CN114117252A - 一种学生智能专属题库推荐方法及系统 - Google Patents

一种学生智能专属题库推荐方法及系统 Download PDF

Info

Publication number
CN114117252A
CN114117252A CN202111395559.5A CN202111395559A CN114117252A CN 114117252 A CN114117252 A CN 114117252A CN 202111395559 A CN202111395559 A CN 202111395559A CN 114117252 A CN114117252 A CN 114117252A
Authority
CN
China
Prior art keywords
target
wrong
question
questions
students
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
CN202111395559.5A
Other languages
English (en)
Inventor
贾俊海
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.)
Beijing Aohuan Technology Co ltd
Original Assignee
Neusoft Yunhui Beijing Technology Co ltd
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 Neusoft Yunhui Beijing Technology Co ltd filed Critical Neusoft Yunhui Beijing Technology Co ltd
Priority to CN202111395559.5A priority Critical patent/CN114117252A/zh
Publication of CN114117252A publication Critical patent/CN114117252A/zh
Pending legal-status Critical Current

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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06F16/906—Clustering; Classification
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G09B7/04—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 characterised by modifying the teaching programme in response to a wrong answer, e.g. repeating the question, supplying a further explanation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种学生智能专属题库推荐方法及系统。本方法首先根据目标学生注册的基本信息形成目标学生画像，并获取目标学生的错题；建立智能推荐模型，并将目标学生画像与智能推荐模型相关联；其中，智能推荐模型包括根据目标学生的错题采用协同过滤算法计算相似度，结合聚类算法基于题目知识点对错题做类别归类得到目标知识库；根据目标学生画像与目标知识库生成推荐题库；针对于目标学生在推荐题库中的错题，形成错题集。可以看出，本发明可以根据不同学生的实际情况，更加精准帮助学生强化薄弱知识点，举一反三进行练习，从而快速提高学习成绩。

Description

一种学生智能专属题库推荐方法及系统
技术领域
本发明涉及在线教学领域，特别涉及一种学生智能专属题库推荐方法及系统。
背景技术
随着计算机的不断普及和信息技术的快速发展，知识获取的方式发生了根本性的变化，基于网络的教育方式已逐渐被大家了解和接受。在线学习试题推荐系统、在线考试系统等作为一种教育辅助平台，以其海量的试题资源、方便实用的学习方法赢得了大量学生和教师用户。但是，这些平台往往以系统自身为中心，并没有考虑到用户的实际情况，造成了推荐的试题与用户能力不符，交互性差，学习效率低等问题。
发明内容
基于此，本申请实施例提供了一种学生智能专属题库推荐方法及系统，能够根据不同学生的实际情况，更加精准帮助学生强化薄弱知识点，举一反三进行练习，从而快速提高学习成绩。
第一方面，提供了一种学生智能专属题库推荐方法，该方法包括：
根据目标学生注册的基本信息形成目标学生画像，并获取所述目标学生的错题；
建立智能推荐模型，并将所述目标学生画像与所述智能推荐模型相关联；所述智能推荐模型包括根据所述目标学生的错题采用协同过滤算法计算相似度，结合聚类算法基于题目知识点对错题做类别归类得到目标知识库；
根据所述目标学生画像与所述目标知识库生成推荐题库；
针对于目标学生在所述推荐题库中的错题，形成错题集。
可选地，针对于目标学生在所述推荐题库中的错题，形成错题集之后，所述方法还包括：
目标学生可以从所述错题集中查看自己所有错题记录，可以选择作答错误的题目重新作答，作答正确的题目从错题集中自动删除；再次作答错误的题目仍然保留在所述错题集中。
可选地，所述根据所述目标学生画像与所述目标知识库生成推荐题库，包括：
设置难度系数占比，并依据所述难度系数占比根据所述目标学生画像与所述目标知识库生成推荐题库。
可选地，所述根据所述目标学生画像与所述目标知识库生成推荐题库，包括：
根据目标学生注册的年级、教版,以及学科等形成目标学生画像，在所述目标知识库中推荐给所述目标学生对应年级、教版以及学科下的题目。
可选地，所述协同过滤算法包括：杰卡德相似系数,夹角余弦,欧式距离或曼哈顿距离。
可选地，所述聚类算法K-means算法，BIRCH聚类算法或DBSCAN密度聚类算法。
可选地，获取所述目标学生的错题包括：
通过所述目标学生画像生成初始试题，所述目标学生基于所述初始试题形成的错题；
或，所述目标学生在历史错题集中的错题。
第二方面，提供了一种学生智能专属题库推荐系统，该系统包括：
获取模块，用于根据目标学生注册的基本信息形成目标学生画像，并获取所述目标学生的错题；
模型建立模块，用于建立智能推荐模型，并将所述目标学生画像与所述智能推荐模型相关联；所述智能推荐模型包括根据所述目标学生的错题采用协同过滤算法计算相似度，结合聚类算法基于题目知识点对错题做类别归类得到目标知识库；
生成模块，用于根据所述目标学生画像与所述目标知识库生成推荐题库；
错题集模块，用于针对于目标学生在所述推荐题库中的错题，形成错题集。
所述错题集模块还用于：使目标学生可以从所述错题集中查看自己所有错题记录，可以选择作答错误的题目重新作答，作答正确的题目从错题集中自动删除；再次作答错误的题目仍然保留在所述错题集中。
本申请实施例提供的技术方案带来的有益效果至少包括：
本申请实施例提供的技术方案中首先根据目标学生注册的基本信息形成目标学生画像，并获取目标学生的错题；建立智能推荐模型，并将目标学生画像与智能推荐模型相关联；其中，智能推荐模型包括根据目标学生的错题采用协同过滤算法计算相似度，结合聚类算法基于题目知识点对错题做类别归类得到目标知识库；根据目标学生画像与目标知识库生成推荐题库；针对于目标学生在推荐题库中的错题，形成错题集。可以看出，本发明的有益效果在于可以根据不同学生的实际情况，更加精准帮助学生强化薄弱知识点，举一反三进行练习，从而快速提高学习成绩。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本申请实施例提供的一种学生智能专属题库推荐流程图；
图2为本申请实施例提供的一种学生智能专属题库系统示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请是一种根据登录学生信息(年级、课本教版、错题知识点、所在地区)，建立智能模型，系统通过模型分析后，按照智能推荐算法，生成一套符合学生题目的方法，包括：获取学生信息，建立智能模型；通过智能推荐算法，生成一套题目集，反馈给学生做题；学生做题的过程中，作答错误的题目会自动加入该学生的错题集中；本发明可以根据不同学生的实际情况，更加精准帮助学生强化薄弱知识点，举一反三进行练习，从而快速提高学习成绩。
具体地，请参考图1，其示出了本申请实施例提供的一种学生智能专属题库推荐方法的流程图，该方法可以包括以下步骤：
步骤101，根据目标学生注册的基本信息形成目标学生画像，并获取目标学生的错题。
其中，目标学生指的是待获得题库推荐的学生。
在本申请实施例中，首先根据目标学生注册的基本信息形成目标学生画像，例如获取学生注册时的基本信息(年级,教版,学科)等。
通过学生注册时的基本信息(年级,教版,学科)等,推荐给学生对应年级、学科下的题目,学生A注册时填写一年级，语文，人教版信息；系统会给学生推荐一年级，语文，人教版下面的题目；
并且获取目标学生的错题，具体地，可以获得目标学生以往的错题或者是根据通过学生注册时的基本信息推荐给学生对应年级、学科下的题目生成试题中所产生的试题，如果用户有做错的题目，会根据用户做错的题目的知识点，将同类型的试题关联推荐给用户。
在本申请一个可选的实施例中，题型主要分为选择题，判断题，填空题，连线题，阅读理解题，完形填空题共六种题型，每道题目都有难度系数，分为简单，中等，复杂三种，后台预设置的规则为：难度系数占比，比如简单占30％，中等占50％，复杂占20％；那么系统会根据出的题目占比进行出题。
步骤102，建立智能推荐模型，并将目标学生画像与智能推荐模型相关联。
其中，智能推荐模型包括根据目标学生的错题采用协同过滤算法计算相似度，结合聚类算法基于题目知识点对错题做类别归类得到目标知识库。
在本申请实施例中，智能推荐模型首先采用了协同过滤算法，主要通过杰卡德相似系数、夹角余弦、欧式距离、曼哈顿距离来计算相似度，同时结合聚类算法对题目做类别归类，基于题目知识点进行聚类，将知识点按照一定距离度量分成不同的目标知识库，将知识库中相似的题目推荐给目标用户，用到的聚类算法有K-means算法，BIRCH聚类算法，DBSCAN密度聚类算法；再通过学生的信息(年级，课本教版，知识点，地区，学科)建立基础用户画像，将用户画像及推荐算法模型结合。
步骤103，根据目标学生画像与目标知识库生成推荐题库。
在本申请实施例中，根据用户的基本信息，建立用户画像，用户画像主要包含以下信息：年级，版本，学科，地区等；同时根据用户做错的错题知识点，比如一年级的小明在语文学科-人教版下做错一道古诗填空题，这个时候算法模型就会根据算法将古诗填空类型的知识点进行聚类，同时通过DBSCAN密度算法，BIRCH聚类算法将知识点下相似题目(难易程度，相同作者，易错题目，易错知识点等等)进行归类，再通过杰卡德相似系数、夹角余弦、欧式距离或曼哈顿距离来计算相似度，通过算法模型计算后，会将满足算法模型的题目输出为题目集展示给一年级小明。
步骤104，针对于目标学生在推荐题库中的错题，形成错题集。
在本申请实施例中，学生答题的过程中，作答错误的题目系统会自动加入该学生的错题集中，所有题目作答完成后可以查看作答结果及每一题的解析，可以让学生理解彻底。
在步骤104之后，可选地还包括有：
步骤105，目标学生可以从所述错题集中查看自己所有错题记录，可以选择作答错误的题目重新作答，作答正确的题目从错题集中自动删除；再次作答错误的题目仍然保留在所述错题集中。
请参考图2，其示出了本申请实施例提供的一种学生智能专属题库推荐系统200的框图。如图2所示，该系统可以包括：获取模块201，模型建立模块202，生成模块203以及错题集模块204。
获取模块201，用于根据目标学生注册的基本信息形成目标学生画像，并获取目标学生的错题；
模型建立模块202，用于建立智能推荐模型，并将目标学生画像与智能推荐模型相关联；智能推荐模型包括根据目标学生的错题采用协同过滤算法计算相似度，结合聚类算法基于题目知识点对错题做类别归类得到目标知识库；
生成模块203，用于根据目标学生画像与目标知识库生成推荐题库；
错题集模块204，用于针对于目标学生在推荐题库中的错题，形成错题集。
错题集模块还用于：使目标学生可以从错题集中查看自己所有错题记录，可以选择作答错误的题目重新作答，作答正确的题目从错题集中自动删除；再次作答错误的题目仍然保留在错题集中。
本申请实施例提供的学生智能专属题库推荐系统用于实现上述学生智能专属题库推荐方法，关于学生智能专属题库推荐系统的具体限定可以参见上文中对于学生智能专属题库推荐方法的限定，在此不再赘述。上述学生智能专属题库推荐系统中的各个部分可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于设备中的处理器中，也可以以软件形式存储于设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
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 (9)

1.一种学生智能专属题库推荐方法，其特征在于，所述方法包括：
根据目标学生注册的基本信息形成目标学生画像，并获取所述目标学生的错题；
建立智能推荐模型，并将所述目标学生画像与所述智能推荐模型相关联；所述智能推荐模型包括根据所述目标学生的错题采用协同过滤算法计算相似度，结合聚类算法基于题目知识点对错题做类别归类得到目标知识库；
根据所述目标学生画像与所述目标知识库生成推荐题库；
针对于目标学生在所述推荐题库中的错题，形成错题集。
2.根据权利要求1所述的方法，其特征在于，针对于目标学生在所述推荐题库中的错题，形成错题集之后，所述方法还包括：
目标学生可以从所述错题集中查看自己所有错题记录，可以选择作答错误的题目重新作答，作答正确的题目从错题集中自动删除；再次作答错误的题目仍然保留在所述错题集中。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标学生画像与所述目标知识库生成推荐题库，包括：
设置难度系数占比，并依据所述难度系数占比根据所述目标学生画像与所述目标知识库生成推荐题库。
4.根据权利要求3所述的方法，其特征在于，所述根据所述目标学生画像与所述目标知识库生成推荐题库，包括：
根据目标学生注册的年级、教版,以及学科等形成目标学生画像，在所述目标知识库中推荐给所述目标学生对应年级、教版以及学科下的题目。
5.根据权利要求1所述的方法，其特征在于，所述协同过滤算法包括：杰卡德相似系数,夹角余弦,欧式距离或曼哈顿距离。
6.根据权利要求1所述的方法，其特征在于，所述聚类算法K-means算法，BIRCH聚类算法或DBSCAN密度聚类算法。
7.根据权利要求1所述的方法，其特征在于，获取所述目标学生的错题包括：
通过所述目标学生画像生成初始试题，所述目标学生基于所述初始试题形成的错题；
或，所述目标学生在历史错题集中的错题。
8.一种学生智能专属题库推荐系统，其特征在于，所述系统包括：
获取模块，用于根据目标学生注册的基本信息形成目标学生画像，并获取所述目标学生的错题；
模型建立模块，用于建立智能推荐模型，并将所述目标学生画像与所述智能推荐模型相关联；所述智能推荐模型包括根据所述目标学生的错题采用协同过滤算法计算相似度，结合聚类算法基于题目知识点对错题做类别归类得到目标知识库；
生成模块，用于根据所述目标学生画像与所述目标知识库生成推荐题库；
错题集模块，用于针对于目标学生在所述推荐题库中的错题，形成错题集。
9.根据权利要求8所述的方法，其特征在于，所述错题集模块还用于：
使目标学生可以从所述错题集中查看自己所有错题记录，可以选择作答错误的题目重新作答，作答正确的题目从错题集中自动删除；再次作答错误的题目仍然保留在所述错题集中。
CN202111395559.5A 2021-11-23 2021-11-23 一种学生智能专属题库推荐方法及系统 Pending CN114117252A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111395559.5A CN114117252A (zh) 2021-11-23 2021-11-23 一种学生智能专属题库推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111395559.5A CN114117252A (zh) 2021-11-23 2021-11-23 一种学生智能专属题库推荐方法及系统

Publications (1)

Publication Number Publication Date
CN114117252A true CN114117252A (zh) 2022-03-01

Family

ID=80439975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111395559.5A Pending CN114117252A (zh) 2021-11-23 2021-11-23 一种学生智能专属题库推荐方法及系统

Country Status (1)

Country Link
CN (1) CN114117252A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147254A (zh) * 2022-09-05 2022-10-04 小白智能科技（长春）股份有限公司 一种用于主动引导辅导孩子学习的机器人及其控制方法
CN116110263A (zh) * 2023-03-02 2023-05-12 广东天波教育科技有限公司 基于电子学生证的答题方法、系统、电子设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147254A (zh) * 2022-09-05 2022-10-04 小白智能科技（长春）股份有限公司 一种用于主动引导辅导孩子学习的机器人及其控制方法
CN116110263A (zh) * 2023-03-02 2023-05-12 广东天波教育科技有限公司 基于电子学生证的答题方法、系统、电子设备及存储介质
CN116110263B (zh) * 2023-03-02 2024-01-26 广东天波教育科技有限公司 基于电子学生证的答题方法、系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN109903617B (zh) 个性化练习方法和系统
CN110807962B (zh) 一种智能组卷考试系统
Guzmán et al. Improving student performance using self-assessment tests
CN114117252A (zh) 一种学生智能专属题库推荐方法及系统
WO2022170985A1 (zh) 选题方法、装置、计算机设备和存储介质
Perera et al. The impact of a mathematics computer-assisted learning platform on students’ mathematics test scores
CN111831831A (zh) 一种基于知识图谱的个性化学习平台及其构建方法
Miller et al. A Comparison of Educational Statistics and Data Mining Approaches to Identify Characteristics That Impact Online Learning.
WO2007010626A1 (en) Phonetic pronunciation training device, phonetic pronunciation training method and phonetic pronunciation training program
Nuankaew et al. Students model in different learning styles of academic achievement at the university of Phayao, Thailand
Shepherd Learn to teach, teach to learn: A within-pupil across-subject approach to estimating the impact of teacher subject knowledge on South African grade 6 performance
CN110866209A (zh) 在线教育数据推送方法、系统和计算机设备
CN108831229B (zh) 一种中文自动分级方法
CN111966902A (zh) 一种学习课时的推荐控制方法及电子设备
CN108073603B (zh) 作业分发方法及装置
CN114885216A (zh) 习题推送方法、系统、电子设备和存储介质
Kulaglić et al. Influence of learning styles on improving efficiency of adaptive educational hypermedia systems
CN113506481A (zh) 一种基于云计算和大数据的计算机教学系统
CN111625631A (zh) 一种选择题选项生成方法
JP2010243662A (ja) リメディアル教育支援システム、リメディアル教育支援方法、およびメディアル教育支援プログラム
CN110991943A (zh) 一种基于云计算的教学质量评价系统
CN111739366A (zh) 基于自洽性体系的自适应考前冲刺在线学习方法及系统
CN116153152A (zh) 一种用于在线课程学习的云教学平台及方法
CN114240705A (zh) 一种题库信息处理方法
CN111311134B (zh) 一种智慧教育云平台

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
TA01 Transfer of patent application right

Effective date of registration: 20220804

Address after: 3rd Floor, East Building, Building 13, Xiuyuan, Dachengli, Fengtai District, Beijing 100141 (Lugouqiao Enterprise Concentrated Office Area)

Applicant after: Beijing aohuan Technology Co.,Ltd.

Address before: 102627 1806, unit 1, floor 15, building 2, courtyard 4, Paradise Road, Daxing District, Beijing

Applicant before: Neusoft Yunhui (Beijing) Technology Co.,Ltd.

TA01 Transfer of patent application right