CN113761030A - 一种错题统计分析系统 - Google Patents
一种错题统计分析系统 Download PDFInfo
- Publication number
- CN113761030A CN113761030A CN202111045120.XA CN202111045120A CN113761030A CN 113761030 A CN113761030 A CN 113761030A CN 202111045120 A CN202111045120 A CN 202111045120A CN 113761030 A CN113761030 A CN 113761030A
- Authority
- CN
- China
- Prior art keywords
- wrong
- analysis
- module
- wrong question
- teaching
- 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
- 238000007619 statistical method Methods 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 84
- 238000011156 evaluation Methods 0.000 claims abstract description 48
- 238000012360 testing method Methods 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 230000002950 deficient Effects 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 7
- 230000008685 targeting Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 20
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 238000013499 data model Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 238000013523 data management Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000003993 interaction 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
- 238000005457 optimization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2291—User-Defined Types; Storage management thereof
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种错题统计分析系统,包括错题统计分析平台和学生端和教师端;其中错题统计分析平台包括:学习测评模块向学生端输出测评习题,根据学生端的答题结果,得到错题并进行存储;将存储的错题通过错题分析网络模型得到错题分析结果;薄弱点分析模块将存储的错题分析结果通过薄弱点分析模型得到薄弱点输出结果;最后,根据薄弱点输出结果向教师端推送学习方案。可以看出,本申请节约了教师时间,提高了班级错题整理工作效率,提高教师教学的质量和提升学生的学习成绩,并根据每个学生的不同薄弱点达到因材施教的效果。
Description
技术领域
本发明涉及统计分析领域,特别涉及一种错题统计分析系统。
背景技术
随着互联网技术的不断进步和发展,近年来,基于网络发展的新型教育形态正在影响着学生以及教师,随着用户对远程学习、多样化学习需求的与日俱增,错题统计分析越来越被学生以及教师所重视。
现有市场上的错题本或错题分析系统,以每名学生为中心,统计该学生在软件中遇到的错题,并对错题根据科目进行分类,学生可以根据科目筛选,选择任意一道错题,或随机多道错题进行再次练习,再次练习答对后,该错题将移出错题本,再练练习答错后,该错题将继续停留在错题本中。
然而,这种方法错题掌握情况局限性较强应用程度较低,不能覆盖整体教育环节各单元,并且都是以学生个人为中心进行统计,分析维度较为单一,以及对错题的后继可扩展业务,难以进行跟踪和教学业务改进。
发明内容
基于此,本申请实施例提供了一种错题统计分析系统,以解决现有技术中错题掌握情况局限性较强应用程度较低的问题。
本申请提供了一种错题统计分析系统,该系统包括错题统计分析平台、学生端和教师端;
