CN112883284B - 一种基于网络和数据分析的在线学习系统及测试题推荐方法 - Google Patents

Abstract

一种基于网络和数据分析的在线学习系统，包括有登录模块、任务模块、个人中心模块和习题测试模块；一种测试题推荐方法，1)收集测试题并编号；2)根据年级随机给出第一批测试题，统计正确试题和错误试题；3)根据第一批测试题信息筛选参考集合；4)结合参考集合和教学目标，采用神经网络算法给出下一批测试题。本发明通过参考集合和参考集合中对应的下一批次题目的正确率作为输入和优化目标，结合神经网络算法可以有效的预测达到教学目标的下一批次题目，准确率高。

Description

一种基于网络和数据分析的在线学习系统及测试题推荐方法

技术领域

本发明涉及教育技术领域，特别是一种基于网络和数据分析的在线学习系统及测试题推荐方法。

背景技术

对于学生教育，做测试题是必不可少也是提升学习成绩最快最有效的方式。而传统的做题方式是根据学生的年级，随机的购买试卷或者预估自己的学习水平购买试卷，其不足在于，购买的试卷可能过于简单或困难达不到提升水平的作用。

随着互联网和大数据技术的发展，在线做题不但可以便于学生获得更多的测试题，还可以对大量学生完成的试题以及成绩进行统计分析，目前的统计分析系统仅针对学生现有水平的评估，并没有一种算法可以结合大量学生做题的数据，对每个学生提供最优化的做题规划，优化学生通过做题提升自身水平的速度。

发明内容

本发明的一个目的就是提供一种基于网络和数据分析的在线学习系统。

本发明的该目的是通过这样的技术方案实现的，包括有登录模块、任务模块和个人中心模块，所述系统还包括有习题测试模块，测试者通过登录模块输入账号密码登录，测试者通过个人中心模块输入测试者的个人信息，个人信息包括有测试者的年级信息，测试者通过任务模块完成当前年级的学习任务，测试者通过习题测试模块完成当前年级的推荐测试题；

所述习题测试模块包括有习题库、出题单元、测试单元和分析单元；

习题库，收集测试题以及测试题对应的正确答案和知识点教学视频，为测试题标注编号；

出题单元，根据分析单元筛选出的推荐测试题，在习题库中筛选推荐测试题；

测试单元，测试者完成出题单元筛选出的推荐测试题并将结果发送至分析单元；

分析单元，分析测试者的上一批题目信息，结合历史测试者的测试结果，采用神经网络算法给出测试者下一批推荐测试题。

本发明的另一目的就是提供一种测试题推荐方法。

本发明的该目的是通过这样的技术方案实现的，具体步骤如下：

1)收集测试题以及测试题对应的正确答案和知识点教学视频，对每道测试题进行编号，其编号格式为A_i＝{W_i,X_i,Y_i,Z_i}，(i＝1,2,...,n)；其中，A_i代表第i道测试题，W_i代表第i道测试题的年级编号信息，X_i代表第i道测试题的知识点编号信息，Y_i代表第i道测试题的难度编号信息，难度越高难度编号信息越大，Z_i,代表第i道测试题的识别编号信息；

2)根据测试学生预选的年级信息，随机给出该年级的第一批若干测试题E₁＝{A₁,A₂...A_i}，(i＝1,2,...,n)，统计第一批测试题的正确试题编号R_A_i＝{W_i,X_i,Y_i,Z_i}和错误试题编号W_A_i＝{W_i,X_i,Y_i,Z_i}，根据错误试题编号给出对应的正确答案，根据错误试题的知识点编号X_i给出该知识点的教学视频；

3)统计上一批测试题E_k-1＝{A₁,A₂...A_i}(i＝1,2,...,n)的正确率和错误试题的编号分布，根据预设教学目标Ω，预设教学目标Ω为测试学生下一批次测试题的预设正确率，在历史答题集合E_History中筛选参考集合E_target；

4)采用神经网络算法，推荐给出下一批若干测试题，并转向步骤3)。

进一步，步骤1)中所述测试题A_i有两个以上的知识点，则在整理过程中按时间靠后的学习时间编号。

进一步，步骤1)中所述第i道测试题的难度编号信息Y_i由专家库预计，再根据正确率统计进行调整，其调整方法为：对相同年级编号信息W_i和知识点编号信息X_i的测试题的正确率进行统计，正确率越高难度编号越低，正确率越低难度编号越高。

