CN113590961B - 基于认知与状态评价的个性化习题推荐方法、装置及智能终端 - Google Patents

基于认知与状态评价的个性化习题推荐方法、装置及智能终端 Download PDF

Info

Publication number
CN113590961B
CN113590961B CN202110884804.2A CN202110884804A CN113590961B CN 113590961 B CN113590961 B CN 113590961B CN 202110884804 A CN202110884804 A CN 202110884804A CN 113590961 B CN113590961 B CN 113590961B
Authority
CN
China
Prior art keywords
student
students
matrix
question
cognitive
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.)
Active
Application number
CN202110884804.2A
Other languages
English (en)
Other versions
CN113590961A (zh
Inventor
颜蕾
诸葛斌
董黎刚
蒋献
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Gongshang University
Original Assignee
Zhejiang Gongshang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Gongshang University filed Critical Zhejiang Gongshang University
Priority to CN202110884804.2A priority Critical patent/CN113590961B/zh
Publication of CN113590961A publication Critical patent/CN113590961A/zh
Application granted granted Critical
Publication of CN113590961B publication Critical patent/CN113590961B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Algebra (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于认知与状态评价的个性化习题推荐方法、装置及智能终端，本发明实施例的方法通过对学生的认知画像和学习状态画像进行构建，从而获得学生间相似度和学生‑问题匹配度，并基于PerCSE算法分析了学生之间以及学生与问题之间存在的关联，实现个性化习题推荐。从而解决了在线学习平台中，学生练习海量习题精力有限的问题，该方法可以基于特定学生的认知与状态评价个性化、精准的进行习题推荐，大大降低了现有技术中习题推荐的误差。

Description

基于认知与状态评价的个性化习题推荐方法、装置及智能 终端
技术领域
本发明涉及学生试题智能推送的领域，特别涉及一种基于认知与状态评价的个性化习题推荐方法、装置及智能终端。
背景技术
随着大数据技术的飞速发展和进步，在线学习用户不断增加，用户的历史学习数据呈现指数级增长。如何挖掘海量数据中的有效信息，从而为不同用户提供个性化服务受到越来越多的关注。
在现有技术中，推荐系统中普遍采用协同过滤算法，该算法的主要原理是根据学生的历史学习记录，找到目标与目标学生兴趣相似的近邻，而无需考虑习题的具体属性，例如习题的具体内容和涉及的知识点。此外还有根据学生的作答记录计算学生间的相似度，找到与目标学生相似度最高的学生，从而得到该目标学生再习题上的预测得分，最后根据预测得分的高低向学生推荐习题。此外还有根据传统DINA模型，将习题的知识点考察矩阵Q作为输入，得到学生的认知掌握向量，然后根据学生认知情况向目标学生个性化推荐习题。
但是这些方式任然存在以下不足之处：一、需要学习者提供大量的学习记录，否则将无法准确的给学习者提供他所欠缺的知识点学习和习题测试；二、即使能解决学习者学习记录不足带来的问题并根据相似度推荐习题，但没有考虑到学生与习题间的关系以及习题本身的特征；三、DINA模型局限是Q矩阵中只考虑了已考察的知识点，却忽略了未考察的知识点，使得习题推荐存在误差。
发明内容
本发明为了克服现有技术的不足，提供一种基于认知与状态评价的个性化习题推荐方法、装置及智能终端。
为实现上述目的，本发明实施例提供了一种基于认知与状态评价的个性化习题推荐方法，包括：构建学生认知画像；构建学习状态画像；根据所述学生认知画像和所述学习状态画像，计算出学生间相似度；根据所述学生认知画像和所述学习状态画像，计算出学生-问题匹配度；基于PerCSE算法，将所述学生间相似度和所述学生-问题匹配度作为特征变量获得个性化习题并推荐给学生。
可选的，所述构建学生认知画像具体包括：获取学生试题得分矩阵X，其中元素xij表示第i个学生在试题j上的作答情况；获取知识点考察矩阵Q，其中元素qjk表示第j个试题中第k个知识点的掌握情况；根据所述学生试题得分矩阵X和所述知识点考察矩阵生成知识点掌握矩阵A，其中元素aik表示第i个学生对知识点k的掌握情况。
可选的，所述构建学习状态画像具体包括：对所述学生试题得分矩阵X进行数据整理、排序和画线来构建S-P表，其中S线是根据学生答对的问题数量进行划分，P线是根据答对某题的总人数进行划分的；根据公式
Figure BDA0003193652270000021
计算所述S-P表得到学生警告系数CS；根据公式/>
Figure BDA0003193652270000022
计算所述S-P表得到问题警告系数CP，其中Gi为学生i的总得分，Rj为问题j的答对总人数，xij表示第i个学生在试题j上的作答情况。
可选的，所述根据所述学生认知画像和所述学习状态画像，计算出学生间相似度具体包括：根据公式
Figure BDA0003193652270000023
计算得出所述学生间相似度，其中αi和αm为学生i和学生m的认知向量，所述认知向量为所述学生试题得分矩阵X的行向量，|CSm-CSi|是学生i和学生m间警告系数的差值。
可选的，所述根据学生认知画像和所述学习状态画像，计算出学生-问题匹配度具体包括根据公式：βi＝β-αi，
Figure BDA0003193652270000031
计算学生-问题匹配度；其中β为值全为1的K维行向量，αi为学生i的认知向量，SPmatch(i,j)为学生-问题匹配度，γi为学生i的知识点未掌握向量，qj为问题j的知识点考察向量，γiqj T是学生i对问题j的未掌握程度，CPj为问题j的警告系数。
可选的，所述基于PerCSE算法，将所述学生间相似度和所述学生-问题匹配度作为特征获得个性化习题并推荐给学生包括：根据所述学生-问题匹配度得到学生-问题推荐序列，再根据所述学生-问题推荐序列向特定学生推荐习题。
本发明实施例还提供了一种基于认知与状态评价的个性化习题推荐装置，包括学生认知画像生成模块，所述学生认知画像生成模块被配置为构建学生认知画像；学习状态画像生成模块，所述学习状态画像生成模块被配置为构建学习状态画像；学生相似度计算模块，所述学生相似度计算模块被配置为根据所述学生认知画像和所述学习状态画像，计算出学生间相似度；学生-问题匹配度计算模块，所述学生-问题匹配度计算模块被配置为根据所述学生认知画像和所述学习状态画像，计算出学生-问题匹配度；个性化习题推荐模块，所述个性化习题推荐模块被配置为基于PerCSE算法，将所述学生间相似度和所述学生-问题匹配度作为特征变量获得个性化习题并推荐给学生。
可选的，所述学生认知画像生成模块中还包括：试题得分矩阵生成模块，所述试题得分矩阵生成模块被配置为获取学生试题得分矩阵X，其中元素xij表示第i个学生在试题j上的作答情况；知识点考察矩阵生成模块，所述知识点考察矩阵生成模块被配置为获取知识点考察矩阵Q，其中元素qjk表示第j个试题中第k个知识点的掌握情况；知识点掌握矩阵生成模块，所述知识点掌握矩阵生成模块被配置为根据所述学生试题得分矩阵X和所述知识点考察矩阵生成知识点掌握矩阵A，其中元素aik表示第i个学生对知识点k的掌握情况。
可选的，所述学习状态画像生成模块还包括：S-P表生成模块，所述S-P表生成模块被配置为对所述学生试题得分矩阵X进行数据整理、排序和画线来构建S-P表，其中S线是根据学生答对的问题数量进行划分，P线是根据答对某题的总人数进行划分；学生警告系数生成模块，所述学生警告系数生成模块被配置为根据公式
Figure BDA0003193652270000041
计算所述S-P表得到学生警告系数CS；问题警告系数生成模块，所述问题警告系数生成模块被配置为根据公式/>
Figure BDA0003193652270000042
计算所述S-P表得到问题警告系数CP，其中Gi为学生i的总得分，Rj为问题j的答对总人数，xij表示第i个学生在试题j上的作答情况。
本发明实施例还提供了一种智能终端，包括存储器和处理器，所述存储器存储有程序，所述程序被所述处理器执行时，使得所述处理器执行基于认知与状态评价的个性化习题推荐方法。
综上所述，本发明的有益效果在于：
(1)本发明实施例提供了一种基于认知与状态评价的个性化习题推荐方法，该方法通过对学生的认知画像和学习状态画像进行构建，从而获得学生间相似度和学生-问题匹配度，并基于PerCSE算法分析了学生之间以及学生与问题之间存在的关联，实现个性化习题推荐。从而解决了在线学习平台中，学生练习海量习题精力有限的问题，该方法可以基于特定学生的认知与状态评价个性化、精准的进行习题推荐，大大降低了现有技术中习题推荐的误差。
(2)进一步地，根据本发明实施例中计算得到的学生警告系数和问题警告系数来对学生的学习状态和问题的区分度进行量化，并通过学生警告系数和问题警告系数计算生成学生间相似度和学生-问题匹配度。根据学生间相似度和学生-问题匹配度对学生试题对进行排序，建立了特定学生和习题之间的关联，实现精准推送。
(3)进一步地，本发明实施例中根据相应公式计算得到的学生警告系数从一定程度上反映学生的学习状态，学生警告系数越大，说明学生做对了相对于整体来说较难的题目，做错了相对于整体来说较简单的题目，这说明学生的学习状态存在问题，比如随意做题、猜测做题或是学习积极性不高等。根据相应公式计算得到的问题警告系数过大时，说明正确率较高的同学做错了该题，正确率较低的同学做对了该题，该题的区别能力偏低。一般认为CSi或CPj在0～0.5之间时属于正常状态；当CSi或CPj介于0.5～0.75时属于较为严重的状态，教师应该引起注意；当CSi或CPj大于0.75时属于非常严重的状态，教师需要特别注意。
为让本发明的上述和其它目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合附图，作详细说明如下。
附图说明
图1所示为本发明实施例提供的基于认知与状态评价的个性化习题推荐方法示意图；
图2所示为本发明实施例的提供的基于认知与状态评价的个性化习题推荐方法的系统框图；
图3所示为本发明实施例提供的基于认知与状态评价的个性化习题推荐方法中学生试题得分矩阵X的一个实例；
图4所示为本发明实施例提供的基于认知与状态评价的个性化习题推荐方法中知识点考察矩阵Q的一个实例；
图5所示为本发明实施例提供的基于认知与状态评价的个性化习题推荐方法中知识点掌握矩阵A的一个实例；
图6所示为本发明实施例提供的基于认知与状态评价的个性化习题推荐方法中的S-P表；
图7所示为本发明实施例提供的基于认知与状态评价的个性化习题推荐方法中归一化的学生认知相似程度；
图8所示为本发明实施例提供的基于认知与状态评价的个性化习题推荐方法中的学生间相似度数据实例；
图9所示为本发明实施例提供的基于认知与状态评价的个性化习题推荐方法中学生-问题匹配度数据实例；
图10是所示为本发明实施例提供的基于认知与状态评价的个性化习题推荐方法中推荐习题排序实例；
图11是所示为本发明实施例提供的基于认知与状态评价的个性化习题推荐装置的一装置框图；
图12是所示为本发明实施例提供的基于认知与状态评价的个性化习题推荐装置的一装置框图；
图13是所示为本发明实施例提供的基于认知与状态评价的个性化习题推荐装置的一装置框图；
图14是本发明实施例中智能终端设备的结构框图。
具体实施方式
为了便于本领域技术人员的理解，下面将结合具体实施例对本发明作进一步详细描述。
本发明实施例提供一种基于认知与状态评价的个性化习题推荐方法，包括：
步骤1)构建学生认知画像；
步骤2)构建学习状态画像；
步骤3)根据所述学生认知画像和所述学习状态画像，计算出学生间相似度；
步骤4)根据所述学生认知画像和所述学习状态画像，计算出学生-问题匹配度；
步骤5)基于PerCSE算法，将所述学生间相似度和所述学生-问题匹配度作为特征获得个性化习题并推荐给学生。
图1是本发明实施例的系统框架，如图1所示，该方法先获取学生的学习数据，再根据学习数据分别建立DINA模型和S-P分析表，其中DINA模型可以被认为是本发明实施例中的学生认知画像，S-P表可以被认为是本发明实施例中的学习状态画像。再通过学生用户画像即学生认知画像和学习状态画像分别计算出学生间相似度和学生-问题匹配度，最后基于PerCSE算法，结合计算出的学生间相似度和学生-问题匹配度两个特征来获得Top-N的习题，并推荐给学生。
图2为本发明实施例的提供的基于认知与状态评价的个性化习题推荐方法的系统框图。如图2所示，该系统将学生认知画像和学习状态画像作为输入来计算学生相似度在本发明实施例中将知识点考察矩阵Q、生成知识点掌握矩阵A、学生警告系数CS和问题警告系数CP做为该系统的输入，并根据该学生相似度生成Top-n学生集合，再根据问题集合P计算学生-问题匹配度，最终输出TOP-N习题集，实现个性化习题推荐。
构建学生用户画像分为构建学生认知画像和学习状态画像。其中步骤1)构建学生认知画像具体包括如下步骤：
步骤11)获取学生试题得分矩阵X；
步骤12)获取知识点考察矩阵Q；
步骤13)生成知识点掌握矩阵A。
其中步骤2)构建学习状态画像具体包括如下步骤：
步骤21)构建S-P表；
步骤22)通过S-P表来计算出学生警告系数CS；
步骤23)通过S-P表来问题警告系数CP。
在步骤11)中，图3所示为本发明实施例中学生试题得分矩阵X的一个实例，如图3所示，其中元素xij表示第i个学生在试题j上的作答情况，若Xij＝1，则表示学生i做对试题j，反之Xij＝0表示学生做错试题j。请参见图3，学生1的做题情况就是试题1、3是作答正确，记为1；而试题2作答错误，记为0。
在步骤12)中，图4所示为本发明实施例中知识点考察矩阵Q的一个实例。请参阅图4，其中元素qjk表示第j个试题中第k个知识点的掌握情况，若qjk＝1，则做对试题j需要掌握知识点k，反之qjk＝0则不需要。其中，qj＝(qj1，q，2，qj3，…，qjK)是做对试题j需要掌握的知识点情况构成的K维向量。如在图4中可以得出试题1中需要掌握的知识点有知识点1和知识点K等等；试题2需要掌握的知识点有知识点2和知识点3等等。从中就能得出试题1需要掌握的知识点构成的K维向量为(1，0，…，1)。
在步骤13)中，图5是本发明实施中知识点掌握矩阵A的一个实例，本发明实施例中根据上述构建的学生试题得分矩阵X和知识点考察矩阵生成知识点掌握矩阵A。请参阅图5，其中元素aik表示第i个学生对知识点k的掌握情况，若αik＝1，则学生i掌握知识点k，反之αik＝0则未掌握。其中，αi＝(αi1，α2，αi3，…，αiK)是得出的学生i所掌握的知识点情况构成的K维向量。图5中可以看出学生1掌握了知识点1、2、k等等的知识，用1来表示；而没有掌握的就用0表示。学生2掌握了知识点1、2、3等等的知识，用1表示，其余用0表示。同时学生1掌握的知识点构成的k维向量为(1，1，…，k)，同样学生2的k维向量为(1，1，1，…)。矩阵A作为知识点掌握矩阵是DINA模型最终所要求解的矩阵。本发明实施例中用知识点掌握向量来描述学生的认知状态。
在步骤21)中，图6所示为本发明实施例提供的基于认知与状态评价的个性化习题推荐方法中S-P表，其中该S-P表是通过对上述生成的学生得分矩阵X进行数据整理、排序和划线来生成的。S线是根据学生作答正确的问题数量进行划分的。请参阅图6，根据每个学生的总得分Gi，在第i行的第Gi个格子的右侧画竖线，并将所有竖线首尾相连，即可得到阶梯型的S线。P线是根据问题答对总人数进行划分的。请参阅图6，根据每个问题的答对总人数Rj，在第j列的第Rj个格子的下方画横线，并将所有横线首尾相连，即可得到阶梯型的P线。
在步骤22)中，根据公式计算所述S-P表得到学生警告系数CS，其中具体计算公式如公式1所示：
Figure BDA0003193652270000081
在步骤23)中，根据公式计算所述S-P表得到问题警告系数CP，其中具体计算公式如公式2所示：
Figure BDA0003193652270000082
其中Gi为学生i的总得分，Rj为问题j的答对总人数，xij表示第i个学生在试题j上的作答情况；其中，对于学生i的警告系数CSi来说，
Figure BDA0003193652270000091
为学生i对应的第i行中S线左侧值为0所对应的问题答对人数之和，/>
Figure BDA0003193652270000092
则为S线右侧值为1所对应的问题答对人数之和，/>
Figure BDA0003193652270000093
为问题答对一行中前Gi个数之和，Gi为学生i的总得分，/>
Figure BDA0003193652270000094
为所有学生的得分之和。对于问题j的警告系数CPj来说，/>
Figure BDA0003193652270000095
为问题j对应的第j列中P线上方值为0所对应的学生得分之和，/>
Figure BDA0003193652270000096
则为P线下方值为1所对应的学生得分之和，
Figure BDA0003193652270000097
为学生总得分一列中前Rj个数之和，Rj为问题j的答对总人数，/>
Figure BDA0003193652270000098
为所有问题答对总人数之和。
其中，学生警告系数越大，说明学生做对了相对于整体来说较难的题目，做错了相对于整体来说较简单的题目，这说明学生的学习状态存在问题，比如随意做题、猜测做题或是学习积极性不高等。另外问题警告系数过大时，说明正确率较高的同学做错了该题，正确率较低的同学做对了该题，该题的区别能力偏低。一般认为CSi或CPj在0～0.5之间时属于正常状态；当CSi或CPj介于0.5～0.75时属于较为严重的状态，教师应该引起注意；当CSi或CPj大于0.75时属于非常严重的状态，教师需要特别注意。通过学生警告系数和问题警告系数这两个参数可以反映学生和问题的异常程度。
在步骤3)中，学生间相似度主要根据学生认知画像和学习状态画像计算得到，具体计算公式如公式3所示。
Figure BDA0003193652270000099
其中，αi和αm为学生i和学生m的认知向量，认知向量α均为行向量，αiαn T即可得到学生i和学生m认知相同的程度，假如学生1为(1，0，0，1，1)和学生2为(0，0，0，1，1)，则学生1和学生2因为有两题的答对情况相同，所以认知相同的程度为根据计算公式为0.67。另外CSi和CSm为学生i和学生m的警告系数，|CSi-CSm|为学生i和学生m间警告系数的差值，差值越小，说明学生i和学生m的学习状态越接近，当|CSi-CSm|＝0时，
Figure BDA00031936522700000910
此时认为学生i和学生m的学习状态相同。
具体的，在本实施例中，学生间相似度(以其中10个学生为例)如图7所示，图7是进行归一化之后得出的结果，而采取的归一化方法由相似度计算公式可知，相似度是与该一列对应的学生的相似度，比如第一列是根据第一位学生进行归一化的。请参阅图7，从第一列可以看出，与学生1认知相似程度最高的学生3和学生6，且认知相似程度均为1。再结合学生警告系数得出的学生间相似度，如图8所示。与学生1认知相似程度最高的学生3学生6的学生相似度分别为0.991和0.926。由此可以得出与学生1相似程度排序为(S3，S6，S4，S9，S8，S7，S2，S10，S5)。
在步骤4)中，学生-问题匹配度是评价学生与问题之间匹配程度，在本发明实施例提供的基于认知与状态评价的个性化习题推荐方法中，问题的推荐顺序根据匹配度进行排序。所以需要计算学生与问题之间匹配程度，即学生-问题匹配度，具体计算如公式(4)所示：
Figure BDA0003193652270000101
其中，β为值全为1的K维行向量，即β＝(1，1，1，…，1)。γi为学生i的知识点未掌握向量，qj为问题j的知识点考察向量，γiqj T是学生i对问题j的未掌握程度，未掌握程度越高，说明问题j越适合推荐给学生i以帮助学生查漏补缺。CPj为问题j的警告系数，警告系数越低，问题j区分能力越高。
根据学生-问题匹配度的计算方法，得到学生-问题匹配度。请参阅图9，以其中7个学生与10个问题的匹配度为例，学生1与问题6的匹配度为0，说明学生已经掌握问题6所涉及的所有知识点了，所以匹配度为0，无需为学生推荐问题6。而问题7的匹配度最高，所以问题7是首选推荐给学生1的。
在步骤5)中，根据学生与问题的匹配度排序后，得到为学生推荐习题的顺序，如图10所示，在10道习题中，若学生-问题匹配度为0，则不给学生推荐该习题，其它题匹配度不为0的就可以推荐给学生，所以学生1的推荐题目顺序为(P7，P8，P3，P9，P4，P5，P2，P1，P10)。且给不同学生推荐的习题顺序是不一样的，从而实现个性化推荐。
综上，本发明实施例提供了一种基于认知与状态评价的个性化习题推荐方法，该方法通过对学生的认知画像和学习状态画像进行构建，从而获得学生间相似度和学生-问题匹配度，并基于PerCSE算法分析了学习者之间以及学习者与问题之间存在的关联，实现个性化习题推荐。从而解决了在线学习平台中，学生练习海量习题精力有限的问题，该方法可以基于特定学生的认知与状态评价个性化的进行习题推荐。
此外，本发明实施例还提供了一种基于认知与状态评价的个性化习题推荐装置。如图11所示，该装置包括：
学生认知画像生成模块101，所述学生认知画像生成模块被配置为构建学生认知画像；
学习状态画像生成模块102，所述学习状态画像生成模块被配置为构建学习状态画像；
学生相似度计算模块103，所述学生相似度计算模块被配置为根据所述学生认知画像和所述学习状态画像，计算出学生间相似度；
学生-问题匹配度计算模块104，所述学生-问题匹配度计算模块被配置为根据所述学生认知画像和所述学习状态画像，计算出学生-问题匹配度；
个性化习题推荐模块105，所述个性化习题推荐模块被配置为基于PerCSE算法，将所述学生间相似度和所述学生-问题匹配度作为特征变量获得个性化习题并推荐给学生。
此外，如图12所示，本发明实施例提供的学生认知画像生成模块101中还包括：
试题得分矩阵生成模块1011，所述试题得分矩阵生成模块被配置为获取学生试题得分矩阵X，其中元素xij表示第i个学生在试题j上的作答情况；
知识点考察矩阵生成模块1012，所述知识点考察矩阵生成模块被配置为获取知识点考察矩阵Q，其中元素qjk表示第j个试题中第k个知识点的掌握情况；
知识点掌握矩阵生成模块1013，所述知识点掌握矩阵生成模块被配置为根据所述学生试题得分矩阵X和所述知识点考察矩阵生成知识点掌握矩阵A，其中元素aik表示第i个学生对知识点k的掌握情况。
如图13所示，本发明实施例提供的学习状态画像生成模块102还包括：
S-P表生成模块1021，所述S-P表生成模块被配置为对所述学生试题得分矩阵X进行数据整理、排序和画线来构建S-P表，其中S线是根据学生答对的问题数量进行划分，P线是根据答对某题的总人数进行划分；
学生警告系数生成模块1022，所述学生警告系数生成模块被配置为根据公式
Figure BDA0003193652270000111
计算所述S-P表得到学生警告系数CS；
问题警告系数生成模块1023，所述问题警告系数生成模块被配置为根据公式
Figure BDA0003193652270000112
计算所述S-P表得到问题警告系数CP，其中Gi为学生i的总得分，Rj为问题j的答对总人数，xij表示第i个学生在试题j上的作答情况。
图14示出了本发明实施例中智能终端的内部结构图。如图14所示，该智能终端设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该智能终端的非易失性存储介质存储有操作系统，还可存储有程序，该程序被处理器执行时，可使得处理器实现一种基于认知与状态评价的个性化习题推荐方法。该内存储器中也可储存有程序，该程序被处理器执行时，可使得处理器执行一种基于认知与状态评价的个性化习题推荐方法。
本领域技术人员可以理解，图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的智能终端的限定，具体的智能终端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。
在本实施例中，本申请提供的基于认知与状态评价的个性化习题推荐装置可以实现为一种程序的形式，程序可在如图14所示的智能终端设备上运行。智能终端的存储器中可存储组成该基于认知与状态评价的个性化习题推荐装置的各个程序模块，比如，图11所示的学生认知画像生成模块101、学习状态画像生成模块102、学生相似度计算模块103、学生-问题匹配度计算模块104、个性化习题推荐模块105。各个程序模块构成的程序使得处理器执行本说明书中描述的本申请各个实施例的一种基于认知与状态评价的个性化习题推荐方法中的步骤。
例如，图14所示的智能终端可以通过如图11所示的基于认知与状态评价的个性化习题推荐装置中的学生认知画像生成模块101执行步骤1)。智能终端可通过学习状态画像生成模块102执行步骤2)。智能终端可通过学生相似度计算模块103执行步骤3)。智能终端可通过学生-问题匹配度计算模块104执行步骤4)。智能终端可通过个性化习题推荐模块105执行步骤5)。
在其他实施例中，提供了一种智能终端，包括存储器和处理器，存储器存储有程序，程序被处理器执行时，使得处理器执行上述一种基于认知与状态评价的个性化习题推荐方法的步骤。此处基于认知与状态评价的个性化习题推荐方法的步骤可以是上述各个实施例的一种基于认知与状态评价的个性化习题推荐方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过程序控制相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
最后说明，任何依靠本发明以及所述实施例的技术方案，进行的部分或者全部技术特征的修改或者等同替换，所得到的本质不脱离本发明的相应技术方案，都属于本发明以及所述实施方案的专利范围。

Claims (4)

1.基于认知与状态评价的个性化习题推荐方法，其特征在于，包括：
根据试题得分矩阵和知识点考察矩阵构建学生认知画像，获取学生试题得分矩阵X，其中元素Xij表示第i个学生在试题j上的作答情况；
获取知识点考察矩阵Q，其中元素qjk表示第j个试题中第k个知识点的掌握情况；
根据所述学生试题得分矩阵X和所述知识点考察矩阵生成知识点掌握矩阵A，其中元素aik表示第i个学生对知识点k的掌握情况；
根据学生答对的问题数量和答对某题的总人数构建学习状态画像，具体包括：对所述学生试题得分矩阵X进行数据整理、排序和画线来构建S-P表，其中S线是根据学生答对的问题数量进行划分，P线是根据答对某题的总人数进行划分，
根据公式
Figure FDA0004237963720000011
计算所述S-P表得到学生警告系数CS，其中Gi为学生i的总得分，Rj为问题j的答对总人数，Xij表示第i个学生在试题j上的作答情况；
根据公式
Figure FDA0004237963720000012
计算所述S-P表得到问题警告系数CP，其中Gi为学生i的总得分，Rj为问题j的答对总人数，Xij表示第i个学生在试题j上的作答情况；
根据所述学生认知画像和所述学习状态画像，计算出学生间相似度，根据公式
Figure FDA0004237963720000021
计算得出所述学生间相似度，其中αi和αm为学生i和学生m的认知向量，所述认知向量为所述学生试题得分矩阵X的行向量，|CSm-CSi|是学生i和学生m间警告系数的差值；
根据所述学生认知画像和所述学习状态画像，计算出学生-问题匹配度具体包括根据公式：γi＝β-αi，
Figure FDA0004237963720000022
计算学生-问题匹配度；
其中β为值全为1的K维行向量，αi为学生i的认知向量，SPmatch(i,j)为学生-问题匹配度，γi为学生i的知识点未掌握向量，qj为问题j的知识点考察向量，γiqj T是学生i对问题j的未掌握程度，CPj为问题j的警告系数；
将所述学生间相似度和所述学生-问题匹配度作为特征，根据所述学生间相似度，获得Top-n学生集合，从而生成对应学生的问题集合；再根据所述学生-问题匹配度，获得所述问题集合中问题的推荐顺序，最终输出Top-n习题集，实现个性化习题并推荐给学生。
2.如权利要求1所述的基于认知与状态评价的个性化习题推荐方法，其特征在于，将所述学生间相似度和所述学生-问题匹配度作为特征，根据所述学生-问题匹配度得到学生-问题推荐序列，再根据所述学生-问题推荐序列向特定学生推荐习题。
3.基于认知与状态评价的个性化习题推荐装置，其特征在于，包括：
学生认知画像生成模块，所述学生认知画像生成模块被配置为构建学生认知画像，所述学生认知画像生成模块中还包括：
试题得分矩阵生成模块，所述试题得分矩阵生成模块被配置为获取学生试题得分矩阵X，其中元素xij表示第i个学生在试题j上的作答情况；
知识点考察矩阵生成模块，所述知识点考察矩阵生成模块被配置为获取知识点考察矩阵Q，其中元素qjk表示第j个试题中第k个知识点的掌握情况；
知识点掌握矩阵生成模块，所述知识点掌握矩阵生成模块被配置为根据所述学生试题得分矩阵X和所述知识点考察矩阵生成知识点掌握矩阵A，其中元素aik表示第i个学生对知识点k的掌握情况；
学习状态画像生成模块，所述学习状态画像生成模块被配置为构建学习状态画像，学习状态画像生成模块还包括：
S-P表生成模块，所述S-P表生成模块被配置为对所述学生试题得分矩阵X进行数据整理、排序和画线来构建S-P表，其中S线是根据学生答对的问题数量进行划分，P线是根据答对某题的总人数进行划分；学生警告系数生成模块，所述学生警告系数生成模块被配置为根据公式
Figure FDA0004237963720000031
计算所述S-P表得到学生警告系数CS；
问题警告系数生成模块，所述问题警告系数生成模块被配置为根据公式
Figure FDA0004237963720000032
计算所述S-P表得到问题警告系数CP，其中Gi为学生i的总得分，Rj为问题j的答对总人数，xij表示第i个学生在试题j上的作答情况；
学生相似度计算模块，所述学生相似度计算模块被配置为根据所述学生认知画像和所述学习状态画像，计算出学生间相似度；
学生-问题匹配度计算模块，所述学生-问题匹配度计算模块被配置为根据所述学生认知画像和所述学习状态画像，计算出学生-问题匹配度；
个性化习题推荐模块，所述个性化习题推荐模块被配置为将所述学生间相似度获得Top-n学生集合，从而生成对应学生的问题集合；再根据所述学生-问题匹配度获得所述问题集合中问题的推荐顺序，最终输出Top-n习题集，实现个性化习题并推荐给学生。
4.一种智能终端，包括存储器和处理器，所述存储器存储有程序，所述程序被所述处理器执行时，使得所述处理器执行如权利要求1至2中任一项所述方法的步骤。
CN202110884804.2A 2021-08-03 2021-08-03 基于认知与状态评价的个性化习题推荐方法、装置及智能终端 Active CN113590961B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110884804.2A CN113590961B (zh) 2021-08-03 2021-08-03 基于认知与状态评价的个性化习题推荐方法、装置及智能终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110884804.2A CN113590961B (zh) 2021-08-03 2021-08-03 基于认知与状态评价的个性化习题推荐方法、装置及智能终端

Publications (2)

Publication Number Publication Date
CN113590961A CN113590961A (zh) 2021-11-02
CN113590961B true CN113590961B (zh) 2023-06-23

Family

ID=78254138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110884804.2A Active CN113590961B (zh) 2021-08-03 2021-08-03 基于认知与状态评价的个性化习题推荐方法、装置及智能终端

Country Status (1)

Country Link
CN (1) CN113590961B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114647721B (zh) * 2022-05-23 2022-09-16 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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016179938A1 (zh) * 2015-05-14 2016-11-17 百度在线网络技术（北京）有限公司 题目推荐方法和题目推荐装置
CN109299380A (zh) * 2018-10-30 2019-02-01 浙江工商大学 在线教育平台中基于多维特征的习题个性化推荐方法
CN110704732A (zh) * 2019-09-19 2020-01-17 广州大学 基于认知诊断的时序性习题推荐方法
CN111522970A (zh) * 2020-04-10 2020-08-11 广东小天才科技有限公司 习题推荐方法、装置、设备及存储介质
CN112749336A (zh) * 2021-01-11 2021-05-04 徐州金林人工智能科技有限公司 一种基于机器学习算法的在线习题个性化推荐系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3567597A1 (en) * 2018-05-11 2019-11-13 Anoto Korea Corp. Method and apparatus of diagnostic test
CN112084320B (zh) * 2019-06-14 2023-09-15 百度在线网络技术（北京）有限公司 一种试题推荐方法、装置和智能设备
CN111179675B (zh) * 2019-12-30 2022-09-06 安徽知学科技有限公司 个性化练习题推荐方法、系统、计算机设备以及存储介质
CN112819355A (zh) * 2021-02-09 2021-05-18 浙江工商大学 一种学生学习状态评测方法、装置、及计算机设备
CN112905784A (zh) * 2021-03-22 2021-06-04 辽宁大学 基于学生画像的个性化试题推荐方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016179938A1 (zh) * 2015-05-14 2016-11-17 百度在线网络技术（北京）有限公司 题目推荐方法和题目推荐装置
CN109299380A (zh) * 2018-10-30 2019-02-01 浙江工商大学 在线教育平台中基于多维特征的习题个性化推荐方法
CN110704732A (zh) * 2019-09-19 2020-01-17 广州大学 基于认知诊断的时序性习题推荐方法
CN111522970A (zh) * 2020-04-10 2020-08-11 广东小天才科技有限公司 习题推荐方法、装置、设备及存储介质
CN112749336A (zh) * 2021-01-11 2021-05-04 徐州金林人工智能科技有限公司 一种基于机器学习算法的在线习题个性化推荐系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
小规模在线教学平台研发与习题推荐研究;蔡佳琪;《中国优秀硕士学位论文全文数据库 社会科学II辑》(第06期);H127-74 *

Also Published As

Publication number Publication date
CN113590961A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN107230174B (zh) 一种基于网络的在线互动学习系统和方法
KR100978091B1 (ko) 온라인 테스트 평가 관리 시스템 및 방법
CN114913729B (zh) 一种选题方法、装置、计算机设备和存储介质
CN113590961B (zh) 基于认知与状态评价的个性化习题推荐方法、装置及智能终端
CN114090839B (zh) 用于学习者认知结构的处理方法、系统、装置及存储介质
CN113283488B (zh) 一种基于学习行为的认知诊断方法及系统
Villano Computerized knowledge assessment: Building the knowledge structure and calibrating the assessment routine
CN114493944A (zh) 学习路径的确定方法、装置、设备及存储介质
CN111369140A (zh) 一种教学评价系统及方法
Saleh et al. Predicting student performance using data mining and learning analysis technique in Libyan Higher Education
KR20230106532A (ko) 문항반응이론 및 동등화 기반의 수학학습능력수준 진단 시스템 및 방법
CN115409257A (zh) 一种基于条件密度估计模型的成绩分布预测方法及系统
Koong et al. The learning effectiveness analysis of JAVA programming with automatic grading system
CN111652767B (zh) 用户画像构建方法、装置、计算机设备和存储介质
Hirose Current Failure Prediction for Final Examination using Past Trends of Weekly Online Testing
CN114693091A (zh) 一种基于网络题库的线上考试和网上阅卷智能化管理系统
Mujtaba et al. Multi-objective optimization of item selection in computerized adaptive testing
Kurian Student performance prediction in e-learning system and evaluating effectiveness of online courses
Tran et al. An efficient approach to measure the difficulty degree of practical programming exercises based on student performances
CN112001536A (zh) 基于机器学习的中小学数学能力点缺陷极小样本高精度发现方法
CN110930033A (zh) 一种呈现大学生英语阅读认知诊断报告的方法
CN115271386B (zh) 基于熵值权有效程度分析的教育教学评鉴系统
Armini Efforts to Improve National Standards in Education Management
Hirose Analysis of Fluctuations of Ability Estimates in Testing
Ath Effects of Principal’s Leadership on Student Achievement at Cambodian Primary Schools: A Multi-level Model Analysis

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
GR01 Patent grant