的知识点能力值。
作为获取用户针对每一测试题的知识点能力值的第二种实现方式,可以是用户先根据初始测试题数据集中每一初始测试题数据进行作答回复了对应的初始答复数据后,将各初始答复数据组成初始答复数据集并发送至服务器。服务器在完全答题结束之后再对每一道初始答复数据的知识点能力值进行计算,所调用的知识点能力值评估模型与第一种实时的知识点能力值计算所用到的知识点能力值评估模型相同。
S104、判断所述初始测试题数据集中各条初始测试题数据分别对应的知识点能力值中是否存在有低于预设的知识点能力阈值的知识点能力值。
在本实施例中,若计算得到了所述初始测试题数据集中各条初始测试题数据分别对应的知识点能力值后,此时需要判断是否存在有初始测试题数据对应的知识点能力值低于预设的知识点能力阈值。若有初始测试题数据对应的知识点能力值低于所述知识点能力阈值,则表示用户针对这一条初始测试题数据对应的知识点掌握不够熟练,需要继续学习巩固知识点后再次进行测试。
S105、若有初始测试题数据对应的知识点能力值低于所述知识点能力阈值,获取低于所述知识点能力阈值的知识点能力值作为目标知识点能力值,并获取对所述目标知识点能力值应的目标选择信息;其中,所述目标选择信息是用于通知服务器确定继续学习知识点的第一选择信息,或用于通知服务器确定不继续学习知识点的第二选择信息。
在本实施例中,若有初始测试题数据对应的知识点能力值低于所述知识点能力阈值,服务器需要针对该条初始测试题数据生成形式为提示弹窗的目标选择信息。该目标选择信息是用于通知服务器确定继续学习知识点的第一选择信息,或用于通知服务器确定不继续学习知识点的第二选择信息,也即用户端在接收到了弹窗形式的目标选择信息后,可以选择“继续学习”这一虚拟按钮以触发生成第一选择信息并发送至服务器,也可以选择“不继续学习”这一虚拟按钮以触发生成第二选择信息并发送至服务器。
S106、判断所述目标选择信息是第一选择信息或者是第二选择信息。
在本实施例中,当服务器接收到了用户端针对知识点能力值低于所述知识点能力阈值的某一初始测试题数据对应的目标选择信息后,此时需要先判断用户选择的是第一选择信息或者是第二选择信息,从而确定后续数据推送方式。
S107、若所述目标选择信息是第一选择信息,在所述资源数据库中获取与所述目标知识点能力值对应的目标学习资源数据,将所述目标学习资源数据发送至用户端。
在本实施例中,当服务器接收到了用户端针对知识点能力值低于所述知识点能力阈值的某一初始测试题数据对应的目标选择信息并判断其为第一选择信息后,表示用户需要继续学习该初始测试题数据对应的学习资源数据,此时
在一实施例中,所述目标学习资源数据为与所述目标知识点能力值相应初始测试题数据对应的学习音视频资源和/或学习文本资源。也即用户可以通过音频、视频和/或文本的方式来继续学习知识点后重新参与测试。
在一实施例中,所述步骤S107包括:
获取与所述目标知识点能力值对应的目标初始测试题数据,及与所述目标初始测试题数据对应的目标知识点关键词;
在所述资源数据库中获取与所述目标知识点关键词对应的目标知识点数据,并生成与所述目标知识点数据对应的当前第一提示信息;其中,所述当前第一提示信息是用于通知服务器确定继续学习目标知识点数据的当前第一选择信息,或用于通知服务器确定不继续学习目标知识点数据的当前第二选择信息;
判断所述当前第一提示信息是当前第一选择信息或者是当前第二选择信息;
若所述当前第一提示信息是当前第一选择信息,在所述资源数据库中获取与目标知识点数据对应的学习音视频资源和/或学习文本资源,组成目标学习资源数据并发送至用户端;
若所述当前第一提示信息是当前第二选择信息,判断所述资源数据库中是否存在有与目标知识点数据对应的前置知识点数据;
若所述资源数据库中存在有与目标知识点数据对应的前置知识点数据,由所述前置知识点数据组成目标学习资源数据并发送至用户端;
若所述资源数据库中不存在有与目标知识点数据对应的前置知识点数据,执行步骤S108。
在本实施例中,当用户针对目标知识点能力值对应的目标初始测试题数据进行知识点巩固时,可以是学习针对该知识点的学习音视频资源和/或学习文本资源,也可以是学习针对该知识点的前置知识点(前置知识点与该知识点的关联度较高,一般是先学习了前置知识点后能更加清楚的理解该知识点)。
S108、若检测并接收到用户端发送的完成指令,在所述资源数据库中获取与所述目标知识点能力值对应的自适应测试题数据组成当前测试题数据集,通过所述当前测试题数据集对初始测试题数据集进行更新,返回执行所述将所述初始测试题数据集发送至用户端的步骤。
