CN113590956A - 知识点推荐方法、装置、终端及计算机可读存储介质 - Google Patents
知识点推荐方法、装置、终端及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113590956A CN113590956A CN202110872968.3A CN202110872968A CN113590956A CN 113590956 A CN113590956 A CN 113590956A CN 202110872968 A CN202110872968 A CN 202110872968A CN 113590956 A CN113590956 A CN 113590956A
- Authority
- CN
- China
- Prior art keywords
- target
- knowledge point
- test
- knowledge
- retrieval
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012360 testing method Methods 0.000 claims abstract description 259
- 238000004458 analytical method Methods 0.000 claims abstract description 76
- 239000000463 material Substances 0.000 claims description 101
- 238000012549 training Methods 0.000 claims description 93
- 238000012550 audit Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012552 review Methods 0.000 description 62
- 238000013473 artificial intelligence Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 12
- 238000011835 investigation Methods 0.000 description 9
- 239000000126 substance Substances 0.000 description 7
- 239000013589 supplement Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000246 remedial effect Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/45—Clustering; Classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了知识点推荐方法、装置、终端及计算机可读存储介质,其中方法包括:获取针对目标用户的待分析试卷并确定待分析试卷中的目标试题,目标试题包括待分析试卷中回答错误的试题;调用分析模型对目标试题进行分析,得到目标试题对应的检索标签集合,根据检索标签集合从系统资料库中获取目标知识点,并将目标知识点向目标用户进行推荐。通过对目标用户待分析试卷中的目标试题调用分析模型进行分析,得到目标试题对应的检索标签集合,并从中进行检索,提取知识点后向目标用户输出,可以针对试卷中的错误试题为学生推荐对应的知识点,提升了知识点推荐的智能性。
Description
技术领域
本申请涉及知识点推荐处理技术领域,特别是涉及知识点推荐方法、装置、终端及计算机可读存储介质。
背景技术
当前,学生、老师和家长通常基于学生的考试成绩了解到学生的学习情况,而考试成绩仅仅是给一个单纯的数字。透过该数字,家长无法知道孩子到底是哪些知识点没有掌握,又或者是掌握了知识点,但是不会灵活运用;同时,面对分数,家长也不知道该如何利用学生的教科书和相关学习资料进行弥补,导致学生和家长只能盲目地复习,长此以往,不仅仅增加了学生和家长的负担,而且会严重影响学生的学习兴趣和信心,并且影响学生学习的不良因素还会继续发挥负面影响,最终只会导致学生排斥或者回避学习。
针对上述问题,现有终端可以根据考试成绩推荐相应的辅导书籍促使学生进行学习,但书籍中的知识点较多,学生难以从众多知识点中找到需要的知识点,也难以高效定制计划对书籍进行学习,使得学习效率低,如何提升终端对于知识的推荐智能性,成为亟待解决的问题。
发明内容
本申请的目的是提供了一种知识点推荐方法、装置、终端及计算机可读存储介质,可以针对试卷中的错误试题为学生推荐对应的知识点,提升了知识推荐的智能性,帮助学生实现精准复习。
为解决上述技术问题,本申请实施例提供了一种知识点推荐方法,包括:
获取针对目标用户的待分析试卷,并确定所述待分析试卷中的目标试题,所述目标试题包括所述待分析试卷中回答错误的试题;
调用分析模型对所述目标试题进行分析,得到所述目标试题对应的检索标签集合,所述检索标签集合中包括至少一个检索标签;
根据所述检索标签集合从系统资料库中获取目标知识点,并将所述目标知识点向所述目标用户进行推荐。
除此之外,本申请实施例还提供了一种知识点推荐装置,包括:
获取模块,用于获取针对目标用户的待分析试卷,并确定所述待分析试卷中的目标试题,所述目标试题包括所述待分析试卷中回答错误的目标试题;
调用模块,用于调用分析模型对所述目标试题进行分析,得到所述目标试题对应的检索标签集合,所述检索标签集合中包括至少一个检索标签;
所述获取模块,还用于根据所述检索标签集合从系统资料库中获取到目标知识点;
推荐模块,用于将所述目标知识点向所述目标用户进行推荐。
除此之外,本申请实施例还提供了一种终端,包括处理器和存储器,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如上所述知识点推荐方法。
除此之外,本申请实施例还提供了一种计算机可读存储介质,包括用于存储计算机程序的存储介质主体,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如上所述知识点推荐方法。
本申请实施例所提供的知识点推荐方法、装置及终端、计算机可读存储介质,与现有技术相比,具有以下优点:
本申请实施例提供的知识点推荐方法、装置及终端、计算机可读存储介质,通过对目标用户的待分析试卷中的目标试题调用分析模型进行分析,得到目标试题对应的检索标签集合,并从电子资料库中进行检索后提取知识点后向目标用户输出,使得推荐的知识点更具有针对性,即提升了终端对于知识点推荐的智能性,也有助于提高复习效率。
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,下面描述中的附图是本申请的一些实施例,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为本申请实施例提供的一种知识点推荐方法的流程示意图;
图2为本申请实施例提供的另一种知识点推荐方法的流程示意图;
图3为本申请实施例提供的知识点推荐装置结构示意图;
图4为本申请实施例提供的终端的结构示意图。
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、完整的描述,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。
本申请实施例提供的知识点推荐方法实现于终端,所述终端包括智能录播主机、智能手机、平板电脑、数字音视频播放器、电子阅读器、手持游戏机或车载终端等终端。
在一个实施例中,本方案具体流程如下:
S1,获取针对目标用户的待分析试卷并确定所述待分析试卷中的目标试题,所述目标试题包括所述待分析试卷中回答错误的目标试题;
S2,调用分析模型对所述目标试题进行分析,得到所述目标试题对应的检索标签集合,所述检索标签集合中包括至少一个检索标签;