所述错题统计分析平台包括:学习测评模块、错题数据库、错题分析模块、存储模块、薄弱点分析模块以及输出模块:
所述学习测评模块用于向所述学生端输出测评习题,响应于所述学生端的答题结果,得到错题;
所述错题数据库用于对得到的错题进行存储;
所述错题分析模块用于将所述错题数据库中存储的错题通过错题分析网络模型得到错题分析结果;
所述存储模块用于对所述错题分析结果进行存储;
所述薄弱点分析模块用于将所述存储模块中存储的所述错题分析结果通过薄弱点分析模型得到薄弱点输出结果;
所述输出模块用于根据所述薄弱点输出结果向所述教师端推送教学方案。
可选地,所述系统还包括学校端和家长端;
所述教师端根据得到的至少一个学生端薄弱点输出结果得到教学改进计划,根据所述教学改进计划向所述用户端发布课后作业以及完成辅导;
所述学校端根据所述教师端的教学改进计划以及所述薄弱点输出结果进行教学分析;
所述家长端根据所述薄弱点输出结果协助监管所述学生端的学习状态。
可选地,所述错题分析模块还包括:
将所述错题数据库中存储的错题通过知识图谱模型得到欠缺知识点;
通过所述欠缺知识点进行智能化归类,得到欠缺知识点类别;
将所述欠缺知识点类别通过分析得到知识点重要等级,并与存储的历史知识点重要等级进行对比分析得到业务映像数据,并将所述业务映像数据发送至存储模块进行存储。
所述存储模块还包括,对所述业务映像数据进行存储。
可选地,所述输出模块还用于根据所述薄弱点输出结果以及所述业务映像数据向所述教师端推送教学方案。
可选地,所述错题统计分析平台还包括:
系统测评模块,所述系统测评模块用于通过系统测评收集学生端的表现、选择以及行为数据得到用户画像;
所述输出模块还用于所述用户画像与所述薄弱点输出结果向所述教师端推送教学方案。
可选地,所述用户画像至少包括:基本性、同理性、真实性、独特性、目标性、数量性、应用性以及长久性。
可选地,所述输出模块用于根据所述薄弱点输出结果向所述教师端推送教学方案,还包括:
根据所述薄弱点输出结果以及预设知识点向所述教师端推送教学方案。
可选地,所述预设知识点包括标签化评估,进而形成预设知识点网络。
可选地,所述错题数据库具体包括:按时间维度对得到的错题进行存储;
所述错题分析模块还用于根据记忆遗忘曲线通过错题分析网络模型得到错题分析结果。
可选地,所述学习测评模块用于向所述用户端输出测评习题,包括:
所述学习测评模块用于根据历史薄弱点输出结果向所述用户端输出测试试题。
本申请实施例提供的技术方案包括错题统计分析平台和学生端;其中错题统计分析平台包括:学习测评模块向学生端输出测评习题,根据学生端的答题结果,得到错题并进行存储;将存储的错题通过错题分析网络模型得到错题分析结果;薄弱点分析模块将存储的错题分析结果通过薄弱点分析模型得到薄弱点输出结果;最后,根据薄弱点输出结果向教师端推送教学方案。可以看出,本申请的有益效果包括了:
(1)节约教师时间,班级错题整理工作,通过本系统可以节约90%以上的班级错题整理时间,任课教师可以直接根据系统自动生成的统计分析报表,有效精准的进行教学实施与开发工作。
(2)提高课堂效率,通过关联错题与知识点,精准定位指导教师的课堂教学,讲解班级薄弱知识点,针对性强,效率高,快速提升班级教学效率。
(3)提高教师教学的质量和提升学生的学习成绩。
(4)个性化课后作业,任课教师结合班级薄弱知识点报告,系统根据学生个人的知识点掌握情况,综合两部分系统,向学生发布课后作业,达到千人千面,因材施教的效果。
附图说明
图1为本申请实施例提供的一种错题统计分析平台的示意图;
图2为本申请实施例提供的错题统计分析平台业务层面的示意图;
图3为本申请实施例提供的错题统计分析平台设计层面的示意图;
图4为本申请实施例提供的错题统计分析平台应用体验层面的示意图;
图5为本申请实施例提供的用户进行智能错题分析的示意图;
图6为本申请实施例提供的用户进行方案选择的示意图;
图7为本申请实施例提供的个性化策略分析的示意图;
图8为本申请实施例提供的采用自适应技术进行教学的示意图;
图9为本申请实施例提供的采用辅助教学模式的示意图;
图10为本申请实施例提供的个性化分类的示意图;
图11为本申请实施例提供的教育模式生态的示意图。
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,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)旨在区别指代的对象。对于具有时序流程的方案,这种术语表述方式不必理解为描述特定的顺序或先后次序,对于装置结构的方案,这种术语表述方式也不存在对重要程度、位置关系的区分等。
此外,术语“包括”、“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包括了一系列步骤或单元的过程、方法、系统、产品或设备不必限于已明确列出的那些步骤或单元,而是还可包含虽然并未明确列出的但对于这些过程、方法、产品或设备固有的其它步骤或单元,或者基于本发明构思进一步的优化方案所增加的步骤或单元。