在本实施例中,当用户完成了针对目标知识点能力值对应的目标初始测试题数据的知识点巩固后,可以再次由服务器根据与所述目标知识点能力值对应的自适应测试题数据组成当前测试题数据集,通过所述当前测试题数据集对初始测试题数据集进行更新,从而实现再次测试。
若所述目标选择信息是第二选择信息,返回执行步骤S102。
在本实施例中,若所述目标选择信息是第二选择信息,表示用户有可能是因为不是知识点掌握不够而导致的选择错误,而是笔误或是粗心大意导致的选择错误,此时可以直接跳转重新测试。
S109、若没有初始测试题数据对应的知识点能力值低于所述知识点能力阈值,结束流程。
在本实施例中,若没有初始测试题数据对应的知识点能力值低于所述知识点能力阈值,表示用户对各初始测试题数据对应的知识点掌握程度较高且答题正确率高,此时可以直接不用再次测试,直接结束流程即可。
在一实施例中,步骤S109之后还包括:
若检测到用户端上传的更新后学习数据或者是更新后测试题数据,获取更新后学习数据或者是更新后测试题数据与所述资源数据库中的关联知识点数据,构建与关联知识点数据的关联关系以更新所述资源数据库对应的知识图谱。
在本实施例中,自适应学习系统的科学性首先表现在科学的网状知识图谱,是自适应学习的基础,是有知识点、知识点关系以及资源库(包括试题、学堂直播、文本资源)共同组成,系统初期存在一个由专家构建的初始化网络,随着用户学习数据的不断收集,大数据不断学习,可以不断调整网络关系、更新资源库,使知识图谱更加合理、智能。
该方法实现了基于知识点能力值评估模型实时评估用户的测试结果以智能推荐下一步的学习路径,使得学习路径的获取效率更高。
本发明实施例还提供一种基于习题测试的学习资源推荐装置,该基于习题测试的学习资源推荐装置用于执行前述基于习题测试的学习资源推荐方法的任一实施例。具体地,请参阅图3,图3是本发明实施例提供的基于习题测试的学习资源推荐装置的示意性框图。该基于习题测试的学习资源推荐装置100可以配置于服务器中。
如图3所示,基于习题测试的学习资源推荐装置100包括:初始测试集获取单元101、初始测试集发送单元102、知识点能力值获取单元103、能力值判断单元104、目标选择信息生成单元105、选择信息判断单元106、目标学习资源数据获取单元107、当前测试题数据集获取单元108、流程结束控制单元109。
初始测试集获取单元101,用于若检测到学习目标数据,调用预先存储的推荐策略获取与所述学习目标数据对应的学习课程数据并发送至用户端,在本地的资源数据库中获取与所述学习课程数据对应的初始测试题数据集。
在本实施例中,当用户端登陆服务器后,可以是用户编辑文本以生成学习目标数据(从该学习目标数据中,服务器可以获知用户希望掌握哪一方面的知识点,例如理财知识点、核保知识点等),或者是在服务器提供的知识点目录选定待学知识点清单后生成学习目标数据,或者是服务器根据用户端对应的用户账号以及历史知识点学习记录直接推荐学习目标数据。
在一实施例中,初始测试集获取单元101还用于:
获取所述学习目标数据对应的知识点关键词集;
调用预先存储的推荐策略,根据所述推荐策略获取所述知识点关键词集中每一知识点关键词对应的学习课程子数据,组成学习课程数据并发送至用户端;
若检测到用户端发送的测试申请指令,在本地的资源数据库中获取与每一学习课程子数据对应的测试题子数据,组成初始测试题数据集。
在本实施例中,一旦服务器检测到学习目标数据,此时是先获取所述学习目标数据对应的知识点关键词集,然后根据知识点关键词集以及预先存储的推荐策略,获取每一知识点关键词对应的学习课程子数据,组成学习课程数据并发送至用户端。用户端在接收到该课程学习数据后先是进行学习,在知识点学习完成之后则可以进行测试申请,以请求向服务器申请获取与课程学习数据相关的初始测试题数据集。
更具体的,当服务器接收到了测试申请后,此时需要进一步判断该用户在服务器中对应存储的用户数据中判断是否有对应的知识点能力值,如果有对应的知识点能力值则根据该知识点能力值自适应出题。如果没有对应的知识点能力值则在本地的资源数据库中获取与每一学习课程子数据对应的测试题子数据,组成初始测试题数据集。
初始测试集发送单元102,用于将所述初始测试题数据集发送至用户端。
在本实施例中,当在服务器中根据学习课程数据对应获取初始测试题数据集后,将所述初始测试题数据集发送至用户端以进行测试。
知识点能力值获取单元103,用于若检测并接收到用户端发送的与所述初始测试题数据集中任意一条初始测试题数据对应的初始答复数据,调用预先存储的知识点能力值评估模型获取计算获取初始答复数据对应的知识点能力值,直至获取到所述初始测试题数据集中所有初始测试题数据分别对应的知识点能力值。
