CN113256457A - 一种基于人工智能的在线学习诊断方法及装置 - Google Patents
一种基于人工智能的在线学习诊断方法及装置 Download PDFInfo
- Publication number
- CN113256457A CN113256457A CN202110440366.0A CN202110440366A CN113256457A CN 113256457 A CN113256457 A CN 113256457A CN 202110440366 A CN202110440366 A CN 202110440366A CN 113256457 A CN113256457 A CN 113256457A
- Authority
- CN
- China
- Prior art keywords
- test paper
- analyzed
- knowledge points
- neural network
- network model
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 57
- 238000003745 diagnosis Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 175
- 238000012549 training Methods 0.000 claims abstract description 79
- 238000003062 neural network model Methods 0.000 claims abstract description 67
- 238000005516 engineering process Methods 0.000 claims abstract description 24
- 230000010354 integration Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000012015 optical character recognition Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/32—Digital ink
- G06V30/36—Matching; Classification
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种基于人工智能的在线学习诊断方法及装置,该在线学习诊断方法通过OCR技术收集学生试卷和作业的数据作为第一训练集,训练得到第一神经网络模型;以试卷或作业、对应的各知识点总分、以及教学建议作为第二训练集,训练得到第二神经网络模型;通过电子笔的笔迹得到待分析试卷或作业的作答内容,结合待分析试卷或作业输入第一神经网络模型,得到待分析试卷或作业对应的各知识点总分;将待分析试卷或作业对应的各知识点总分输入第二神经网络模型,获得待分析试卷或作业的教学建议;可快速并准确地评估学生对每个知识点的真正掌握情况,并给出合适的教学建议,不仅节省了教师的时间和精力,还能帮助学生快速查漏补缺、提升成绩。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的在线学习诊断方法及装置。
背景技术
目前,计算机和互联网技术的发展,促进了线上学习的快速发展。在现实教学中,教师仍需要根据不同学生作业完成分数和教学经验来主观判断每个学生的薄弱知识点,进而针对不同学生实行不同的教学策略。
但是,该过程不仅耗费了教师大量的时间和精力,而且根据单次作业的完成情况也难以准确评估学生对每个知识点的真正掌握情况,进而也无法准确地给出合适的教学建议。
发明内容
本发明的主要目的在于提供一种基于人工智能的在线学习诊断方法及装置,旨在解决相关技术中难以准确评估学生对每个知识点的真正掌握情况、以及无法准确地给出合适教学建议的问题。
第一方面,本发明提供一种基于人工智能的在线学习诊断方法,所述基于人工智能的在线学习诊断方法包括以下步骤:
通过OCR技术收集学生试卷和作业的数据作为第一训练集,训练得到第一神经网络模型;所述学生历史试卷和作业的数据均包括多个题目、每个题目对应的知识点、以及每个题目的作答内容;还包括每个试卷或作业的各知识点总分;
以试卷或作业、对应的各知识点总分、以及教学建议作为第二训练集,训练得到第二神经网络模型;
通过电子笔的笔迹得到待分析试卷或作业的作答内容,结合待分析试卷或作业输入第一神经网络模型,得到待分析试卷或作业对应的各知识点总分;
将待分析试卷或作业对应的各知识点总分输入第二神经网络模型,获得待分析试卷或作业的教学建议。
