CN114511425A - 提供用户定制型学习内容的方法 - Google Patents

Abstract

本发明涉及一种提供用户定制型学习内容的方法，该方法包括：关于配置包括一个或多个多项选择题的多项选择题数据库以及收集用户针对多项选择题的选项选择数据的步骤；关于基于选项数据计算针对用户的建模矢量及根据每一选项生成针对多项选择题的建模矢量的步骤；关于基于用户的建模矢量和多项选择题的建模矢量计算用户的选项选择概率的步骤；关于基于选项选择概率计算多项选择题的解题正确率的步骤；关于基于概念的理解程度、概念的所述配置、解题正确率和选项选择概率中的至少一者计算用户的针对多项选择题的理解指数的步骤；以及关于基于用户的针对多项选择题的理解指数推荐用户定制型学习内容的步骤。

Description

提供用户定制型学习内容的方法

本申请是申请日为2017年6月20日、申请号为201710469529.1、名称为“运用设备学习框架的方法、装置及计算机程序”的中国发明专利申请的分案申请。

技术领域

本发明提供一种分析数据，并提供定制型内容的方法，尤其涉及一种应用选项参数，扩展收集的解题结果数据的学习数据分析方法。

背景技术

到目前为止，通常都是以套餐的方式提供教育内容。例如，每本纸质习题中至少会收录700道题，而线上或线下课程为1～2个小时，一次性捆绑销售至少一个月的学习量。

但，对于受教育的学生而言，每个人的薄弱单元或薄弱题型各不相同，因此，较比套餐型内容，更需要的应该是定制型内容。其原因在于，自行挑选薄弱单元的薄弱题型来学习，其效果一定高于解答整本习题集的700道题。

然而，学生作为受教育者，很难自行判断自己的薄弱环节。另外，对于学院、出版社等传统教育行业来说，也多是依靠主观经验和直觉来分析学生和题，因此，很难针对个别学生提供最优化的题。

因此，在传统教育环境下，很难为受教育者提供可创造最有效的学习成果的个人定制型内容，而且，学生很快就会对套餐型教育内容失去成就感和兴趣。

发明内容

本发明旨在解决上述问题。更具体地讲，本发明旨在提供一种提取分析用户和/或题所需的数据，并有效运用包含所收集数据的参数的数据分析框架。

依据本发明实施例的提供用户定制型学习内容的方法，该方法包括：建立包含至少一个以上的选择题的数据库，该选择题包含至少一个以上的选项，并收集用户对上述题的选项选择数据的a阶段；利用上述选项选择数据，计算上述用户的建模矢量，并根据上述选项，分别创建上述题的建模矢量的b阶段；及利用上述用户的建模矢量和上述题的选项建模矢量，计算上述用户的选项选择概率的c阶段。

本发明的有益效果是：

本发明的效果在于，依据本发明的实施例，在收集的用户解题结果数据中，运用用户选择的选项参数，以对题或用户进行分析，并且利用相同的结果数据，还可完成对用户的更精密的分析。

附图说明

图1为依据本发明实施例的数据分析框架的操作内容说明图。

具体实施方式

本发明并限于以下所述实施例的说明内容，显而易见的是，可在不脱离本发明技术主旨的范围内进行各种修改。另外，在说明实施例时，若属于本发明所属技术领域的公知常识及与本发明技术主旨无直接关联的技术内容，在此省略相关说明。

同时，附图使用相同的符号来表示相同的组件。另外，也可能会夸大、省略或概略地示出部分组件。这是为了省略与本发明主旨无关的不必要说明，以阐明本发明的主旨。

近来，随着IT设备的逐渐普及，收集用户分析数据也变得越来越容易。如果能收集到充足的用户数据，用户分析会变得更加精密，并向相应用户提供类型最合适的内容。

在顺应这种潮流的情况下，教育行业对提供用户定制型教育内容的需求非常高。

举一个简单的例子来说，某个用户在英语科目中，对“动词时态”的理解不佳，如能为其推荐包含“动词时态”概念在内的题，学习效率势必会提高。但，为了提供用户定制型教育内容，还需对各项内容和每位用户进行精密的分析。

依据传统方法，为了分析内容和用户，通常是借由专家的手工作业来定义相关科目的概念，并由专家分别针对相关科目的各道题中包含哪些概念进行判断、标记。然后，基于每位用户对特定概念的相关被标记的题的解题结果信息，分析学生的实力。

但，这种方法的问题在于，标记信息依赖的是人的主观意见。这些标记信息并未通过数学方式赋予到题上，其中介入了人的主观意见且并非通过数学方法创建，因此，无法提升结果数据的可信度。

