CN114357297A - 学生画像构建及学习资源分发方法、计算机设备及存储介质 - Google Patents
学生画像构建及学习资源分发方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114357297A CN114357297A CN202111666390.2A CN202111666390A CN114357297A CN 114357297 A CN114357297 A CN 114357297A CN 202111666390 A CN202111666390 A CN 202111666390A CN 114357297 A CN114357297 A CN 114357297A
- Authority
- CN
- China
- Prior art keywords
- student
- answering
- target
- students
- knowledge
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请涉及计算机技术领域,并公开了一种学生画像构建及学习资源分发方法、计算机设备及存储介质,所述方法包括:通过获取目标学生的历史作答数据和预设知识库中的各目标域知识;将所述历史作答数据和所述各目标域知识,输入预训练的学生特征预测模型进行分析,得到所述目标学生对各目标域知识的掌握度和所述掌握度的变化率;根据所述目标学生对各目标域知识的掌握度和所述掌握度的变化率,构建所述目标学生的画像。旨在基于学生的历史作答数据和各目标域知识构建学生画像,实现根据学生画像有针对性地对学生进行学习资源分发。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种学生画像构建及学习资源分发方法、计算机设备及存储介质。
背景技术
随着计算机技术的不断发展,线上学习已成为学生的主要学习手段。而每个学生对不同知识点的掌握程度可能存在明显的差异。因此,针对不同学生有针对性地分发学习资源是非常有必要的,但是如何准确地掌握不同学生的学习状况,进而实现有针对性地分发学习资源存在一定的难度。导致现有技术中仍然无法有针对性地对学生进行学习资源的分发。
发明内容
本申请提供了一种学生画像构建方法、基于学生画像的学习资源分发方法、计算机设备及存储介质,旨在基于学生的历史作答数据和各目标域知识构建学生画像,实现根据学生画像有针对性地对学生进行学习资源分发。
第一方面,本申请提供了一种学生画像构建方法,所述方法包括:
获取目标学生的历史作答数据和预设知识库中的各目标域知识;
根据所述历史作答数据生成所述目标学生的作答时序数据;
将所述历史作答数据、所述各目标域知识和所述作答时序数据,输入预训练的学生特征预测模型进行分析,得到所述目标学生对各目标域知识的掌握度和所述掌握度的变化率;
根据所述目标学生对各目标域知识的掌握度和所述掌握度的变化率,构建所述目标学生的画像。
第二方面,本申请提供了一种基于学生画像的学习资源分发方法,所述方法包括:
根据目标学生的画像,确定所述目标学生掌握目标域知识所需的目标学习资源;
获取所述目标学习资源;
将所述目标学习资源分发至所述目标学生对应的终端;
其中,所述目标学生的画像为根据上述实施例提供的所述学生画像构建方法构建得到的。
第三方面,本申请还提供了一种计算机设备,包括:
存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时,实现如上第一方面所述的学生画像构建方法的步骤,或者实现如上第二方面所述的基于学生画像的学习资源分发方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,使所述处理器实现如上第一方面所述的学生画像构建方法的步骤,或者使所述处理器实现如上第二方面所述的基于学生画像的学习资源分发方法的步骤。
本申请公开了一种学生画像构建及学习资源分发方法、计算机设备及存储介质,首先,通过获取目标学生的历史作答数据和预设知识库中的各目标域知识;然后,根据所述历史作答数据生成所述目标学生的作答时序数据,并将所述历史作答数据、所述各目标域知识和所述作答时序数据,输入预训练的学生特征预测模型进行分析,得到所述目标学生对各目标域知识的掌握度和所述掌握度的变化率;再根据所述目标学生对各目标域知识的掌握度和所述掌握度的变化率,构建所述目标学生的画像;其中,所述预训练的学生特征预测模型的训练样本包括预设数量学生的历史作答数据、所述预设数量学生对各目标域知识的学习状态相似度和目标域知识。旨在基于学生的历史作答数据和各目标域知识构建学生画像,实现根据学生画像有针对性地对学生进行学习资源分发。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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的附图。