在本实施例中,当用户端接收到了初始测试题数据集后,可以根据各测试题进行作答,此时有两种方式获取用户针对每一测试题的知识点能力值。第一种是用户端每答复一道初始测试题数据(答复一道初始测试题数据可以理解为答复一道测试题)并上传对应的初始答复数据后,服务器实时调用预先存储的知识点能力值评估模型获取计算获取初始答复数据对应的知识点能力值,直至用户将每一道初始测试题数据对应的初始答复数据均上传至服务器后,服务器在计算完最后一道初始测试题数据对应的初始答复数据对应的知识点能力值之后,即完成了针对所有测试题的答题能力值评估。
在一实施例中,所述调用预先存储的知识点能力值评估模型计算获取初始答复数据对应的知识点能力值,包括:
获取初始答复数据对应的试题工作量值、受试者对于知识板块的能力水平值、与初始答复数据对应的实际观测结果值;
将初始答复数据对应的试题工作量值、受试者对于知识板块的能力水平值、与初始答复数据对应的实际观测结果值输入至极大似然估计模型进行计算,得到极大似然估计结果;
将极大似然估计结果作为反应理论模型的输出进行计算,得到与初始答复数据对应的知识点能力值。
其中,所调用的知识点能力值评估模型是项目反应理论模型(具体为Rasch模型)该模型如下:
在计算对应的能力值时,还需要结合极大似然估计log likelihood评估用户能
力值,在结合极大似然估计评估用户能力值是还要考虑试题的难度、区分度,训练试题工作
量对似然值进行调整,而且为了防止全部是简单题时,能力值溢出,增加惩罚系数,同时还
增加用户学习速率系数以及遗忘指数。极大似然估计模型如下:
其中表示试题工作量(可以理解为初始答复数据对应的试题工作量值),受
试者i对于一个知识板块的能力水平(可以理解为受试者对于知识板块的能力水平值),
观测到的实际项目j的结果(可以理解为与初始答复数据对应的实际观测结果值)。
结合了极大似然估计模型和项目反应理论模型后,即可在答题过程中计算用户的知识点能力值。
作为获取用户针对每一测试题的知识点能力值的第二种实现方式,可以是用户先根据初始测试题数据集中每一初始测试题数据进行作答回复了对应的初始答复数据后,将各初始答复数据组成初始答复数据集并发送至服务器。服务器在完全答题结束之后再对每一道初始答复数据的知识点能力值进行计算,所调用的知识点能力值评估模型与第一种实时的知识点能力值计算所用到的知识点能力值评估模型相同。
能力值判断单元104,用于判断所述初始测试题数据集中各条初始测试题数据分别对应的知识点能力值中是否存在有低于预设的知识点能力阈值的知识点能力值。
在本实施例中,若计算得到了所述初始测试题数据集中各条初始测试题数据分别对应的知识点能力值后,此时需要判断是否存在有初始测试题数据对应的知识点能力值低于预设的知识点能力阈值。若有初始测试题数据对应的知识点能力值低于所述知识点能力阈值,则表示用户针对这一条初始测试题数据对应的知识点掌握不够熟练,需要继续学习巩固知识点后再次进行测试。
目标选择信息生成单元105,用于若有初始测试题数据对应的知识点能力值低于所述知识点能力阈值,获取低于所述知识点能力阈值的知识点能力值作为目标知识点能力值,并获取对所述目标知识点能力值应的目标选择信息;其中,所述目标选择信息是用于通知服务器确定继续学习知识点的第一选择信息,或用于通知服务器确定不继续学习知识点的第二选择信息。
在本实施例中,若有初始测试题数据对应的知识点能力值低于所述知识点能力阈值,服务器需要针对该条初始测试题数据生成形式为提示弹窗的目标选择信息。该目标选择信息是用于通知服务器确定继续学习知识点的第一选择信息,或用于通知服务器确定不继续学习知识点的第二选择信息,也即用户端在接收到了弹窗形式的目标选择信息后,可以选择“继续学习”这一虚拟按钮以触发生成第一选择信息并发送至服务器,也可以选择“不继续学习”这一虚拟按钮以触发生成第二选择信息并发送至服务器。
选择信息判断单元106,用于判断所述目标选择信息是第一选择信息或者是第二选择信息。
在本实施例中,当服务器接收到了用户端针对知识点能力值低于所述知识点能力阈值的某一初始测试题数据对应的目标选择信息后,此时需要先判断用户选择的是第一选择信息或者是第二选择信息,从而确定后续数据推送方式。
目标学习资源数据获取单元107,用于若所述目标选择信息是第一选择信息,在所述资源数据库中获取与所述目标知识点能力值对应的目标学习资源数据,将所述目标学习资源数据发送至用户端。
在本实施例中,当服务器接收到了用户端针对知识点能力值低于所述知识点能力阈值的某一初始测试题数据对应的目标选择信息并判断其为第一选择信息后,表示用户需要继续学习该初始测试题数据对应的学习资源数据,此时