S3,根据所述检索标签集合从系统资料库中获取目标知识点,并将所述目标知识点向所述目标用户进行推荐。
通过对目标用户的待分析试卷中的目标试题调用分析模型进行分析,得到目标试题对应的检索标签集合,并从中进行检索,提取知识点对应的讲解内容后向目标用户输出,使得推荐的知识点更具有针对性,有助于提高复习效率高。
本申请中对于对应的硬件不做限定,一个实施例中,硬件系统由服务器、老师客户端和学生/家长客户端组成,其中学生/家长客户端包括但不限于平板电脑、智能手机、PC等,老师客户端包括但不限于智能手机、平板电脑、PC和扫描仪等。
本申请中对于系统资料库的形成不做限定,可以是预先形成的,也可以是先在资料库中存储一部分资料,之后在使用过程中,通过家长、学生以及老师等人员向资料库中填充数据,使得资料库不断得到丰富,避免学生学习的知识与社会发生脱节,如最新的英语单词、最新的网络用语等。
本申请对于系统资料库的形成方式以及包含的内容不做限定,在一个实施例中还包括:
获取教学资料信息,所述教学资料信息包括教材、教辅书籍、课外听力材料以及课外阅读材料中的至少一种;
提取出所述教学资料信息中包含的知识点集合,并为所述知识点集合中每个知识点添加对应的标签;
根据所述知识点集合中所述知识点以及所述知识点对应的标签构建出系统资料库。
本申请中一般通过对教材以拍照、扫描或直接上传电子原件的形式录入系统,然后使用图像文字识别技术将图片或扫描件内容转换成文字内容。再利用人工智能技术分析教材内容,为每个知识点生成相应的知识点标签。
本申请中包括但是不局限于上述的资料获取方式,除此之外,由于不同区域的学生采用的教材等可能有一些差别,或者是获取资料的渠道以及实际获得的资料有一定的差别,因而还可以通过互联网进行相互补充,更甚至可以是有专业的网站,定期发布一些资料供应学生、家长、老师对系统资料库添加内容,以不断完善和丰富资料库。
在本申请中是对目标用户的试卷进行分析,如果其中的目标题目全部正确,那么自然不需要进行知识点推荐,但是如果出现错误题目,就需要进行知识点推荐,从而实现提高学生补习效率的目的。
需要是指的是,本申请中所指出的目标试题,并不仅仅是答案错误,还包括计算过程或者书写过程的错误,如英语、语文中的单词、文字的错误,还包括数学、物理等计算过程中计算繁琐的题目,这是由于在本申请中进行知识点推荐的目的在于提高学习效率,而不仅仅是会做题。如果两个人同时做一题目,其中一位只花了五分钟,而另一位花费了十分钟,虽然结果正确,但是知识点的掌握程度是不同的,可能出现前者只是几行就能快速获得结果,而后者却需要花费大量的运算,使得学习效率低下,因而也需要有针对性的训练。
图1是本申请实施例中一种知识点推荐方法的流程示意图,如图1所示,本实施例中的知识点推荐方法可以包括:
S101、获取针对目标用户的待分析试卷,并确定待分析试卷中的目标试题。
本申请实施例中,待分析试卷具体可以为存储的针对目标用户的答题试卷,试卷中可以包括有多道试题,以及目标用户针对试题输入的作答信息,终端可以基于作答信息从待分析试卷中确定出目标试题,目标试题可以包括待分析试卷中回答错误的试题。在一个实施例中,待分析试卷中每道试题预先被添加有标注信息,终端可以基于标注信息确定出试卷中回答错误的试题。作为目标试题,标注信息可以为针对试题对应的作答信息的评分,当评分低于预设评分时,终端将试题确定为目标试题,或者,标注信息可以为针对试题对应的作答信息的判断标注,如勾与叉,终端可以将判断标注指示作答信息错误的试题确定为目标试题。在一个实施例中,终端可以对待分析试卷中每道试题的作答信息进行识别,并将识别出的内容与预设内容进行匹配,若匹配成功,则确定试题作答正确,并跳转判断下一试题,若匹配失败,则确定试题作答错误,并将试题作为目标试题。
S102、调用分析模型对目标试题进行分析,得到目标试题对应的检索标签集合。
本申请实施例中,终端确定出待分析试卷中的目标试题之后,将调用分析模型对目标试题进行分析,得到目标试题对应的检索标签集合,检索标签集合中包括至少一个检索标签,检索标签可以为在资料库中进行资源检索的关键词,如“勾股定理、三垂线问题、等腰”等,通过检索标签即可在资料库中精确检索得到相关知识点。
在一种实现方式中,终端得到检索标签集合的具体方式可以为,终端调用分析模型对目标试题进行分析,得到试题库中与目标试题相似度最高的目标历史试题;并调用分析模型从试题库中获取到目标历史试题对应的标签集合,作为目标试题对应的检索标签集合,试题库包括至少一个历史试题以及每个历史试题对应的标签集合。其中,该分析模型可以用于计算出试题之间的相似度,分析模型具体可以对目标试题和试题库中各个历史试题进行相似度运算,得到目标试题与各个历史试题之间的相似度后,基于相似度筛选出目标历史试题,并基于目标历史试题找到相应的标签集合。可选的,相似度具体可以为目标试题和历史试题中相同字符的数量与目标试题中字符的总数量之间的比值。或者,终端提取出目标试题中的目标关键词,以及历史试题中的历史关键词,终端确定目标关键词的词向量与历史关键词之间的目标距离,并基于距离与相似度的对应关系确定目标距离对应的相似度,作为目标试题与历史试题之间的相似度。
在一种实现方式中,分析模型为训练完成的深度学习模型,终端可将目标试题输入至分析模型中,由分析模型直接输出目标试题对应的检索标签集合。其中,分析模型的具体训练方式可以为,获取训练题目集合,通过训练题目集合对初始分析模型进行预训练,得到基础分析模型;获取样本题目集合,通过样本题目集合对基础分析模型进行训练,得到分析模型,其中,训练题目集合中包括:多个由训练题目和训练检索标签集合构成的训练组,训练题目为针对参考用户的试卷中的题目;样本题目集合中包括:多个由样本题目和样本检索标签集合构成的样本组,样本题目为针对目标用户的试卷中的题目。通过普通试题和标签对初始分析模型进行预训练的方式,可以使得训练得到的基础分析模型具备针对试题分析出相应标签集合的能力,通过采用针对目标用户的试卷中的题目和标签对基础分析模型进行再次训练,可以使得训练得到的分析模型更具针对性,基于试题分析得到的标签集合更符合目标用户的需要。需要说明的是,终端通过训练题目集合对初始分析模型进行预训练的具体方式可以为,将训练题目集合中各个训练题目输入至初始分析模型中,由初始分析模型输出针对训练题目的预测标签集合,并基于预设标签集合与预设标签集合的损失值对初始分析模型中的参数进行更新,重复上述步骤,当检测到参数更新后的初始分析模型满足第一预设条件时,将该参数更新后的初始分析模型确定为基础分析模型。其中,第一预设条件包括对于训练题目集合中训练题目的标签集合的预测准确率高于预设准确率,该初始分析模型具体可以在接收到训练题目之后,输出针对该训练题目的预测标签集合,当预测标签集合与训练题目集合中预设标签集合相匹配时,确定标签集合预测准确。通过样本题目集合对所述基础分析模型进行训练的具体可以为,基于样本题目集合对基础分析模型进行训练,以对基础分析模型的参数进行更新;若参数更新后的基础分析模型满足第二预设条件,则将参数更新后的基础分析模型确定为分析模型,第二预设条件包括对于样本题目集合中样本题目的标签集合的预测准确率高于预设准确率。
S103、根据检索标签集合从系统资料库中获取目标知识点,并将目标知识点向目标用户进行推荐。
本申请实施例中,终端得到检索标签集合之后,将根据检索标签集合从系统资料库中获取目标知识点,其中,系统资料库中预先录入了大量教材、教辅书籍、课外听力材料以及课外阅读材料等资料,每类资料中可包括多个知识点,系统资料库的构建方式具体可以为,终端获取教学资料信息;提取出教学资料信息中包含的知识点集合,并为知识点集合中每个知识点添加对应的标签;根据知识点集合中知识点以及知识点对应的标签构建出系统资料库。其中,教学资料信息包括教材、教辅书籍、课外听力材料以及课外阅读材料中的至少一种,教学资料信息中包含的知识点集合具体可有由人为预先设定,或者,终端预先接收到针对知识点的划分规则,并根据划分规则划分出教学资料信息中的知识点,如划分规则为基于关键词进行划分,则可将包含指定关键词的段落作为一个知识点,或者,基于字体格式进行划分,如将包含指定字体格式的字符的段落作为一个知识点。终端为知识点集合中每个知识点添加对应的标签的方式可以为,对知识点进行分词处理,得到词组集合,校验词组集合中是否存在于数据库存储的标签词组相匹配的目标词组,若存在,则将目标词组确定为知识点对应的标签,并在该知识点中添加该标签。或者,终端也可以接收用户输入的操作,并根据操作为知识点添加相应标签。通过上述方式,一个知识点可以对应有多个标签,一个标签也可对应有多个知识点,在建立好标签与知识点的对应关系后,即可构建出相应的系统资料库,以使得后续在系统资料库中查询到相应标签时,可以输出相应知识点。