进一步，步骤3)中所述在历史答题集合E_History中筛选参考集合E_target的具体方法为：

3-1)在历史答题集合E_History中选取与上一批测试题E_k-1＝{A₁,A₂...A_i}年级编号信息W_i相同的数据构建第一历史答题批次集合E_History1；

3-2)在第一历史答题批次集合E_History1中选取与上一批次测试题E_k-1＝{A₁,A₂...A_i}知识点编号信息X_i,重合的数据构建第二历史答题批次集合E_History2；

3-3)在第二历史答题批次集合E_History2中选取，与上一批次测试题E_k-1＝{A₁,A₂...A_i}难度的均值以及方差在预设偏差r₁和r₂范围内的数据，构建第三历史答题批次集合E_History3；

其中，

为上一批次测试题的均值，Y_i为上一批次测试题的难度编号信息，S²为上一批次测试题的方差；

3-4)在第三历史答题批次集合E_History3中选取，正确率与上一批次测试题E_k-1＝{A₁,A₂...A_i}正确率在预设偏差r₂范围内的数据，构建第四历史答题批次集合E_History4；

3-5)获取第四历史答题批次集合E_History4的下一批次测试题正确率，选取下一批次测试题正确率与预设教学目标Ω重合的测试题批次，构建参考集合E_target。

进一步，步骤4)中所述推荐给出下一批若干测试题的具体方法如下：

4-1)获取参考集合E_target的正确率和方差；

4-2)将正确率和方差作为神经网络模型的输入，难度均值作为模型的输出，取前60％的数据集作为训练集，后40％的数据集作为测试集，构建单隐层的神经网络模型；

4-3)根据预设教学目标Ω给定下一批试题预计正确率以及方差范围，将其输入到神经网络模型中，获得测试题对应的难度均值；根据测试学生的年级以及模型输出的难度均值和方差，结合参考集合中出现过的知识点，通过完全匹配随机生成的方法查找出试题库中合适的下一批测试题。

由于采用了上述技术方案，本发明具有如下的优点：

1、本发明为每个题目标注了年级信息、知识点信息和难度信息，便于基础信息量化和收集，便于后续数学计算；

2、本发明通过平均难度和方差相似、平均正确率相似、年级相同和知识点全覆盖为条件，精确获取参考集合，有效提高了神经网络算法的预测效果；

3、本发明在获取参考集合的过程中，仅需计算难度和方差，计算量少速度快；本发明不但利用平均难度筛选参考集合，还利用了方差作为难度波动范围扩大参考集合的题目数量，提高了参考集合的数据量，为后续预测算法提供足够的训练数据；

4、神经网络算法可以有效的预测达到教学目标的下一批次题目，准确率高。

5、本发明通过参考集合中学生的下一批测试题正确率作为测试学生下一批测试题预测的样本，由于参考集合中学生与测试学生的基本情况相似，因此作为预测样本匹配度高，预测结果准确

6、本发明在生成下一批测量时结合了参考集合中出现过的知识点，实现了跨知识点渐近式的学习方式。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。

附图说明

本发明的附图说明如下。

图1为本发明的流程示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

一种测试题推荐方法，如图1所示，具体步骤如下：

1)测试学生预告年级为6，随机给出该年级的第一批次10道测试题，10道测试题的编号依次为A₁＝{6,1,1,Z_i}、A₂＝{6,3,3,Z_i}、A₃＝{6,4,2,Z_i}、A₄＝{6,7,7,Z_i}、A₅＝{6,4,9,Z_i}、A₆＝{6,5,2,Z_i}、A₇＝{6,12,8,Z_i}、A₈＝{6,17,10,Z_i}、A₉＝{6,6,4,Z_i}、A₁₀＝{6,2,4,Z_i}

2)根据错误试题编号给出对应的正确答案，根据错误试题的知识点编号X_i给出该知识点的教学视频；

3)统计第一批测试题E₁的正确率和错误试题编号，其正确率为60％，错误试题编号W_A_i＝{W_i,X_i,Y_i,Z_i}分别为A₅＝{6,4,9,Z_i}、A₇＝{6,12,8,Z_i}、A₈＝{6,17,10,Z_i}、A₄＝{6,7,7,Z_i}；根据公式计算第一批测试题难度的均值以及方差

