CN113888757A - 基于对标评价的考卷智能分析方法、系统及存储介质 - Google Patents

基于对标评价的考卷智能分析方法、系统及存储介质 Download PDF

Info

Publication number
CN113888757A
CN113888757A CN202111137001.7A CN202111137001A CN113888757A CN 113888757 A CN113888757 A CN 113888757A CN 202111137001 A CN202111137001 A CN 202111137001A CN 113888757 A CN113888757 A CN 113888757A
Authority
CN
China
Prior art keywords
examination paper
question
knowledge point
examination
score
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
Application number
CN202111137001.7A
Other languages
English (en)
Inventor
兰晓红
马燕
潘菊
陈富烊
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.)
Chongqing Normal University
Original Assignee
Chongqing Normal 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 Chongqing Normal University filed Critical Chongqing Normal University
Priority to CN202111137001.7A priority Critical patent/CN113888757A/zh
Publication of CN113888757A publication Critical patent/CN113888757A/zh
Priority to US17/806,140 priority patent/US20230101354A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
    • 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
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • 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
    • G06F16/248—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • 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
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/413—Classification of content, e.g. text, photographs or tables
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于对标评价的考卷智能分析方法、系统及存储介质，包括以下步骤：通过分析学科课标，为其建立课标知识点库；采用图像采集设备输入学生考卷，调用OCR图文识别算法进行考卷识别，构建考卷数学模型并与课标知识点库进行比对分析，生成个性化考卷学情诊断报告。本发明能够客观评价出考生对学科知识的掌握水平，从而能够为考生制订个性化弹性学习计划提供数据支撑。