在一实施例中,所述目标学习资源数据为与所述目标知识点能力值相应初始测试题数据对应的学习音视频资源和/或学习文本资源。也即用户可以通过音频、视频和/或文本的方式来继续学习知识点后重新参与测试。
在一实施例中,目标学习资源数据获取单元107还用于:
获取与所述目标知识点能力值对应的目标初始测试题数据,及与所述目标初始测试题数据对应的目标知识点关键词;
在所述资源数据库中获取与所述目标知识点关键词对应的目标知识点数据,并生成与所述目标知识点数据对应的当前第一提示信息;其中,所述当前第一提示信息是用于通知服务器确定继续学习目标知识点数据的当前第一选择信息,或用于通知服务器确定不继续学习目标知识点数据的当前第二选择信息;
判断所述当前第一提示信息是当前第一选择信息或者是当前第二选择信息;
若所述当前第一提示信息是当前第一选择信息,在所述资源数据库中获取与目标知识点数据对应的学习音视频资源和/或学习文本资源,组成目标学习资源数据并发送至用户端;
若所述当前第一提示信息是当前第二选择信息,判断所述资源数据库中是否存在有与目标知识点数据对应的前置知识点数据;
若所述资源数据库中存在有与目标知识点数据对应的前置知识点数据,由所述前置知识点数据组成目标学习资源数据并发送至用户端;
若所述资源数据库中不存在有与目标知识点数据对应的前置知识点数据,执行当前测试题数据集获取单元108所对应执行步骤。
在本实施例中,当用户针对目标知识点能力值对应的目标初始测试题数据进行知识点巩固时,可以是学习针对该知识点的学习音视频资源和/或学习文本资源,也可以是学习针对该知识点的前置知识点(前置知识点与该知识点的关联度较高,一般是先学习了前置知识点后能更加清楚的理解该知识点)。
当前测试题数据集获取单元108,用于若检测并接收到用户端发送的完成指令,在所述资源数据库中获取与所述目标知识点能力值对应的自适应测试题数据组成当前测试题数据集,通过所述当前测试题数据集对初始测试题数据集进行更新,返回执行所述将所述初始测试题数据集发送至用户端的步骤。
在本实施例中,当用户完成了针对目标知识点能力值对应的目标初始测试题数据的知识点巩固后,可以再次由服务器根据与所述目标知识点能力值对应的自适应测试题数据组成当前测试题数据集,通过所述当前测试题数据集对初始测试题数据集进行更新,从而实现再次测试。
若所述目标选择信息是第二选择信息,返回执行初始测试集发送单元102所对应执行的步骤。
在本实施例中,若所述目标选择信息是第二选择信息,表示用户有可能是因为不是知识点掌握不够而导致的选择错误,而是笔误或是粗心大意导致的选择错误,此时可以直接跳转重新测试。
流程结束控制单元109,用于若没有初始测试题数据对应的知识点能力值低于所述知识点能力阈值,结束流程。
在本实施例中,若没有初始测试题数据对应的知识点能力值低于所述知识点能力阈值,表示用户对各初始测试题数据对应的知识点掌握程度较高且答题正确率高,此时可以直接不用再次测试,直接结束流程即可。
在一实施例中,基于习题测试的学习资源推荐装置100还包括:
知识图谱更新单元,用于若检测到用户端上传的更新后学习数据或者是更新后测试题数据,获取更新后学习数据或者是更新后测试题数据与所述资源数据库中的关联知识点数据,构建与关联知识点数据的关联关系以更新所述资源数据库对应的知识图谱。
在本实施例中,自适应学习系统的科学性首先表现在科学的网状知识图谱,是自适应学习的基础,是有知识点、知识点关系以及资源库(包括试题、学堂直播、文本资源)共同组成,系统初期存在一个由专家构建的初始化网络,随着用户学习数据的不断收集,大数据不断学习,可以不断调整网络关系、更新资源库,使知识图谱更加合理、智能。
该装置实现了基于知识点能力值评估模型实时评估用户的测试结果以智能推荐下一步的学习路径,使得学习路径的获取效率更高。
上述基于习题测试的学习资源推荐装置可以实现为计算机程序的形式,该计算机程序可以在如图4所示的计算机设备上运行。
请参阅图4,图4是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图4,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行基于习题测试的学习资源推荐方法。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行基于习题测试的学习资源推荐方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图4中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现本发明实施例公开的基于习题测试的学习资源推荐方法。