本申请实施例提供的一种错题统计分析系统,该系统包括错题统计分析平台、学生端和教师端。
其中,如图1,错题统计分析平台是支撑整个系统顺利运行的基础平台,错题统计分析平台包含了海量的教学数据资源。
结合系统的实际需求,对系统的错题统计分析平台进行多维度的梳理,尽量涵盖了该资源库可能在工作中涉及的各个单元,包括客户群体、工作内容、工作范围、工作流程、数据流交互和主业务等。
从业务层面讲,如图2,可以看出错题统计分析平台的管理设计方面必须包含信息管理、权限管理、安全管理、流程管理、功能管理、数据管理、接口管理等。通过各类的管理方式和手段实现了错题统计分析平台的全业务覆盖,构建了一套较为完整的数据管理体系,有效的管理了业务流、数据流、信息流。
如图3,错题统计分析平台数据体系设计方面包括基础数据层、数据加工与处理层、数据分析与管理层及业务应用层。从数据的来源、整理、应用等方面构建数据体系。
如图4,错题统计分析平台应用体验包括管理体验、应用体验和决策体验。良好的数据管理可以有效的提升客户对应用的体验效果,应用的体验效果又直接影响到决策的体验效果。
具体地,错题统计分析平台分为两个自成体系的业务闭环区,分别为错题部分和分析部分。
错题部分具体包括了:学习测评模块、错题数据库、错题分析模块、存储模块、薄弱点分析模块以及输出模块:
学习测评模块用于向学生端输出测评习题,响应于学生端的答题结果,得到错题,其中,学习测评模块采用了人工智能的“自我学习”技术,通过不断的测试,总结学生的学习特点和当前能力,通过特定点“标记”,来记忆学生的学习成长,给出最符合学生当前状态的试题。
错题数据库用于对得到的错题进行存储,其中,错题数据库融入“记忆曲线”,按时间维度对错题进行记载,给出对错题最合理的“斩错”时间(即按时间维度对得到的错题进行存储,根据记忆遗忘曲线进行后续的处理)。
错题分析模块用于将错题数据库中存储的错题通过错题分析网络模型得到错题分析结果,其中,错题分析模块充分利用人工智能和个体与业务之间的关系,实现系统的深度学习。深度学习的特点是放弃了可解释性,单纯追求学习的有效性。采用神经网络的模型的应用方法。循环在神经网络中引入了记忆和反馈,应用于时间性分布数据。
存储模块还包括,对业务映像数据进行存储,其中,对错题分析模块产生的结果进行记忆。
薄弱点分析模块用于将存储模块中存储的错题分析结果通过薄弱点分析模型得到薄弱点输出结果,其中,结合存储模块,同时利用大数据应用技术和业务专家的分析结果,建立薄弱点分析数据模型,通过数据输入,产生不同的结果。
输出模块用于根据薄弱点输出结果向教师端推送教学方案。其中,还可以包括:
数据查询模块,通过薄弱点分析,查找出不同用户对应的薄弱数据,建立薄弱映像,提升系统查询精度和速度。
资源体系化标签,对数据查询模块内的数据,进行更进一步的标签化处理,提升数据应用质量。
个性化分析,结合输出结果数据、用户使用的行为数据和系统“学习”数据,形成完整的个性化分析流程,通过业务的不断运转,使其越来越精确。
在本申请一个实施例中,错题分析模块还包括:
将错题数据库中存储的错题通过知识图谱模型得到欠缺知识点;
通过欠缺知识点进行智能化归类,得到欠缺知识点类别;
将欠缺知识点类别通过分析得到知识点重要等级,并与存储的历史知识点重要等级进行对比分析得到业务映像数据,并将业务映像数据发送至存储模块进行存储。
输出模块还用于根据薄弱点输出结果以及业务映像数据向教师端推送教学方案。
即知识点图谱和追溯模块是系统的核心内容之一,通过对教学资源的知识点的专业划分,把每个科目知识点汇成一张图,知识点间按顺序互相关联形成网络(图谱),形成知识点可追溯的必要条件,为系统的追溯学习方式提供有力保障。
结果输出结合了数据画像。根据用户的目标、行为、观点和期望差异,将他们区分为不同的类型,然后每种类型中抽取出典型特征形成对不同的应用群体的数据展示功能。
如图5,给出了本申请实施例中智能错题分析的一个过程,其中:
错题数据源,通过学生的实际答题情况,系统收集错题数据源。
数据源分析,根据数据源,对照基础资源库的知识图谱模型,汇总欠缺知识点及可能涉及的多个相关的知识点。
分析结果归类,对分析的结果,进行智能化归类,系统会对每次结果建立一个标签,利用知识点,自动定义结果类别。
分析结果对比记录,利用最新的分析结果与历史该类进行对比分析,强化结果或知识点重要等级,知识点重要等级共分5级,最高1级,最低5级,对于第一次产生的结果,作为5级存在。
形成业务映像,将对比结果作为系统的成长记录,与学生的历次测试相关联,形成业务映像数据,并将数据交与系统记忆模块。
在本申请一个可选的实施例中,系统测评模块,系统测评模块用于通过系统测评收集学生端的表现、选择以及行为数据得到用户画像;
