CN114818741A - 一种用于在线教育的陪练纠错方法及装置 - Google Patents

一种用于在线教育的陪练纠错方法及装置 Download PDF

Info

Publication number
CN114818741A
CN114818741A CN202210180533.7A CN202210180533A CN114818741A CN 114818741 A CN114818741 A CN 114818741A CN 202210180533 A CN202210180533 A CN 202210180533A CN 114818741 A CN114818741 A CN 114818741A
Authority
CN
China
Prior art keywords
answer
question
wrong
information
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
Application number
CN202210180533.7A
Other languages
English (en)
Inventor
林东姝
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.)
Hangzhou Xiaopangxiong Technology Co ltd
Original Assignee
Hangzhou Xiaopangxiong 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 Hangzhou Xiaopangxiong Technology Co ltd filed Critical Hangzhou Xiaopangxiong Technology Co ltd
Priority to CN202210180533.7A priority Critical patent/CN114818741A/zh
Publication of CN114818741A publication Critical patent/CN114818741A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/42—Data-driven translation
    • G06F40/44—Statistical methods, e.g. probability models
    • 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
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Data Mining & Analysis (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明涉及一种用于在线教育的陪练纠错方法及装置，所述方法包括以下步骤：实时采集学员答题文本信息，判断答题文本信息中答题答案信息是否正确，并将答题答案信息错误的答题文本信息归纳于错题库；对错题库内的知识点进行统计，并计算每个知识点的权重；根据知识点权重对云端题库进行题目提取，并按照知识点权重大小排序，生成错题试卷。本发明可以对在线教育中，学员的相同问题、相似问题、同类问题错误进行收集，分析学员对于每个知识点的学习情况；通过将学员的学习情况和实际章节知识点重要情况进行结合，对学员进行加强型的学习指导，以实现能够帮助学员掌握章节内所有知识点，提高学习成绩。

Description

一种用于在线教育的陪练纠错方法及装置
技术领域
本发明涉及在线教育技术领域，尤其涉及一种用于在线教育的陪练纠错方法及装置。
背景技术
在线教育顾名思义，是以网络为介质的教学方式，通过网络，学员与教师即使相隔万里也可以开展教学活动；此外，借助网络课件，学员还可以随时随地进行学习，真正打破了时间和空间的限制，对于工作繁忙，学习时间不固定的职场人而言网络远程教育是最方便不过的学习方式。
在学习过程中，通常学员需要进行试题解答掌握所学课程，当学员进行试题解答时，会产生大量的错题，而更正错题对于学员而言是学习课程中最重要的环节。
目前，在教育中的纠错方法，大多采用的是基于内容过滤的技术，基于内容的技术主要依靠关键词匹配，直接判断学员的试题答案是否正确，再根据错误的试题，依靠关键词进行检索，将类似题目继续推送给学员，实现对学员进行纠错和陪练。
但是，在对学员的试题答案进行判断时，不同的试题，其答案表现形式不同，学员在作答时，往往会存在答案正确过程却不正确的情况，仅依靠关键字进行检错无法准确判断学员答案的正确性，在进行对学员错题纠错时，仅将错误的相似题目推送至学员，无法准确的判断学员对知识点掌握的情况，无法针对学员的知识点薄弱处进行提高训练，大大消磨了学员对于学习的积极性，不能达到很好的纠错效果。
发明内容
为了现有技术存在的上述技术缺陷，本发明提供了一种用于在线教育的陪练纠错方法及装置，可以有效解决背景技术中的问题。
为了解决上述技术问题，本发明提供的技术方案具体如下：
本发明实施例公开了一种用于在线教育的陪练纠错方法，所述方法包括以下步骤：
实时采集学员答题文本信息，判断答题文本信息中答题答案信息是否正确，并将答题答案信息错误的答题文本信息归纳于错题库；
对错题库内的知识点进行统计，并计算每个知识点的权重；
根据知识点权重对云端题库进行题目提取，并按照知识点权重大小排序，生成错题试卷。
在上述任一方案中优选的是，对学员的答题文本信息进行采集，答题文本信息包括答题题目信息和答题答案信息，答题题目信息分为解析题目和非解析题目，学生在进行题目作答时，不同的题目类型所作答的属性并不相同，对于非解析题而言，答案信息一般表现为直接结果答案，对于解析题目而言，答案信息一般表现为过程-结果答案。
在上述任一方案中优选的是，将学员的答题答案信息结果值与云端题库内的标准答案结果值进行比对，若正确则对答题题目信息进行类别判断；若错误则将答题文本信息归纳于错题库。
在上述任一方案中优选的是，对答题题目信息进行类别判断，若为非解析题，则判断学员答题正确，若为解析题，则对学员答案过程进行解析。
在上述任一方案中优选的是，若解析答题过程正确，则判断学员答题正确；若解析答题结果错误，则将答题文本信息归纳于错题库。
在上述任一方案中优选的是，在授课过程中通常将课程分为多个章节及建立知识点体系进行授课，知识体系是知识点的集合，在学员的学习过程中知识点能够很好的反映学生对知识的掌握程度，知识点存在于一定的结构之中，其每个知识点之间存在层次关系、前驱关系和关联关系，层次关系是指一个知识点可以含有若干子知识点，知识点之间的关系可形成一种树状结构；例如，树的根节点可以设置成为课程内容，其子节点为章节内容，再往下为复合知识点，复合知识点可以细分为若干基本知识点；从知识点层次关系树形图中可以看出，每一个节点表示一个知识点，节点与节点之间存在横向的兄弟关系和纵向的父子关系，在这种层次结构树中，父知识点是几个知识点共同构成的复合知识点，子知识点从不同的侧面，不同的角度，不同的范畴对父知识点进行扩充阐述，节点越靠近根节点，代表该节点涵盖的知识点范围就越广；节点离根结点越远，该节点所代表的知识点粒度就越细。而细分的知识点更有利于反映错题，每个知识点对于本章节而言其重要性具有较大的差异性。
在上述任一方案中优选的是，每一个答案题目信息包括一个或若干个知识点，一个知识点可分布在不同的答案题目信息中，将每一个答案题目信息的特征进行提取，则每一个答案题目信息中所包含的知识点元素集合F＝(a1,a2,…,ai)。
在上述任一方案中优选的是，通过公式
Figure BDA0003520599690000031
计算每个知识点的权重；其中，n为错题库内中的错题个数，ai为知识点元素集合F中第i个知识点，fj(ai)为第i个知识点在第j题中所占的比重，Zai为在错题库内出现第i个知识点的题目个数，ci为第i个知识点在所学章节中的重要特征值，Wai为知识点元素集合F中第i个知识点的权重。
在上述任一方案中优选的是，将错题库内所有知识点的权重进行比较，对于权重的大小可以判断出学员在所学章节中知识点掌握较为薄弱的地方，进而可以通过分析错题库内所有知识点的权重，将学员的学习情况和实际章节知识点重要情况进行结合，对学员进行加强型的学习指导，以实现帮助学员掌握章节内所有知识点，提高学习成绩的目的。
在上述任一方案中优选的是，知识点的权重可以映射学员对所学章节中各知识点的掌握情况以及知识点在所学章节中的重要性，进而通过对知识点权重进行排序，根据知识点权重值大小，为学员进行错题训练。
在上述任一方案中优选的是，根据错题库内的知识点，对云端题库进行提取，按照知识点权重排序顺序，生成错题试卷，知识点权重越大，则错题试卷内含该知识点的题目越多，知识点权重越小，则错题试卷内含该知识点的题目越少。
一种用于在线教育的陪练纠错装置，所述装置包括：
判断模块，用于实时采集学员答题文本信息，判断答题文本信息中答题答案信息是否正确，并将答题答案信息错误的答题文本信息归纳于错题库；
计算模块，用于对错题库内的知识点进行统计，并计算每个知识点的权重；
生成模块，用于根据知识点权重对云端题库进行题目提取，并按照知识点权重大小排序，生成错题试卷。
与现有技术相比，本发明的有益效果：
本发明提供的一种用于在线教育的陪练纠错方法及装置，通过实时采集学员答题文本信息，判断答题文本信息中答题答案信息是否正确，并将答题答案信息错误的答题文本信息归纳于错题库；对错题库内的知识点进行统计，并计算每个知识点的权重；根据知识点权重对云端题库进行题目提取，并按照知识点权重大小排序，生成错题试卷；可以在陪练过程中，对学员相同问题、相似问题、同类问题的错误收集，分析学员对于每个知识点的学习情况；通过将学员的学习情况和实际章节知识点重要情况进行结合，对学员进行加强型的学习指导，以实现能够帮助学员掌握章节内所有知识点，提高学习成绩。
附图说明
附图用于对本发明的进一步理解，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1是本发明一种用于在线教育的陪练纠错方法的流程示意图；
图2是本发明一种用于在线教育的陪练纠错装置的模块示意图；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
为了更好地理解上述技术方案，下面将结合说明书附图及具体实施方式对本发明技术方案进行详细说明。
本发明提供了一种用于在线教育的陪练纠错方法，如图1所示，所述方法包括以下步骤：
步骤1，实时采集学员答题文本信息，判断答题文本信息中答题答案信息是否正确，并将答题答案信息错误的答题文本信息归纳于错题库。
具体的，对学员的答题文本信息进行采集，答题文本信息包括答题题目信息和答题答案信息，通常答题题目信息一般分为解析题目和非解析题目，学生在进行题目作答时，不同的题目类型所作答的属性并不相同，对于非解析题而言，答案信息一般表现为直接结果答案，对于解析题目而言，答案信息一般表现为过程-结果答案。
进一步的，由于不同的题目类型，学员的答案信息具有较大差别，在对学员的答题答案信息进行正确性判断时，需将答题题目信息进行类别判断。
进一步的，将学员的答题答案信息结果值与云端题库内的标准答案结果值进行比对，若正确则对答题题目信息进行类别判断；若错误则将答题文本信息归纳于错题库。
进一步的，在进行题目解答时，可能存在结果正确但过程并不正确的情况，对于同一题目而言，可以通过多种方法进行解答，以实现答题判断的准确性，需对答题过程进行二次判断，判断过程如下：对答题题目信息进行类别判断，若为非解析题，则判断学员答题正确，若为解析题，则对学员答案过程进行解析，若解析答题过程正确，则判断学员答题正确；若解析答题结果错误，则将答题文本信息归纳于错题库。
步骤2，对错题库内的知识点进行统计，并计算每个知识点的权重。
具体的，在学员的学习过程中知识点能够很好的反映学生对知识的掌握程度，在授课过程中通常将课程分为多个章节及建立知识点体系进行授课，知识体系是知识点的集合，知识点存在于一定的结构之中，其每个知识点之间存在层次关系、前驱关系和关联关系，层次关系是指一个知识点可以含有若干子知识点，知识点之间的关系可形成一种树状结构；例如，树的根节点可以设置成为课程内容，其子节点为章节内容，再往下为复合知识点，复合知识点可以细分为若干基本知识点；从知识点层次关系树形图中可以看出，每一个节点表示一个知识点，节点与节点之间存在横向的兄弟关系和纵向的父子关系，在这种层次结构树中，父知识点是几个知识点共同构成的复合知识点，子知识点从不同的侧面，不同的角度，不同的范畴对父知识点进行扩充阐述，节点越靠近根节点，代表该节点涵盖的知识点范围就越广；节点离根结点越远，该节点所代表的知识点粒度就越细。而细分的知识点更有利于反映错题，每个知识点对于本章节而言其重要性具有较大的差异性。
进一步的，每一个答案题目信息可包括一个或若干个知识点，一个知识点也可分布在不同的答案题目信息中，在对学员进行纠错指导时，通过对错题库内每个知识点权重的计算，得到学员掌握薄弱的知识点，并根据知识点在所学章节的重要性对学员进行指导，从而可以实现最大程度的提高学员学习成绩。
进一步的，将每一个答案题目信息的特征进行提取，则每一个答案题目信息中所包含的知识点元素集合F＝(a1,a2,…,ai)，利用公式
Figure BDA0003520599690000081
计算出每个知识点的权重；其中，n为错题库内中的错题个数，ai为知识点元素集合F中第i个知识点，fj(ai)为第i个知识点在第j题中所占的比重，Zai为在错题库内出现第i个知识点的题目个数，ci为第i个知识点在所学章节中的重要特征值，Wai为知识点元素集合F中第i个知识点的权重。
进一步的，将错题库内所有知识点的权重进行比较，对于权重的大小可以判断出学员在所学章节中知识点掌握较为薄弱的地方，进而可以通过分析错题库内所有知识点的权重，将学员的学习情况和实际章节知识点重要情况进行结合，对学员进行加强型的学习指导，以实现帮助学员掌握章节内所有知识点，提高学习成绩的目的。
步骤3，根据知识点权重对云端题库进行题目提取，并按照知识点权重大小排序，生成错题试卷。
具体的，知识点的权重可以映射学员对所学章节中各知识点的掌握情况以及知识点在所学章节中的重要性，进而通过对知识点权重进行排序，根据知识点权重值大小，为学员进行错题训练。
进一步的，通过对错题库内所有知识点权重进行分析，得到该学员的学习情况，根据学员对于所学章节的知识点掌握情况，进行错题试卷训练，根据错题库内的知识点，对云端题库进行提取，按照知识点权重排序顺序，生成错题试卷，知识点权重越大，则错题试卷内含该知识点的题目越多，知识点权重越小，则错题试卷内含该知识点的题目越少。
进一步的，对学员进行错题试卷训练后，再次通过上述步骤1-3进行纠错，直至学员对错题全部解答正确。
本发明还提供了一种用于在线教育的陪练纠错装置，如图2所示，所述装置包括：
判断模块，用于实时采集学员答题文本信息，判断答题文本信息中答题答案信息是否正确，并将答题答案信息错误的答题文本信息归纳于错题库；
计算模块，用于对错题库内的知识点进行统计，并计算每个知识点的权重；
生成模块，用于根据知识点权重对云端题库进行题目提取，并按照知识点权重大小排序，生成错题试卷。
与现有技术相比，本发明提供的有益效果是：
本发明提供的一种用于在线教育的陪练纠错方法及装置，通过实时采集学员答题文本信息，判断答题文本信息中答题答案信息是否正确，并将答题答案信息错误的答题文本信息归纳于错题库；对错题库内的知识点进行统计，并计算每个知识点的权重；根据知识点权重对云端题库进行题目提取，并按照知识点权重大小排序，生成错题试卷；可以在陪练过程中，对学员相同问题、相似问题、同类问题的错误收集，分析学员对于每个知识点的学习情况；通过将学员的学习情况和实际章节知识点重要情况进行结合，对学员进行加强型的学习指导，以实现能够帮助学员掌握章节内所有知识点，提高学习成绩。
以上仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种用于在线教育的陪练纠错方法，其特征在于：所述方法包括以下步骤：
实时采集学员答题文本信息，判断答题文本信息中答题答案信息是否正确，并将答题答案信息错误的答题文本信息归纳于错题库；
对错题库内的知识点进行统计，并计算每个知识点的权重；
根据知识点权重对云端题库进行题目提取，并按照知识点权重大小排序，生成错题试卷。
2.根据权利要求1所述的用于在线教育的陪练纠错方法，其特征在于：答题文本信息包括答题题目信息和答题答案信息，答题题目信息包括解析题目和非解析题目，答题答案信息包括直接结果答案和过程-结果答案。
3.根据权利要求2所述的用于在线教育的陪练纠错方法，其特征在于：将学员的答题答案信息结果值与云端题库内的标准答案结果值进行比对，若正确则对答题题目信息进行类别判断；若错误则将答题文本信息归纳于错题库。
4.根据权利要求3所述的用于在线教育的陪练纠错方法，其特征在于：对答题题目信息进行类别判断，若为非解析题，则判断学员答题正确，若为解析题，则对学员答案过程进行解析。
5.根据权利要求4所述的用于在线教育的陪练纠错方法，其特征在于：若解析答题过程正确，则判断学员答题正确；若解析答题结果错误，则将答题文本信息归纳于错题库。
6.根据权利要求5所述的用于在线教育的陪练纠错方法，其特征在于：每一个答案题目信息包括一个或若干个知识点，一个知识点可分布在不同的答案题目信息中，将每一个答案题目信息的特征进行提取，则每一个答案题目信息中所包含的知识点元素集合F＝(a1,a2,…,ai)。
7.根据权利要求6所述的用于在线教育的陪练纠错方法，其特征在于：通过公式
Figure FDA0003520599680000021
计算每个知识点的权重；其中，n为错题库内中的错题个数，ai为知识点元素集合F中第i个知识点，fj(ai)为第i个知识点在第j题中所占的比重，Zai为在错题库内出现第i个知识点的题目个数，ci为第i个知识点在所学章节中的重要特征值，Wai为知识点元素集合F中第i个知识点的权重。
8.根据权利要求7所述的用于在线教育的陪练纠错方法，其特征在于：根据错题库内的知识点，对云端题库进行提取，按照知识点权重排序顺序，生成错题试卷，知识点权重越大，则错题试卷内含该知识点的题目越多，知识点权重越小，则错题试卷内含该知识点的题目越少。
9.一种用于在线教育的陪练纠错装置，其特征在于：所述装置包括：
判断模块，用于实时采集学员答题文本信息，判断答题文本信息中答题答案信息是否正确，并将答题答案信息错误的答题文本信息归纳于错题库；
计算模块，用于对错题库内的知识点进行统计，并计算每个知识点的权重；
生成模块，用于根据知识点权重对云端题库进行题目提取，并按照知识点权重大小排序，生成错题试卷。
CN202210180533.7A 2022-02-25 2022-02-25 一种用于在线教育的陪练纠错方法及装置 Pending CN114818741A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210180533.7A CN114818741A (zh) 2022-02-25 2022-02-25 一种用于在线教育的陪练纠错方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210180533.7A CN114818741A (zh) 2022-02-25 2022-02-25 一种用于在线教育的陪练纠错方法及装置

Publications (1)

Publication Number Publication Date
CN114818741A true CN114818741A (zh) 2022-07-29

Family

ID=82529316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210180533.7A Pending CN114818741A (zh) 2022-02-25 2022-02-25 一种用于在线教育的陪练纠错方法及装置

Country Status (1)

Country Link
CN (1) CN114818741A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117894217A (zh) * 2024-03-12 2024-04-16 中国科学技术大学 一种用于在线学习系统的数学题目导学系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117894217A (zh) * 2024-03-12 2024-04-16 中国科学技术大学 一种用于在线学习系统的数学题目导学系统
CN117894217B (zh) * 2024-03-12 2024-06-04 中国科学技术大学 一种用于在线学习系统的数学题目导学系统

Similar Documents

Publication Publication Date Title
CN107230174B (zh) 一种基于网络的在线互动学习系统和方法
CN109598995B (zh) 基于贝叶斯知识跟踪模型的智能教学系统
US20110076653A1 (en) Systems and Methods for Semantic Knowledge Assessment, Instruction, and Acquisition
CN114913729B (zh) 一种选题方法、装置、计算机设备和存储介质
CN109949637B (zh) 一种客观题目的自动解答方法和装置
CN111930925B (zh) 一种基于在线教学平台的试题推荐方法及系统
Gouli et al. Evaluating learner's knowledge level on concept mapping tasks
CN112149994A (zh) 一种基于统计分析的英语个人能力追踪学习系统
Wang et al. Combining dynamic and static analysis for automated grading sql statements
US20230101354A1 (en) Method, system, and storage medium for intelligent analysis of student's actual learning based on exam paper
CN114897077A (zh) 一种基于机器学习的英语阅读素养评价方法
CN111507584A (zh) 一种数据分析系统及方法
CN114818741A (zh) 一种用于在线教育的陪练纠错方法及装置
CN110765362A (zh) 一种基于学习情况相似度的协同过滤个性化学习推荐方法
CN112507792A (zh) 在线视频关键帧定位方法、定位系统、设备及存储介质
CN111414456A (zh) 一种开放式简答题自动评分的方法和系统
Wojatzki et al. Bundled gap filling: A new paradigm for unambiguous cloze exercises
CN116011856A (zh) 基于情感分析的在线课程质量评价系统及方法
CN113627722B (zh) 基于关键字分词的简答题评分方法、终端及可读存储介质
CN115438152A (zh) 一种基于多神经网络与知识图谱的简答题评分方法及系统
CN114140281A (zh) 一种可以用于教育行业的机器人教学平台
CN112784577B (zh) 一种英语教学用语句关联学习系统
CN112164262A (zh) 一种智能阅卷辅导系统
CN113127769B (zh) 基于标签树和人工智能的习题标签预测系统
CN113553432A (zh) 一种根本原因分析错题补救方法及系统

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