在一种实现方式中,终端根据检索标签集合从系统资料库中获取目标知识点的具体方式可以为,接收针对检索标签集合的审核信息,审核信息包括人工审核的信息、结合课程标准中标签进行比对审核的信息和结合教学目标中标签进行比对审核的信息中的至少一种;根据审核信息从检索标签集合筛选出目标检索标签;从系统资料库中获取到目标检索标签对应的知识点,作为目标知识点。即终端确定检索标签集合后,还可以接收审核信息,在一个实施例中,审核方式为人工审核,则终端可以将对检索标签集合人工输入的操作当作人工审核的信息,并根据操作从标签集合筛选出目标检索标签,以及后续对目标检索标签进行检索,实现从系统资料库中获取到相应知识点,并且知识点与用户学习意愿相匹配,提升了终端的检索智能性;在一个实施例中,审核信息为结合课程标准中标签进行比对审核的信息,即将检索标签集合中各个标签与课程标准中标签进行比对,然后筛选出相应的目标检索标签,使得筛选出的目标检索标签符合课程标准,更贴合于用户需求;在一个实施例中,审核信息包括结合教学目标中标签进行比对审核的信息,即将检索标签集合中各个标签与教学目标中标签进行比对,然后筛选出相应的目标检索标签,使得筛选出的目标检索标签符合教学目标,其中,教学目标可以由研发人员或者老师预先录入,用于指示学习需达到的目标,如大致了解“勾股定理”,完全掌握“勾股定理”等,基于学习目标可以对检索标签进行进一步筛选,以更精确的找到学生需要的知识点,如针对检索标签1和检索标签2,检索标签1对应的难度低于检索标签2,当学习目标为完全掌握“勾股定理”时,目标检索标签可以为检索标签1,当学习目标为大致了解“勾股定理”时,目标检索标签可以为检索标签2,实现基于不同学习目标对检索标签进行精确筛选。
在一种实现方式中,终端将所述目标知识点向所述目标用户进行推荐之后,还可以响应于针对所述目标知识点的扩展指令,获取目标知识点对应的目标检索标签;从知识图谱中获取到与目标检索标签关联的参考检索标签,基于参考检索标签从系统资料库中获取到参考知识点,并将参考知识点向目标用户进行推荐。其中,知识图谱中包括至少一个检索标签以及各个检索标签之间的关联关系;终端可以基于预先接收到的操作指令构建出知识图谱,以确定出各个知识点之间的关联关系,参考知识点可以为与目标知识点相似的知识点,如目标知识点为“勾股定理”,则参考知识点可以为“勾股定理逆定理”,通过上述方式,即可实现对于知识点的扩展,便于目标用户对知识进行更进一步的理解。
本申请实施例提供的知识点推荐方法,通过对目标用户的待分析试卷中的目标试题调用分析模型进行分析,得到目标试题对应的检索标签集合,并从电子资料库中进行检索后提取知识点后向目标用户输出,使得推荐的知识点更具有针对性,即提升了终端对于知识点推荐的智能性,也有助于提高复习效率。
图2是本申请实施例中另一种针对知识点推荐方法的流程示意图,如图2所示,本实施例中的知识点推荐方法可以包括:
S201、获取针对目标用户的待分析试卷,并确定所述待分析试卷中的目标试题,目标试题包括待分析试卷中回答错误的试题。
S202、调用分析模型对所述目标试题进行分析,得到目标试题对应的检索标签集合,检索标签集合中包括至少一个检索标签。
S203、根据检索标签集合从系统资料库中获取目标知识点,并将目标知识点向目标用户进行推荐。
S204、确定目标试题的得分率,并获取目标知识点对应的训练题目集合。
本申请实施例中,针对待分析试卷中目标用户回答错误的目标试题,目标用户可能对也回答对了部分内容,因此存在一定的得分,得分率即目标试题的得分与预设分之间的比值,不同的得分率说明目标用户对于目标试题的掌握程度不同,后续需要针对性训练的题目也不同。数据库中存储了多个知识点,每个知识点可以对应有一个训练题目集合,训练题目集合中包括多个训练题目,每个训练题目用于对知识点进行针对性训练,其中,不同题目的难度不同,适用于对于知识点掌握程度不同的学生。终端可以基于目标知识点在数据库中进行检索,得到目标知识点对应的训练题目集合。
S205、根据得分率从训练题目集合中筛选出目标训练题目,并确定针对目标训练题目的目标训练时间。
本申请实施例中,终端确定出相应的训练题目集合之后,将根据得分率从训练题目集合中筛选出目标训练题目。在一个实施例中,训练题目集合中包括了不同难度等级的训练题目,终端可以基于预先构建的得分率与难度等级的对应关系确定得分率对应的目标难度等级,并从训练题目集合中筛选出目标难度等级的训练题目作为目标训练题目。在一个实施例中,终端可以基于预先构建的得分率与数量的对应关系确定得分率对应的目标数量,并从训练题目集合中随机筛选出目标数量个训练题目座位目标训练题目。进一步的,针对目标训练题目,终端还确定其对应的目标训练时间,可选的,当得分率较高时,目标训练时间较短,得分率较低时,目标训练时间较长。
S206、基于目标训练题目和目标训练时间构建针对目标用户的学习计划,并将学习计划向目标用户进行推荐。
本申请实施例中,终端可以基于目标训练题目和目标训练时间构建针对目标用户的学习计划,如要求目标用户在目标训练时间内完成对于目标训练题目的作答,终端将上述学习计划向所述目标用户进行推荐,通过上述方式,可以为目标用户定制学习计划,提升目标用户的学习效率。
在一种实现方式中,目标用户执行学习计划的时候通过终端进行操作,终端将利用人工智能技术自动识别并判断针对训练题目的答复结果,如果目标用户练习的题目仍然答错,则通过对应错题再次相应的复习资料,并加入到学生复习计划中;如果学生答对,则统计该部分内容的学习时间,并基于该时间进行分析后上传至云服务器,再由其他终端对云服务器中的数据进行调用,以制定针对其他相似用户的学习计划。可选的,在补习过程中,当目标用户遇到不会解答的题目时,可以通过终端给系统发送提示请求。系统受到提示请求之后,会根据相关习题的标签,推荐参考习题;如果目标用户仍然不会解答,则系统会推荐相关的知识讲解以及具体例题,以便降低解题难度,引导目标用户主动思考。
进一步的,终端将学习计划向所述目标用户进行推荐之后,还可以接收针对学习计划的反馈信息,若反馈信息指示学习计划有效,则终端可以将目标试题信息和学习计划以指定方式进行存储,其中,目标试题信息具体可以包括目标试题、目标知识点和参考知识点,反馈信息具体可以基于目标用户输入的评价进行体现,如评价为中包含“好、赞、有效”等词组时,确定学习计划有效,或者,检测用户下一评估周期内的平均成绩,若平均成绩提升,则反馈信息指示学习计划有效。在一个实施例中,可以采用数据库对上述目标试题信息和学习计划进行存储,或者,采用区块链对上述目标试题信息和学习计划进行存储,具体的,终端可以将目标试题信息和学习计划发送至区块链中的各个节点,以使得各个节点对目标试题信息和学习计划进行共识校验,若接收到共识校验通过的结果,则终端目标试题信息和学习计划打包成区块,并将区块上传至区块链中,实现采用区块链对目标试题信息和学习计划进行存储。
本申请实施例提供的知识点推荐方法、装置及终端、计算机可读存储介质,通过对目标用户的待分析试卷中的目标试题调用分析模型进行分析,得到目标试题对应的检索标签集合,并从电子资料库中进行检索后提取知识点后向目标用户输出,以及基于得分率筛选出相关题目,并为目标用户定制学习计划,使得目标用户根据学习计划进行学习,使得推荐的知识点和题目更具有针对性,即提升了终端对于知识点推荐的智能性,也有助于提高复习效率。
本申请中的核心之一是提取出所述教学资料信息中包含的知识点集合,并为所述知识点集合中每个知识点添加对应的标签;
根据所述知识点集合中所述知识点以及所述知识点对应的标签构建出系统资料库。