Description

基于对标评价的考卷智能分析方法、系统及存储介质
技术领域
本发明属于考卷题目及作答评估技术领域，具体涉及一种基于对标评价的考卷智能分析方法、系统及存储介质。
背景技术
目前，对于考卷分析应用较多的是学科教师，他们往往关注的是某次考试的全班考分分布，典型做法是：统计每个考生的考分及每题得分，绘制全班分数分布图，用以评价教学效果。这种分析对于考生个体来说意义不大，考生更多关注的是：从这次考试中可以看出自己当前确切的知识掌握情况，从而把更多时间分配给掌握欠缺的知识予以学习。
因此，有必要开发一种新的基于对标评价的考卷智能分析方法、系统及存储介质。
发明内容
本发明的目的是提供一种基于对标评价的考卷智能分析方法、系统及存储介质，能提供可视化的考卷学情诊断报告，为考生个性化作业任务设计提供数据依据。
第一方面，本发明所述的一种基于对标评价的考卷智能分析方法，包括以下步骤：
(1)学科课标知识点库构建：
将每门学科构建了一个课标知识点库，并以Excel文件保存，该课标知识点库中包含本学科大纲要求的所有知识点关键词，以及对于知识点常用的考核描述语关键词；
(2)考卷分析：
(21)考卷数字化：
将考卷以图片格式输入，对考卷图片进行识别得到考卷识别结果文件，对识别结果文件进行预处理，过滤掉无用数据，将过滤后的数据保存为一个.txt文件，即得到考卷文本文件；遍历考卷文本文件，将其分割为若干题目，包括题干、题分和得分，将题目与学科课标知识点库比对，识别每道题目考核的知识点，得到该考卷信息，包括每题知识点、每题分数设置和每题得分；
(22)考卷模型构建：
利用一个二维矩阵将每题知识点、每题分数设置和每题得分数据化，生成本考卷的题目-知识点得分矩阵；该题目-知识点得分矩阵包含了本份考卷设置的题目、每道题目涉及的大纲知识点、每道题目的分数设置以及每道题目考生得分，得到本考卷的题目-知识点得分矩阵模型；
(23)模型计算
通过对题目-知识点得分矩阵模型的计算和分析，并绘制出该考卷的学情报告图表。
可选地，所述考卷数字化具体包括：
(211)考卷的输入及识别
获取考卷图片，对考卷图片进行识别，识别后得到考卷文本文件,
(212)题目分割
提取本考卷学科的课标知识点库，形成本考卷的课程知识点向量A＝{a1,a2,a3,…,an},其中，ai代表第i个知识点，是一个字符串；遍历考卷文本文件，分割出考卷中的每道题目ti，提取该题分数si，以及考生该题得分pi，将每道题目ti与课程知识点向量A进行比对，判断该题目所考核的知识点ki，遍历完成之后，得到本考卷的题目向量T＝{t1,t2,t3，…,tm}、各题分数设置向量S＝{s1,s2,s3,…,sx}、考生各题得分向量P＝{p1,p2,p3,…,py}，以及各题所考核的知识点向量K＝{k1,k2,k3,…,kn}。
可选地，所述考卷模型构建，具体为：
以获得的向量T、K、S、P构建一个题目-知识点得分矩阵，所述题目-知识点得分矩阵为一个n×m的矩阵G＝[gkitj]n×m，其中，gkitj为考生第tj道题相对于第ki个知识点的得分比，即gkitj＝pj/sj。
可选地，所述学情报告图表为柱状图，或为曲线图，或为饼图，或为表格。
第二方面，本发明所述的一种基于对标评价的考卷智能分析系统，包括存储器和控制器，所述存储器内存储有计算机可读程序，所述计算机可读程序被控制器调用时能执行如本发明所述的基于对标评价的考卷智能分析方法的步骤。
第三方面，本发明所述的一种存储介质，其内存储有计算机可读程序，所述计算机可读程序被调用时能执行如本发明所述的基于对标评价的考卷智能分析方法的步骤。
本发明具有以下优点：针对每份考卷，依据学科课标建立课标知识点库，采用OCR图文识别算法识别学生考卷，建立考卷数学模型，通过考卷数学模型的对标计算分析，输出可视化的考卷学情诊断报告，为考生个性化作业任务设计提供数据依据。
附图说明
图1为本实施例的流程图；
图2为本实施例中考卷识别的示意图；
图3为本实施例中题目分割及数据提取的示意图；
图4为本实施例中学情报告图表缺省格式柱状图的示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
本实施例中，一种基于对标评价的考卷智能分析方法，包括以下步骤：
(1)学科课标知识点库构建：
将每门学科构建了一个课标知识点库，并以Excel文件保存，该课标知识点库中包含本学科大纲要求的所有知识点关键词，以及对于知识点常用的考核描述语关键词；
(2)考卷分析：
(21)考卷数字化：
将考卷以图片格式输入，对考卷图片进行识别得到考卷识别结果文件，对识别结果文件进行预处理，过滤掉无用数据，将过滤后的数据保存为一个.txt文件，即得到考卷文本文件；遍历考卷文本文件，将其分割为若干题目，包括题干、题分和得分，将题目与学科课标知识点库比对，识别每道题目考核的知识点，得到该考卷信息，包括每题知识点、每题分数设置和每题得分；
(22)考卷模型构建：
利用一个二维矩阵将每题知识点、每题分数设置和每题得分数据化，生成本考卷的题目-知识点得分矩阵；该题目-知识点得分矩阵包含了本份考卷设置的题目、每道题目涉及的大纲知识点、每道题目的分数设置以及每道题目考生得分，得到本考卷的题目-知识点得分矩阵模型；
(23)模型计算
通过对题目-知识点得分矩阵模型的计算和分析，并绘制出该考卷的学情报告图表。
以下对本实施例中的各部分进行详细的说明：
1.学科课标知识点库构建