可选地,所述通过电子笔的笔迹得到待分析试卷或作业的作答内容,具体包括:
采集电子笔的笔顺信息和位置信息,形成不同的笔画;
根据笔画组合得到输入的字符,获得作答内容;所述字符包括文字、数字、英文或符号。
可选地,所述通过OCR技术收集学生试卷和作业的数据,具体包括:
将纸质试卷或作业根据不同的题目划分为多个模块化区域,并设置主坐标轴、标识线和识别标;每个模块化区域存在一个题目;
采集各模块化区域的书写内容,并根据所述主坐标轴、标识线和识别标进行内容区域的识别;
利用OCR技术自动识别并判断题目及题目的作答内容;
根据所述题目确定其包括的知识点,根据所述作答内容得到各知识点总分,并转换为电子版格式。
可选地,所述得到待分析试卷或作业对应的各知识点总分之后,还包括:
统计一次试卷或作业的总成绩;
根据考评全体学生的总成绩获取优秀率、及格率和平均分,所述考评全体是班级或年级。
可选地,上述在线学习诊断方法还包括:
根据待分析试卷或作业、待分析试卷或作业的作答内容、以及对应的各知识点总分,更新所述第一训练集,进一步训练第一神经网络模型。
可选地,上述在线学习诊断方法还包括:
根据所述待分析试卷或作业对应的各知识点总分、以及待分析试卷或作业的教学建议,更新所述第二训练集,进一步训练第二神经网络模型。
第二方面,为实现上述目的,本发明还提出一种基于人工智能的在线学习诊断装置,所述基于人工智能的在线学习诊断装置包括:
第一获取模块,其用于通过OCR技术收集学生试卷和作业的数据作为第一训练集;所述学生历史试卷和作业的数据均包括多个题目、每个题目对应的知识点、以及每个题目的作答内容;还包括每个试卷或作业的各知识点总分;
第一神经网络模型,由第一训练集训练得到,用于输入待分析试卷或作业、以及通过电子笔的笔迹得到待分析试卷或作业的作答内容,输出待分析试卷或作业对应的各知识点总分;
第二获取模块,其用于获取试卷或作业、对应的各知识点总分、以及教学建议作为第二训练集;
第二神经网络模型,由第二训练集训练得到,用于输入待分析试卷或作业对应的各知识点总分,输出待分析试卷或作业的教学建议。
可选地,所述在线学习诊断装置还包括:
存储模块,其用于存储学员ID、该学员ID完成的所有试卷或作业及对应的各知识点总分、以及所有教学建议;
整合模块,其用于每间隔一段时间将该时间段内该学员ID完成的所有试卷或作业及对应的各知识点总分、以及所有教学建议整合进行整合,得到知识点及对应的总得分,并对各知识点进行总得分排序。
可选地,所述第一获取模块具体用于采集电子笔的笔顺信息和位置信息,形成不同的笔画;以及根据笔画组合得到输入的字符,获得作答内容;所述字符包括文字、数字、英文或符号。
可选地,所述在线学习诊断装置还包括:
比较模块,其用于统计一次试卷或作业的总成绩,并根据考评全体学生的总成绩获取优秀率、及格率和平均分,所述考评全体是班级或年级;
所述比较模块还用于根据每次试卷或作业的总成绩,得到成绩轨迹,并计算出学员的名次、进步或退步情况。
本发明提出的基于人工智能的在线学习诊断装置方法及装置,通过电子笔的笔迹得到待分析试卷或作业的作答内容,结合待分析试卷或作业输入第一神经网络模型,得到待分析试卷或作业对应的各知识点总分,然后将待分析试卷或作业对应的各知识点总分输入第二神经网络模型,获得待分析试卷或作业的教学建议,可快速并准确地评估学生对每个知识点的真正掌握情况,并给出合适的教学建议,不仅节省了教师的时间和精力,还能帮助学生快速查漏补缺、提升成绩。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的计算机设备结构示意图;
图2为本发明基于人工智能的在线学习诊断方法第一实施例的流程示意图;
图3为本发明基于人工智能的在线学习诊断方法第二实施例的流程示意图;
图4为本发明基于人工智能的在线学习诊断方法第三实施例的流程示意图;
图5为本发明基于人工智能的在线学习诊断方法第四实施例的流程示意图;
图6为本发明基于人工智能的在线学习诊断装置第一实施例的功能模块图;
图7为本发明基于人工智能的在线学习诊断装置第二实施例的功能模块图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本申请实施例提供了一种基于人工智能的在线学习诊断方法及装置,其能解决相关技术中难以准确评估学生对每个知识点的真正掌握情况、以及无法准确地给出合适教学建议的问题。