例如对于一本物理教科书来说,是由一些知识点组成,是为知识点的集合,可以将其内容提取浓缩为一个个的知识点,如提取为力学、热学、电学、磁学等,然后之下还有一些小的知识点等,并为其添加对应的标签,方便进行知识点的搜寻以及使用,如老师教课直接从知识点出发,学生针对自己的弱项等进行针对性的知识点学习等。将一些资料通过知识点获取,并通过知识点构建起系统资料库,可以直接从知识点的角度在系统资料库中进行内容获取以及使用,本申请对于具体的知识点的提取方式以及命名方式等不做限定。
为了进一步提高学习效率,在一个实施例中,在所述将所述目标知识点内容向所述目标用户进行推荐之后,还包括:
确定所述目标试题的得分率,并获取所述目标知识点对应的训练题目集合;
根据所述得分率从所述训练题目集合中筛选出目标训练题目,并确定针对所述目标训练题目的目标训练时间;
基于所述目标训练题目和所述目标训练时间构建针对所述目标用户的学习计划,并将所述学习计划向所述目标用户进行推荐。
通过确定目标试题的得分率,进行针对性的分析,可以实际精准的获得目标用户的知识点掌握情况,从而提出更加精确的知识点学习计划。如在一物理题目中,讲述的是卫星发射升空的情况,其中至少包括加速上升计算的牛顿第二运动定律和到达宇宙空间后环绕地球运转的万有引力定律,虽然最后的计算可能出现错误,但是并不能表明目标用户在两个计算过程都发生计算错误,因而并不一定需要将两个知识点都向目标用户进行推荐。通过上述的得分率分析,即可完整的获得目标用户的知识点实际掌握情况,避免重复复习已经掌握的知识点,从而提高学习效率。
本申请中采用分析模型对其中的目标试题进行分析,对于其分析过程以及分析模型本身不做具体限定,一个实施例中,所述调用分析模型对所述目标试题进行分析,得到所述目标试题对应的检索标签集合,包括:
调用分析模型对所述目标试题进行分析,得到试题库中与所述目标试题相似度最高的目标历史试题,所述试题库包括至少一个历史试题以及所述历史试题对应的标签集合;
调用所述分析模型从所述试题库中获取到所述目标历史试题对应的标签集合,作为所述目标试题对应的检索标签集合。
通过调用分析模型对所述目标试题进行分析,直接分析目标试题的考察知识点或考察目的,然后生成相应的标签。不需要涉及到其他历史试题。最终,为试卷中每个试题生成相应的标签之后,由老师根据自己的教学计划以及考察目的再次审核这些标签即可。这样,试卷的每个试题对应的标签就确定了,然后学生哪个题目答错了,就把该题目对应的相应标签筛选出来。最后,以每个学生筛选出来的所有标签在电子资料库中寻找与之绑定的内容,即可得到系统给学生推荐的具体教材内容和系统内容以及其他内容(音频、视频等)。最后在根据推荐的内容生成补习计划就行了。
当然,也可以通过分析得到试题库中与所述目标试题相似度最高的目标历史试题,使得目标用户可以获取相似的历史试题,这样采用类比的方式,给出的训练题目更具有针对性,在学习知识点的同时通过历史试题进行训练,更加方便的知识点的掌握。
需要指出的是,在本申请中的历史试题可以是预存的,还可以是在本次学习之后对应的错题,即将目标试题在完成学习之后,可以自动转存或者手动转存为历史题目即可,可以在学习的同时自动完成系统资料库的丰富。
本申请对于历史试题以及对应的标签集合的设定不做限定。而且采用分析模型对所述目标试题进行分析,得到所述目标试题对应的检索标签集合,也不局限于上述的方式,还可以是根据知识点,采用嫁接的方式或剪裁的方式,从已知的历史试题中通过一定的处理获得。
如在学习牛顿第二运动定律中,一道题目中对于加速度等的计算可能出现错误,那么可以将卫星上天这一试题中进入太空的部分删除,只研究卫星上升的部分,这样通过裁剪的方式获得新的题目,或者采用多个类似题目进行组合的方式,获得新的题目,本申请对此不作限定。
本申请中的重要的部分是获得知识点并进行推荐,对这一具体过程不做限定,一个实施例中,所述根据所述检索标签集合从系统资料库中获取到目标知识点,包括:
接收针对所述检索标签集合的审核信息,所述审核信息包括从人工审核、结合课程标准中标签进行比对审核、结合教学目标中标签进行比对审核;
根据所述审核信息确定当前的教材内容与标签之间的绑定关系、习题资料与标签之间的绑定关系、试卷中与每个试题与对应标签的绑定关系是否合理,并从所述检索标签集合筛选出目标检索标签;
从系统资料库中获取到所述目标检索标签对应的知识点,作为目标知识点。
通过采用审核的方式,不管是人工审核还是系统审核,都能够提高知识点标签的正确性,根据审查结果删除多余的标签、修改错误的标签以及补充遗漏的标签,使得存在的知识点标签不会多余也不会业楼或者错误,能进一步帮助学生提高学习效率。
在本申请中老师可以结合课程标准中标签进行比对审核和结合教学目标中标签进行比对审核。例如,根据教学计划,应该进行某个知识点的学习,那么就会将当前的知识点进行重置,改变为老师需要教学的知识点,学生也会自动转为对该知识点的学习,使得学习变得有规划和条例,不会出现学生漫无目的没有方向的学习。
其中的教学目的对于学生来说主要是知识点的掌握,但是其中也有一些区别,如在开始阶段进行掌握基础的过程中,需要进行循序渐进的学习,这时候就需要进行反复练习,没有区别的的学习和练习,但是如果是快到期末考试或者进行高考等环节,重点在于整体成绩的提高,这时候就需要有选择性,如有人对物理的天赋实在是理解不了,而对于化学生物理解效率非常高,这时就通过统筹的方式,通过一定的计算,降低物理的学习时间,提高化学和生物的学习时间,甚至在物理的学习中不再针对一些大题进行学习,而是只学习基础知识,这样掌握难度低、效率高,有利于提高学习总成绩,提高学习效率等。
本申请对于各种审核方式的审核过程以及审核标准不做限定,可以根据不同时期的学习目的等进行适应性的改变。
需要指出的是,本申请中进行标签修正中,可以是在学生使用前的修正,也可以是学生使用时学生自己或者老师、家长等通过一定的学习经验进行修正,或者采用大数据结合不同地域的学习方式进行修正。
由于教材等对于知识点的提炼较为精准,即一般是针对知识点展开,如英语的单词、语法,数学、物理的公式等,而课外资料中,由于一般仅仅是针对普通人进行信息获取,因而需要有针对性的提取,如对于一些英语阅读资料中,需要在教材的基础上进行一定的扩展,因而二者具有一定的不同。本申请中对于知识点的提炼不做限定。
而且不同科目的命名方式可能有一些区别,不同的人群在使用中也具有各自的学习习惯,因而还需要进行一定的扩展,如对于物理而言,其中有力学、热学、电磁学、波等下属分类,而在这些下属分类中可能有需要进一步进行划分,因此需要有一定的扩展性。
在一个实施例中,在所述根据所述检索标签集合从系统资料库中获取到目标知识点之后,还包括:
响应于针对所述目标知识点的扩展指令,获取所述目标知识点对应的目标检索标签;
从知识图谱中获取到与所述目标检索标签关联的参考检索标签,所述知识图谱中包括至少一个检索标签以及各个检索标签之间的关联关系;
基于所述参考检索标签从所述系统资料库中获取到参考知识点,并将所述参考知识点向所述目标用户进行推荐。
由于在实际学习中,在同一领域科目中不同的小类别直接存在关联,而在跨学科之间也存在关联,如气态方程在热力学中有应用,在化学的物质的量等的计算中也有使用,或者其它的相关性,通过这种方式,使得每个知识点不再是孤立的知识点,而是相互关联的知识点,可能在学习其中一个的同时,处理能够掌握该知识点之外,对于其它知识点有一定的了解甚至还能够掌握,能够提高学习效率。
本申请中通过将学习资料录入系统资料库形成电子教材,所述学习资料包括教材、教辅书籍以及课外听力材料、课外阅读材料,然后录入的对未作答试题利用人工智能进行分析,根据未作答的试题中考察的知识点以及考察目的设置检索标签并形成标签库,以及识别老师批阅后的学生作答试题后从未作答试题中筛选出学生答错题目并在检索标签中进行对应绑定后生成错题检索标签,最后根据错题知识点获取所述错题知识点在电子教材中的位置作为推荐学习信息输出,这样就实现针对知识点进行出题、答题以及错题索引,并根据索引在电子教材中进行分析,针对性好,复习效率高。