学习测评模块用于向用户端输出测评习题,包括:
学习测评模块用于根据历史薄弱点输出结果向用户端输出测试试题
输出模块还用于用户画像与薄弱点输出结果向教师端推送教学方案。
其中,用户画像至少包括:基本性、同理性、真实性、独特性、目标性、数量性、应用性以及长久性,具体地:
用户画像八要素;
P代表基本性(Primary):指该用户角色是否基于对真实用户的情景访谈;
E代表同理性(Empathy):指用户角色中包含姓名、照片和产品相关的描述,该用户角色是否引同理心;
R代表真实性(Realistic):指对那些每天与顾客打交道的人来说,用户角色是否看起来像真实人物;
S代表独特性(Singular):每个用户是否是独特的,彼此很少有相似性;
O代表目标性(Objectives):该用户角色是否包含与产品相关的高层次目标,是否包含关键词来描述该目标;
N代表数量性(Number):用户角色的数量是否足够少,以便设计团队能记住每个用户角色的姓名,以及其中的一个主要用户角色;
A代表应用性(Applicable):设计团队是否能使用用户角色作为一种实用工具进行设计决策;
L代表长久性(Long):用户标签的长久性。
如图6,给了本申请实施例根据用户进行方案选择的流程图,其中:
用户画像,系统会根据用户的目的、行为、观点和期望,在不断系统使用中,形成自己的用户画像。用户画像最主要的目的是让用户与系统之间建立更紧密的业务和应用支撑。
数据集划取,利用技术资源库中强大的数据管理和数据应用能力,结合用户画像,快速划取用户需要的精准的标签化教学资源。
数据分类,利用用户画像的PERSONAL八要素,结合用户的历史行为数据,对资源进行类型划分,形成多种不同目的的资源类型,使其针对解决不同的实际问题,并生成相关的解决方案。如学生以往的100个知识点中,有30个知识点不会,但30个知识点又分布在不同的学习内容中,系统会利用知识图谱,把相关的知识点进行组合成多个小模块,并对模块进行连线,确定先后顺序等。
方案选择,用户可以根据自身的需要选择特定的方案,也可以直接使用系统推荐的方案组合,做综合提升,并系统逐渐优化方案内容。
可以看出,本系统应用了大数据技术,主要体现在在线决策、学习分析和数据挖掘三个方面,其主要是进行预测、行为分析和学习分析等应用,大数据含义是指平台的海量数据资源、学习过程中产生的个性化数,并结合两种情况进行分析,大数据模型以及能够显示的数据能够为学校或老师带来参考,准确定位学生的特性及特点,最终通过不同的学习方案,提升学生的成绩。
如图7,给出了本申请通过经验数据模型进行个性化策略分析的一个流程,其中:
经验数据模型
1.通过系统测评收集用户的表现、选择、行为等构建用户的经验数据模型。
2.通过系统反馈机制,收集用户的真实需求。
3.根据用户的实际操作,构建用户体验模型,进行线上课程评估。
行为数据模型
1.根据每次测评,分析用户在使用系统过程中的变化。
2.用户完成学习或测试后的学习状况。
3.用户使用系统的时间和完成系统学习与测试的成绩等情况。
知识数据模型
1.教师使用系统的频率与数量
2.用户根据知识点实际测评的结果数据
3.用户对重点知识点的学习重复率
4.用户对重点只是点的学习正确率
5.通过数据挖掘和数据分析构建用户的知识数据模型
学科知识模型
1.对现有的学科知识进行重新建模
2.依据教学经验,研究用户与学科、知识点和课程之间的整体关系。
3.采集和处理用户的相关数据,画出用户的学习曲线
数据档案
1.收集用户的基本学习信息,简历用户基础数据。
2.通过数据挖掘,数据分析和人工智能算法,根据用户的特征数据,将相同的数据结果的数据进行归类。
个性化策略分析
1.收集用户的信息,包括基本信息,学习信息,测试信息,测评信息,分析数据等,组成各组件化功能。
2.分析用户分析结果与教学目的之间的关系,然后利用关系数据,进行个性化策略分析。
如图8,给出了本申请实施例采用自适应技术进行教学的方案,其中:
系统采用自适应技术,系统将教学分为“标准化教学”和“个性化教学”两大部分。标准教学包含“同步课”、“知识点”、“复习课”等教学方式,系统会像上课一样的进行“知识”传递。通过系统的学科测评与学习能力测评等手段,鉴别个定位用户基础和能力的差异性,系统根据知识点和薄弱点退出不同的解决方案。
标签化评估:系统对学习知识点的讲解(视频)和学科测评的题库,用以评估用户知识点的掌握程度。每一个学科都是有多个知识点组成,利用递进关系形成了一个网络状态,每一个点都是相连的。标签化是将内容与知识点之间进行联系,存在1对1,1对多,多对多等情况。教学内容的标签化后,系统在逻辑上可以判断这些内容属于什么知识点。如,习题与知识点的关联,系统可以根据用户答题来判定用户对于知识点的掌握的情况。