因此，依据本发明实施例的数据分析服务器在分析学习数据时，运用设备学习框架，消除了数据处理过程中的人为干预。

因此，收集用户的解题结果日志，配置由用户和题形成的多维空间，并以用户解答正确与否为依据，为上述多维空间赋予数值，计算每个用户和题的矢量，以这种方式，可对用户和/或题进行建模。

此外，利用用户矢量和/或题矢量，可借助数学方法，计算出特定用户在所有用户中的位置、可聚类为特定用户相似组的其他用户、其他用户与相关用户的相似度、特定题在所有题中的位置、可聚类为上述题相似组的其他题、其他题和相关题的相似度。另外，以至少一个以上的属性为准，还可对用户和文件进行聚类。

这时，应注意的是，本发明可能会对上述用户矢量、上述题矢量都包含哪些属性或特征加以限制且无法解释。

例如，依据本发明的实施例，上述用户矢量可能包含用户对任意概念的理解程度，即概念理解度。另外，上述题矢量可能包含上述题由哪些概念构成的内容，即概念结构图。

但是，如果运用设备学习分析数据进行分析，还需解决几点问题。

第一，如果只将是否为正确、错误答案的解题结果，用作提取矢量值的参数，则需收集大量的解题结果数据，这样，才能提供超出任意可信度以上的分析结果。

选择题不仅包含题，还包含选项因素。但依据只反映是否为正确、错误答案，将其用作分析源的传统方法时，如果两名学生答错了同一道题，但却选择了不同的选项，那么，在计算两名学生的矢量值时，该题所产生的影响是一样的。

换言之，某个学生在做选择题时，如果选错了“动名词”的相关选项，也选错“动词时态”的相关选项，那么，如果依据传统方法，在计算相关题的矢量值时，该学生的解题结果数据所产生的影响是一样的，该解题结果未能充分反映到用户分析中，实际上还会被稀释掉。

因此，如果想要得到两名学生分别在动名词理解、时态理解度上表现欠佳的结果值，则需收集更多的解题结果数据，才可足以克服被稀释掉的结果。

即，依据传统方法，仅将正确、错误答案结果用作分析数据的输入值时，欲凭借任意范围以上的可信度来分析题和用户，则需收集更多的解题结果数据。

依据本发明的实施例，即可解决上述问题。具体来讲，依据本发明的实施例，在解题结果数据中，运用用户选择的选项参数，即可分析用户和/或题。借此，还可按照相关题的选项数量来扩展相同的解题结果数据，并使用相同的结果数据，有效完成更精密的用户和题分析。

图1为依据本发明实施例的数据分析框架的操作内容说明图。

步骤110和步骤115是在依据本发明实施例的数据分析系统中，收集学习数据，进而对题和用户进行建模的步骤。

依据本发明的实施例，在步骤110中，可收集到所有题和所有用户的解题数据。

具体来讲，数据分析服务器建立题数据库，可收集所有用户对属于上述题数据库的所有题的解题结果数据。

例如：数据分析服务器建立有关市场上的各种题的数据库，并收集用户解答相关题的结果，以这种方式，可收集到结果数据。上述题数据库还可包含听力评估题、文本、图像、音频和/或视频格式。

这时，数据分析服务器可使用关于用户、题、结果的列表形式，配置收集的解题结果数据。例如，Y(u,i)表示用户u解答题i的结果，如果是正确答案，则赋予数值1，如果是错误答案，则赋予数值0。

另外，依据本发明实施例的数据分析服务器配置由用户和题形成的多维空间，并以用户解题正确与否为准，为上述多维空间赋予数值，以分别计算用户和题的矢量(步骤120)。这时，应解释为，包含上述用户矢量和题矢量的特征是非特定的。

依据本发明实施例的数据分析框架中，使用建模矢量来表达表达用户和题的原因在于，为了最终预测特定用户是否答对特定题。

但，用户的解题正确率如前所述，可利用收集用户正确、错误答案结果来分析的方式，也可利用选项的选择概率来推测。

例如，第一用户选择特定题的选项的概率为(0.1,0.2,0,0.7)时，用户会以较高的概率来选择4号选项，如果该题的正确答案是4号，则可预测第一用户答对该题的概率很高。

另外，有关题的难易度，可通过收集所有用户的正确、错误答案结果来分析的方式进行推测，同时，也可利用选项的选择概率进行推测。

例如，如果是四选一型特定题，用户选择选项的概率为(0.5,0.1,0.3,0.6)，那么，用户在第2道题上选择1号和4号的概率差不多，因此，可将第2道题划分为高难度题。