本发明实施例的解决方案主要是:通过OCR技术收集学生试卷和作业的数据作为第一训练集,训练得到第一神经网络模型;上述学生历史试卷和作业的数据均包括多个题目、每个题目对应的知识点、以及每个题目的作答内容;学生历史试卷和作业的数据还均包括每个试卷或作业的各知识点总分;以试卷或作业、对应的各知识点总分、以及教学建议作为第二训练集,训练得到第二神经网络模型;通过电子笔的笔迹得到待分析试卷或作业的作答内容,结合待分析试卷或作业输入第一神经网络模型,得到待分析试卷或作业对应的各知识点总分;将待分析试卷或作业对应的各知识点总分输入第二神经网络模型,获得待分析试卷或作业的教学建议,以快速并准确地评估学生对每个知识点的真正掌握情况,并给出合适的教学建议,不仅节省了教师的时间和精力,还能帮助学生快速查漏补缺、提升成绩。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的计算机设备结构示意图。
如图1所示,该计算机设备包括存储器101、处理器102及存储在存储器101上并可在处理器102上运行的计算机程序。
可选地,处理器102可以是CPU(Central Processing Unit,中央处理器),存储器101可以是高速RAM(random access memory,随机存取存储器),或者独立于前述处理器102的存储装置。
本实施例中,上述计算机设备还包括通信总线103、用户接口104和网络接口105。通信总线103用于实现上述组件之间的连接通信,用户接口104可以包括但不限于显示屏、以及输入单元比如键盘,可选地,该用户接口104还可以包括标准的有线接口、无线接口。可选地,网络接口105可以包括标准的有线接口、无线接口等。
本领域技术人员可以理解,图1中示出的计算机设备结构并不构成对该设备的限定,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。
如图1所示,上述存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于人工智能的在线学习诊断程序。
本发明的计算机设备通过处理器102调用存储在存储器101上的基于人工智能的在线学习诊断程序,并执行以下操作:
通过OCR技术收集学生试卷和作业的数据作为第一训练集,训练得到第一神经网络模型;上述学生历史试卷和作业的数据均包括多个题目、每个题目对应的知识点、以及每个题目的作答内容;学生历史试卷和作业的数据还均包括每个试卷或作业的各知识点总分。
以试卷或作业、对应的各知识点总分、以及教学建议作为第二训练集,训练得到第二神经网络模型。
通过电子笔的笔迹得到待分析试卷或作业的作答内容,结合待分析试卷或作业输入第一神经网络模型,得到待分析试卷或作业对应的各知识点总分。其中,试卷或作业的知识点均为固定的,即根据待分析试卷或作业可得到每个题目对应的知识点。
将待分析试卷或作业对应的各知识点总分输入第二神经网络模型,获得待分析试卷或作业的教学建议。
本发明的计算机设备通过处理器102调用存储在存储器101上的基于人工智能的在线学习诊断程序,还执行以下操作:
进一步地,上述处理器执行上述计算机程序时还实现如下操作:
采集电子笔的笔顺信息和位置信息,形成不同的笔画;
根据笔画组合得到输入的字符,获得作答内容;上述字符包括文字、数字、英文或符号。
本发明的计算机设备通过处理器102调用存储在存储器101上的基于人工智能的在线学习诊断程序,还执行以下操作:
将纸质试卷或作业根据不同的题目划分为多个模块化区域,并设置主坐标轴、标识线和识别标;每个模块化区域存在一个题目;
采集各模块化区域的书写内容,并根据上述主坐标轴、标识线和识别标进行内容区域的识别;
利用OCR技术自动识别并判断题目及题目的作答内容;
根据上述题目确定其包括的知识点,根据上述作答内容得到各知识点总分,并转换为电子版格式。
本发明的计算机设备通过处理器102调用存储在存储器101上的基于人工智能的在线学习诊断程序,还执行以下操作:
统计一次试卷或作业的总成绩;
根据考评全体学生的总成绩获取优秀率、及格率和平均分,上述考评全体是班级或年级。
本发明的计算机设备通过处理器102调用存储在存储器101上的基于人工智能的在线学习诊断程序,还执行以下操作:
根据待分析试卷或作业、待分析试卷或作业的作答内容、以及对应的各知识点总分,更新上述第一训练集,进一步训练第一神经网络模型。
本发明的计算机设备通过处理器102调用存储在存储器101上的基于人工智能的在线学习诊断程序,还执行以下操作:
根据上述待分析试卷或作业对应的各知识点总分、以及待分析试卷或作业的教学建议,更新上述第二训练集,进一步训练第二神经网络模型。
本实施例通过上述方案,通过OCR技术收集学生试卷和作业的数据作为第一训练集,训练得到第一神经网络模型;以试卷或作业、对应的各知识点总分、以及教学建议作为第二训练集,训练得到第二神经网络模型;通过电子笔的笔迹得到待分析试卷或作业的作答内容,结合待分析试卷或作业输入第一神经网络模型,得到待分析试卷或作业对应的各知识点总分。其中,试卷或作业的知识点均为固定的,即根据待分析试卷或作业可得到每个题目对应的知识点;将待分析试卷或作业对应的各知识点总分输入第二神经网络模型,获得待分析试卷或作业的教学建议;可快速并准确地评估学生对每个知识点的真正掌握情况,并给出合适的教学建议,不仅节省了教师的时间和精力,还能帮助学生快速查漏补缺、提升成绩。