本领域技术人员可以理解,图4中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图4所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元 (CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路 (Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现本发明实施例公开的基于习题测试的学习资源推荐方法。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或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 ) 执行本发明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)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于习题测试的学习资源推荐方法,其特征在于,包括:
若检测到学习目标数据,调用预先存储的推荐策略获取与所述学习目标数据对应的学习课程数据并发送至用户端,在本地的资源数据库中获取与所述学习课程数据对应的初始测试题数据集;
将所述初始测试题数据集发送至用户端;
若检测并接收到用户端发送的与所述初始测试题数据集中任意一条初始测试题数据对应的初始答复数据,调用预先存储的知识点能力值评估模型计算获取初始答复数据对应的知识点能力值,直至获取到所述初始测试题数据集中所有初始测试题数据分别对应的知识点能力值;
判断所述初始测试题数据集中各条初始测试题数据分别对应的知识点能力值中是否存在有低于预设的知识点能力阈值的知识点能力值;
若有初始测试题数据对应的知识点能力值低于所述知识点能力阈值,获取低于所述知识点能力阈值的知识点能力值作为目标知识点能力值,并获取所述目标知识点能力值对应的目标选择信息;其中,所述目标选择信息是用于通知服务器确定继续学习知识点的第一选择信息,或用于通知服务器确定不继续学习知识点的第二选择信息;
判断所述目标选择信息是第一选择信息或者是第二选择信息;
若所述目标选择信息是第一选择信息,在所述资源数据库中获取与所述目标知识点能力值对应的目标学习资源数据,将所述目标学习资源数据发送至用户端;
若检测并接收到用户端发送的完成指令,在所述资源数据库中获取与所述目标知识点能力值对应的自适应测试题数据组成当前测试题数据集,通过所述当前测试题数据集对初始测试题数据集进行更新,返回执行所述将所述初始测试题数据集发送至用户端的步骤;以及
若没有初始测试题数据对应的知识点能力值低于所述知识点能力阈值,结束流程。
2.根据权利要求1所述的基于习题测试的学习资源推荐方法,其特征在于,所述判断所述目标选择信息是第一选择信息或者是第二选择信息之后,还包括:
若所述目标选择信息是第二选择信息,返回执行所述将所述初始测试题数据集发送至用户端的步骤。
3.根据权利要求1所述的基于习题测试的学习资源推荐方法,其特征在于,所述调用预先存储的推荐策略获取与所述学习目标数据对应的学习课程数据并发送至用户端,在本地的资源数据库中获取与所述学习课程数据对应的初始测试题数据集,包括:
获取所述学习目标数据对应的知识点关键词集;
调用预先存储的推荐策略,根据所述推荐策略获取所述知识点关键词集中每一知识点关键词对应的学习课程子数据,组成学习课程数据并发送至用户端;
若检测到用户端发送的测试申请指令,在本地的资源数据库中获取与每一学习课程子数据对应的测试题子数据,组成初始测试题数据集。
4.根据权利要求3所述的基于习题测试的学习资源推荐方法,其特征在于,所述在本地的资源数据库中获取与每一学习课程子数据对应的测试题子数据,组成初始测试题数据集,包括:
判断与所述学习目标数据对应的用户数据中是否有对应的当前知识点能力值;
若与所述学习目标数据对应的用户数据中有对应的当前知识点能力值,调用预先存储的另一推荐策略,根据另一推荐策略获取与所述当前知识点能力值对应的测试题数据,组成初始测试题数据集;
若与所述学习目标数据对应的用户数据中没有对应的当前知识点能力值,在本地的资源数据库中获取与每一学习课程子数据对应的测试题子数据,组成初始测试题数据集。