教学规划:系统融合教学专业知识,结合资源的标签化,系统从教学的角度来为单一的知识点组织相应关联的内容,并且设置知识点之间的链接,以至于从单点覆盖到系统性的学科。
方案:教学资源的标签化和教学规划的制定,设定信息的入口,优化用户体验。
如图9,给出了本申请实施例采用辅助教学模式的流程,其中:
系统利用学生与教师的关系定义了辅助教学模式,帮助教师发现学生的不足点,做到更精准的针对教学,达到提升的目的。
1.班级,系统通过建立教师与学生的群组关系,实现线上班级的概念。
2.系统定义了预习方式,学生通过观看本堂课重点知识点视频,并根据视频内容,练习相关习题,教师在教师端可以看到学生的预习情况和预习掌握情况,提前了解学生对知识点掌握的程度,提前进行重点防范。
3.利用系统提供的资源分享模式,可以使学生分组进行谈论学习,之后根据学习情况,进行学生讲解,教师辅导,形成翻转课堂概念。
4.教师利用系统可以进行课堂练习设定,观察学生知识点掌握情况,根据学生答题的内容和正确率,对学生欠缺的知识点进行重点讲解,系统会分析学生某知识点的掌握情况和做题快慢等内容。
5.教师可以使用系统发布课后作业,作业既可以包括知识点练习,错误,视频和自定义相关试题,试题类型涵盖十余种;教师可以随时观察学生作业完成情况,并通过系统给与单独辅导和教学。
6.可以在用户学习一段时间后,建立针对每科的系统诊断,可以根据用户日常的行为(错题)或者知识点掌握程度和系统自定义的方案对学生退出有针对性的系统复习内容,并根据系统复习结果进一步锁定该学生的知识点薄弱情况,进一步进行巩固与学习。
如图10,给出了本申请实施例个性化分类的示意图,其中:
系统实现对不同用户的反复个性化分类,并退出个性化训练方案,形成一个循环式的个性化教学模式。
学习测评
系统提供初级测评、阶段测评、学科测评和综合测评,每种测评都对测评对的习题,根据学生的整体掌握程度,提供不同的分类难度。如第一次测评,系统提供60%简单题型,30%中等题型,10%高等题型。通过一段学习后,系统分析学生的学习轨迹及错题多少,会按照一定比例分配题型难度。
成绩分类
系统会根据学习测评的结果,将学生定位为优秀,良好,一般和较差四个级别。
个性化训练
针对不同的成绩分类设定四种不同的教育资源模式和教学方案模式,进行针对该部分测评结果的个性化学习与训练。
在系统使用过程中该部分内容是不同的模式下,进行相同的循环执行状态。
如图11,给出了本申请的教育模式生态示意图,其中:
系统包括学生端、教师端、学校端和家长端,每一端都很完美的契合了现实教育中的各端诉求。
学生端:
学生端利用系统提供的整体功能,锁定学习过程中的对知识点掌握的薄弱环节,对薄弱环节不断强化训练,达到学习提升的目的。
教师端:
教师端利用系统提供的多种教育模式和方法,辅助教师教学,提升教学质量和教师素质,提高教学效率。
家长端:
家长端利用系统获取学生的学习细节和学习内容,明确和协助监管学生的学习状态。
学校端:
学校端对于学生和教师利用系统的整体应用数据,进行教学分析和学习分析,有效的掌握和设定更多的学习方法和个性化的学习体系。
可以看出,本系统:针对于现有技术中存在的问题:
1.错题掌握情况局限性较强应用程度较低,不能覆盖整体教育环节各单元。
2.对错题的后继可扩展业务,难以进行跟踪和教学业务改进。
3.当前市场上的软件提供错题本,都是以学生个人为中心进行统计,分析维度较为单一。
提供的一种错题统计分析系统,起到了如下作用:
(1)充分发挥和创造错题对教学业务方面的扩充作用,尽量涵盖教学生态体系的每一个环节和每一个角落。
(2)利用人工智能技术,使系统自我学习,对客户“薄弱环节”准确定位,拓展“错题”业务应用模块。
(3)利用大数据分析技术和人工智能技术对“错题”业务所能涉及的上下游环节进行计算与整合,形成“错题”业务流程多样化应用,帮助学生、教师、班级、学校自身需求的满足。
(4)利用大数据应用技术和专业教学业务理念,实现对“错题”结论数据的有效组合,对“错题”业务数据进行更有效的数据组合,分析出更具说服力的数据分析结果。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种错题统计分析系统,其特征在于,所述系统包括错题统计分析平台、学生端和教师端;
所述错题统计分析平台包括:学习测评模块、错题数据库、错题分析模块、存储模块、薄弱点分析模块以及输出模块:
所述学习测评模块用于向所述学生端输出测评习题,响应于所述学生端的答题结果,得到错题;
所述错题数据库用于对得到的错题进行存储;
所述错题分析模块用于将所述错题数据库中存储的错题通过错题分析网络模型得到错题分析结果;
所述存储模块用于对所述错题分析结果进行存储;
所述薄弱点分析模块用于将所述存储模块中存储的所述错题分析结果通过薄弱点分析模型得到薄弱点输出结果;
所述输出模块用于根据所述薄弱点输出结果向所述教师端推送教学方案。
2.根据权利要求1所述的系统,所述系统还包括学校端和家长端;