图1是本申请一实施例提供的学生画像构建方法的示意流程图;
图2是本申请实施例提供的对学生特征预测模型进行训练的实现流程示意图;
图3是本申请实施例提供的构建目标学生的画像的原理示意图;
图4是本申请一实施例提供的基于学生画像的学习资源分发方法的实现流程示意图;
图5是本申请实施例提供的计算机设备的结构示意性框图。
具体实施方式
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。基于本申请中的实施例,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,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,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、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本申请的实施例提供了一种学生画像构建方法、基于学生画像的学习资源分发方法、计算机设备及存储介质。本申请实施例提供的学生画像构建方法可用于基于学生的历史作答数据和各目标域知识构建学生画像,实现根据学生画像有针对性地对学生进行学习资源分发。
例如,本申请的实施例提供的学生画像构建方法,可应用于终端或者服务器,首先,通过获取目标学生的历史作答数据和预设知识库中的各目标域知识;然后,根据所述历史作答数据生成所述目标学生的作答时序数据,并将所述历史作答数据、所述各目标域知识和所述作答时序数据,输入预训练的学生特征预测模型进行分析,得到所述目标学生对各目标域知识的掌握度和所述掌握度的变化率;再根据所述目标学生对各目标域知识的掌握度和所述掌握度的变化率,构建所述目标学生的画像;其中,所述预训练的学生特征预测模型的训练样本包括预设数量学生的历史作答数据、所述预设数量学生对各目标域知识的学习状态相似度和目标域知识。旨在基于学生的历史作答数据和各目标域知识构建学生画像,实现根据学生画像有针对性地对学生进行学习资源分发。
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,下述的实施例及实施例中的特征可以相互组合。
请参阅图1,图1是本申请一实施例提供的学生画像构建方法的示意流程图。该学生画像构建方法可以由终端或者服务器实现,所述终端可以是手持终端、个人台式电脑、笔记本电脑、可穿戴智能设备或者机器人等;所述服务器可以是单个服务器或者服务器集群,所述单个服务器和所述服务器集群可以是云端服务器或者本地服务器。
如图1所示,本实施例提供的学生画像构建方法,具体包括:步骤S101至步骤S103。详述如下:
S101、获取目标学生的历史作答数据和预设知识库中的各目标域知识。
其中,目标学生指的是待构建学生画像的学生,该待构建学生画像的学生为需要进行线上学习的多个学生中的任意一个。所述历史作答数据包括该目标学生在过去预设时间段内在各预设的线上学习平台进行在线作答的试题信息和对应的得分信息。所述预设知识库为用于存储各目标域知识的数据库,所述目标域知识包括目标知识点、目标知识专题、目标学习模块等可供学生在线学习的目标学习领域的知识。通过获取目标学生在各目标学习领域的至少,来预测目标学生在对应学习领域的现状和未来的学习趋势,进而能够精确构建目标学生的画像。
S102、根据所述历史作答数据生成所述目标学生的作答时序数据,将所述历史作答数据、所述各目标域知识和所述作答时序数据,输入预训练的学生特征预测模型进行分析,得到所述目标学生对各目标域知识的掌握度和所述掌握度的变化率。
其中,所述预训练的学生特征预测模型的训练样本包括预设数量学生的历史作答数据、所述预设数量学生对各目标域知识的学习状态相似度和目标域知识。所述作答时序数据包括:将给定时间内的作答试题信息、作答试题对应的得分信息和作答试题的时间信息按试题作答时间点进行排序得到的时序数据。
具体地,在本申请的实施例中,在将所述历史作答数据、所述各目标域知识和所述作答时序数据,输入预训练的学生特征预测模型进行分析之前,还包括:对所述学生特征预测模型进行训练的步骤。应理解,对所述学生特征预测模型进行训练的步骤可以与所述获取目标学生的历史作答数据和预设知识库中的各目标域知识的步骤并列执行。也就是说,对所述学生特征预测模型进行训练的步骤可以在所述获取目标学生的历史作答数据和预设知识库中的各目标域知识的步骤之前执行,也可以在获取目标学生的历史作答数据和预设知识库中的各目标域知识的步骤之后执行。