为此，依据图1的示例，数据分析服务器在收集所有题和所有用户的解题结果数据时，可包含用户选择的选项因素(步骤130)。具体来讲，数据分析服务器建立题数据库，并收集所有用户对属于上述题数据库内的所有题，选择了哪种选项的结果数据。

例如，数据分析服务器建立有关市场上的各种题的数据库，收集用户在解答相关题时，选择了哪个选项及选项的选择结果，以这种方式即可收集到解题结果日志，另外，还可收集到相关题的正确、错误答案结果。这时，数据分析服务器还可配置用户、题、相关用户对该题的选择的选项列表。

然后，数据分析服务器可以以选项为单位来扩展一个题变量，这样，可对数据进行分析处理(步骤140)。

例如，题i为四选一型题时，题i即被扩展为4个变量(i,1)(i,2)(i,3)(i,4)，为每位用户是否选择每道题-选项，赋予数值。

例如，E(i,j)表示题i的j选项，Y’(u,E)表示用户u选择了题i的j选项，依据本发明的实施例，如果做出选择，则赋予数值1，未做选择，则赋予数值0。

另外，数据分析服务器可以利用变量，配置用户和题-选项的多维空间，并以用户是否选择相关题-选项为准，为上述多维空间赋予数值，从而分别计算用户和题-选项的矢量。

然后，数据分析服务器利用上述用户矢量和上述题-选项矢量，推测任意用户选择任意题-选项的概率，即选择率(步骤150)。

这时，在上述用户矢量和上述题-选项矢量中，运用各种算法，以推测上述选择率，在解释本发明时，计算选择率的算法不受限。

例如，依据本发明的实施例，如果运用Sigmoid函数，如下面的数学公式1，可推测用户的题-选项选择率(x为题-选项矢量，θ为用户矢量)。

【数学公式1】

hθ(x)＝1/(1+e^(-θ*T*X))

另外，依据本发明实施例的数据分析服务器利用用户的选项选择率，即可推测题的解题正确率(步骤160)。

但，举例来说，在四选一型特定题上，如果特定用户的选项选择率为(0.5,0.1,0.3,0.6)，并且1号选项为正确答案，那么，还存在一个问题，就是上述用户答对该题的概率究竟是多少。即，可以考虑使用的方法是，利用该题的若干选项选择率来推测该题的解题正确率。

依据本发明的实施例，作为将选项选择率还原成题的解题正确率的简单方法，可以考虑计算正确选项选择率在所有选项选择率的占比。这种情况下，前述例子中的相关用户对相关题的解题正确率可计算为0.5/(0.5+0.1+0.3+0.6)。但，用户在解题时，并不是区分选项单位来理解相关题，而是以题为单位来理解，其中包含所有选项的配置，及题的出题意图，因此，不能单纯地连接选择率和解题正确率。

因此，依据本发明的实施例，对相关题的所有选项选择率加以平均化，并将正确选项的平均选择率应用到所有选项的选择率中，以这种方式，可从选项选择率中推测出相关题的解题正确率。

在前述例子中，选项的选择率为(0.5,0.1,0.3,0.6)时，对所有选项加以平均化，各个选项选择率的比例会变为(0.33,0.07,0.20,0.41)。1号选项为正确答案时，选项1的平均选择率为0.33，相关用户对相关题的解题正确率即可推测为33％。

另外，依据本发明实施例的服务器可使用用户的题-选项选择概率，以推测题的解题正确率，还可借此推断出用户对特定概念的理解度。

另外，数据分析服务器基于各题选项的选择率，可计算出相关用户在特定题上的学习效率(步骤165)。

依据本发明实施例的数据分析服务器如前所述，利用题选项单位的建模矢量和用户建模矢量，计算出每个用户以题的选项为单位的选择概率，及相关用户以题为单位的正确概率。依据本发明实施例的数据分析服务器以此为基础，如果在特定用户在任意题的不同选项的选择概率基础上，运用上述用户选择相关选项时其他题的解题正确率变动值的平均值，可计算出相关题的学习效率。

例如，可假设用户A对特定题a的1号选项的选择率为a1，2号选项的选择率的a2，3号选项的选择率为a3，4号选项的选择率为a4。

这时，假设A在该题上选择了1号选项，那么，运用用户A选择1号选项的活动后，用户A的建模矢量和所有题的建模矢量多少会发生变动，依据变动的建模矢量，各个题的解题正确率也多少会发生变化。因此，数据分析服务器运用假设用户A选择1号选项的活动，可计算出所有题的解题正确率的平均变动值AVC_a1。