基于上述硬件结构,提出本发明基于人工智能的在线学习诊断方法实施例。
参照图2,图2为本发明基于人工智能的在线学习诊断方法第一实施例的流程示意图。
如图2所示,在第一实施例中,本发明实施例的基于人工智能的在线学习诊断方法包括以下步骤:
步骤S10.通过OCR技术收集学生试卷和作业的数据作为第一训练集,训练得到第一神经网络模型;上述学生历史试卷和作业的数据均包括多个题目、每个题目对应的知识点、以及每个题目的作答内容;学生历史试卷和作业的数据还均包括每个试卷或作业的各知识点总分。
其中,当一个知识点仅出现在一个题目中时,该知识点总分为该题目中该知识点的得分;当一个知识点出现在多个题目中时,该知识点总分为出现该知识点的每个题目中该知识点的得分总和。
步骤S20.以试卷或作业、对应的各知识点总分、以及教学建议作为第二训练集,训练得到第二神经网络模型。
步骤S30.通过电子笔的笔迹得到待分析试卷或作业的作答内容,结合待分析试卷或作业输入第一神经网络模型,得到待分析试卷或作业对应的各知识点总分。其中,试卷或作业的知识点均为固定的,即根据待分析试卷或作业可得到每个题目对应的知识点。
步骤S40.将待分析试卷或作业对应的各知识点总分输入第二神经网络模型,获得待分析试卷或作业的教学建议。
本实施例中,第一神经网络模型和第二神经网络模型均为深度神经网络模型。
本发明实施例的在线学习诊断方法,由于通过电子笔的笔迹得到待分析试卷或作业的作答内容,结合待分析试卷或作业输入第一神经网络模型,得到待分析试卷或作业对应的各知识点总分,然后将待分析试卷或作业及对应的各知识点总分输入第二神经网络模型,获得待分析试卷或作业的教学建议,因此,本发明可快速并准确地评估学生对每个知识点的真正掌握情况,并给出合适的教学建议,不仅节省了教师的时间和精力,还能帮助学生快速查漏补缺、提升成绩。
进一步地,图3为本发明基于人工智能的在线学习诊断方法第二实施例的流程示意图。如图3所示,基于第一实施例提出本发明基于人工智能的在线学习诊断方法第二实施例,在本实施例中,上述步骤S10中,通过OCR技术收集学生试卷和作业的数据,具体包括以下步骤:
步骤S11.将纸质试卷或作业根据不同的题目划分为多个进行模块化区域划分,并设置主坐标轴、标识线和识别标。其中,每个模块化区域存在一个题目。
步骤S12.采集各模块化区域的书写内容,并根据上述主坐标轴、标识线和识别标进行内容区域的识别。
步骤S13.利用OCR技术自动识别并判断题目及题目的作答内容。
步骤S14.根据上述题目确定其包括的知识点,根据上述作答内容得到各知识点总分,并转换为电子版格式。
其中,OCR(Optical Character Recognition,光学字符识别)是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符,通过检测暗、亮的模式确定其形状,然后用字符识别方法将形状翻译成计算机文字的过程,以便于供文字处理软件进一步编辑加工的技术。
本实施例中,上述步骤S10还包括:
步骤S15.以收集的学生试卷和作业的数据作为第一训练集,训练得到第一神经网络模型。
进一步地,图4为本发明基于人工智能的在线学习诊断方法第三实施例的流程示意图。如图4所示,基于第一实施例提出本发明基于人工智能的在线学习诊断方法第三实施例,在本实施例中,上述步骤S30的通过电子笔的笔迹得到待分析试卷或作业的作答内容,具体包括:
步骤S31.采集电子笔的笔顺信息和位置信息,形成不同的笔画。
步骤S32.根据笔画组合得到输入的字符,获得作答内容;上述字符包括文字、数字、英文或符号。
可以理解的是,对于不同的题型或题目,其对应的组成作答内容的字符不同。
本实施例中,上述步骤S30还包括:
步骤S33.结合待分析试卷或作业输入第一神经网络模型,得到待分析试卷或作业对应的各知识点总分。
进一步地,图5为本发明基于人工智能的在线学习诊断方法第四实施例的流程示意图。如图5所示,基于第三实施例提出本发明基于人工智能的在线学习诊断方法第四实施例,在本实施例中,上述步骤S3中得到待分析试卷或作业对应的各知识点总分之后,还包括:
步骤S34.统计一次试卷或作业的总成绩。
步骤S35.根据考评全体学生的总成绩获取优秀率、及格率和平均分,上述考评全体是班级或年级。
可选地,本实施例的在线学习诊断方法还包括:
根据待分析试卷或作业、待分析试卷或作业的作答内容、以及对应的各知识点总分,更新上述第一训练集,进一步训练第一神经网络模型。