5.根据权利要求1所述的基于习题测试的学习资源推荐方法,其特征在于,所述知识点能力值评估模型包括项目反应理论模型和极大似然估计模型;
所述调用预先存储的知识点能力值评估模型计算获取初始答复数据对应的知识点能力值,包括:
获取初始答复数据对应的试题工作量值、受试者对于知识板块的能力水平值、与初始答复数据对应的实际观测结果值;
将初始答复数据对应的试题工作量值、受试者对于知识板块的能力水平值、与初始答复数据对应的实际观测结果值输入至极大似然估计模型进行计算,得到极大似然估计结果;
将极大似然估计结果作为反应理论模型的输出进行计算,得到与初始答复数据对应的知识点能力值。
6.根据权利要求1所述的基于习题测试的学习资源推荐方法,其特征在于,所述若所述目标选择信息是第一选择信息,在所述资源数据库中获取与所述目标知识点能力值对应的目标学习资源数据,将所述目标学习资源数据发送至用户端,包括:
获取与所述目标知识点能力值对应的目标初始测试题数据,及与所述目标初始测试题数据对应的目标知识点关键词;
在所述资源数据库中获取与所述目标知识点关键词对应的目标知识点数据,并生成与所述目标知识点数据对应的当前第一提示信息;其中,所述当前第一提示信息是用于通知服务器确定继续学习目标知识点数据的当前第一选择信息,或用于通知服务器确定不继续学习目标知识点数据的当前第二选择信息;
判断所述当前第一提示信息是当前第一选择信息或者是当前第二选择信息;
若所述当前第一提示信息是当前第一选择信息,在所述资源数据库中获取与目标知识点数据对应的学习音视频资源和/或学习文本资源,组成目标学习资源数据并发送至用户端;
若所述当前第一提示信息是当前第二选择信息,判断所述资源数据库中是否存在有与目标知识点数据对应的前置知识点数据;
若所述资源数据库中存在有与目标知识点数据对应的前置知识点数据,由所述前置知识点数据组成目标学习资源数据并发送至用户端;
若所述资源数据库中不存在有与目标知识点数据对应的前置知识点数据,执行若检测并接收到用户端发送的完成指令,在所述资源数据库中获取与所述目标知识点能力值对应的自适应测试题数据组成当前测试题数据集,通过所述当前测试题数据集对初始测试题数据集进行更新,返回执行所述将所述初始测试题数据集发送至用户端的步骤。
7.根据权利要求1所述的基于习题测试的学习资源推荐方法,其特征在于,还包括:
若检测到用户端上传的更新后学习数据或者是更新后测试题数据,获取更新后学习数据或者是更新后测试题数据与所述资源数据库中的关联知识点数据,构建与关联知识点数据的关联关系以更新所述资源数据库对应的知识图谱。
8.一种基于习题测试的学习资源推荐装置,其特征在于,包括:
初始测试集获取单元,用于若检测到学习目标数据,调用预先存储的推荐策略获取与所述学习目标数据对应的学习课程数据并发送至用户端,在本地的资源数据库中获取与所述学习课程数据对应的初始测试题数据集;
初始测试集发送单元,用于将所述初始测试题数据集发送至用户端;
知识点能力值获取单元,用于若检测并接收到用户端发送的与所述初始测试题数据集中任意一条初始测试题数据对应的初始答复数据,调用预先存储的知识点能力值评估模型计算获取初始答复数据对应的知识点能力值,直至获取到所述初始测试题数据集中所有初始测试题数据分别对应的知识点能力值;
能力值判断单元,用于判断所述初始测试题数据集中各条初始测试题数据分别对应的知识点能力值中是否存在有低于预设的知识点能力阈值的知识点能力值;
目标选择信息生成单元,用于若有初始测试题数据对应的知识点能力值低于所述知识点能力阈值,获取低于所述知识点能力阈值的知识点能力值作为目标知识点能力值,并获取所述目标知识点能力值对应的目标选择信息;其中,所述目标选择信息是用于通知服务器确定继续学习知识点的第一选择信息,或用于通知服务器确定不继续学习知识点的第二选择信息;
选择信息判断单元,用于判断所述目标选择信息是第一选择信息或者是第二选择信息;
目标学习资源数据获取单元,用于若所述目标选择信息是第一选择信息,在所述资源数据库中获取与所述目标知识点能力值对应的目标学习资源数据,将所述目标学习资源数据发送至用户端;
当前测试题数据集获取单元,用于若检测并接收到用户端发送的完成指令,在所述资源数据库中获取与所述目标知识点能力值对应的自适应测试题数据组成当前测试题数据集,通过所述当前测试题数据集对初始测试题数据集进行更新,返回执行所述将所述初始测试题数据集发送至用户端的步骤;以及