所述教师端根据得到的至少一个学生端薄弱点输出结果得到教学改进计划,根据所述教学改进计划向所述用户端发布课后作业以及完成辅导;
所述学校端根据所述教师端的教学改进计划以及所述薄弱点输出结果进行教学分析;
所述家长端根据所述薄弱点输出结果协助监管所述学生端的学习状态。
3.根据权利要求1所述的系统,其特征在于,所述错题分析模块还包括:
将所述错题数据库中存储的错题通过知识图谱模型得到欠缺知识点;
通过所述欠缺知识点进行智能化归类,得到欠缺知识点类别;
将所述欠缺知识点类别通过分析得到知识点重要等级,并与存储的历史知识点重要等级进行对比分析得到业务映像数据,并将所述业务映像数据发送至存储模块进行存储;
所述存储模块还包括,对所述业务映像数据进行存储。
4.根据权利要求3所述的系统,其特征在于,所述输出模块还用于根据所述薄弱点输出结果以及所述业务映像数据向所述教师端推送教学方案。
5.根据权利要求1所述的系统,所述错题统计分析平台还包括:
系统测评模块,所述系统测评模块用于通过系统测评收集学生端的表现、选择以及行为数据得到用户画像;
所述输出模块还用于所述用户画像与所述薄弱点输出结果向所述教师端推送教学方案。
6.根据权利要求5所述的系统,所述用户画像至少包括:基本性、同理性、真实性、独特性、目标性、数量性、应用性以及长久性。
7.根据权利要求1所述的系统,其特征在于,所述输出模块用于根据所述薄弱点输出结果向所述教师端推送教学方案,还包括:
根据所述薄弱点输出结果以及知识点图谱向所述教师端推送教学方案。
8.根据权利要求7所述的系统,其特征在于,所述预设知识点包括标签化评估,进而形成预设知识点网络。
9.根据权利要求1所述的系统,其特征在于,所述错题数据库具体包括:按时间维度对得到的错题进行存储;
所述错题分析模块还用于根据记忆遗忘曲线通过错题分析网络模型得到错题分析结果。
10.根据权利要求1所述的系统,其特征在于,所述学习测评模块用于向所述用户端输出测评习题,包括:
所述学习测评模块用于根据历史薄弱点输出结果向所述用户端输出测试试题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111045120.XA CN113761030A (zh) | 2021-09-07 | 2021-09-07 | 一种错题统计分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111045120.XA CN113761030A (zh) | 2021-09-07 | 2021-09-07 | 一种错题统计分析系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113761030A true CN113761030A (zh) | 2021-12-07 |
Family
ID=78793620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111045120.XA Pending CN113761030A (zh) | 2021-09-07 | 2021-09-07 | 一种错题统计分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113761030A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446768A (zh) * | 2018-05-02 | 2018-08-24 | 水木天骄(深圳)科技有限公司 | 一种学生建模的方法和装置 |
CN108922283A (zh) * | 2018-09-20 | 2018-11-30 | 合肥霞康电子商务有限公司 | 基于云计算分析的智慧教育交互平台 |
CN109359215A (zh) * | 2018-12-03 | 2019-02-19 | 江苏曲速教育科技有限公司 | 视频智能推送方法和系统 |
CN109741650A (zh) * | 2019-03-22 | 2019-05-10 | 任磊 | 一种计算机教学分析改进系统 |
CN109949635A (zh) * | 2019-04-29 | 2019-06-28 | 深圳启程智远网络科技有限公司 | 一种远程在线英语教育系统 |
CN111383495A (zh) * | 2020-03-04 | 2020-07-07 | 苏州驰声信息科技有限公司 | 一种用于口语教学的课中讲解系统、方法、装置及介质 |
CN111476495A (zh) * | 2020-04-13 | 2020-07-31 | 北京科技大学 | 一种提升学习效率的评价及优化方法及其系统 |