示例性地,如图2所示,图2是本申请实施例提供的对学生特征预测模型进行训练的实现流程示意图。应理解,对所述学生特征预测模型进行训练的步骤也可以由终端或者服务器实现。所述终端可以是手持终端、个人台式电脑、笔记本电脑、可穿戴智能设备或者机器人等;所述服务器可以是单个服务器或者服务器集群,所述单个服务器和所述服务器集群可以是云端服务器或者本地服务器。具体地,当所述终端的运算能力有限时,所述对所述学生特征预测模型进行训练的步骤可以由服务器实现。
由图2可知,对所述学生特征预测模型进行训练的步骤包括:S201至S203。
详述如下:
S201、获取所述预设数量学生的历史作答数据,根据所述历史作答数据确定各个学生的作答时间,生成各个学生的作答时序数据。
示例性地,分别获取所述预设数量学生在预设的历史时间段内,在各预设的线上学习平台包括但不限于作业平台、考试平台、网课练习平台等。应理解,预设数量学生中的各学生在预设历史时长内在各预设的线上学习平台上进行的所有有效作答试题的作答试题信息和对应的得分信息均为所述预设数量学生的历史作答数据。其中,将有效作答试题的作答试题信息和对应的得分信息按试题作答时间进行排序,得到各个学生的作答时序数据。
应理解,各个学生的作答时序数据与目标学生的作答时序数据所包括的内容相同,且确定的过程也相同。
其中,针对任意一个学生,其对应的作答时序数据可以表示为:Xi={x1i,x2i,...,xti,...xTi}={(e1,a1,s1),(e2,a2,s2),...,(et,at,st),...,(eT,aT,sT)};
其中,Xi为第i个学生历史作答数据,e表示该学生的作答试题信息,a表示该学生的作答试题对应的得分信息,s表示该学生作答试题的辅助信息,T为该学生在给定时间内作答试题的总数。具体地,作答试题信息包括但不限于:知识点,试题难度,试题类型,试题来源等;作答试题对应的得分信息包括但不限于:得分率、平均得分、最高得分或者最低得分等;作答试题的辅助信息包括作答时间信息,所述作答时间信息包括但不限于:作答时长、平均作答时间、最长作答时间或者最短作答时间等。
S202、基于所述作答时序数据,确定各个学生对各目标域知识的学习状态相似度。
其中,所述作答时序数据包括:将给定时间内的作答试题信息、作答试题对应的得分信息和作答试题的时间信息按试题作答时间点进行排序得到的时序数据。应理解,在得到了预设数量学生的作答时序数据之后,可以根据各学生的作答时序数据确定各学生间的关系。具体地,所述学生间的关系包括:在给定目标域知识时,学生与学生在该目标域知识上学习状态的相似度。基于学生与学生在对应目标域知识上学习状态的相似度,可以进一步预测目标学生对目标域知识的掌握程度以及在未来一段时间的学习趋势。
示例性地,以目标域知识为数学知识点为例,假设已知任意一个学生在预设历史时间段内学习过该数学知识点,需要评估该学生对该数学知识点的掌握程度。最简单的方法是直接选择该学生在预设历史时间段内对该数学知识点的作答时序数据,根据所述作答时序数据计算平均得分率,即可以以平均得分率作为该学生对该数学知识点的掌握度。具体地,根据所述作答时序数据计算平均得分率的公式如下:
其中,Gik表示该学生i在数学知识点k上的掌握度,rt表示t时刻的得分率,et表示t时刻的作答试题信息,f(et,k)为标志函数,当et包含k时为1,否则为0。
优选地,在预测该学生对目标域知识的掌握度时,还可以考虑最近的作答更符合学生的掌握水平,以提高预测的准确性。具体地,可以对近期的加大权重,即对应的掌握度计算公式可以表示如下:
该掌握度计算公式通过时间衰减系数αt可以对最近的作答时序数据进行分析,以得到相对较准确的该学生对目标域知识的掌握度。其中,时间衰减系数可以根据对应学科(本实施例中为数学)的学习遗忘曲线得到。
需要说明的是,以上两种方法虽然在理论上可行,但是在实际应用场景中,学生对各知识点的掌握度并不仅受得分率和作答试题信息限制,这是由于学生的作答得分率并不仅仅受到知识点的影响,比如会受到粗心或者身体不适等的影响,因此,上述简单通过计算平均得分率的方式来预测学生对知识点掌握度的方法,不够精确并很难追踪学生对知识点掌握状况的动态变化。
因此,本方案提出了利用群体信息来平滑其他因素导致的对学生掌握度预测不准确问题。具体地,本方案首先在预设数量的学生群体中寻找与目标学生在目标域知识上的历史作答数据比较相似的学生,然后利用学生群体中与目标学生相似的学生在该目标域知识的答题信息,预测目标学生的掌握程度。
在一些实施例中,所述基于所述作答时序数据,确定各个学生对各目标域知识的学习状态相似度,包括:根据各个学生的所述作答时序数据,分别确定各个学生对各目标域知识对应试题的作答试题相似度、作答试题对应的得分率相似度和作答时长相似度;根据所述作答试题相似度、所述试题对应的得分信息相似度和所述作答时间相似度,确定各个学生对各目标域知识的学习状态相似度。
其中,根据所述作答试题相似度、所述试题对应的得分信息相似度和所述作答时间相似度,确定各个学生对各目标域知识的学习状态相似度,包括:针对任意两个学生,分别计算所述任意两个学生在预设的历史时长内对各目标域知识的作答试题相似度之和、所述试题对应的得分信息相似度之和,以及所述作答时间相似度之和,得到所述任意两个学生对各目标域知识的学习状态相似度。