数据分析服务器采用相同的方法，假设用户A选择2号选项，则可计算出AVC_a2，如果选择3号选项，则可计算出AVC_a3，假设选择4号选择，则可计算出AVC_a4。

然后，数据分析服务器可利用以下数学公式，计算出通过用户A的题a得出的学习效率E(A,a)。

【数学公式2】

E(A,a)＝a1*AVC_a1+a2*AVC_a2+a3*AVC_a3+a4*AVC_a4

另外，数据分析服务器针对所有题计算E(A)，并按照E(A)值最高的题顺序，提供用户定制型题(步骤170)。即，依据本发明的实施例，可向任意用户提供学习效率最高的题。

同时，数据分析服务器可利用用户矢量、题-选项矢量、选项选择率、题的解题正确率、用户的概念理解度、题的概念配置图中的至少一个以上来推荐用户定制型内容(步骤170)。

例如，服务服务器可针对在特定概念上理解度较低的用户，推荐针对相关概念的深化课程。

举另一例来说，服务服务器可针对在包含多个概念的题上解题正确率较低的用户，推荐包含上述多个概念的题。

另外，服务器在题数据库组中，删除用户已解答过的题，针对剩余题，则按照特定用户解题正确率较低的顺序进行排序，并制成题推荐列表，提供给用户。

例如，用户-选项解题正确率P的第一行值为[0.3,0.4,0.1,0.9,0.7]时，则可解释为用户1答对题1、2、3、4、5的概率则分别为30％、40％、10％、90％、70％。服务器将按照题3、1、2、5、4的顺序赋予优先级的题推荐列表，提供给用户。这时，如果用户1已经解答过5号题，那么，服务器在编制题推荐列表时，可以删除5号题。

本说明书及附图所示的本发明的实施例，仅用以简要说明本发明的技术内容，帮助理解本发明的特定实施例，并非用以限定本发明的范围。除这里所示实施例外，在不脱离本发明技术思想的前提下，可实施各种变形实施例，这些对本发明所述技术领域的人员来说，是显而易见的。

Claims (4)

1.一种提供用户定制型学习内容的方法，该方法包括：

关于配置包括一个或多个多项选择题的多项选择题数据库以及收集用户针对所述多项选择题的选项选择数据的步骤，所述多项选择题具有一个或多个选项；

关于基于所述选项数据来计算针对所述用户的建模矢量及根据每一选项来生成针对所述多项选择题的建模矢量的步骤，其中，针对所述用户的所述建模矢量包括关于针对所述多项选择题的概念的理解程度，并且针对所述多项选择题的所述建模矢量包括关于与所述多项选择题相关联的所述概念的配置；

关于基于所述用户的所述建模矢量和所述多项选择题的所述建模矢量来计算所述用户的选项选择概率的步骤；

关于基于所述选项选择概率来计算所述多项选择题的解题正确率的步骤；

关于基于所述概念的所述理解程度、所述概念的所述配置、所述解题正确率和所述选项选择概率中的至少一者来计算所述用户的针对所述多项选择题的理解指数的步骤；以及

关于基于所述用户的针对所述多项选择题的所述理解指数来推荐用户定制型学习内容的步骤，

关于推荐所述用户定制型学习内容的所述步骤还包括：

除了关于所述多项选择题数据库中的所述用户已经解决的所述一个或多个多项选择题的已答题外，按照未答题的最低的理解指数的顺序向所述用户推荐关于所述多项选择题数据库中的所述用户未回答的所述一个或多个多项选择题的未答题。

2.根据权利要求1所述的提供用户定制型学习内容的方法，其中，所述多项选择题的所述解题正确率通过对所述多项选择题的所述选项选择概率的每一者进行平均并应用针对所述多项选择题的正确选项的平均选择概率而被计算。

3.根据权利要求2所述的提供用户定制型学习内容的方法，该方法包括：

基于被包括在针对所述用户的所述建模矢量中的关于所述概念的所述理解程度，生成所述用户的薄弱题模型；以及

向所述用户推荐与所述多项选择题数据库中的预设范围内的所述薄弱题模型具有相似度的题。

4.根据权利要求3所述的提供用户定制型学习内容的方法，其中，关于计算所述用户的选项选择概率的步骤包括：

通过将sigmoid函数应用于针对所述用户的所述建模矢量，计算所述选项选择概率。

Images