CN112184500A (zh) * | 2019-07-03 | 2021-01-05 | 浙江有教信息科技有限公司 | 基于深度学习和知识图谱的课外学习辅导系统及实现方法 |
CN112464659A (zh) * | 2020-11-24 | 2021-03-09 | 平安科技(深圳)有限公司 | 基于知识图谱的辅助教学方法、装置、设备及存储介质 |
CN112634690A (zh) * | 2020-12-26 | 2021-04-09 | 贵州树精英教育科技有限责任公司 | 一种答题数据实时分析和反馈系统 |
CN112990677A (zh) * | 2021-03-04 | 2021-06-18 | 青岛海科创新科技有限公司 | 一种基于人工智能的教学系统、计算机设备、存储介质 |
-
2021
- 2021-09-07 CN CN202111045120.XA patent/CN113761030A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446768A (zh) * | 2018-05-02 | 2018-08-24 | 水木天骄(深圳)科技有限公司 | 一种学生建模的方法和装置 |
CN108922283A (zh) * | 2018-09-20 | 2018-11-30 | 合肥霞康电子商务有限公司 | 基于云计算分析的智慧教育交互平台 |
CN109359215A (zh) * | 2018-12-03 | 2019-02-19 | 江苏曲速教育科技有限公司 | 视频智能推送方法和系统 |
CN109741650A (zh) * | 2019-03-22 | 2019-05-10 | 任磊 | 一种计算机教学分析改进系统 |
CN109949635A (zh) * | 2019-04-29 | 2019-06-28 | 深圳启程智远网络科技有限公司 | 一种远程在线英语教育系统 |
CN112184500A (zh) * | 2019-07-03 | 2021-01-05 | 浙江有教信息科技有限公司 | 基于深度学习和知识图谱的课外学习辅导系统及实现方法 |
CN111383495A (zh) * | 2020-03-04 | 2020-07-07 | 苏州驰声信息科技有限公司 | 一种用于口语教学的课中讲解系统、方法、装置及介质 |
CN111476495A (zh) * | 2020-04-13 | 2020-07-31 | 北京科技大学 | 一种提升学习效率的评价及优化方法及其系统 |
CN112464659A (zh) * | 2020-11-24 | 2021-03-09 | 平安科技(深圳)有限公司 | 基于知识图谱的辅助教学方法、装置、设备及存储介质 |
CN112634690A (zh) * | 2020-12-26 | 2021-04-09 | 贵州树精英教育科技有限责任公司 | 一种答题数据实时分析和反馈系统 |
CN112990677A (zh) * | 2021-03-04 | 2021-06-18 | 青岛海科创新科技有限公司 | 一种基于人工智能的教学系统、计算机设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alturki et al. | Using educational data mining to predict students' academic performance for applying early interventions | |
Kurniawan et al. | Use data warehouse and data mining to predict student academic performance in schools: A case study (perspective application and benefits) | |
Khosravi et al. | Intelligent Learning Analytics Dashboards: Automated Drill-Down Recommendations to Support Teacher Data Exploration. | |
Jiang et al. | Time slice imputation for personalized goal-based recommendation in higher education | |
Tamada et al. | Predicting and reducing dropout in virtual learning using machine learning techniques: A systematic review | |