为了能够很好地对标评价每次考试，本实施例中以新课标为依据，为参与评价的每门学科构建了一个课标知识点库(以Excel文件保存)，该课标知识点库中包含本学科大纲要求的所有知识点关键词，以及对于这个知识点常用的考核描述语关键词(可以是一个短语或句子)。课标知识点库建立以后，可以进行增删改，从而不断丰富完善该课标知识点库。课标知识点库是本系统对于考卷评价的主要依据指标，所以构建科学完整的课标知识点库是本系统的基础和前提。只有建立了课标知识点库的学科考卷，本系统才能进行分析。
2.考卷分析
考卷分析主要功能就是将每份具体考卷与相应学科课标知识点库比对，识别考卷各题考核知识点及考生得分情况，建立考卷数学模型，并进行模型计算，生成考卷学情报告图表。从图1可以看出，考卷分析主要包括考卷数字化、考卷模型构建及模型计算三个阶段。
2.1考卷数字化
将考卷以图片格式输入，本实施例中，通过调用百度AI提供的OCR图文识别接口，对考卷图片进行识别得到考卷识别结果文件(一个.txt文件)，对识别结果文件进行预处理，过滤掉明显无用数据(比如，试卷描述、边线等)，将过滤后的数据保存为一个.txt文件，即考卷文本文件。遍历考卷文本文件，将其分割为若干题目(包括题干、题分、得分)，将题目与学科课标知识点库比对，识别每道题目考核的知识点。由此，便得到了该考卷信息：每题知识点、每题分数设置、每题得分，从而实现考卷数字化。
2.2考卷模型构建
通过考卷数字化，已经提取出来考卷关键信息：每道题目考核知识点、分数设置以及得分等。由此，用一个二维矩阵将这些信息数据化，生成本考卷的题目-知识点得分矩阵。该题目-知识点得分矩阵包含了本份考卷设置的题目、每道题目涉及的大纲知识点、每道题目的分数设置以及每道题目考生得分等信息，是本考卷关键信息的数据化表达，从而为本考卷构建了一个有效的数学模型。
2.3模型计算
通过对题目-知识点得分矩阵模型不同维度的计算和分析，可以对本考卷进行不同角度的评估。例如，可以分析试卷设置题目与课标的达成度、分析考核知识点的覆盖度等。对于本实施例中，通过考卷分析，为考生提供一份客观的学情报告图表，以指导其明确自身各知识点的掌握状况，从而引导其后期学习方向。所以，本实施例中的计算重点在于怎样通过模型的计算分析绘制出直观的学情报告图表。
3.结合实例对本实施例进行详细的说明：
3.1考卷数字化
3.1.1考卷的输入及识别
首先，将纸质考卷输入系统，本实施例中通过拍照或扫描考卷，将考卷以图片格式(.png)输入。能否正确识别考卷图片内容直接关系考卷分析的可用度，由于考卷图片的主要内容为文本、表格、手写字等，本实施例中通过调用百度提供的OCR图文识别接口对考卷图片进行识别，识别后得到考卷文本文件，如图2所示。
3.1.2题目分割
为了对标学科大纲，提取本考卷学科的课标知识点库，形成本考卷的课程知识点向量A＝{a1,a2,a3,…,an}，其中，ai代表第i个知识点，是一个字符串。遍历考卷文本文件，分割出考卷中的每道题目ti，提取该题分数si，以及考生该题得分pi，将每道题目ti与课程知识点向量A进行比对，判断该题目所考核的知识点ki，遍历完成之后，得到本考卷的题目向量T＝{t1,t2,t3，…,tm}、各题分数设置向量S＝{s1,s2,s3,…,sx}、考生各题得分向量P＝{p1,p2,p3,…,py}，以及各题所考核的知识点向量K＝{k1,k2,k3,…,kn}，从而将整个考卷关键信息数字化，如图3所示。
3.2考卷数学模型构建
为了便于后期学情分析，本实施例中利用已经获得的T、K、S、P向量构建一个题目-知识点得分矩阵，该矩阵集中反映了考卷知识点及考生各知识点的得分比，可以作为考卷的数学模型加以分析。
假设本考卷有n个核心知识点K＝{k1,k2,k3,…,kn}，分布在m道题目中T＝{t1,t2,t3，…,tm}，本考卷的题目-知识点得分矩阵就是一个n×m的矩阵G＝[gkitj]n×m，其中，gkitj即为考生第tj道题相对于第ki个知识点的得分比，即gkitj＝pj/sj。例如，gt3k3＝1/3表示本考卷的t3题有3分是考核知识点k3的(s3＝3)，而考生只答对了1分(p3＝1)。通过这个矩阵可以建立考生知识点掌握概率模型，从而为考生绘制精准的学情报告图表。
Figure BDA0003282400230000061
3.3考卷学情分析
可以看出，题目-知识点得分矩阵包含了以下关键信息：本考卷所考核的知识点、本考卷包含的题目、每个题目所考核的知识点、考生对于每道题的相关知识点的掌握情况。本实施例中采用学情报告图表的默认格式(即柱状图)，通过柱状图来直观地表达考卷信息。如图4所示，柱状图是一个二维图表，柱状图的横轴是本考卷的所有知识点，柱状图的纵轴为考生对知识点的掌握程度，同时用不同颜色的柱状来表示知识掌握程度(绿色：很好；黄色：一般；红色：较差)，对于红色知识点则是考生应该重点学习的内容。
本实施例中，学情报告图表还可以采用曲线图，或饼图，或表格等。
一份考卷经过分析得到了其定制的学情报告图表，该图表能够清晰表达考生相关知识点的掌握状况，为考生后期学习定制方向，有效引导学生查漏补缺，实现减压增效。
本实施例中，所述基于对标评价的考卷智能分析方法具有三个明显特色：一是深度挖掘考卷内容，严格以课标为参照进行评价分析；二是灵活应用AI识别算法，提升考卷分析的智能水平；三是可视化学情诊断报告，提供个性化作业数据支撑。将该系统应用于小学五年级数学考卷和语文考卷分析，应用结果表明：构建的学科课标知识点库是否精准和考卷内容设计是否规范是影响分析效果的两个主要因素。在系统使用过程中，用户可以不断更新学科课标知识点库文件让所使用的课标知识点库更精准匹配于课标要求，从而不断调整学科课标知识点库这一影响因素。本系统分析的准确率可达到90％以上，表明本实施例中提出的考卷模型构建和计算方法是有效可行的。本实施例中提出的基于对标评价的考卷智能分析方法为常规考卷分析仅限分数统计而缺乏考卷内容分析提供了一种解决路线。

