CN113901309A - Spoc教学模式个性化试题推荐方法、装置、电子设备及介质 - Google Patents
Spoc教学模式个性化试题推荐方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113901309A CN113901309A CN202111109920.3A CN202111109920A CN113901309A CN 113901309 A CN113901309 A CN 113901309A CN 202111109920 A CN202111109920 A CN 202111109920A CN 113901309 A CN113901309 A CN 113901309A
- Authority
- CN
- China
- Prior art keywords
- test question
- answer
- historical
- information
- generating
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000013598 vector Substances 0.000 claims abstract description 112
- 239000011159 matrix material Substances 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000003062 neural network model Methods 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000015654 memory Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001343 mnemonic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Animal Behavior & Ethology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本公开涉及一种SPOC教学模式个性化试题推荐方法、装置、电子设备及计算机可读介质。该方法包括:基于用户的用户标识获取学习计划和答题信息;基于所述学习计划获取知识点矩阵;根据所述答题信息生成试题向量和答题结果向量;将所述试题向量、所述答题结果向量输入知识追踪模型生成试题预测信息,其中,所述知识追踪模型基于深度神经网络模型训练生成;基于所述试题预测信息和所述知识点矩阵生成试题推荐信息。本公开涉及的SPOC教学模式个性化试题推荐方法、装置、电子设备及计算机可读介质,能够快速准确的对用户的答题情况和知识掌握情况进行预测,从而为用户推荐待学习的试题信息,提高用户学习效率、促进用户学习积极性。
Description
技术领域
本公开涉及计算机信息处理领域,具体而言,涉及一种SPOC教学模式个性化试题推荐方法、装置、电子设备及计算机可读介质。
背景技术
随着网络技术的发展,以网络技术为支撑的在线课堂与在线教学平台得到发展。MOOC在线教学平台提供学生更自由的学习环境,但是自由度过大造成的缺陷也十分明显。
由于自由的学习环境,网课平台上每一门课都不具备传统课堂常有的课程预备知识要求以及学习路线,这会导致部分学生无法适应,学习质量明显下降。SPOC在线教学平台不仅保有MOOC线上教学的便捷,还开拓师生交流新方式,在促进教学质量的同时也提高学术的学习乐趣。现今依托着大数据技术,可以构建起以人工智能为基础的在线教育个性化服务系统。不过,依托互联网的在线教育系统,特别是针对高校学生和研究生的教学系统,由于科目数量个、繁多且知识点复杂,其学习内容高度依赖线下一线教学人员设计课程,最终课程架构与学科体系的水平高度依赖于相关人员的教学技术水平,且高校之间的校际课程设计差别造成最终的评价反馈系统有所差异,不利于教育资源共享与联盟办学的推进。并且现存的基于大数据的分析系统或多或少存在预测精度上的问题。
因此,需要一种新的SPOC教学模式个性化试题推荐方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本公开提供一种SPOC教学模式个性化试题推荐方法、装置、电子设备及计算机可读介质,能够快速准确的对用户的答题情况和知识掌握情况进行预测,从而为用户推荐待学习的试题信息,提高用户学习效率、促进用户学习积极性。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一方面,提出一种SPOC教学模式个性化试题推荐方法,该方法包括:基于用户的用户标识获取学习计划和答题信息;基于所述学习计划获取知识点矩阵;根据所述答题信息生成试题向量和答题结果向量;将所述试题向量、所述答题结果向量输入知识追踪模型生成试题预测信息,其中,所述知识追踪模型基于深度神经网络模型训练生成;基于所述试题预测信息和所述知识点矩阵生成试题推荐信息。
在本公开的一种示例性实施例中,还包括:通过多个历史用户的历史学习计划和多个历史答题信息对深度神经网络模型进行训练;在训练过程中,在所述深度神经网络的损失函数满足预设策略时,生成所述知识追踪模型。
在本公开的一种示例性实施例中,通过多个历史用户的历史学习计划和多个历史答题信息对深度神经网络模型进行训练,包括:基于所述历史学习计划获取知识点矩阵;根据所述多个历史答题信息生成多个历史试题向量和其对应的多个历史答题结果向量;通过所述多个历史答题结果生成所述多个历史试题向量的标签;基于带有标签的多个历史试题向量、所述历史知识点矩阵对所述深度神经网络模型进行训练,所述深度神经网络模型中包括待训练的知识点掌握程度参数、效用参数、试题难度参数。
在本公开的一种示例性实施例中,在所述深度神经网络的损失函数满足预设策略时,生成所述知识追踪模型,包括:通过交叉熵、Q系数、变化系数、知识点掌握程度参数生成所述损失函数;其中,Q系数、变化系数用于表示所述知识点矩阵中多个知识点之间的相关性。
在本公开的一种示例性实施例中,通过多个历史用户的历史学习计划和多个历史答题信息对深度神经网络模型进行训练,包括:通过多个历史用户的历史学习计划和多个历史答题信息对带有注意力机制的所述深度神经网络模型进行训练;或通过多个历史用户的历史学习计划和多个历史答题信息对带长短期记忆人工神经网络的所述深度神经网络模型进行训练。
在本公开的一种示例性实施例中,还包括:根据学习计划中的试题和知识点之间的关联关系生成所述知识点矩阵。
在本公开的一种示例性实施例中,根据所述答题信息生成试题向量和答题结果向量,包括:基于所述答题信息中所述用户在历史时间中的答题顺序生成所述试题向量;基于所述试题向量和其对应的答题结果生成所述答题结果向量。
在本公开的一种示例性实施例中,所述试题预测信息包括答题预测值;基于所述试题预测信息和所述知识点矩阵生成试题推荐信息,包括:基于所述学习计划为所述用户推荐第一试题;基于所述知识追踪模型和所述第一试题的答题结果实时生成第二试题的答题预测值;在所述答题预测值大于阈值时,根据所述第三试题生成所述试题推荐信息。
在本公开的一种示例性实施例中,所述试题预测信息包括答题预测向量;基于所述试题预测信息和所述知识点矩阵生成试题推荐信息,包括:基于所述学习计划为所述用户推荐多个试题;获取多个试题的多个答题结果;基于所述知识追踪模型和所述多个试题、多个答题结果生成答题预测向量;基于所述答题预测向量生成所述试题推荐信息。
在本公开的一种示例性实施例中,所述试题预测信息包括知识点掌握程度值;基于所述试题预测信息和所述知识点矩阵生成试题推荐信息,包括:基于所述知识点掌握程度值和所述学习计划生成所述试题推荐信息。
根据本公开的一方面,提出一种SPOC教学模式个性化试题推荐装置,该装置包括:信息模块,用于基于用户的用户标识获取学习计划和答题信息;矩阵模块,用于基于所述学习计划获取知识点矩阵;向量模块,用于根据所述答题信息生成试题向量和答题结果向量;计算模块,用于将所述试题向量、所述答题结果向量输入知识追踪模型生成试题预测信息,其中,所述知识追踪模型基于深度神经网络模型训练生成;推荐模块,用于基于所述试题预测信息和所述知识点矩阵生成试题推荐信息。
在本公开的一种示例性实施例中,还包括:模型训练模块,用于通过多个历史用户的历史学习计划和多个历史答题信息对深度神经网络模型进行训练;在训练过程中,在所述深度神经网络的损失函数满足预设策略时,生成所述知识追踪模型。
根据本公开的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文的方法。
根据本公开的一方面,提出一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上文中的方法。
根据本公开的SPOC教学模式个性化试题推荐方法、装置、电子设备及计算机可读介质,基于用户的用户标识获取学习计划和答题信息;基于所述学习计划获取知识点矩阵;根据所述答题信息生成试题向量和答题结果向量;将所述试题向量、所述答题结果向量输入知识追踪模型生成试题预测信息,其中,所述知识追踪模型基于深度神经网络模型训练生成;基于所述试题预测信息和所述知识点矩阵生成试题推荐信息的方式,能够快速准确的对用户的答题情况和知识掌握情况进行预测,从而为用户推荐待学习的试题信息,提高用户学习效率、促进用户学习积极性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例,本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,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是根据一示例性实施例示出的一种SPOC教学模式个性化试题推荐方法及装置的系统框图。
图2是根据一示例性实施例示出的一种SPOC教学模式个性化试题推荐方法的流程图。
图3是根据另一示例性实施例示出的一种SPOC教学模式个性化试题推荐方法的示意图。
图4是根据另一示例性实施例示出的一种SPOC教学模式个性化试题推荐方法的流程图。
图5是根据另一示例性实施例示出的一种SPOC教学模式个性化试题推荐方法的示意图。
图6是根据一示例性实施例示出的一种SPOC教学模式个性化试题推荐装置的框图。
图7是根据一示例性实施例示出的一种电子设备的框图。
图8是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本公开所必须的,因此不能用于限制本公开的保护范围。
图1是根据一示例性实施例示出的一种SPOC教学模式个性化试题推荐方法及装置的系统框图。
如图1所示,系统架构10可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如学习类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的学习类网站提供支持的后台管理服务器。后台管理服务器可以用户提交的学习计划和答题信息进行分析等处理,并将处理结果(试题推荐信息)反馈给终端设备。
在一个实施例中,终端设备101、102、103中可例如事先存储有知识追踪模型,在用户登陆学习类应用时,终端设备101、102、103可例如基于用户的用户标识获取学习计划和答题信息;终端设备101、102、103可例如基于所述学习计划获取知识点矩阵;终端设备101、102、103可例如根据所述答题信息生成试题向量和答题结果向量;终端设备101、102、103可例如将所述试题向量、所述答题结果向量输入知识追踪模型生成试题预测信息,其中,所述知识追踪模型基于深度神经网络模型训练生成;终端设备101、102、103可例如基于所述试题预测信息和所述知识点矩阵生成试题推荐信息。
在一个实施例中,服务器105中事先存储有知识追踪模型,终端设备101、102、103可例如基于用户的用户标识获取学习计划和答题信息;终端设备101、102、103可例如基于所述学习计划获取知识点矩阵;终端设备101、102、103可例如根据所述答题信息生成试题向量和答题结果向量;终端设备101、102、103可例如将所述试题向量、所述答题结果向量发送到服务器105中的知识追踪模型中以生成试题预测信息,其中,所述知识追踪模型基于深度神经网络模型训练生成;服务器105可例如将所述试题预测信息发送至终端设备101、102、103,终端设备101、102、103可例如基于所述试题预测信息和所述知识点矩阵生成试题推荐信息。
在一个实施例中,服务器105可例如由基终端设备101、102、103中获取用户的学习计划和答题信息;服务器105可例如基于所述学习计划获取知识点矩阵;服务器105可例如根据所述答题信息生成试题向量和答题结果向量;服务器105可例如将所述试题向量、所述答题结果向量输入知识追踪模型生成试题预测信息,其中,所述知识追踪模型基于深度神经网络模型训练生成;服务器105可例如基于所述试题预测信息和所述知识点矩阵生成试题推荐信息。
值得一提的是,本公开中的上述步骤均可部分的或者全部的在服务器105或终端设备101、102、103中执行,本公开不以此为限。
在一个实施例中,服务器105还可例如通过多个历史用户的历史学习计划和多个历史答题信息对深度神经网络模型进行训练;在训练过程中,在所述深度神经网络的损失函数满足预设策略时,生成所述知识追踪模型。
服务器105可以是一个实体的服务器,还可例如为多个服务器组成,服务器105中的一部分可例如用于生成试题推荐信息;服务器105中的一部分还可例如用于对深度神经网络模型进行训练。
需要说明的是,本公开实施例所提供的SPOC教学模式个性化试题推荐方法可以由服务器105和/或终端设备101、102、103执行,相应地,SPOC教学模式个性化试题推荐装置可以设置于服务器105和/或终端设备101、102、103中。而提供给用户进行学习类应用浏览的应用端或者网页端一般位于终端设备101、102、103中。
值得一提的是,本公开中的SPOC教学模式个性化试题推荐方法可应用在SPOC在线教学平台,也可应用在MOOC平台,或者其他平台上,本公开仅以SPOC平台下的个性化试题推荐方法为例进行详细说明。在本公开中,主要对SPOC线上教育系统中的个性化教育模块进行研究,挖掘线上教育用户需求以及应用痛点,构建融合人工智能技术的评价反馈一体化系统,本公开中的SPOC教学模式个性化试题推荐方法还针对过程改进应用人工智能算法,推进SPOC线上平台智能化发展。
图2是根据一示例性实施例示出的一种SPOC教学模式个性化试题推荐方法的流程图。SPOC教学模式个性化试题推荐方法20至少包括步骤S202至S210。
如图2所示,在S202中,基于用户的用户标识获取学习计划和答题信息。不失一般性,本公开中的方法可应用在任意教学类平台上,为了方便起见,如上文所述,本公开下文中仅以用户登陆SPOC在线教学平台上的具体执行步骤进行说明。
在用户登陆SPOC在线教学平台时,用户可在初次注册时,选定待学习的知识内容,进而根据知识内容确定该用户的学习计划。而例如,该用户待学习的内容为初中二年级的数学课程,则在用户首次登陆时,即根据系统中预存的数据为所述用户生成针对初中二年级数学课程的学习计划。也可将初中二年级数学课程拆分为多个章节,针对每个章节分别生成学习计划。
在学习计划中包含多个试题题目,学习计划中的试题题目按照固定顺序排列。每次向用户推送一个试题题目,以供用户作答。在用户答题完毕后,记录用户的答题信息。答题信息中记录了该用户曾经做过的试题的答案为正确或者错误。
在用户退出登录后,记录用户的已完成的学习计划,以便下次用户再次登录时继续上一次的学习进度继续为用户提供试题题目。
在S204中,基于所述学习计划获取知识点矩阵。可例如,根据学习计划中的试题和知识点之间的关联关系生成所述知识点矩阵。
学习计划中包含多个试题题目,这些试题题目可能对应着一个或多个知识点,根据试题和知识点之间的关联关系生成所述知识点矩阵。可例如,假设学习计划中包含N个题目和L个知识点,生成知识点矩阵Q:Q={Qij}N×L,其中,Qij=1表示题目i涉及到了知识点j,Qij=0则表示没有涉及。
在S206中,根据所述答题信息生成试题向量和答题结果向量。可例如,基于所述答题信息中所述用户在历史时间中的答题顺序生成所述试题向量;基于所述试题向量和其对应的答题结果生成所述答题结果向量。
在S208中,将所述试题向量、所述答题结果向量输入知识追踪模型生成试题预测信息,其中,所述知识追踪模型基于深度神经网络模型训练生成。更进一步的,在本申请中,知识追踪模型为构建CRADKT模型(concepts relative attention based knowledgetracing)。
在S210中,基于所述试题预测信息和所述知识点矩阵生成试题推荐信息。
在一个实施例中,所述试题预测信息包括答题预测值;基于所述试题预测信息和所述知识点矩阵生成试题推荐信息,包括:基于所述学习计划为所述用户推荐第一试题;基于所述知识追踪模型和所述第一试题的答题结果实时生成第二试题的答题预测值;在所述答题预测值大于阈值时,根据所述第三试题生成所述试题推荐信息。在本实施例中,可在用户登陆学习期间实时为用户生成试题推荐信息。可例如,在用户刚刚登陆学习类应用时,根据上次答题情况,顺序推送学习计划中下一个试题到用户端,所述答题结果输入知识追踪模型中,计算出用户答对下一道题的可能性。可设置答题预测阈值(可例如为1),在用户答对下一道题的可能性大于阈值时,可认为用户已经完全掌握了下一道题的知识点,为了节约用户的学习时间,可直接跳过下一道题,直接为用户推送其他试题。
在一个实施例中,所述试题预测信息包括答题预测向量;基于所述试题预测信息和所述知识点矩阵生成试题推荐信息,包括:基于所述学习计划为所述用户推荐多个试题;获取多个试题的多个答题结果;基于所述知识追踪模型和所述多个试题、多个答题结果生成答题预测向量;基于所述答题预测向量生成所述试题推荐信息。在本实施例中,可按照学习计划推送本章或者本节课的所有的试题信息到用户端,在用户答题完毕时,生成多个答题结果,将多个试题和其对应的答题结果输入知识追踪模型,生成多个答题预测值,将答题预测值按照答题顺序排列,以生成答题预测向量。答题预测值可反映用户对该试题的掌握情况,根据答题预测向量即可分析出用户在学习中的薄弱环节,进而为用户推送有助于用户掌握试题的复习类题目。
答题预测向量是一个长度与题目数量相等的向量,每一个元素代表着学生正确回答出该问题的概率。假设答题预测向量长度为8,得到的输出可例如为:(0.2,0.3,0.7,0,0.3,0.5,0.8,1);则说明用户正确回答试题8的概率为1,正确回答试题3的概率为0.7,正确回答试题4的概率为0。据此,可着重推荐和试题1,2,4,5相关的试题信息以辅助用户复习。
在一个实施例中,所述试题预测信息包括知识点掌握程度值;基于所述试题预测信息和所述知识点矩阵生成试题推荐信息,包括:基于所述知识点掌握程度值和所述学习计划生成所述试题推荐信息。在试题预测信息中还可直接输入用户对不同知识点的掌握程度,根据知识点的掌握程度即可分析出用户在学习中的薄弱环节,进而为用户推送有助于用户掌握知识点复习类题目。
根据本公开的SPOC教学模式个性化试题推荐方法,基于用户的用户标识获取学习计划和答题信息;基于所述学习计划获取知识点矩阵;根据所述答题信息生成试题向量和答题结果向量;将所述试题向量、所述答题结果向量输入知识追踪模型生成试题预测信息,其中,所述知识追踪模型基于深度神经网络模型训练生成;基于所述试题预测信息和所述知识点矩阵生成试题推荐信息的方式,能够快速准确的对用户的答题情况和知识掌握情况进行预测,从而为用户推荐待学习的试题信息,提高用户学习效率、促进用户学习积极性。
应清楚地理解,本公开描述了如何形成和使用特定示例,但本公开的原理不限于这些示例的任何细节。相反,基于本公开公开的内容的教导,这些原理能够应用于许多其它实施例。
如图3所示,知识追踪模型主要任务是通过学生的以往的作答情况xt=(et,rt),来计算做对下一道题的概率,除此以外,在模型的训练参数中还包括同学对L个知识点的掌握度。其中,(e1,…,et-1,et)为用户答题的试题顺序,(r1,...,rt)为答题情况。
图4是根据另一示例性实施例示出的一种SPOC教学模式个性化试题推荐方法的流程图。图4所示的流程40是对“基于深度神经网络模型训练生成知识追踪模型”的详细描述。
如图4所示,在S402中,基于所述历史学习计划获取知识点矩阵。现有M个学生,N个题目和L个知识点,另外还有通常需要专家人工标注的Q矩阵:Q={Qij}N×L,Qij=1表示题目i涉及到了知识点j,Qij=0则表示没有涉及。知识点关联信息体现在损失函数上,为了方便起见,在后文中,将知识点追踪模型简称为CRADKT模型。
在S404中,根据所述多个历史答题信息生成多个历史试题向量和其对应的多个历史答题结果向量。
在S406中,通过所述多个历史答题结果生成所述多个历史试题向量的标签。除了学生的特征向量x=(x1,x2,…,xt-1)外,还需要输入学生真实的答题情况作为训练标签y=(r2,r3,…,rt)。注意到这里的标签要比答题序列提前一位,原因是模型根据时刻t-1的答题情况去预测时刻t的答题情况,顺而推之,虽可用时刻t的答题情况去预测t+1的答题情况,但获取的数据并没有包含t+1的真实标签,因此标签要比答题序列提前一位,方可一一对应。
将输入学生特征序列以及标签输入模型,在每一时刻都可输出学生正确回答题目的概率向量,取最后的时刻的输出来作为当前学生对题目掌握的状态。同时可以在模型中获取学生对各个知识点的掌握程度Pi,知识点向量比作答概率向量更能体现学生对这门课的掌握度。
在S408中,基于带有标签的多个历史试题向量、所述历史知识点矩阵对所述深度神经网络模型进行训练,所述深度神经网络模型中包括待训练的知识点掌握程度参数、效用参数、试题难度参数。
在一个实施例中,可包括:通过多个历史用户的历史学习计划和多个历史答题信息对带有注意力机制(Attention)的所述深度神经网络模型进行训练;或通过多个历史用户的历史学习计划和多个历史答题信息对带长短期记忆人工神经网络(LSTM)的所述深度神经网络模型进行训练。
知识追踪模型中同时考虑了题目知识点、题目难度、题目效用以及学生对知识点的掌握程度进行建模。
f(x,y)表示x与y的Hadamard积。
Qj表示题目j的知识点向量,可以通过Q矩阵获取:
Qj=ej×Q
其中ej表示题目j的one-hot编码;
Pi表示学生i对知识点的掌握程度,计算公式如下:
Pi=si×I
其中si表示学生i的one-hot编码,I是可训练参数,在模型训练过程中不断优化更新;
Fj表示题目j的难度向量,该向量每个元素为所涉及知识点的难度系数,计算公式如下:
Fj=ej×J
其中J是可训练参数;
Eij=E[i][j]
Eij表示题目j对学生i的效用向量,即这道题可以为学生巩固知识点的程度。
E是可训练参数,初始值为一个零矩阵。一道题里包含每个知识点对于不同的学生,它们的效用是不一样的,一部分学生做了这道题就可以举一反三顺利完成下一道含有相同知识点的题目,一部分同学则需要反复练习才能掌握。因此对每个学生根据每道题的知识点建立效用向量为更加精准的知识追踪提供条件。
在S410中,在所述深度神经网络的损失函数满足预设策略时,生成所述知识追踪模型。可例如,通过交叉熵、Q系数、变化系数、知识点掌握程度参数生成所述损失函数;其中,Q系数、变化系数用于表示所述知识点矩阵中多个知识点之间的相关性。
如图5所示,如果两个问题涉及到相同的知识点,那么一个学生正确回答这两个问题的概率也应该相近。同时,学生每做一道含有多个知识点的题,每个知识点的掌握度的增加量应该相差不大。因此,CRADKT在损失函数上增加两项正则化系数:
Lr1=YT(D-W)Y
Lr2=std(f(Qj,(Pit-Pi,t-1)))
其中Y为网络输出的答对题目的概率向量;邻接矩阵W可以通过Q矩阵来获得,如果题目i与题目j有k个相同的知识点,则Wij=k。D为度矩阵,将W的每行元素相加放到矩阵的对角线上就可以得到矩阵D。
std(·)表示对向量的标准差,Pit表示学生i在t时刻的知识点掌握度向量,Pi,t-1表示学生i在t-1时刻的知识点掌握度向量。
最后模型的损失函数为:
Loss=Lp+β1Lr1+β2Lr2
其中β1与β2控制正则化项的权重,默认设置为1。
在一个应用实施例中,训练模型选择ASSIST(包括assistments2009,assistments2015 and assistments2017)以及Statics 2011数据集,这些数据集是开放的,由辅助在线辅导系统收集,提供学生的反应日志和知识概念。本文选用修正过的版本,该版本删除了重复数据。
首先,在数据集中筛选出order_id(列数据按时间顺序排列)、used_id(学生id)、skill_id(知识点id)、problem_id(题目id)、correct(回答是否正确,1表示正确,0表示错误)的数据。其次,删除带有空的skill_id或problem_id项的数据。
所有模型都是用PyTorch实现的,实验在CPU上进行。所有全连接网络的神经元个数分别为:512,256,123,使用relu作为激活函数;LSTM的hidden size(短时记忆长度)设置为200;Learning rate(学习率)设置为0.002;80%作为训练集,20%作为测试集。
每个实验都包括将本公开的方法与DKT(Deep konwledge traing)模型,DKVMN模型(Dynamic Key-Value Memory Networks for Knowledge Tracing)和SAKT模型(A Self-Attentive model for Knowledge Tracing)进行比较。为了体现本申请中的CRADKT模型(oncepts relative attention based knowledge tracing)的效果,设置了四个不同的参数来衡量CRADKT的性能:(1)使用LSTM代替Attention进行网络;(2)仅使用L2进行正则化;(3)仅使用L1进行正则化;(4)同时使用L1和L2进行正则化。可以将本公开的实验视为一个分类,将问题的答案结果定义为0和1,其中0是错误答案,这是一个否定样本,而1是正确答案,是阳性样本。报告分类评估指标:ROC曲线下的面积(AUC)以评估模型的性能。
实验结果如下表所示。可以看出,与DKT,DKVMN和SAKT相比,CRADKT在使用的四个数据集上具有更好的性能。其中,CRDKT表示将LSTM替换为Attention作为网络,CRADKT(L2)表示仅使用正则化L2,CRADKT(L1)表示仅使用正则化L1,CRADKT表示对网络使用Attention,L1和L2均用于正则化。注意,与CRADKT相比,CRDKT在每个数据集上的损失很小,并且正则化L1或L2的添加大大提高了CRADKT在每个数据集上的性能。最后,通过L1和L2,CRADKT可以实现比其他模型更好的性能。
本公开的SPOC教学模式个性化试题推荐方法,基于现有技术中同类模型没有考虑学生多维特征以及训练耗时长、无法为后续推荐做准备的缺点,来寻求改进方向。引入知识点、题目难度、题目效用等多元信息,进一步提升知识追踪模型的性能,同时也提高了模型的可解释性,为下一步学生的个性化推荐以及教师教学反馈提供可信度高的数据支撑。
本公开的SPOC教学模式个性化试题推荐方法,利用一种新的方法整合题目难度与效用,以及知识点一起构建学生特征。模型最后不仅可以输出下一次学生正确回答各项题目的概率,还可以通过训练获得学生对每个知识点的掌握程度等信息,为后续个性化推荐做准备。
将本公开的模型训练方式,在ASSISTments与Statics 2011数据集上进行实验,相比于DKT、SAKT等算法,CRADKT模型的追踪效果有了一定的提升。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图6是根据一示例性实施例示出的一种SPOC教学模式个性化试题推荐装置的框图。如图6所示,SPOC教学模式个性化试题推荐装置60包括:信息模块602,矩阵模块604,向量模块606,计算模块608,推荐模块610,SPOC教学模式个性化试题推荐装置60还可包括:模型训练模块612。
信息模块602用于基于用户的用户标识获取学习计划和答题信息;
矩阵模块604用于基于所述学习计划获取知识点矩阵;
向量模块606用于根据所述答题信息生成试题向量和答题结果向量;
计算模块608用于将所述试题向量、所述答题结果向量输入知识追踪模型生成试题预测信息,其中,所述知识追踪模型基于深度神经网络模型训练生成;
推荐模块610用于基于所述试题预测信息和所述知识点矩阵生成试题推荐信息。
模型训练模块612用于通过多个历史用户的历史学习计划和多个历史答题信息对深度神经网络模型进行训练;在训练过程中,在所述深度神经网络的损失函数满足预设策略时,生成所述知识追踪模型。
根据本公开的SPOC教学模式个性化试题推荐装置,基于用户的用户标识获取学习计划和答题信息;基于所述学习计划获取知识点矩阵;根据所述答题信息生成试题向量和答题结果向量;将所述试题向量、所述答题结果向量输入知识追踪模型生成试题预测信息,其中,所述知识追踪模型基于深度神经网络模型训练生成;基于所述试题预测信息和所述知识点矩阵生成试题推荐信息的方式,能够快速准确的对用户的答题情况和知识掌握情况进行预测,从而为用户推荐待学习的试题信息,提高用户学习效率、促进用户学习积极性。
图7是根据一示例性实施例示出的一种电子设备的框图。
下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于:至少一个处理单元710、至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元710执行,使得所述处理单元710执行本说明书中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元710可以执行如图2,图4中所示的步骤。
所述存储单元720可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202,还可以进一步包括只读存储单元(ROM)7203。
所述存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204,这样的程序模块7205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备700’(例如键盘、指向设备、蓝牙设备等)通信,使得用户能与该电子设备700交互的设备通信,和/或该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且,电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器760可以通过总线730与电子设备700的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,如图8所示,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言-诸如Java、C++等,还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:基于用户的用户标识获取学习计划和答题信息;基于所述学习计划获取知识点矩阵;根据所述答题信息生成试题向量和答题结果向量;将所述试题向量、所述答题结果向量输入知识追踪模型生成试题预测信息,其中,所述知识追踪模型基于深度神经网络模型训练生成;基于所述试题预测信息和所述知识点矩阵生成试题推荐信息。该计算机可读介质还可实现如下功能:通过多个历史用户的历史学习计划和多个历史答题信息对深度神经网络模型进行训练;在训练过程中,在所述深度神经网络的损失函数满足预设策略时,生成所述知识追踪模型。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是,本公开不限于这里描述的详细结构、设置方式或实现方法;相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (14)
1.一种SPOC教学模式个性化试题推荐方法,其特征在于,包括:
基于用户的用户标识获取学习计划和答题信息;
基于所述学习计划获取知识点矩阵;
根据所述答题信息生成试题向量和答题结果向量;
将所述试题向量、所述答题结果向量输入知识追踪模型生成试题预测信息,其中,所述知识追踪模型基于深度神经网络模型训练生成;
基于所述试题预测信息和所述知识点矩阵生成试题推荐信息。
2.如权利要求1所述的方法,其特征在于,还包括:
通过多个历史用户的历史学习计划和多个历史答题信息对深度神经网络模型进行训练;
在训练过程中,在所述深度神经网络的损失函数满足预设策略时,生成所述知识追踪模型。
3.如权利要求2所述的方法,其特征在于,通过多个历史用户的历史学习计划和多个历史答题信息对深度神经网络模型进行训练,包括:
基于所述历史学习计划获取知识点矩阵;
根据所述多个历史答题信息生成多个历史试题向量和其对应的多个历史答题结果向量;
通过所述多个历史答题结果生成所述多个历史试题向量的标签;
基于带有标签的多个历史试题向量、所述历史知识点矩阵对所述深度神经网络模型进行训练,所述深度神经网络模型中包括待训练的知识点掌握程度参数、效用参数、试题难度参数。
4.如权利要求2所述的方法,其特征在于,在所述深度神经网络的损失函数满足预设策略时,生成所述知识追踪模型,包括:
通过交叉熵、Q系数、变化系数、知识点掌握程度参数生成所述损失函数;
其中,Q系数、变化系数用于表示所述知识点矩阵中多个知识点之间的相关性。
5.如权利要求2所述的方法,其特征在于,通过多个历史用户的历史学习计划和多个历史答题信息对深度神经网络模型进行训练,包括:
通过多个历史用户的历史学习计划和多个历史答题信息对带有注意力机制的所述深度神经网络模型进行训练;或
通过多个历史用户的历史学习计划和多个历史答题信息对带长短期记忆人工神经网络的所述深度神经网络模型进行训练。
6.如权利要求1所述的方法,其特征在于,还包括:
根据学习计划中的试题和知识点之间的关联关系生成所述知识点矩阵。
7.如权利要求1所述的方法,其特征在于,根据所述答题信息生成试题向量和答题结果向量,包括:
基于所述答题信息中所述用户在历史时间中的答题顺序生成所述试题向量;
基于所述试题向量和其对应的答题结果生成所述答题结果向量。
8.如权利要求1所述的方法,其特征在于,所述试题预测信息包括答题预测值;
基于所述试题预测信息和所述知识点矩阵生成试题推荐信息,包括:
基于所述学习计划为所述用户推荐第一试题;
基于所述知识追踪模型和所述第一试题的答题结果实时生成第二试题的答题预测值;
在所述答题预测值大于阈值时,根据所述第三试题生成所述试题推荐信息。
9.如权利要求1所述的方法,其特征在于,所述试题预测信息包括答题预测向量;
基于所述试题预测信息和所述知识点矩阵生成试题推荐信息,包括:
基于所述学习计划为所述用户推荐多个试题;
获取多个试题的多个答题结果;
基于所述知识追踪模型和所述多个试题、多个答题结果生成答题预测向量;
基于所述答题预测向量生成所述试题推荐信息。
10.如权利要求1所述的方法,其特征在于,所述试题预测信息包括知识点掌握程度值;
基于所述试题预测信息和所述知识点矩阵生成试题推荐信息,包括:
基于所述知识点掌握程度值和所述学习计划生成所述试题推荐信息。
11.一种SPOC教学模式个性化试题推荐装置,其特征在于,包括:
信息模块,用于基于用户的用户标识获取学习计划和答题信息;
矩阵模块,用于基于所述学习计划获取知识点矩阵;
向量模块,用于根据所述答题信息生成试题向量和答题结果向量;
计算模块,用于将所述试题向量、所述答题结果向量输入知识追踪模型生成试题预测信息,其中,所述知识追踪模型基于深度神经网络模型训练生成;
推荐模块,用于基于所述试题预测信息和所述知识点矩阵生成试题推荐信息。
12.如权利要求11所述的装置,其特征在于,还包括:
模型训练模块,用于通过多个历史用户的历史学习计划和多个历史答题信息对深度神经网络模型进行训练;在训练过程中,在所述深度神经网络的损失函数满足预设策略时,生成所述知识追踪模型。
13.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-10中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-10中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111109920.3A CN113901309A (zh) | 2021-09-22 | 2021-09-22 | Spoc教学模式个性化试题推荐方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111109920.3A CN113901309A (zh) | 2021-09-22 | 2021-09-22 | Spoc教学模式个性化试题推荐方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113901309A true CN113901309A (zh) | 2022-01-07 |
Family
ID=79028778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111109920.3A Pending CN113901309A (zh) | 2021-09-22 | 2021-09-22 | Spoc教学模式个性化试题推荐方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113901309A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114691856A (zh) * | 2022-04-20 | 2022-07-01 | 平安科技(深圳)有限公司 | 题目推荐方法、装置、设备及介质 |
-
2021
- 2021-09-22 CN CN202111109920.3A patent/CN113901309A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114691856A (zh) * | 2022-04-20 | 2022-07-01 | 平安科技(深圳)有限公司 | 题目推荐方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Asselman et al. | Enhancing the prediction of student performance based on the machine learning XGBoost algorithm | |
Rosé et al. | Explanatory learner models: Why machine learning (alone) is not the answer | |
Chen et al. | Recommendation system for adaptive learning | |
CN110264091B (zh) | 学生认知诊断方法 | |
De La Torre | DINA model and parameter estimation: A didactic | |
Chen et al. | User acceptance of mobile knowledge management learning system: Design and analysis | |
Lu et al. | Towards interpretable deep learning models for knowledge tracing | |
Culbertson | Bayesian networks in educational assessment: The state of the field | |
CN112116092B (zh) | 可解释性知识水平追踪方法、系统和存储介质 | |
Cribben et al. | The benefits and limitations of ChatGPT in business education and research: A focus on management science, operations management and data analytics | |
Hwang et al. | Diagnosing student learning problems based on historical assessment records | |
Çelikbilek et al. | Prioritizing the components of e-learning systems by using fuzzy DEMATEL and ANP | |
CN112115246A (zh) | 基于对话的内容推荐方法、装置、计算机设备及存储介质 | |
Thille et al. | Incorporating learning analytics in the classroom | |
Gutiérrez et al. | Using the Belbin method and models for predicting the academic performance of engineering students | |
Xiao et al. | Using IBM SPSS modeler to improve undergraduate mathematical modelling competence | |
Peng et al. | Examining ICT attitudes, use and support in blended learning settings for students’ reading performance: Approaches of artificial intelligence and multilevel model | |
CN113590762B (zh) | 试题信息的推荐方法、装置、电子设备及计算机可读介质 | |
Pistilli et al. | Guiding early and often: Using curricular and learning analytics to shape teaching, learning, and student success in gateway courses | |
CN113901309A (zh) | Spoc教学模式个性化试题推荐方法、装置、电子设备及介质 | |
Xie | Effectiveness of Computer‐Aided Technology for Teaching English Courses in the Internet Era | |
CN112231373B (zh) | 知识点数据的处理方法、装置、设备和计算机可读介质 | |
Zhang | Virtual Reality-assisted User Interface with Hypertext system for Innovative and Entrepreneurship Education | |
Pu et al. | Embedding cognitive framework with self-attention for interpretable knowledge tracing | |
Katz et al. | Using Generative Text Models to Create Qualitative Codebooks for Student Evaluations of Teaching |
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 |