Kour et al. | Analysis of student performance using Machine learning Algorithms | |
Karkhanis et al. | A study of application of data mining and analytics in education domain | |
Bessadok et al. | Exploring students digital activities and performances through their activities logged in learning management system using educational data mining approach | |
Oreski et al. | CRISP-DM process model in educational setting | |
Rawat et al. | An architecture for recommendation of courses in e-learning system | |
Meghji et al. | Analysis of student performance using EDM methods | |
Mi | Student performance early warning based on data mining | |
la Red Martínez et al. | Contributions from data mining to study academic performance of students of a tertiary institute | |
CN113761030A (zh) | 一种错题统计分析系统 | |
Daniati et al. | Evaluation Framework for Decision Making Based on Sentiment Analysis in Social Media | |
Bin | Cognitive Web Service-Based Learning Analytics in Education Systems Using Big Data Analytics. | |
Danubianu | A data preprocessing framework for students' outcome prediction by data mining techniques | |
Sykamiotis et al. | Extraction and presentation of access and usage data from an e-learning platform (moodle): Design and development of a software application | |
Lenar et al. | Application of learning analytics tools in learning management systems | |
Bresfelean | Data mining applications in higher education and academic intelligence management | |
Bertović et al. | Using Moodle Test Scores to Predict Success in an Online Course | |
Lu et al. | Influence of experiential teaching and itinerary assessment on the improvement of key competencies of students | |
Paguio et al. | Knowledge Management System Approach for Student’s Appeal Domain: A Study | |
Hegde et al. | Personalized formative feedbacks and recommendations based on learning analytics to enhance the learning of Java Programming | |
Yuang et al. | A Review of the Research on the Prediction of Learning Outcomes in the Field of Learning Analytics |
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 |