可以理解的是,后续的待分析题目通过进一步训练完成的第一神经网络模型,可得到更为准确的各知识点总分,以便于教师更准确判断学员的薄弱知识点和已掌握知识点。
可选地,本实施例的在线学习诊断方法还包括:
根据上述待分析试卷或作业及对应的各知识点总分、以及待分析试卷或作业的教学建议,更新上述第二训练集,进一步训练第二神经网络模型。
本实施例中,后续的待分析题目通过进一步训练完成的第二神经网络模型,可得到更为准确的教学建议,以实现最大化的做题效率,为提高成绩提供有力的支持。
需要说明的是,上述教学建议包括:当某个知识点扣分较多即总分较少时,则可建议多次抄写该知识点,并相应做题加强记忆;当某个知识点扣分较少即总分较多时,可建议抄写一直两遍知识点,以加强记忆即可。上述教学建议还可包括:当一个题目包含多个知识点时,默认为难度较大的题目,可根据多个知识点形成单独的练习题册,甚至为学员提供个性化题目,供学员巩固练习。
参照图6,图6为本发明基于人工智能的在线学习诊断装置第一实施例的功能模块图。
本发明基于人工智能的在线学习诊断装置第一实施例,该基于人工智能的在线学习诊断装置包括第一获取模块10、第一神经网络模型20、第二获取模块30和第二神经网络模型40。
上述第一获取模块10用于通过OCR技术收集学生试卷和作业的数据作为第一训练集;上述学生历史试卷和作业的数据均包括多个题目、每个题目对应的知识点、以及每个题目的作答内容;还包括每个试卷或作业的各知识点总分。
上述第一神经网络模型20由第一训练集训练得到,该第一神经网络模型20用于输入待分析试卷或作业、以及通过电子笔的笔迹得到待分析试卷或作业的作答内容,并输出待分析试卷或作业对应的各知识点总分。
上述第二获取模块30用于获取试卷或作业、对应的各知识点总分、以及教学建议作为第二训练集。
上述第二神经网络模型40由第二训练集训练得到,该第二神经网络模型40用于输入待分析试卷或作业及对应的各知识点总分,并输出待分析试卷或作业的教学建议。
其中,基于人工智能的在线学习诊断装置的各个功能模块实现的步骤可参照本发明基于人工智能的在线学习诊断装置的各个实施例,此处不再赘述。
进一步地,图7为本发明基于人工智能的在线学习诊断装置第二实施例的功能模块图。如图7所示,基于在线学习诊断装置第一实施例提出本发明基于人工智能的在线学习诊断装置第二实施例,在本实施例中,上述基于人工智能的在线学习诊断装置还包括存储模块50和整合模块60。
其中,存储模块50用于存储学员ID、该学员ID完成的所有试卷或作业及对应的各知识点总分、以及所有教学建议。
上述整合模块60用于每间隔一段时间将该时间段内该学员ID完成的所有试卷或作业及对应的各知识点总分、以及所有教学建议整合进行整合,得到知识点及对应的总得分,并生成该学员ID的个人知识图谱。
需要说明的是,整合模块60还可对各知识点进行总得分排序。可选地,整合模块60还用于预设一间隔时间段,以便于进行间隔整合。
在其他实施例中,整合模块60还用于预设一个分数阈值。
本实施例中,根据各知识点进行总得分排序之后,还可生成排序报告。其中,排序报告中某一知识点总得分越低,则表明学员对于该知识点的掌握越不足,上述排序报告中总得分低于分数阈值的知识点,则为该学员主要有待加强学习的知识点。
因此,还可根据上述排序报告选择总得分低于分数阈值的知识点优先并加强学习。一方面,可便于学生更有针对性地进行学习以补足自身的薄弱点,另一方面,基于时间考虑,可在有限的时间内尽可能地快速提升学生的学习效果。
可选地,上述第一获取模块10具体用于采集电子笔的笔顺信息和位置信息,形成不同的笔画;以及根据笔画组合得到输入的字符,获得作答内容;上述字符包括文字、数字、英文或符号。
进一步地,上述基于人工智能的在线学习诊断装置还包括比较模块。
上述比较模块用于统计一次试卷或作业的总成绩,比较模块还用于根据考评全体学生的总成绩获取优秀率、及格率和平均分,以反映各次训练测评的成绩及总体分布情况。上述考评全体是班级或年级;即对于一个班级的考试,通过比较模块可知道该班级该次考试的优秀率、及格率和平均分;对于一个年级的考试,通过比较模块可知道该年级该次考试的优秀率、及格率和平均分。
上述比较模块还用于根据每次试卷或作业的总成绩,得到成绩轨迹,并计算出学员的名次、进步或退步情况,以便于生成个人成绩报告。教师通过学员的个人成绩报告,可快速得知该学员的成绩轨迹、名次以及进步或退步的情况,进而可判断出该学员近期的学习状态,以便于更好地与学员交流,以及更好地帮助学员的学习。
此外,本实施例还提出一种存储介质,该存储介质上存储有基于人工智能的在线学习诊断程序,上述基于人工智能的在线学习诊断程序被处理器执行时实现如下操作:
通过OCR技术收集学生试卷和作业的数据作为第一训练集,训练得到第一神经网络模型;上述学生历史试卷和作业的数据均包括多个题目、每个题目对应的知识点、以及每个题目的作答内容;学生历史试卷和作业的数据还均包括每个试卷或作业的各知识点总分。
以试卷或作业、对应的各知识点总分、以及教学建议作为第二训练集,训练得到第二神经网络模型。
通过电子笔的笔迹得到待分析试卷或作业的作答内容,结合待分析试卷或作业输入第一神经网络模型,得到待分析试卷或作业对应的各知识点总分。其中,试卷或作业的知识点均为固定的,即根据待分析试卷或作业可得到每个题目对应的知识点。
将待分析试卷或作业对应的各知识点总分输入第二神经网络模型,获得待分析试卷或作业的教学建议。
进一步地,上述基于人工智能的在线学习诊断程序被处理器执行时还实现如下操作:
采集电子笔的笔顺信息和位置信息,形成不同的笔画;
根据笔画组合得到输入的字符,获得作答内容;上述字符包括文字、数字、英文或符号。
进一步地,上述基于人工智能的在线学习诊断程序被处理器执行时还实现如下操作:
将纸质试卷或作业根据不同的题目划分为多个模块化区域,并设置主坐标轴、标识线和识别标;每个模块化区域存在一个题目;
采集各模块化区域的书写内容,并根据上述主坐标轴、标识线和识别标进行内容区域的识别;
利用OCR技术自动识别并判断题目及题目的作答内容;
根据上述题目确定其包括的知识点,根据上述作答内容得到各知识点总分,并转换为电子版格式。
进一步地,上述基于人工智能的在线学习诊断程序被处理器执行时还实现如下操作:
统计一次试卷或作业的总成绩;
根据考评全体学生的总成绩获取优秀率、及格率和平均分,上述考评全体是班级或年级。
进一步地,上述基于人工智能的在线学习诊断程序被处理器执行时还实现如下操作:
根据待分析试卷或作业、待分析试卷或作业的作答内容、以及对应的各知识点总分,更新上述第一训练集,进一步训练第一神经网络模型。
进一步地,上述基于人工智能的在线学习诊断程序被处理器执行时还实现如下操作:
根据上述待分析试卷或作业对应的各知识点总分、以及待分析试卷或作业的教学建议,更新上述第二训练集,进一步训练第二神经网络模型。
本实施例通过上述方案,通过OCR技术收集学生试卷和作业的数据作为第一训练集,训练得到第一神经网络模型;以试卷或作业、对应的各知识点总分、以及教学建议作为第二训练集,训练得到第二神经网络模型;通过电子笔的笔迹得到待分析试卷或作业的作答内容,结合待分析试卷或作业输入第一神经网络模型,得到待分析试卷或作业对应的各知识点总分;将待分析试卷或作业对应的各知识点总分输入第二神经网络模型,获得待分析试卷或作业的教学建议;不仅能够快速并准确地评估学生对每个知识点的真正掌握情况,避免由于数据结构性的偏差导致的薄弱知识点识别错误,帮助教师对学员的学习情况全面把握,还可给出合适的教学建议,帮助学生快速掌握知识点,提升学习效率。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于人工智能的在线学习诊断方法,其特征在于,所述基于人工智能的在线学习诊断方法包括:
通过OCR技术收集学生试卷和作业的数据作为第一训练集,训练得到第一神经网络模型;所述学生历史试卷和作业的数据均包括多个题目、每个题目对应的知识点、以及每个题目的作答内容;还包括每个试卷或作业的各知识点总分;
以试卷或作业、对应的各知识点总分、以及教学建议作为第二训练集,训练得到第二神经网络模型;
通过电子笔的笔迹得到待分析试卷或作业的作答内容,结合待分析试卷或作业输入第一神经网络模型,得到待分析试卷或作业对应的各知识点总分;
将待分析试卷或作业对应的各知识点总分输入第二神经网络模型,获得待分析试卷或作业的教学建议。
2.如权利要求1所述的基于人工智能的在线学习诊断方法,其特征在于,所述通过电子笔的笔迹得到待分析试卷或作业的作答内容,具体包括:
采集电子笔的笔顺信息和位置信息,形成不同的笔画;
根据笔画组合得到输入的字符,获得作答内容;所述字符包括文字、数字、英文或符号。
3.如权利要求2所述的基于人工智能的在线学习诊断方法,其特征在于,所述通过OCR技术收集学生试卷和作业的数据,具体包括:
将纸质试卷或作业根据不同的题目划分为多个模块化区域,并设置主坐标轴、标识线和识别标;每个模块化区域存在一个题目;
采集各模块化区域的书写内容,并根据所述主坐标轴、标识线和识别标进行内容区域的识别;
利用OCR技术自动识别并判断题目及题目的作答内容;
根据所述题目确定其包括的知识点,根据所述作答内容得到各知识点总分,并转换为电子版格式。
4.如权利要求1所述的基于人工智能的在线学习诊断方法,其特征在于,所述得到待分析试卷或作业对应的各知识点总分之后,还包括:
统计一次试卷或作业的总成绩;
根据考评全体学生的总成绩获取优秀率、及格率和平均分,所述考评全体是班级或年级。