其中,可以通过任意两个学生对各目标域知识的学习状态相似度的计算公式计算得到。具体地,任意两个学生对各目标域知识的学习状态相似度的计算公式表示为:
其中,sim(ui,uj)表示学生ui和学生uj的相似度,sim(eti,etj)表示作答试题相似度,sim(rti,rtj)表示作答试题对应的得分信息相似度,sim(ti,tj)表示作答时间相似度。
通过上述任意两个学生对各目标域知识的学习状态相似度的计算公式可知,本申请实施例中,两个学生相似的充分必要条件是,在相同的作答时间点上,对相似的作答试题,以相似的作答时间,得到相似的得分信息。
其中,所述根据各个学生的所述作答时序数据,分别确定各个学生对各目标域知识对应试题的作答试题相似度、作答试题对应的得分信息相似度和作答时间相似度,包括:将各个学生在各作答时间点上的作答试题信息,输入预训练的自监督深度学习模型进行分析,得到各个学生在各作答时间点上的作答试题相似度;分别计算各个学生在各作答时间点上对各目标域知识的作答试题对应的得分差值,根据所述得分差值得到各个学生的得分信息相似度;分别计算各个学生在各作答时间点对各目标域知识对应试题的作答时长,根据所述作答时长得到各个学生的作答时间相似度。
其中,所述分别计算各个学生在各作答时间点上对各目标域知识的答题得分的差值,根据所述答题得分的差值得到各个学生在各作答时间点上的得分信息相似度,包括:确定各个学生在各作答时间点上对各目标域知识的答题得分;针对任意作答时间点,分别计算任意两个学生在该作答时间点上对各目标域知识对应试题的答题得分之间的第一差值,根据所述第一差值得到所述任意两个学生在该作答时间上的得分信息相似度。
其中,所述分别计算各个学生在各作答时间点对各目标域知识对应试题的作答时长,根据所述作答时长得到各个学生的作答时间相似度,包括:分别将各个学生在各作答时间点对各目标域知识对应试题的作答时长进行归一化处理,得到各个学生的作答时间值;分别计算各个学生的作答时间差值,得到各个学生的作答时间相似度。
应理解,在本申请实施例中,作答试题相似度是一个比较抽象的概念,基本要素包括但不限于:试题考察的形式、试题考察的方式、试题考察的知识点、试题场景和试题难度等。定义两个作答试题的相似度是非常困难的事情,因此,本申请实施例提出了利用深度学习的自监督训练模型对试题进行建模,得到作答试题的预设抽象表示,来计算试题间的预设抽象表示之间的相似度,能够比较准确且高效地得到作答试题相似度。
而得分信息相似度,可以简单的定义为各学生对两个试题的得分率的相似度。作答时间相似度,可以通过将作答历史的时间进行归一化,计算两个时间点的相近程度。应理解,为了进一步精确时间相近程度,可以考虑引入时间衰减和作答时长等因素。具体在此不做限定。
S203、将所述预设数量学生的历史作答数据、各个学生对各目标域知识的学习状态相似度和目标域知识,输入预设的深度学习模型进行训练,得到所述学生特征预测模型。
其中,所述将所述预设数量的学生的历史作答数据、各个学生对各目标域知识的学习状态相似度和目标域知识,输入预设的端到端深度学习模型进行训练,得到所述学生特征预测模型,包括:基于所述预设数量的学生的历史作答数据和各个学生对各目标域知识的学习状态相似度对预设的端到端深度学习模型进行监督训练,当所述预设的深度学习模型的损失函数的值,小于预设的损失函数阈值,则确定对所述深度学习模型的训练结束,得到所述学生特征预测模型。
应理解,在确定了各学生在各目标域知识的学习状态相似度之后,可以根据预设相似度阈值寻找与目标学生对各目标域知识的学习状态最相似的一批学生。利用这批学生在某一个目标域知识的表现,通过统计的方法可以估计该目标学生对目标域知识的掌握度和未来变化趋势。但是,基于统计的结果本质上受限于学生作答数据本身的稀疏和缺失。无法准确预测学生对目标域知识目前的掌握程度和未来可能的变化趋势。因此,本申请实施例通过深度学习方法对学生学习特征进行建模,得到学生特征预测模型,进而基于所述学生特征预测模型准确预测目标学生对各目标域知识的掌握度和所述掌握度的变化率。其中,所述掌握度指的是目前的掌握程度,掌握度的变化率可以用于预测未来可能的变化趋势。
S103、根据所述目标学生对各目标域知识的掌握度和所述掌握度的变化率,构建所述目标学生的画像。
示例性地,所述根据所述目标学生对各目标域知识的掌握度和所述掌握度的变化率,构建所述目标学生的画像,包括:根据所述目标学生对各目标域知识的掌握度和所述掌握度的变化率,得到所述目标学生对各目标域知识的掌握能力评估结果,以所述掌握能力评估结果为所述目标学生的画像。