流程结束控制单元,用于若没有初始测试题数据对应的知识点能力值低于所述知识点能力阈值,结束流程。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于习题测试的学习资源推荐方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的基于习题测试的学习资源推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110439178.6A CN112860756A (zh) | 2021-04-23 | 2021-04-23 | 基于习题测试的学习资源推荐方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110439178.6A CN112860756A (zh) | 2021-04-23 | 2021-04-23 | 基于习题测试的学习资源推荐方法、装置及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112860756A true CN112860756A (zh) | 2021-05-28 |
Family
ID=75992660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110439178.6A Pending CN112860756A (zh) | 2021-04-23 | 2021-04-23 | 基于习题测试的学习资源推荐方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112860756A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570481A (zh) * | 2021-07-01 | 2021-10-29 | 曾毅 | Fiber人才潜能评估与学习课程规划方法、系统及存储介质 |
CN114048377A (zh) * | 2021-11-08 | 2022-02-15 | 网易有道信息技术(北京)有限公司 | 题目推荐方法、装置、电子设备及存储介质 |
WO2023071505A1 (zh) * | 2021-10-27 | 2023-05-04 | 北京有竹居网络技术有限公司 | 一种题目推荐方法、装置、计算机设备和存储介质 |
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 |
CN117035693A (zh) * | 2023-09-28 | 2023-11-10 | 北京未来基因教育科技有限公司 | 一种课程生成方法、装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101582101A (zh) * | 2008-05-15 | 2009-11-18 | 梁昌年 | 利用计算机系统为用户提供个性化学习的方法及其装置 |
CN110197340A (zh) * | 2019-06-06 | 2019-09-03 | 哈尔滨工业大学 | 一种面向在线教育平台的学习者学习能力评估方法 |
CN110516116A (zh) * | 2019-08-27 | 2019-11-29 | 华中师范大学 | 一种多步分层的学习者认知水平挖掘方法及系统 |
CN111311055A (zh) * | 2019-12-26 | 2020-06-19 | 成都终身成长科技有限公司 | 一种用户能力的评估方法、装置及存储介质 |
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 |
-
2021
- 2021-04-23 CN CN202110439178.6A patent/CN112860756A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101582101A (zh) * | 2008-05-15 | 2009-11-18 | 梁昌年 | 利用计算机系统为用户提供个性化学习的方法及其装置 |
CN110197340A (zh) * | 2019-06-06 | 2019-09-03 | 哈尔滨工业大学 | 一种面向在线教育平台的学习者学习能力评估方法 |
CN110516116A (zh) * | 2019-08-27 | 2019-11-29 | 华中师范大学 | 一种多步分层的学习者认知水平挖掘方法及系统 |
CN111311055A (zh) * | 2019-12-26 | 2020-06-19 | 成都终身成长科技有限公司 | 一种用户能力的评估方法、装置及存储介质 |