Claims (6)

1.一种基于对标评价的考卷智能分析方法，其特征在于，包括以下步骤：
(1)学科课标知识点库构建：
将每门学科构建了一个课标知识点库，并以Excel文件保存，该课标知识点库中包含本学科大纲要求的所有知识点关键词，以及对于知识点常用的考核描述语关键词；
(2)考卷分析：
(21)考卷数字化：
将考卷以图片格式输入，对考卷图片进行识别得到考卷识别结果文件，对识别结果文件进行预处理，过滤掉无用数据，将过滤后的数据保存为一个.txt文件，即得到考卷文本文件；遍历考卷文本文件，将其分割为若干题目，包括题干、题分和得分，将题目与学科课标知识点库比对，识别每道题目考核的知识点，得到该考卷信息，包括每题知识点、每题分数设置和每题得分；
(22)考卷模型构建：
利用一个二维矩阵将每题知识点、每题分数设置和每题得分数据化，生成本考卷的题目-知识点得分矩阵；该题目-知识点得分矩阵包含了本份考卷设置的题目、每道题目涉及的大纲知识点、每道题目的分数设置以及每道题目考生得分，得到本考卷的题目-知识点得分矩阵模型；
(23)模型计算：
通过对题目-知识点得分矩阵模型的计算和分析，并绘制出该考卷的学情报告图表。
2.根据权利要求1所述的基于对标评价的考卷智能分析方法，其特征在于：所述考卷数字化具体包括：
(211)考卷的输入及识别
获取考卷图片，对考卷图片进行识别，识别后得到考卷文本文件。
(212)题目分割
提取本考卷学科的课标知识点库，形成本考卷的课程知识点向量A＝{a1,a2,a3,…,an},其中，ai代表第i个知识点，是一个字符串；遍历考卷文本文件，分割出考卷中的每道题目ti，提取该题分数si，以及考生该题得分pi，将每道题目ti与课程知识点向量A进行比对，判断该题目所考核的知识点ki，遍历完成之后，得到本考卷的题目向量T＝{t1,t2,t3，…,tm}、各题分数设置向量S＝{s1,s2,s3,…,sx}、考生各题得分向量P＝{p1,p2,p3,…,py}，以及各题所考核的知识点向量K＝{k1,k2,k3,…,kn}。
3.根据权利要求2所述的基于对标评价的考卷智能分析方法，其特征在于：所述考卷模型构建，具体为：
以获得的向量T、K、S、P构建一个题目-知识点得分矩阵，所述题目-知识点得分矩阵为一个n×m的矩阵G＝[gkitj]n×m，其中，gkitj为考生第tj道题相对于第ki个知识点的得分比，即gkitj＝pj/sj。
4.根据权利要求1至3任一所述的基于对标评价的考卷智能分析方法，其特征在于：所述学情报告图表为柱状图，或为曲线图，或为饼图，或为表格。
5.一种基于对标评价的考卷智能分析系统，其特征在于：包括存储器和控制器，所述存储器内存储有计算机可读程序，所述计算机可读程序被控制器调用时能执行如权利要求1至4任一所述的基于对标评价的考卷智能分析方法的步骤。
6.一种存储介质，其特征在于：其内存储有计算机可读程序，所述计算机可读程序被调用时能执行如权利要求1至4任一所述的基于对标评价的考卷智能分析方法的步骤。
CN202111137001.7A 2021-09-27 2021-09-27 基于对标评价的考卷智能分析方法、系统及存储介质 Pending CN113888757A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111137001.7A CN113888757A (zh) 2021-09-27 2021-09-27 基于对标评价的考卷智能分析方法、系统及存储介质
US17/806,140 US20230101354A1 (en) 2021-09-27 2022-06-09 Method, system, and storage medium for intelligent analysis of student's actual learning based on exam paper

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111137001.7A CN113888757A (zh) 2021-09-27 2021-09-27 基于对标评价的考卷智能分析方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN113888757A true CN113888757A (zh) 2022-01-04

Family

ID=79007104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111137001.7A Pending CN113888757A (zh) 2021-09-27 2021-09-27 基于对标评价的考卷智能分析方法、系统及存储介质

Country Status (2)

Country Link
US (1) US20230101354A1 (zh)
CN (1) CN113888757A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023212278A1 (en) * 2022-04-28 2023-11-02 R.P. Scherer Technologies, Llc Data analysis and reporting systems and methods

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117131104B (zh) * 2023-08-28 2024-02-27 河北望岳信息科技有限公司 智能抽题组卷方法、装置、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023212278A1 (en) * 2022-04-28 2023-11-02 R.P. Scherer Technologies, Llc Data analysis and reporting systems and methods

Also Published As

Publication number Publication date
US20230101354A1 (en) 2023-03-30

Similar Documents

Publication Publication Date Title
CN110348400B (zh) 一种评分获取方法、装置及电子设备
CN111144191B (zh) 字体识别方法、装置、电子设备及存储介质
CN110322379A (zh) 试卷处理方法和试卷处理系统
CN112184500A (zh) 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
WO2022170985A1 (zh) 选题方法、装置、计算机设备和存储介质
CN112069970B (zh) 课堂教学事件分析方法及装置
CN105427696A (zh) 一种对目标题目所作答案进行判别的方法
US20230101354A1 (en) Method, system, and storage medium for intelligent analysis of student's actual learning based on exam paper
CN115239527A (zh) 基于知识库的教学特征融合与建模的教学行为分析系统
JP2020016871A (ja) 情報処理装置及びプログラム
CN113343972A (zh) 一种阅卷方法、装置、电子设备及存储介质
CN111597305B (zh) 实体标记方法、装置、计算机设备和存储介质
CN105224920A (zh) 一种将线下转入线上的学习测试诊断系统
CN111611854B (zh) 一种基于模式识别的课堂情况评价方法
CN115630860A (zh) 教学质量评测方法、装置、设备及存储介质
CN115050039A (zh) 自动化试卷分析方法、系统、电子设备、存储介质
JP6416425B1 (ja) 問題分析システム、方法、およびプログラム
CN116825288A (zh) 孤独症康复课程记录方法、装置、电子设备及存储介质
CN115544226A (zh) 一种基于多模态情感分析的相似识别方法
CN115689340A (zh) 一种基于彩色动态人脸特征的课堂质量监控系统
CN114444500A (zh) 基于表达式链表树匹配程度的数学主观题评分方法及系统
CN112164262A (zh) 一种智能阅卷辅导系统
JP7247481B2 (ja) 情報処理装置及びプログラム
JP2020012948A (ja) 情報処理装置及びプログラム
JP2005331615A (ja) 文章評価装置および文章評価方法

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