5.如权利要求1所述的基于人工智能的在线学习诊断方法,其特征在于,还包括:
根据待分析试卷或作业、待分析试卷或作业的作答内容、以及对应的各知识点总分,更新所述第一训练集,进一步训练第一神经网络模型。
6.如权利要求1所述的基于人工智能的在线学习诊断方法,其特征在于,还包括:
根据所述待分析试卷或作业对应的各知识点总分、以及待分析试卷或作业的教学建议,更新所述第二训练集,进一步训练第二神经网络模型。
7.一种基于人工智能的在线学习诊断装置,其特征在于,所述基于人工智能的在线学习诊断装置包括:
第一获取模块,其用于通过OCR技术收集学生试卷和作业的数据作为第一训练集;所述学生历史试卷和作业的数据均包括多个题目、每个题目对应的知识点、以及每个题目的作答内容;还包括每个试卷或作业的各知识点总分;
第一神经网络模型,由第一训练集训练得到,用于输入待分析试卷或作业、以及通过电子笔的笔迹得到待分析试卷或作业的作答内容,输出待分析试卷或作业对应的各知识点总分;
第二获取模块,其用于获取试卷或作业、对应的各知识点总分、以及教学建议作为第二训练集;
第二神经网络模型,由第二训练集训练得到,用于输入待分析试卷或作业对应的各知识点总分,输出待分析试卷或作业的教学建议。
8.如权利要求7所述的基于人工智能的在线学习诊断装置,其特征在于,所述在线学习诊断装置还包括:
存储模块,其用于存储学员ID、该学员ID完成的所有试卷或作业及对应的各知识点总分、以及所有教学建议;
整合模块,其用于每间隔一段时间将该时间段内该学员ID完成的所有试卷或作业及对应的各知识点总分、以及所有教学建议整合进行整合,得到知识点及对应的总得分,并对各知识点进行总得分排序。
9.如权利要求8所述的基于人工智能的在线学习诊断装置,其特征在于:所述第一获取模块具体用于采集电子笔的笔顺信息和位置信息,形成不同的笔画;以及根据笔画组合得到输入的字符,获得作答内容;所述字符包括文字、数字、英文或符号。
10.如权利要求7所述的基于人工智能的在线学习诊断装置,其特征在于,所述在线学习诊断装置还包括:
比较模块,其用于统计一次试卷或作业的总成绩,并根据考评全体学生的总成绩获取优秀率、及格率和平均分,所述考评全体是班级或年级;
所述比较模块还用于根据每次试卷或作业的总成绩,得到成绩轨迹,并计算出学员的名次、进步或退步情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110440366.0A CN113256457A (zh) | 2021-04-22 | 2021-04-22 | 一种基于人工智能的在线学习诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110440366.0A CN113256457A (zh) | 2021-04-22 | 2021-04-22 | 一种基于人工智能的在线学习诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113256457A true CN113256457A (zh) | 2021-08-13 |
Family
ID=77221394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110440366.0A Pending CN113256457A (zh) | 2021-04-22 | 2021-04-22 | 一种基于人工智能的在线学习诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256457A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793539A (zh) * | 2021-09-16 | 2021-12-14 | 联想(北京)有限公司 | 辅助教学方法、装置及电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615423A (zh) * | 2018-06-21 | 2018-10-02 | 中山大学新华学院 | 一种基于深度学习的线上教育管理系统 |
KR20200008732A (ko) * | 2018-07-17 | 2020-01-29 | 주식회사 유핏 | 디지털 시험 관리 및 분석 방법 및 시스템 |
US20200285938A1 (en) * | 2017-09-08 | 2020-09-10 | Samsung Electronics Co., Ltd. | Neural network learning method and device for recognizing class |