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 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570481A (zh) * | 2021-07-01 | 2021-10-29 | 曾毅 | Fiber人才潜能评估与学习课程规划方法、系统及存储介质 |
WO2023071505A1 (zh) * | 2021-10-27 | 2023-05-04 | 北京有竹居网络技术有限公司 | 一种题目推荐方法、装置、计算机设备和存储介质 |
CN114048377A (zh) * | 2021-11-08 | 2022-02-15 | 网易有道信息技术(北京)有限公司 | 题目推荐方法、装置、电子设备及存储介质 |
CN114048377B (zh) * | 2021-11-08 | 2024-05-03 | 网易有道信息技术(北京)有限公司 | 题目推荐方法、装置、电子设备及存储介质 |
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 |
CN117035693A (zh) * | 2023-09-28 | 2023-11-10 | 北京未来基因教育科技有限公司 | 一种课程生成方法、装置 |
CN117035693B (zh) * | 2023-09-28 | 2024-02-09 | 北京未来基因教育科技有限公司 | 一种课程生成方法、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112860756A (zh) | 基于习题测试的学习资源推荐方法、装置及计算机设备 | |
CN108833458B (zh) | 一种应用推荐方法、装置、介质及设备 | |
KR20180077267A (ko) | 이모티콘 추천 방법 및 장치 | |
CN108322317B (zh) | 一种账号识别关联方法及服务器 | |
CN109299344A (zh) | 排序模型的生成方法、搜索结果的排序方法、装置及设备 | |
CN111917878B (zh) | 消息处理方法、装置、设备及存储介质 | |
JP4736713B2 (ja) | プロジェクトメンバーの選定を支援するシステムと方法 | |
CN111294819B (zh) | 一种网络优化方法及装置 | |
CN110874401B (zh) | 信息处理方法、模型训练方法、装置、终端及计算设备 | |
CN111325417A (zh) | 实现隐私保护的多方协同更新业务预测模型的方法及装置 | |
CN110971659A (zh) | 推荐消息的推送方法、装置及存储介质 | |
CN112328741B (zh) | 基于人工智能的智能关联答复方法、装置、计算机设备 | |
CN112231181A (zh) | 数据异常更新检测方法、装置、计算机设备及存储介质 | |
CN110365573A (zh) | 一种关系标签的推荐方法、添加方法和装置 | |
CN111222553B (zh) | 机器学习模型的训练数据处理方法、装置和计算机设备 | |
CN113297393A (zh) | 基于态势感知和大数据的情报生成方法及信息安全系统 | |
CN110096646A (zh) | 品类关联信息的生成及其视频推送方法和相关设备 | |
CN110765348A (zh) | 一种热词的推荐方法、装置、电子设备及存储介质 | |
CN109992659B (zh) | 用于文本排序的方法和装置 | |
CN111626827A (zh) | 基于序列推荐模型的物品推荐方法、装置、设备及介质 | |
CN109753561B (zh) | 一种自动回复的生成方法及装置 | |
CN111475628A (zh) | 会话数据处理方法、装置、计算机设备和存储介质 | |
Lu et al. | A robust and accurate approach to detect process drifts from event streams | |
CN110580265B (zh) | Etl任务的处理方法、装置、设备及存储介质 | |
CN109828984B (zh) | 一种分析处理的方法、装置、计算机存储介质及终端 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |