CN113742453A - 一种人工智能错题关联方法及系统 - Google Patents

Abstract

本发明提出了一种人工智能错题关联方法及系统，涉及教育技术领域。一种人工智能错题关联方法包括：获取终端设备采集到的个人错题信息；对个人错题信息进行预处理得到错题标签；将错题标签和预先构建的错题集进行关联，并从错题集中获取与个人错题信息知识点对应的类别标识；根据艾宾浩斯遗忘曲线，后台系统按照遗忘周期定期将与所属错题标签关联的错题集，随机抽取至少一道试题进行测试。能够跟进学生出现的错题类似的试题举一反三，然后自动生成一个新的试卷，然后学生专门做自己不会的题型，有利于提高学生的成绩。此外本发明还提出了一种人工智能错题关联系统，包括：获取模块、预处理模块、关联模块及重复测试模块。

Description

一种人工智能错题关联方法及系统

技术领域

本发明涉及教育技术领域，具体而言，涉及一种人工智能错题关联方法及系统。

背景技术

现在的网课，起不到锻炼、练习的作用，且实践中发现，学生利用学习平板、手机等终端设备进行的错题回顾通常仅针对的是学生个人以往的错题。由于学生个人的时间和精力有限，所做试题的数量和涵盖面往往不够大，这就导致学生个人以往的错题的代表性有较大局限，影响学生进行错题回顾的学习效果。

而且，现在的学生在学习的过程中通常会通过做题来测试对知识的掌握程度，对于做题过程中出现的做错的错题，学生通常会对错题进行订正，并整理错题信息，以使学生在后续复习过程中可以更快速的针对以往做错的错题进行复习。

然而，在实践中发现，目前学生通常是通过手动的方式订正错题以及整理错题信息，导致了整理错题信息的效率较低，而且起不到锻炼、练习的作用，但每个学生在学习的过程中，每个人对知识点的理解不同，理解的快慢不同，所以概括性的讲解并不能满足所有学生。而对于学生自己而言，学生自己本身并不一定每一个人都能回顾自己的错题。但针对错题阶段性的回顾测试可以帮助学生加强知识点的记忆。对于这种要求，传统的测试卷子无法满足，但如今可以借助于互联网技术的迅速发展，提供一种能够帮助学生反复错题练习的测试系统，来辅助老师教学，提高学生知识点的掌握情况，增加记忆。

发明内容

本发明的目的在于提供一种人工智能错题关联方法，其能够让学生在做题的时候，如果做错了一道题，然后能够跟进学生出现的错题类似的试题举一反三，然后自动生成一个新的试卷，然后学生专门做自己不会的题型，有利于提高学生的成绩。

本发明的另一目的在于提供一种人工智能错题关联系统，其能够运行一种人工智能错题关联方法。

本发明的实施例是这样实现的：

第一方面，本申请实施例提供一种人工智能错题关联方法，其包括获取终端设备采集到的个人错题信息；对个人错题信息进行预处理得到错题标签；将错题标签和预先构建的错题集进行关联，并从错题集中获取与个人错题信息知识点对应的类别标识；根据艾宾浩斯遗忘曲线，后台系统按照遗忘周期定期将与所属错题标签关联的错题集，随机抽取至少一道试题进行测试。

在本发明的一些实施例中，上述获取终端设备采集到的个人错题信息包括：个人错题信息包括试题知识点、难易程度、应用频率，且个人错题信息数据是有格式的、以数据行为单位组织的文本。

在本发明的一些实施例中，上述对个人错题信息进行预处理得到错题标签包括：预处理的过程由一个独立的线程从加载机读取个人错题信息并根据相应的分布规则将个人错题信息分为若干个标签值，提取多个试题数据库提供的数据的标签值来源。

在本发明的一些实施例中，上述还包括：将标签值来源以及对应的标签值作为错题的节点，并根据标签值来源之间的预设关联关系确定每两个节点之间的关联关系，关联关系包括父子关系和关联强度，根据个人错题信息的父子关系和关联强度添加对应的错题标签。

在本发明的一些实施例中，上述将错题标签和预先构建的错题集进行关联，并从错题集中获取与个人错题信息知识点对应的类别标识包括：基于似然度评分和复杂度评分选取对应的贝叶斯网络，以用于对错题标签进行准确率的评估，从而使先构建的错题集与错题标签更准确的关联。

在本发明的一些实施例中，上述还包括：选取似然度评分和复杂度评分之差小于设定阈值的为贝叶斯网络，选定贝叶斯网络后由独立的线程根据不同的错题集子集将处理好的存储层格式文件分发到相应的数据节点，供错题标签准确率的评估。

在本发明的一些实施例中，上述根据艾宾浩斯遗忘曲线，后台系统按照遗忘周期定期将与所属错题标签关联的错题集，随机抽取至少一道试题进行测试包括：通过周期性与所属错题标签关联的错题集中不断地随机抽取进行不同的组合，使错一道题配答不同题型的试题。

第二方面，本申请实施例提供一种人工智能错题关联系统，其包括获取模块，用于获取终端设备采集到的个人错题信息；

预处理模块，用于对个人错题信息进行预处理得到错题标签；

关联模块，用于将错题标签和预先构建的错题集进行关联，并从错题集中获取与个人错题信息知识点对应的类别标识；

重复测试模块，用于根据艾宾浩斯遗忘曲线，后台系统按照遗忘周期定期将与所属错题标签关联的错题集，随机抽取至少一道试题进行测试。

在本发明的一些实施例中，上述包括：用于存储计算机指令的至少一个存储器；与上述存储器通讯的至少一个处理器，其中当上述至少一个处理器执行上述计算机指令时，上述至少一个处理器使上述系统执行：获取模块、预处理模块、关联模块及重复测试模块。

第三方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如一种人工智能错题关联方法中任一项的方法。

相对于现有技术，本发明的实施例至少具有如下优点或有益效果：

其能够让学生在做题的时候，如果做错了一道题，然后能够跟进学生出现的错题类似的试题举一反三，然后自动生成一个新的试卷，然后学生专门做自己不会的题型，有利于提高学生的成绩。错题越多，测评题数量就越多，直到错题答对，否则错题类型的试题一直出现在测评卷中，这样针对同一种类型的错题反复出现，可以加强对知识点的记忆，提高知识点的掌握，同时越来越多的测评题将会使得学生对知识点的复习，通过检测学生在学习过程中对基本知识、基本技能的掌握情况，同时可以诊断学生知识点，加强学生对知识点的记忆，同时可以根据学生错误情况，指导侧重点教学。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例提供的一种人工智能错题关联方法步骤示意图；

图2为本发明实施例提供的一种人工智能错题关联方法详细步骤示意图；

图3为本发明实施例提供的一种人工智能错题关联系统模块示意图；

图4为本发明实施例提供的一种电子设备。

图标：10-获取模块；20-预处理模块；30-关联模块；40-重复测试模块；101-存储器；102-处理器；103-通信接口。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

需要说明的是，术语“包括”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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。

实施例1

请参阅图1，图1为本发明实施例提供的一种人工智能错题关联方法步骤示意图，其如下所示：

步骤S100，获取终端设备采集到的个人错题信息；

步骤S110，对个人错题信息进行预处理得到错题标签；

步骤S120，将错题标签和预先构建的错题集进行关联，并从错题集中获取与个人错题信息知识点对应的类别标识；

步骤S130，根据艾宾浩斯遗忘曲线，后台系统按照遗忘周期定期将与所属错题标签关联的错题集，随机抽取至少一道试题进行测试。

在一些实施方式中，比如说第一个单词，比如单词记忆，如果是一个单词的同规律的词，如果学生写不起，那么我们就马上就配套相同规律的单子给学生，比如说名字Name是N A M E，然后如果这个单词根据音标学生不会写，那么我们就会给上相同规律的单词，比如。蛇snake，后面的A K E和名字的那个A M E，它属于相同规律，如果再生的话一点儿，那么就是比如说自行车Bike，那么其中的I K E怎么发的音，Nose鼻子ose就属于内相同规律。

然后就单词，比如说如果是我们有的是用概率比如说相同的概率相同的构思法，比如，像teacher，teach是教书的教teach和如果加个er呢，er就表示教书执行教书的人，所以在这里来Teacher就是执行教学的人，就是教师，那么同样的道理，Help帮助加一个er就是咨询帮助的人叫帮助者等等，就是如果你出现了一个错误，那么我们跟进的就是相同的就是相同规律的，这就是举一反三。

在一些实施方式中，就比如说单项选择，比如说20道题，那么第一道题，假如是现在进行时，那么现在进行时的话，比如“乔他正在河里游泳”，这个时候我们的答案就给一个swim，需要填的是swimming，如果你不会填，那么我们紧跟着就要给你，比如说乔他在跑步，现在他正在打篮球。所以答案都是相似的就是我们给的就是同一个类型的题举一反三，比如说另外一道题就是答案就是is running、is playing等等，这是就是选择填空。

实施例2

请参阅图2，图2为本发明实施例提供的一种人工智能错题关联方法详细步骤示意图，其如下所示：

步骤S200，个人错题信息包括试题知识点、难易程度、应用频率，且个人错题信息数据是有格式的、以数据行为单位组织的文本。

步骤S210，预处理的过程由一个独立的线程从加载机读取个人错题信息并根据相应的分布规则将个人错题信息分为若干个标签值，提取多个试题数据库提供的数据的标签值来源。

步骤S220，将标签值来源以及对应的标签值作为错题的节点，并根据标签值来源之间的预设关联关系确定每两个节点之间的关联关系，关联关系包括父子关系和关联强度，根据个人错题信息的父子关系和关联强度添加对应的错题标签。

步骤S230，基于似然度评分和复杂度评分选取对应的贝叶斯网络，以用于对错题标签进行准确率的评估，从而使先构建的错题集与错题标签更准确的关联。

步骤S240，选取似然度评分和复杂度评分之差小于设定阈值的为贝叶斯网络，选定贝叶斯网络后由独立的线程根据不同的错题集子集将处理好的存储层格式文件分发到相应的数据节点，供错题标签准确率的评估。

步骤S250，通过周期性与所属错题标签关联的错题集中不断地随机抽取进行不同的组合，使错一道题配答不同题型的试题。

在一些实施方式中，终端设备可以为手机、智能手表以及平板等，本申请实施例不做限定。其中，各类终端设备的操作系统可包括但不限于Android操作系统、IOS操作系统、Symbian(塞班)操作系统、Black Berry(黑莓)操作系统、Windows Phone8操作系统等等，本申请实施例不做限定。终端设备采集的个人错题信息的题目可以来源于终端设备的预设题目，也可以来源于终端设备所有者的手写题目，本申请实施例不做限定。

在一些实施方式中，分类错题的标签可以通过简化该标签对应的关键信息得到，例如：若某一分类错题的关键信息为语文+三年级+第三章+优秀类型，该分类错题集的标签可以为CH.三.3.A，通过设置分类错题集的标签，有效缩减终端设备发送的错题请求的字段信息，可以缓解网络压力。

在一些实施方式中，错题管理、复习辅导、变式练习的闭环学习方式，实现了错题的统一保存，统一复习，智能数据云端保存。更简单，复习错题无需打开多个模块，直接打开错题集，直通所有错题；更智能，实现了错题复习智能记忆法，实现了错题的智能云端保存，数据无缝衔接，不用担心数据丢失。该方式整合现有家教学习机本身学习模块错题和拍照导入错题，并能根据需求导出一套智能解决方法。通过错题的分类管理，学习任务的提醒和视频讲解，辅导资料，举一反三练习的推送，学习行为数据按照掌握情况，错题原因，科目以及薄弱知识点的统计分析，并且按照艾宾浩斯学习记忆法设计复习学习任务，帮助学生高效攻克错题，显著提升学习效率和成绩。

实施例3

请参阅图3，图3为本发明实施例提供的一种人工智能错题关联系统模块示意图，其如下所示：

获取模块10，用于获取终端设备采集到的个人错题信息；

预处理模块20，用于对个人错题信息进行预处理得到错题标签；

关联模块30，用于将错题标签和预先构建的错题集进行关联，并从错题集中获取与个人错题信息知识点对应的类别标识；

重复测试模块40，用于根据艾宾浩斯遗忘曲线，后台系统按照遗忘周期定期将与所属错题标签关联的错题集，随机抽取至少一道试题进行测试。

如图4所示，本申请实施例提供一种电子设备，其包括存储器101，用于存储一个或多个程序；处理器102。当一个或多个程序被处理器102执行时，实现如上述第一方面中任一项的方法。

还包括通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。

其中，存储器101可以是但不限于，随机存取存储器101(Random Access Memory，RAM)，只读存储器101(Read Only Memory，ROM)，可编程只读存储器101(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器101(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器101(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。

处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器102，包括中央处理器102(Central Processing Unit，CPU)、网络处理器102(Network Processor，NP)等；还可以是数字信号处理器102(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。

在本申请所提供的实施例中，应该理解到，所揭露的方法及系统和方法，也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的方法及系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

另一方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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)执行本申请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101(ROM，Read-Only Memory)、随机存取存储器101(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

综上所述，本申请实施例提供的一种人工智能错题关联方法及系统，其能够让学生在做题的时候，如果做错了一道题，然后能够跟进学生出现的错题类似的试题举一反三，然后自动生成一个新的试卷，然后学生专门做自己不会的题型，有利于提高学生的成绩。错题越多，测评题数量就越多，直到错题答对，否则错题类型的试题一直出现在测评卷中，这样针对同一种类型的错题反复出现，可以加强对知识点的记忆，提高知识点的掌握，同时越来越多的测评题将会使得学生对知识点的复习，通过检测学生在学习过程中对基本知识、基本技能的掌握情况，同时可以诊断学生知识点，加强学生对知识点的记忆，同时可以根据学生错误情况，指导侧重点教学。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种人工智能错题关联方法，其特征在于，包括：

获取终端设备采集到的个人错题信息；

对个人错题信息进行预处理得到错题标签；

将错题标签和预先构建的错题集进行关联，并从错题集中获取与个人错题信息知识点对应的类别标识；

根据艾宾浩斯遗忘曲线，后台系统按照遗忘周期定期将与所属错题标签关联的错题集，随机抽取至少一道试题进行测试。

2.如权利要求1所述的一种人工智能错题关联方法，其特征在于，所述获取终端设备采集到的个人错题信息包括：

个人错题信息包括试题知识点、难易程度、应用频率，且个人错题信息数据是有格式的、以数据行为单位组织的文本。

3.如权利要求1所述的一种人工智能错题关联方法，其特征在于，所述对个人错题信息进行预处理得到错题标签包括：

预处理的过程由一个独立的线程从加载机读取个人错题信息并根据相应的分布规则将个人错题信息分为若干个标签值，提取多个试题数据库提供的数据的标签值来源。

4.如权利要求3所述的一种人工智能错题关联方法，其特征在于，还包括：

将标签值来源以及对应的标签值作为错题的节点，并根据标签值来源之间的预设关联关系确定每两个节点之间的关联关系，关联关系包括父子关系和关联强度，根据个人错题信息的父子关系和关联强度添加对应的错题标签。

5.如权利要求1所述的一种人工智能错题关联方法，其特征在于，所述将错题标签和预先构建的错题集进行关联，并从错题集中获取与个人错题信息知识点对应的类别标识包括：

基于似然度评分和复杂度评分选取对应的贝叶斯网络，以用于对错题标签进行准确率的评估，从而使先构建的错题集与错题标签更准确的关联。

6.如权利要求5所述的一种人工智能错题关联方法，其特征在于，还包括：

选取似然度评分和复杂度评分之差小于设定阈值的为贝叶斯网络，选定贝叶斯网络后由独立的线程根据不同的错题集子集将处理好的存储层格式文件分发到相应的数据节点，供错题标签准确率的评估。

7.如权利要求1所述的一种人工智能错题关联方法，其特征在于，所述根据艾宾浩斯遗忘曲线，后台系统按照遗忘周期定期将与所属错题标签关联的错题集，随机抽取至少一道试题进行测试包括：

通过周期性与所属错题标签关联的错题集中不断地随机抽取进行不同的组合，使错一道题配答不同题型的试题。

8.一种人工智能错题关联系统，其特征在于，包括：

获取模块，用于获取终端设备采集到的个人错题信息；

预处理模块，用于对个人错题信息进行预处理得到错题标签；

关联模块，用于将错题标签和预先构建的错题集进行关联，并从错题集中获取与个人错题信息知识点对应的类别标识；

重复测试模块，用于根据艾宾浩斯遗忘曲线，后台系统按照遗忘周期定期将与所属错题标签关联的错题集，随机抽取至少一道试题进行测试。

9.如权利要求8所述的一种人工智能错题关联系统，其特征在于，包括：

用于存储计算机指令的至少一个存储器；

与所述存储器通讯的至少一个处理器，其中当所述至少一个处理器执行所述计算机指令时，所述至少一个处理器使所述系统执行：获取模块、预处理模块、关联模块及重复测试模块。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。

Images