示例性地,如图3所示,图3是本申请实施例提供的构建目标学生的画像的原理示意图。由图3可知,本申请实施例通过学生特征预测模型根据目标学生历史作答数据和给定的目标域,预测目标学生在目标域上的学习现状和未来趋势。具体地,学习现状由掌握度体现,未来趋势由掌握度的变化率体现。其中,学生特征预测模型依赖于预设数量学生的历史作答数据、预设数量学生对各目标域知识的学习状态相似度和目标域知识作为监督信号,相比于单纯端到端的深度模型,可以抛弃寻找相似用户平滑结果的复杂步骤,直接根据学生自身的历史作答数据进行准确评估,并根据学生特征寻找相似学生,能够较准确地估计学生对目标域知识下的现状和未来的发展趋势。
应理解,学生画像的应用范围很广泛,例如,可以基于学生画像进行个性化分发试题,可以估计每个学生对目标域知识的掌握现状和未来的表现。进一步,根据掌握现状和未来可能的掌握趋势,来分发合适的练习试题,以实现将学生引导至更好的方向。
通过上述分析可知,本申请实施例提供的学生画像构建方法,首先,通过获取目标学生的历史作答数据和预设知识库中的各目标域知识;然后,将所述历史作答数据和所述各目标域知识,输入预训练的学生特征预测模型进行分析,得到所述目标学生对各目标域知识的掌握度和所述掌握度的变化率;再根据所述目标学生对各目标域知识的掌握度和所述掌握度的变化率,构建所述目标学生的画像;其中,所述预训练的学生特征预测模型的训练样本包括预设数量学生的历史作答数据、所述预设数量学生对各目标域知识的学习状态相似度和目标域知识。旨在基于学生的历史作答数据和各目标域知识构建学生画像,实现根据学生画像有针对性地对学生进行学习资源分发。
请参阅图4所示,图4是本申请一实施例提供的基于学生画像的学习资源分发方法的实现流程示意图。
该基于学生画像的学习资源分发方法可以由终端或者服务器实现,所述终端可以是手持终端、笔记本电脑、可穿戴设备或者机器人等;所述服务器可以是单个服务器或者服务器集群,所述单个服务器和所述服务器集群可以是云端服务器或者本地服务器。
如图4所示,本实施例提供的基于学生画像的学习资源分发方法,具体包括:步骤S401至步骤S403。详述如下:
S401、根据目标学生的画像,确定所述目标学生掌握目标域知识所需的目标学习资源。
S402、获取所述目标学习资源。
S403、将所述目标学习资源分发至所述目标学生对应的终端。
其中,所述目标学生的画像为如上任意实施例所述的学生画像构建方法构建得到的,具体可参见上述各实施例的描述,在此不再赘述。
通过上述分析可知,本申请实施例提供的基于学生画像的学习资源分发方法,通过首先,通过根据目标学生的画像,确定所述目标学生掌握目标域知识所需的目标学习资源;然后,将所述目标学习资源分发至所述目标学生对应的终端。由于所述目标学生的画像为基于学生的历史作答数据和各目标域知识构建学生画像,实现了根据学生画像有针对性地对学生进行学习资源分发。
请参阅图5,图5是本申请实施例提供的计算机设备的结构示意性框图。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口,其中,存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行上述任意一种学生画像构建方法,或者该程序指令被执行时,可使得处理器执行上述任意一种基于学生画像的学习资源分发方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行上述任意一种学生画像构建方法,或者该计算机程序被处理器执行时,可使得处理器执行上述任意一种基于学生画像的学习资源分发方法。
该网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的终端的限定,具体的终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,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、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
获取目标学生的历史作答数据和预设知识库中的各目标域知识;
根据所述历史作答数据生成所述目标学生的作答时序数据;
将所述历史作答数据、所述各目标域知识和所述作答时序数据,输入预训练的学生特征预测模型进行分析,得到所述目标学生对各目标域知识的掌握度和所述掌握度的变化率;
根据所述目标学生对各目标域知识的掌握度和所述掌握度的变化率,构建所述目标学生的画像。
在一些实施例中,在所述将所述历史作答数据和所述各目标域知识输入预训练的学生特征预测模型进行分析之前,还包括:
获取所述预设数量学生的历史作答数据,根据所述历史作答数据确定各个学生的作答时间,生成各个学生的作答时序数据;
基于所述作答时序数据,确定各个学生对各目标域知识的学习状态相似度;
将所述预设数量学生的历史作答数据、各个学生对各目标域知识的学习状态相似度和目标域知识,输入预设的深度学习模型进行训练,得到所述学生特征预测模型。
在一些实施例中,所述作答时序数据包括:将给定时间内的作答试题信息、作答试题对应的得分信息和作答试题的时间信息按试题作答时间点进行排序得到的时序数据;
在一些实施例中,所述基于所述作答时序数据,确定各个学生对各目标域知识的学习状态相似度,包括:
根据各个学生的所述作答时序数据,分别确定各个学生对各目标域知识对应试题的作答试题相似度、作答试题对应的得分信息相似度和作答时间相似度;
根据所述作答试题相似度、所述试题对应的得分信息相似度和所述作答时间相似度,确定各个学生对各目标域知识的学习状态相似度。
在一些实施例中,所述根据各个学生的所述作答时序数据,分别确定各个学生对各目标域知识对应试题的作答试题相似度、作答试题对应的得分信息相似度和作答时间相似度,包括:
将各个学生在各作答时间点上的作答试题信息,输入预训练的自监督深度学习模型进行分析,得到各个学生在各作答时间点上的作答试题相似度;
分别计算各个学生在各作答时间点上对各目标域知识的作答试题对应的得分差值,根据所述得分差值得到各个学生的得分信息相似度;
分别计算各个学生在各作答时间点对各目标域知识对应试题的作答时长,根据所述作答时长得到各个学生的作答时间相似度。
在一些实施例中,所述分别计算各个学生在各作答时间点上对各目标域知识的答题得分的差值,根据所述答题得分的差值得到各个学生在各作答时间点上的得分信息相似度,包括:
确定各个学生在各作答时间点上对各目标域知识的答题得分;
针对任意作答时间点,分别计算任意两个学生在该作答时间点上对各目标域知识对应试题的答题得分之间的第一差值,根据所述第一差值得到所述任意两个学生在该作答时间上的得分信息相似度。
在一些实施例中,所述分别计算各个学生在各作答时间点对各目标域知识对应试题的作答时长,根据所述作答时长得到各个学生的作答时间相似度,包括:
分别将各个学生在各作答时间点对各目标域知识对应试题的作答时长进行归一化处理,得到各个学生的作答时间值;
分别计算各个学生的作答时间差值,得到各个学生的作答时间相似度。
在一些实施例中,所述将所述预设数量的学生的历史作答数据、各个学生对各目标域知识的学习状态相似度和目标域知识,输入预设的端到端深度学习模型进行训练,得到所述学生特征预测模型,包括:
基于所述预设数量的学生的历史作答数据和各个学生对各目标域知识的学习状态相似度对预设的端到端深度学习模型进行监督训练,当所述预设的深度学习模型的损失函数的值,小于预设的损失函数阈值,则确定对所述深度学习模型的训练结束,得到所述学生特征预测模型。
在一些实施例中,所述根据所述目标学生对各目标域知识的掌握度和所述掌握度的变化率,构建所述目标学生的画像,包括:
根据所述目标学生对各目标域知识的掌握度和所述掌握度的变化率,得到所述目标学生对各目标域知识的掌握能力评估结果,以所述掌握能力评估结果为所述目标学生的画像。
或者,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
根据目标学生的画像,确定所述目标学生掌握目标域知识所需的目标学习资源;
获取所述目标学习资源;
将所述目标学习资源分发至所述目标学生对应的终端;
其中,所述目标学生的画像为根据上述任一实施例所述的学生画像构建方法构建得到的。
本申请的实施例中还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序中包括程序指令,所述处理器执行所述程序指令,实现上述任一实施例提供的学生画像构建方法,或者所述处理器执行所述程序指令,实现上述任一实施例提供的基于学生画像的学习资源分发方法。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (12)
1.一种学生画像构建方法,其特征在于,所述方法包括:
获取目标学生的历史作答数据和预设知识库中的各目标域知识;
根据所述历史作答数据生成所述目标学生的作答时序数据;
将所述历史作答数据、所述各目标域知识和所述作答时序数据,输入预训练的学生特征预测模型进行分析,得到所述目标学生对各目标域知识的掌握度和所述掌握度的变化率;
根据所述目标学生对各目标域知识的掌握度和所述掌握度的变化率,构建所述目标学生的画像。
2.根据权利要求1所述的方法,其特征在于,在所述将所述历史作答数据和所述各目标域知识输入预训练的学生特征预测模型进行分析之前,还包括:
获取所述预设数量学生的历史作答数据,根据所述历史作答数据确定各个学生的作答时间,生成各个学生的作答时序数据;
基于所述作答时序数据,确定各个学生对各目标域知识的学习状态相似度;
将所述预设数量学生的历史作答数据、各个学生对各目标域知识的学习状态相似度和目标域知识,输入预设的深度学习模型进行训练,得到所述学生特征预测模型。
3.根据权利要求1所述的方法,其特征在于,所述作答时序数据包括:将给定时间内的作答试题信息、作答试题对应的得分信息和作答试题的时间信息按试题作答时间点进行排序得到的时序数据。
4.根据权利要求2所述的方法,其特征在于,所述基于所述作答时序数据,确定各个学生对各目标域知识的学习状态相似度,包括:
根据各个学生的所述作答时序数据,分别确定各个学生对各目标域知识对应试题的作答试题相似度、作答试题对应的得分信息相似度和作答时间相似度;
根据所述作答试题相似度、所述试题对应的得分信息相似度和所述作答时间相似度,确定各个学生对各目标域知识的学习状态相似度。
5.根据权利要求4所述的方法,其特征在于,所述根据各个学生的所述作答时序数据,分别确定各个学生对各目标域知识对应试题的作答试题相似度、作答试题对应的得分信息相似度和作答时间相似度,包括:
将各个学生在各作答时间点上的作答试题信息,输入预训练的自监督深度学习模型进行分析,得到各个学生在各作答时间点上的作答试题相似度;
分别计算各个学生在各作答时间点上对各目标域知识的作答试题对应的得分差值,根据所述得分差值得到各个学生的得分信息相似度;
分别计算各个学生在各作答时间点对各目标域知识对应试题的作答时长,根据所述作答时长得到各个学生的作答时间相似度。
6.根据权利要求5所述的方法,其特征在于,所述分别计算各个学生在各作答时间点上对各目标域知识的答题得分的差值,根据所述答题得分的差值得到各个学生在各作答时间点上的得分信息相似度,包括:
确定各个学生在各作答时间点上对各目标域知识的答题得分;
针对任意作答时间点,分别计算任意两个学生在该作答时间点上对各目标域知识对应试题的答题得分之间的第一差值,根据所述第一差值得到所述任意两个学生在该作答时间上的得分信息相似度。
7.根据权利要求5所述的方法,其特征在于,所述分别计算各个学生在各作答时间点对各目标域知识对应试题的作答时长,根据所述作答时长得到各个学生的作答时间相似度,包括:
分别将各个学生在各作答时间点对各目标域知识对应试题的作答时长进行归一化处理,得到各个学生的作答时间值;
分别计算各个学生的作答时间差值,得到各个学生的作答时间相似度。
8.根据权利要求3至7任一项所述的方法,其特征在于,所述将所述预设数量的学生的历史作答数据、各个学生对各目标域知识的学习状态相似度和目标域知识,输入预设的端到端深度学习模型进行训练,得到所述学生特征预测模型,包括:
基于所述预设数量的学生的历史作答数据和各个学生对各目标域知识的学习状态相似度对预设的端到端深度学习模型进行监督训练,当所述预设的深度学习模型的损失函数的值,小于预设的损失函数阈值,则确定对所述深度学习模型的训练结束,得到所述学生特征预测模型。
9.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对各目标域知识的掌握度和所述掌握度的变化率,构建所述目标学生的画像,包括:
根据所述目标学生对各目标域知识的掌握度和所述掌握度的变化率,得到所述目标学生对各目标域知识的掌握能力评估结果,以所述掌握能力评估结果为所述目标学生的画像。
10.一种基于学生画像的学习资源分发方法,其特征在于,所述方法包括:
根据目标学生的画像,确定所述目标学生掌握目标域知识所需的目标学习资源;
获取所述目标学习资源;
将所述目标学习资源分发至所述目标学生对应的终端;
其中,所述目标学生的画像为根据权利要求1至8中任一项所述的学生画像构建方法构建得到的。
11.一种计算机设备,其特征在于,包括:
存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时,实现如权利要求1至9中任一项所述的学生画像构建方法的步骤,或者实现如权利要求10所述的基于学生画像的学习资源分发方法的步骤。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,使所述处理器实现如权利要求1至9中任一项所述的学生画像构建方法的步骤,或者使所述处理器实现如权利要求10所述的基于学生画像的学习资源分发方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111666390.2A CN114357297A (zh) | 2021-12-30 | 2021-12-30 | 学生画像构建及学习资源分发方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111666390.2A CN114357297A (zh) | 2021-12-30 | 2021-12-30 | 学生画像构建及学习资源分发方法、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114357297A true CN114357297A (zh) | 2022-04-15 |
Family