CN112614391A (zh) * | 2020-12-22 | 2021-04-06 | 贵州树精英教育科技有限责任公司 | 一种基于能力水平的学习提升系统 |
-
2021
- 2021-04-22 CN CN202110440366.0A patent/CN113256457A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200285938A1 (en) * | 2017-09-08 | 2020-09-10 | Samsung Electronics Co., Ltd. | Neural network learning method and device for recognizing class |
CN108615423A (zh) * | 2018-06-21 | 2018-10-02 | 中山大学新华学院 | 一种基于深度学习的线上教育管理系统 |
KR20200008732A (ko) * | 2018-07-17 | 2020-01-29 | 주식회사 유핏 | 디지털 시험 관리 및 분석 방법 및 시스템 |
CN112614391A (zh) * | 2020-12-22 | 2021-04-06 | 贵州树精英教育科技有限责任公司 | 一种基于能力水平的学习提升系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793539A (zh) * | 2021-09-16 | 2021-12-14 | 联想(北京)有限公司 | 辅助教学方法、装置及电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348400B (zh) | 一种评分获取方法、装置及电子设备 | |
CN109710590B (zh) | 一种错题本生成方法及装置 | |
CN107798321A (zh) | 一种试卷分析方法和计算设备 | |
CN109887362B (zh) | 一种用于教学的人机交互式自动展示系统 | |
US20220366809A1 (en) | Method and apparatus of diagnostic test | |
CN105427696A (zh) | 一种对目标题目所作答案进行判别的方法 | |
CN110826872A (zh) | 考试成绩分析报告生成方法、系统、装置 | |
CN107038438A (zh) | 一种基于图像识别的评阅方法 | |
US20070048718A1 (en) | System and Method for Test Creation, Verification, and Evaluation | |
CN110837793A (zh) | 一种智能识别手写数学公式批阅系统 | |
CN113256457A (zh) | 一种基于人工智能的在线学习诊断方法及装置 | |
CN113888757A (zh) | 基于对标评价的考卷智能分析方法、系统及存储介质 | |
CN113377942A (zh) | 一种试卷生成方法、装置、计算机设备及存储介质 | |
JP6957803B2 (ja) | 学習支援装置 | |
KR101996247B1 (ko) | 진단 검사 방법 및 장치 | |
Pauna | Calculus course assessment data | |
CN115860998A (zh) | 基于实操业务的学习配置方法、装置、设备及存储介质 | |
CN111666799A (zh) | 一种口算题的校验方法及终端 | |
CN115050039A (zh) | 自动化试卷分析方法、系统、电子设备、存储介质 | |
Gutbrod et al. | The business experiments navigator (ben) | |
CN112164262A (zh) | 一种智能阅卷辅导系统 | |
CN111914683A (zh) | 一种基于仿生图像增强算法和fpga硬件加速的手写成绩录入系统 | |
CN115620332B (zh) | 一种基于纸质作业的自动批阅方法及设备 | |
JP3773960B2 (ja) | 学習成績の処理システム | |
Takesako et al. | Development of Learning Material for Newcomers to Field of AI |
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 |