预设偏差r₁和r₂分别为3和15，正确率偏差为10％，因此参考集合E_target的正确率为50％～70％，难度均值为12～18，方差为94.4～124.4。

将正确率和方差作为神经网络模型的输入，难度均值作为模型的输出，取前60％的数据集作为训练集，后40％的数据集作为测试集，构建单隐层的神经网络模型；

根据预设教学目标正确率70％给定下一批试题预计正确率以及方差范围，将其输入到神经网络模型中，获得测试题对应的难度均值；根据测试学生的年级以及模型输出的难度均值和方差，结合参考集合中出现过的知识点，通过完全匹配随机生成的方法查找出试题库中合适的下一批测试题。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (1)

1.一种基于网络和数据分析的在线学习系统推荐测试题的方法，其特征在于，具体步骤如下：

1)收集测试题以及测试题对应的正确答案和知识点教学视频，对每道测试题进行编号，其编号格式为A_i＝{W_i,X_i,Y_i,Z_i}，(i＝1,2,...,n)；其中，A_i代表第i道测试题，W_i代表第i道测试题的年级编号信息，X_i代表第i道测试题的知识点编号信息，Y_i代表第i道测试题的难度编号信息，难度越高难度编号信息越大，Z_i,代表第i道测试题的识别编号信息；

2)根据测试学生预选的年级信息，随机给出该年级的第一批若干测试题E₁＝{A₁,A₂...A_i}，(i＝1,2,...,n)，统计第一批测试题的正确试题编号R_A_i＝{W_i,X_i,Y_i,Z_i}和错误试题编号W_A_i＝{W_i,X_i,Y_i,Z_i}(i＝1,2,...,n)，根据错误试题编号给出对应的正确答案，根据错误试题的知识点编号X_i给出该知识点的教学视频；

3)统计上一批测试题E_k-1＝{A₁,A₂...A_i}(i＝1,2,...,n)的正确率和错误试题的编号分布，根据预设教学目标Ω，预设教学目标Ω为测试学生下一批次测试题的预设正确率，在历史答题集合E_History中筛选参考集合E_target；

4)采用神经网络算法，推荐给出下一批若干测试题，并转向步骤3)；

步骤3)中所述在历史答题集合E_History中筛选参考集合E_target的具体方法为：

3-1)在历史答题集合E_History中选取与上一批测试题E_k-1＝{A₁,A₂...A_i}年级编号信息W_i相同的数据构建第一历史答题批次集合E_History1；

3-2)在第一历史答题批次集合E_History1中选取与上一批次测试题E_k-1＝{A₁,A₂...A_i}知识点编号信息X_i,重合的数据构建第二历史答题批次集合E_History2；

3-3)在第二历史答题批次集合E_History2中选取，与上一批次测试题E_k-1＝{A₁,A₂...A_i}难度的均值以及方差在预设偏差r₁和r₂范围内的数据，构建第三历史答题批次集合E_History3；

其中，

为上一批次测试题的均值，Y_i为上一批次测试题的难度编号信息，S²为上一批次测试题的方差；

3-4)在第三历史答题批次集合E_History3中选取，正确率与上一批次测试题E_k-1＝{A₁,A₂...A_i}正确率在预设偏差r₂范围内的数据，构建第四历史答题批次集合E_History4；

3-5)获取第四历史答题批次集合E_History4的下一批次测试题正确率，选取下一批次测试题正确率与预设教学目标Ω重合的测试题批次，构建参考集合E_target；

步骤1)中所述测试题A_i有两个以上的知识点，则在整理过程中按时间靠后的学习时间编号；

步骤1)中所述第i道测试题的难度编号信息Y_i由专家库预计，再根据正确率统计进行调整，其调整方法为：对相同年级编号信息W_i和知识点编号信息X_i的测试题的正确率进行统计，正确率越高难度编号越低，正确率越低难度编号越高；

步骤4)中所述推荐给出下一批若干测试题的具体方法如下：

4-1)获取参考集合E_target的正确率和方差；

4-2)将正确率和方差作为神经网络模型的输入，难度均值作为模型的输出，取前60％的数据集作为训练集，后40％的数据集作为测试集，构建单隐层的神经网络模型；

4-3)根据预设教学目标Ω给定下一批试题预计正确率以及方差范围，将其输入到神经网络模型中，获得测试题对应的难度均值；根据测试学生的年级以及模型输出的难度均值和方差，结合参考集合中出现过的知识点，通过完全匹配随机生成的方法查找出试题库中合适的下一批测试题。

Images