在本申请中根据纸质教材等生成的电子教材中提取知识点,但是其中存在的知识点很多,而根据知识点存在的试题、习题等也非常多,还需要一一对应。在现实中的老师或者系统中的老师批阅完毕之后,针对错题,确定对应的知识点,形成检索索引后,推荐学生在定位对应的电子教材位置之后进行学习,之后再进行该知识点的练习,直到掌握为止。这样能形成对知识点的有针对性的学习,可以通过学习跟踪的方式,定位学习进度,如对于该知识点对应的电子教材部分学习是否完成,对于其中的习题是否完成等。系统可以自行制定计划,如对于单一知识点设定为一个小时或半个小时,其中教材学习时间为多少,习题练习时间为多少等,这样就能够通过时间的规划完成对于学生学习的精确掌控,不会使得学习进度发生拖拉,从而提高学习效率。
在本申请的一个实施例中,采用人工智能结合建模分析所述电子教材,从所述电子教材中提取知识点主标签,并根据所述知识点主标签推导出相应的配套标签、习题标签,以及将所述知识点主标签、所述配套标签、所述习题标签与所述电子教材相应内容进行绑定和定位。
本申请中通过生成知识点的标签,再检索知识点对应的教材、习题的标签等,学生就可以实现自主高效的学习。对于标签生成方式不做限定。学生在学习过程中,可以针对单一的知识点进行定位学习,还可以将多个联系起来综合学习。
虽然是通过知识点进行检索,但是从中一个个进行挑选比较麻烦。因此,在一个实施例中,所述基于人工智能的学生补习内容推荐装置还包括标签生成模块,用于根据所述知识点主标签推导出二级标签,所述二级标签包括知识点标签、知识点内容标签、知识点引用标签、相似知识点标签、相关知识点标签、知识点阅读材料标签、知识点背诵材料标签中的至少一种。
本申请中对教材以拍照、扫描或直接上传电子原件的形式录入系统,然后使用图像文字识别技术将图片或扫描件内容转换成文字内容。再利用人工智能技术分析教材内容,为每个知识点生成相应的知识点主标签即一级标签。
本申请中对于知识点主标签以及二级标签的实际标定方式不做限定,可以根据不同的规则进行设定。
如在一个实施例中,知识点主标签的组成形式由科目简写(字母缩写代替)、短横线以及知识点名称组成,字母缩写可以是任意语种的字母缩写,针对不同学科的字母简写相同的情况,可以扩大字母简写范围来加以区分。以汉语拼音缩写举例,科目与字母缩写的对应关系如下:语文-YW、英语-YY、数学-SX、物理-WL、化学-HX、地理-DL、生物-SW、历史-LS、政治-ZZ。比如英语中有关时态的知识点主标签可以如下:YY-现在进行时、YY-一般过去时等。
本申请中对于二级标签等的推导方式以及标定方式不做限定,系统根据一级标签自动推导出相应的二级标签,其中有关知识点的二级标签,包括但不限于知识点内容标签、知识点引用标签、相似知识点标签、相关知识点标签、知识点阅读材料标签、知识点背诵材料标签。
一个实施例中,知识点标签的结构格式如下:科目首字母、属性、知识点名称。
其中的属性与相关简写字母的对应关系如下:知识点讲解-JJ、知识点引用-JY、相似知识点-XS、相关知识点-XG、知识点阅读材料-YD、知识点背诵材料-BS。
以英语语法中的现在进行时举例,知识点讲解标签为YY-JJ-现在进行时,相似知识点标签为:YY-XG-现在进行时,相似知识点标签为YY-XS-现在进行时。
知识点内容标签用来标记课本中相关知识点的具体解释,例如可以为语文课本中有关比喻修修辞手法的解释部分设置比喻知识点内容标签。
知识点引用标签用来标记相关知识点的实例引用,比如可以为语文课本中使用到比喻的句子设置比喻知识点引用标签。
相似知识点标签用以标记与该知识点相似的其他知识,使用该标签的时候,要手动选定相似知识点的知识点内容标签,并与之绑定。比如,语文课本中的某部分课文涉及到比喻的多种修辞手法,可以为明喻的部分内容设置明喻相似标签,并将明喻相似标签和暗喻知识点内容标签相绑定。
相关知识点标签用以标记与该知识点相关的其他知识,使用该标签的时候,要手动选定相关知识点的知识点内容标签,并与之绑定。比如,语文课本中的某部分章节涉及到修辞手法,可以为比喻的部分内容设置比喻相关标签,并将比喻相似标签和其他修辞手法知识点内容标签绑定,比如夸张知识点内容标签、排比知识点内容标签、借代知识点内容标签等。相关知识点标签不仅仅用于并列关系的知识之间,也可以用于其它关系的情况,比如化学知识中某类物质的成分属于基础知识,而元素周期表以及该物质的元素之间可能的相关化学反应等知识,也应该属于这类物质的相关知识。
知识点阅读材料标签用以标记课文或其他学校统一配发的学习资料中与某个知识点相关的阅读材料。
知识点背诵材料标签用以标记课文或者其他学校统一配发的学习资料中与某个知识点相关的必须背诵的相关材料。
系统根据主标签自动推导相应的习题标签,包括但不限于知识点基础能力练习标签、知识点提高能力练习标签和知识点拓展练习标签。
习题标签的结构格式如下:
科目首字母–XT–属性–知识点名称。
其中的属性与相关简写字母的对应关系如下:
知识点基础能力练习-JC、知识点提高能力练习-TG、知识点综合运用练习-ZH、知识点拓展练习-TZ。
知识点基础能力标签用以标记教科书、习题集或者学校统一配发的习题资料中相关知识点的基础练习题,比如数学领域的正弦函数基础能力练习标签。
知识点提高能力标签用以标记相关教科书、习题集或者学校统一配发的习题资料中相关的知识点的能力提升练习题,比如数学领域的正弦函数提高能力练习标签。
知识点综合运用练习标签用以标记相关教科书、习题集或者学校统一配发的习题资料中涉及多个知识点综合运用的练习题。
知识点拓展材料标签用于标记课文、习题或者学校统一配发的其他学习资料中与某个知识点相关的拓展阅读材料。
系统根据主标签自动推导相应的其他学习资料标签,包括但不限于知识点拓展阅读材料标签、知识点拓展背诵材料标签、知识点音频材料标签、知识点视频材料标签等。
知识点提高能力标签用以标记相关教科书、习题集或者学校统一配发的习题资料中相关的知识点的能力提升练习题,比如数学领域的正弦函数提高能力练习标签。
知识点综合运用练习标签用以标记相关教科书、习题集或者学校统一配发的习题资料中涉及多个知识点综合运用的练习题。
知识点拓展材料标签用于标记课文、习题或者学校统一配发的其他学习资料中与某个知识点相关的拓展阅读材料。
系统根据主标签自动推导相应的其他学习资料标签,包括但不限于知识点拓展阅读材料标签、知识点拓展背诵材料标签、知识点音频材料标签、知识点视频材料标签等。
其他资料标签的结构格式如下:
科目首字母–QT–属性–知识点名称;
其中的属性与相关简写字母的对应关系如下:知识点拓展阅读材料-TZ、知识点拓展背诵材料-BS、知识点音频材料-YP、知识点视频材料-SP。
知识点阅读材料标签用于标记与某个知识点相关的阅读材料内容。
知识点拓展材料标签用于标记相关知识领域拓展相关相关资料。
知识点音频材料标签标记相关知识点的音频资料,包括但不限于各种录音光盘、磁带以及多媒体文件等。
知识点视频材料标签用于标记相关知识点的视频资料,包括但不限于多媒体文件、实物光盘等。
本申请中对于电子教材库的生成不做限定,一个实施例中,系统使用人工智能技术分析电子教材,根据电子教材所讲述的内容在检索标签库中挑选合适的标签,并与教材的相应内容相绑定。
由老师对系统自动生成的绑定关系进行确认,删除多余的绑定关系,修改错误的绑定关系,补充遗漏的绑定关系。
绑定关系确认无误以后,保存所有数据,并将绑定标签后的教材作为电子教材。
一个实施例中,生成电子习题库的方式如下:
绑定关系确认无误以后,保存所有数据,并将绑定标签后的教材作为电子教材。
一个实施例中,生成电子习题库的方式如下:
系统使用人工智能技术分析上传至系统中的习题集、教辅书籍以及课本中的习题内容,并且根据相关习题的考察目的在检索标签库中挑选合适的习题标签,并与相应内容相绑定。
由老师对系统自动生成的绑定关系进行确认,删除多余的绑定关系,修改错误的绑定关系,补充遗漏的绑定关系。
绑定关系确认无误以后,保存所有数据,并将绑定标签后的习题分类保存,作为电子习题集。
生成其他电子资料库如下:
绑定关系确认无误以后,保存所有数据,并将绑定标签后的教材作为电子教材。
一个实施例中,生成电子习题库的方式如下:
系统使用人工智能技术分析上传至系统中的习题集、教辅书籍以及课本中的习题内容,并且根据相关习题的考察目的在检索标签库中挑选合适的习题标签,并与相应内容相绑定。
由老师对系统自动生成的绑定关系进行确认,删除多余的绑定关系,修改错误的绑定关系,补充遗漏的绑定关系。
绑定关系确认无误以后,保存所有数据,并将绑定标签后的习题分类保存,作为电子习题集。
生成其他电子资料库如下:
系统使用人工智能技术分析上传至系统中的音频文件、视频文件以及其他非教材和习题的多媒体文件内容,再图像识别、语音识别以及人工智能等技术分析相关内容,并根据相关内容所涉及到的知识点在检索标签库中挑选合适的其他资料标签,并与相应内容相绑定。
由老师对系统自动生成的绑定关系进行确认,删除多余的绑定关系,修改错误的绑定关系,补充遗漏的绑定关系。
绑定关系确认无误以后,保存所有数据,并将绑定标签后的音频文件、视频文件以及其他非教材和习题的多媒体文件集中保存,作为教学电子文件库。
所有的教材内容、习题内容以及其他学习资料都绑定完相应的检索标签之后,系统自动分析评估每个部分的学习过程所消耗的时间,并且由人工确认之后,保存到数据库
以下是一个实施例中的关于生成试卷参考模板的操作方式:
上传未作答的试卷,并由系统利用人工智能技术分析试卷的每个考题,然后根据考题的考察目的检索相应的知识点标签、习题标签以及可能的其他资料标签,并与相关的考题相绑定。
参考对比模板的检索标签主要包括知识点内容标签、知识点基础能力标签和知识点提高能力标签,以便系统根据学生的错题标签推导出具体复习内容的相关检索标签,以便并可以进一步确定系统要推荐的相关内容。
对于某些题目考察范围涉及到多个知识点的情况,可以为其标记多个标签,也可以标记综合应用标签。
试卷标签绑定完毕之后,由老师对每个绑定关系进行审查,然后删除其中的多余绑定关系,补充遗漏的绑定关系,修改错误的绑定关系,所有绑定关系都确认以后,将试卷上的试题以及相应的绑定关系保存,作为推荐参考试卷。
系统利用人工智能技术自动阅卷,并将答题结果与每个题目相绑定。
老师审查系统的答题内容,并修改其中的错误答案,然后将答案和试卷保存,作为批阅参考试卷。
本申请中采用系统自动分析学生答题试卷:
老师通过拍照或扫描的形式上传试卷,系统利用图像文字识别技术以及人工智能技术对比批阅参考试卷自动阅卷,并记录好每个题目的对错和得分。
系统阅卷完成之后,由老师审核系统的阅卷结果,并对系统的错误阅卷部分进行修改。
系统将老师审核后的学生答题试卷与推荐参考模板进行对比,在参考模板中筛选出与学生答错题目相绑定的检索标签,形成学生个人复习内容检索库。
以下为生成单科复习推荐内容的方式:
系统根据学生试题上绑定的相应检索标签,自动推导出相应课本、习题集以及其他学习资料内容检索标签。
系统通过推到出来的各种检索标签,自动检索课本、习题集以及学校统一配发的其他各种学习资料,并且将检索到的相关课本内容、习题内容以及学校统一配发的其他学习资料的具体内容以图表文件或者电子教材的形式推荐给学生,作为学生的单科复习内容。
系统生成复习内容和计划以后,可由老师再次审核,或者由老师指定修改,如果老师不改,则默认为老师认同系统推荐方案。系统推荐的复习内容分为四个档次,分别为基础知识复习内容、知识拓展复习内容、知识灵活应用复习内容以及拓展复习内容。基础知识复习内容包含基础知识讲解内容以及有关知识的基础练习题,主要涉及课本和习题集;知识拓展复习内容主要包含与基础知识相关的其他知识的基础讲解和基础训练习题;知识灵活运用复习内容主要包含相关知识的综合运用的习题以及其他的相关练习;知识拓展复习内容主要是在相关知识掌握的基础上对相关知识进行进一步拓展。
学科扣分数/扣分总数X预设复习时间=学科复习分配时间。
当各科的基础知识复习内容所需的学习时间总和大于学科复习分配时间,则说明复习时间不足,需要增加复习时间,系统将根据学生的作息时间,建议学生牺牲部分休息时间,用来复习,以满足基础知识的复习要求。
当各科的基础知识复习内容所需的学习时间总和小于学科复习分配时间,则系统将根据剩余时间,按照顺序推荐其他三个档次复习内容。
系统会根据学生的任务量以及分配的复习时间总量,自动生成每日复习计划,包括用于复习的时间段,以及具体的复习内容。
当学生在短时间内面临重大考试的时候,系统会优先推荐短时间内复习后,分数增长较大的科目内容,以达到考试总分数最大化的目的。
推荐内容生成以后,系统会按照预设的时间节点检查学生的复习进度,如果学生复习进度不达标,则系统会向学生、老师和家长发出预警信息。
当周末休息日、法定假日以及寒暑假到来的时候,系统会将保存在数据库中未推荐的其他学习资料,按照每天预设的学习时间进行推荐或者由任务量推荐学生合理安排学习时间,并最终在新的学期到来之前,全部推荐完毕。
在日常复习中,当学生按照系统推荐的方法和内容复习完一个档次的内容以后,如果继续深入复习,可以通过学生或家长客户端,输入学生具体科目的目标档次复习内容以及复习时间,系统会根据预设规则,推荐合理的复习内容。
学生复习的时候通过终端进行操作,系统将利用人工智能技术自动识别并判断结果,如果学生再次练习的时候仍然答错,则再次相应或相关的复习资料,并加入到学生复习计划中;如果学生答对,则统计该部分内容的学习时间。
在补习过程中,当学生遇到不会解答的题目时,可以通过终端给系统发送提示请求。系统受到提示请求之后,会根据相关习题的标签,推荐参考习题;如果学生仍然不会解答,则系统会推荐相关的知识讲解以及具体例题,以便降低解题难度,引导学生主动思考。
系统会将班级内成绩相近的同学划分为同一个学习竞争小组,并且每间隔系统预设时间,将核查每个学生的复习状况,包括但不限于各科复习进度、平时复习的总时长,每部分内容所消耗的时长,以及复习后再次练习的答题情况,并且将相关数据反馈给老师、家长和学生。
本申请中的基于人工智能的学生补习内容推荐装置及方法,针对每个学生考试答错的题目分析学生相关的知识掌握情况,并且将结果通过手机或者电脑等多种途径告诉家长。可以明确地告知学生和家长,针对学生当前的知识点掌握度、熟练度到底该怎么复习,到底该复习课本或教辅书籍中的哪些章节,需要做习题集中的哪些习题等,可以做到精准复习和弥补,不仅可以提高学习效率,而且可以减轻家长的辅导负担。可以根据学生的多科目成绩合理规划每一科的复习计划,可以帮助学生在尽可能短的时间内最大程度地提升综合成绩。使得不管是从学生、老师还是家长的角度都能对学生的学习进度都有较高的参与度。
申请中重要的部分是获得分析模型,从而实现智能化推荐,一个实施例中,在所述调用分析模型对所述目标试题进行分析,得到所述目标试题对应检索标签集合之前,还包括:
获取训练题目集合,所述训练题目集合中包括:多个由训练题目、训练检索标签集合以及关键字构成的训练组,所述训练题目为针对参考用户的试卷中的题目;
通过所述训练题目集合对初始分析模型进行预训练,得到基础分析模型;
获取样本题目集合,所述样本题目集合中包括:多个由样本题目和样本检索标签集合构成的样本组,所述样本题目为针对所述目标用户的试卷中的题目;
通过所述样本题目集合对所述基础分析模型进行训练,得到分析模型。
需要指出的是,本申请中对于分析模型的建立不做限定,可以采用上述的方式,也可以采用其它的方式,或者是其初始的分析只是人工提供的,从而设定一定的规则后自动进行分析,或者是在完成一次或多次试题分析之后自动将其作为训练试题进行进一步自我训练,从而提高分析模型的训练精准度。
下面将结合附图3对本发明实施例提供的知识点推荐装置进行详细介绍。需要说明的是,附图3所示的知识点推荐装置,用于执行本发明图1-图2所示实施例的方法,为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,经参照本发明图1-图2所示的实施例。
请参见图3,为本发明提供的一种知识点推荐装置的结构示意图,该知识点推荐装置30可包括:获取模块301、调用模块302、推荐模块303。
获取模块301,用于获取针对目标用户的待分析试卷,并确定所述待分析试卷中的目标试题,所述目标试题包括所述待分析试卷中回答错误的目标试题;
调用模块302,用于调用分析模型对所述目标试题进行分析,得到所述目标试题对应的检索标签集合,所述检索标签集合中包括至少一个检索标签;
所述获取模块301,还用于根据所述检索标签集合从系统资料库中获取到目标知识点;
推荐模块303,用于将所述目标知识点向所述目标用户进行推荐。
请参见图4,为本发明实施例提供了一种终端的结构示意图。如图4所示,该终端包括:至少一个处理器401,输入设备403,输出设备404,存储器405,至少一个通信总线402。其中,通信总线402用于实现这些组件之间的连接通信。其中,输入设备403可以是控制面板、鼠标、键盘或者麦克风等,输出设备404可以是显示屏等。
在一种实现方式中,处理器401,具体用于:
获取针对目标用户的待分析试卷,并确定所述待分析试卷中的目标试题,所述目标试题包括所述待分析试卷中回答错误的试题;
调用分析模型对所述目标试题进行分析,得到所述目标试题对应的检索标签集合,所述检索标签集合中包括至少一个检索标签;
根据所述检索标签集合从系统资料库中获取目标知识点,并将所述目标知识点向所述目标用户进行推荐。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种知识点推荐方法,其特征在于,包括:
获取针对目标用户的待分析试卷,并确定所述待分析试卷中的目标试题,所述目标试题包括所述待分析试卷中回答错误的试题;
调用分析模型对所述目标试题进行分析,得到所述目标试题对应的检索标签集合,所述检索标签集合中包括至少一个检索标签;
根据所述检索标签集合从系统资料库中获取目标知识点,并将所述目标知识点向所述目标用户进行推荐。
2.根据权利要求1所述知识点推荐方法,其特征在于,所述根据所述检索标签集合从系统资料库中获取目标知识点之前,所述方法还包括:
获取教学资料信息,所述教学资料信息包括教材、教辅书籍、课外听力材料以及课外阅读材料中的至少一种;
提取出所述教学资料信息中包含的知识点集合,并为所述知识点集合中每个知识点添加对应的标签;
根据所述知识点集合中各个知识点以及所述各个知识点对应的标签构建出系统资料库。
3.根据权利要求1所述知识点推荐方法,其特征在于,所述将所述目标知识点向所述目标用户进行推荐之后,所述方法还包括:
确定所述目标试题的得分率,并获取所述目标知识点对应的训练题目集合;
根据所述得分率从所述训练题目集合中筛选出目标训练题目,并确定针对所述目标训练题目的目标训练时间;
基于所述目标训练题目和所述目标训练时间构建针对所述目标用户的学习计划,并将所述学习计划向所述目标用户进行推荐。
4.根据权利要求1所述知识点推荐方法,其特征在于,所述调用分析模型对所述目标试题进行分析,得到所述目标试题对应的检索标签集合,包括:
调用分析模型对所述目标试题进行分析,得到试题库中与所述目标试题相似度最高的目标历史试题,所述试题库包括至少一个历史试题以及所述历史试题对应的标签集合;
调用所述分析模型从所述试题库中获取到所述目标历史试题对应的标签集合,作为所述目标试题对应的检索标签集合。
5.根据权利要求1所述知识点推荐方法,其特征在于,所述根据所述检索标签集合从系统资料库中获取到目标知识点,包括:
接收针对所述检索标签集合的审核信息,所述审核信息包括从人工审核、结合课程标准中标签进行比对审核、结合教学目标中标签进行比对审核;
根据所述审核信息确定当前的教材内容与标签之间的绑定关系、习题资料与标签之间的绑定关系、试卷中与每个试题与对应标签的绑定关系是否合理,并从所述检索标签集合筛选出目标检索标签;
从系统资料库中获取到所述目标检索标签对应的知识点,作为目标知识点。
6.根据权利要求5所述知识点推荐方法,其特征在于,所述将所述目标知识点向所述目标用户进行推荐之后,还包括:
响应于针对所述目标知识点的扩展指令,获取所述目标知识点对应的目标检索标签;
从知识图谱中获取到与所述目标检索标签关联的参考检索标签,所述知识图谱中包括至少一个检索标签以及各个检索标签之间的关联关系;
基于所述参考检索标签从所述系统资料库中获取到参考知识点,并将所述参考知识点向所述目标用户进行推荐。
7.根据权利要求1所述知识点推荐方法,其特征在于,在所述调用分析模型对所述目标试题进行分析,得到所述目标试题对应检索标签集合之前,还包括:
获取训练题目集合,所述训练题目集合中包括:多个由训练题目和训练检索标签集合构成的训练组,所述训练题目为针对参考用户的试卷中的题目;
通过所述训练题目集合对初始分析模型进行预训练,得到基础分析模型;
获取样本题目集合,所述样本题目集合中包括:多个由样本题目和样本检索标签集合构成的样本组,所述样本题目为针对所述目标用户的试卷中的题目;
通过所述样本题目集合对所述基础分析模型进行训练,得到分析模型。
8.一种知识点推荐装置,其特征在于,包括:
获取模块,用于获取针对目标用户的待分析试卷,并确定所述待分析试卷中的目标试题,所述目标试题包括所述待分析试卷中回答错误的目标试题;
调用模块,用于调用分析模型对所述目标试题进行分析,得到所述目标试题对应的检索标签集合,所述检索标签集合中包括至少一个检索标签;
所述获取模块,还用于获取模块根据所述检索标签集合从系统资料库中获取到目标知识点;
推荐模块,用于将所述目标知识点向所述目标用户进行推荐。
9.一种终端,其特征在于,包括处理器和存储器,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,其特征在于,所述处理器被配置用于调用所述程序指令,执行如权利要求1-7任一项所述知识点推荐方法。
10.一种计算机可读存储介质,其特征在于,包括用于存储计算机程序的存储介质主体,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述知识点推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110872968.3A CN113590956B (zh) | 2021-07-30 | 2021-07-30 | 知识点推荐方法、装置、终端及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110872968.3A CN113590956B (zh) | 2021-07-30 | 2021-07-30 | 知识点推荐方法、装置、终端及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113590956A true CN113590956A (zh) | 2021-11-02 |
CN113590956B CN113590956B (zh) | 2024-06-25 |
Family
ID=78252823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110872968.3A Active CN113590956B (zh) | 2021-07-30 | 2021-07-30 | 知识点推荐方法、装置、终端及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113590956B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113849627A (zh) * | 2021-11-29 | 2021-12-28 | 北京世纪好未来教育科技有限公司 | 训练任务生成方法、装置及计算机存储介质 |
CN113918825A (zh) * | 2021-12-07 | 2022-01-11 | 北京世纪好未来教育科技有限公司 | 习题推荐方法、装置及计算机存储介质 |
CN114372518A (zh) * | 2021-12-28 | 2022-04-19 | 江苏大学 | 一种基于解题思路和知识点的试题相似度计算方法 |
CN114647721A (zh) * | 2022-05-23 | 2022-06-21 | 风林科技(深圳)有限公司 | 教育智能机器人控制方法、设备及介质 |
CN114969268A (zh) * | 2022-06-22 | 2022-08-30 | 福建学海密探数据信息技术有限公司 | 一种基于题型素养大数据的作业错题收集分析的方法 |