ID=81105372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111666390.2A Pending CN114357297A (zh) | 2021-12-30 | 2021-12-30 | 学生画像构建及学习资源分发方法、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114357297A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117672027A (zh) * | 2024-02-01 | 2024-03-08 | 青岛培诺教育科技股份有限公司 | 一种vr教学方法、装置、设备及介质 |
-
2021
- 2021-12-30 CN CN202111666390.2A patent/CN114357297A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117672027A (zh) * | 2024-02-01 | 2024-03-08 | 青岛培诺教育科技股份有限公司 | 一种vr教学方法、装置、设备及介质 |
CN117672027B (zh) * | 2024-02-01 | 2024-04-30 | 青岛培诺教育科技股份有限公司 | 一种vr教学方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nagatani et al. | Augmenting knowledge tracing by considering forgetting behavior | |
Liu et al. | Ekt: Exercise-aware knowledge tracing for student performance prediction | |
CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
CN111582694B (zh) | 一种学习评估方法及装置 | |
Reif et al. | Automatic classifier selection for non-experts | |
CN111858859A (zh) | 自动问答处理方法、装置、计算机设备及存储介质 | |
Runarsson | Constrained evolutionary optimization by approximate ranking and surrogate models | |
CN111651676B (zh) | 基于能力模型进行职业推荐的方法、装置、设备和介质 | |
CN111563158B (zh) | 文本排序方法、排序装置、服务器和计算机可读存储介质 | |
CN111382255A (zh) | 用于问答处理的方法、装置、设备和介质 | |
CN111832312A (zh) | 文本处理方法、装置、设备和存储介质 | |
CN112380421A (zh) | 简历的搜索方法、装置、电子设备及计算机存储介质 | |
Braylan et al. | Modeling and aggregation of complex annotations via annotation distances | |
CN114528391A (zh) | 问答对评分模型的训练方法、装置、设备及存储介质 | |
CN114398556A (zh) | 学习内容的推荐方法、装置、设备及存储介质 | |
CN112508177A (zh) | 一种网络结构搜索方法、装置、电子设备及存储介质 | |
CN112307048A (zh) | 语义匹配模型训练方法、匹配方法、装置、设备及存储介质 | |
CN116109449A (zh) | 一种数据处理方法及相关设备 | |
CN115238169A (zh) | 一种慕课可解释推荐方法、终端设备及存储介质 | |
CN114357297A (zh) | 学生画像构建及学习资源分发方法、计算机设备及存储介质 | |
CN114020892A (zh) | 基于人工智能的答案选取方法、装置、电子设备及介质 | |
CN111461188B (zh) | 一种目标业务控制方法、装置、计算设备及存储介质 | |
CN113761375A (zh) | 基于神经网络的消息推荐方法、装置、设备及存储介质 | |
CN111062449A (zh) | 预测模型的训练方法、兴趣度预测方法、装置和存储介质 | |
CN117112742A (zh) | 一种对话模型优化方法、装置、计算机设备和存储介质 |
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 |