CN116010636A (zh) * | 2022-12-01 | 2023-04-25 | 广东工业大学 | 一种基于美术图像标签的检索推送方法及其用途 |
CN117648934A (zh) * | 2024-01-30 | 2024-03-05 | 青岛培诺教育科技股份有限公司 | 基于错误试题的知识点确定方法、装置、设备和介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160112414A (ko) * | 2015-03-19 | 2016-09-28 | 대한민국(국립재활원장) | 의미 지식 평가 훈련 장치 및 의미 지식 평가 훈련 방법 |
CN109002564A (zh) * | 2018-09-26 | 2018-12-14 | 江苏曲速教育科技有限公司 | 试题智能推送方法和系统 |
CN109388744A (zh) * | 2017-08-11 | 2019-02-26 | 北京龙之门网络教育技术股份有限公司 | 一种自适应学习推荐方法及装置 |
CN109460488A (zh) * | 2018-11-16 | 2019-03-12 | 广东小天才科技有限公司 | 一种辅助教学方法及系统 |
CN110222195A (zh) * | 2019-05-22 | 2019-09-10 | 北京作业盒子科技有限公司 | 题目作答结果与知识点关系的挖掘方法及电子装置 |
CN110491222A (zh) * | 2019-06-12 | 2019-11-22 | 上海乂学教育科技有限公司 | 文言文学习系统 |
CN113127682A (zh) * | 2021-04-15 | 2021-07-16 | 杭州大拿科技股份有限公司 | 题目讲解方法、系统、电子设备及计算机可读存储介质 |
-
2021
- 2021-07-30 CN CN202110872968.3A patent/CN113590956B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160112414A (ko) * | 2015-03-19 | 2016-09-28 | 대한민국(국립재활원장) | 의미 지식 평가 훈련 장치 및 의미 지식 평가 훈련 방법 |
CN109388744A (zh) * | 2017-08-11 | 2019-02-26 | 北京龙之门网络教育技术股份有限公司 | 一种自适应学习推荐方法及装置 |
CN109002564A (zh) * | 2018-09-26 | 2018-12-14 | 江苏曲速教育科技有限公司 | 试题智能推送方法和系统 |
CN109460488A (zh) * | 2018-11-16 | 2019-03-12 | 广东小天才科技有限公司 | 一种辅助教学方法及系统 |
CN110222195A (zh) * | 2019-05-22 | 2019-09-10 | 北京作业盒子科技有限公司 | 题目作答结果与知识点关系的挖掘方法及电子装置 |
CN110491222A (zh) * | 2019-06-12 | 2019-11-22 | 上海乂学教育科技有限公司 | 文言文学习系统 |
CN113127682A (zh) * | 2021-04-15 | 2021-07-16 | 杭州大拿科技股份有限公司 | 题目讲解方法、系统、电子设备及计算机可读存储介质 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113849627A (zh) * | 2021-11-29 | 2021-12-28 | 北京世纪好未来教育科技有限公司 | 训练任务生成方法、装置及计算机存储介质 |
CN113918825A (zh) * | 2021-12-07 | 2022-01-11 | 北京世纪好未来教育科技有限公司 | 习题推荐方法、装置及计算机存储介质 |
CN114372518A (zh) * | 2021-12-28 | 2022-04-19 | 江苏大学 | 一种基于解题思路和知识点的试题相似度计算方法 |
CN114372518B (zh) * | 2021-12-28 | 2024-03-22 | 江苏大学 | 一种基于解题思路和知识点的试题相似度计算方法 |
CN114647721A (zh) * | 2022-05-23 | 2022-06-21 | 风林科技(深圳)有限公司 | 教育智能机器人控制方法、设备及介质 |
CN114969268A (zh) * | 2022-06-22 | 2022-08-30 | 福建学海密探数据信息技术有限公司 | 一种基于题型素养大数据的作业错题收集分析的方法 |
CN116010636A (zh) * | 2022-12-01 | 2023-04-25 | 广东工业大学 | 一种基于美术图像标签的检索推送方法及其用途 |
CN116010636B (zh) * | 2022-12-01 | 2023-08-11 | 广东工业大学 | 一种基于美术图像标签的检索推送方法及其用途 |
CN117648934A (zh) * | 2024-01-30 | 2024-03-05 | 青岛培诺教育科技股份有限公司 | 基于错误试题的知识点确定方法、装置、设备和介质 |
CN117648934B (zh) * | 2024-01-30 | 2024-04-26 | 青岛培诺教育科技股份有限公司 | 基于错误试题的知识点确定方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113590956B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10720078B2 (en) | Systems and methods for extracting keywords in language learning | |
CN113590956B (zh) | 知识点推荐方法、装置、终端及计算机可读存储介质 | |
US11721230B2 (en) | Personalized learning system and method for the automated generation of structured learning assets based on user data | |
US20140335497A1 (en) | System, device, and method of adaptive teaching and learning | |
KR101182390B1 (ko) | 외국어 단어 평생 학습 장치 및 방법 | |
CN110569364A (zh) | 在线教学方法、装置、服务器及存储介质 | |
KR102277362B1 (ko) | 제2언어로서의 한국어 습득을 위한 언어 학습 서비스 제공 시스템 | |
CN110390032B (zh) | 一种手写作文的批阅方法及系统 | |
KR20160039505A (ko) | 학습 컨텐츠 구성 장치 및 그 방법 | |
CN113408810A (zh) | 智能课程管理系统 | |
KR20210144246A (ko) | 수준 맞춤 커리큘럼 생성을 통한 국어 교육 제공 방법 | |
US20220327947A1 (en) | Systems and methods for automatically revising feedback in electronic learning systems | |
Li et al. | A Prototype Design and Usability Evaluation of a Chinese Educational System | |
CN118246719A (zh) | 基于云计算的在线教育课程自动化分配系统及分配方法 |
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 |