CN115422457A - 一种基于教育云平台的试题随机生成方法及系统 - Google Patents
一种基于教育云平台的试题随机生成方法及系统 Download PDFInfo
- Publication number
- CN115422457A CN115422457A CN202211079201.6A CN202211079201A CN115422457A CN 115422457 A CN115422457 A CN 115422457A CN 202211079201 A CN202211079201 A CN 202211079201A CN 115422457 A CN115422457 A CN 115422457A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- knowledge points
- test
- test question
- points
- 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.)
- Withdrawn
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 215
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000002131 composite material Substances 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 7
- 238000013500 data storage Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及远程教育技术领域，具体涉及一种对于不同教育参与者的试题推荐技术，具体为一种基于教育云平台的试题随机生成方法及系统；包括以下方法：采集所述目标用户存储的实时学习节点信息；基于所述实时学习节点信息确定对应的知识数据库，提取所述知识数据库中对应的多个知识点；基于多个所述知识点构建对应的知识图谱，并基于所述知识图谱构建试题网络；获取与所述知识点对应的历史试题以及所述历史试题对应的关键参数，基于所述关键参数调整所述试题网络；基于调整后的试题网络进行试题推荐；所述知识点包括元知识点以及基于所述元知识点获得复合知识点，所述元知识点用于表征学习节点信息中心的任意一个节点信息中的基本知识点。
Description
技术领域
本申请涉及远程教育技术领域，具体涉及一种对于不同教育参与者的试题推荐技术，具体为一种基于教育云平台的试题随机生成方法及系统。
背景技术
随着互联网技术和信息技术的飞速发展，教育行业模式也变得逐渐多样化，不单单采用线下的方式进行课程以及知识的学习，以线上进行授课的形式越来越得到普遍。而针对于线上教育中最为重要的一个环节为针对于学生能力的测评，而进行能力测评的方式主要基于试题进行测试。但在数据爆炸的时代，面对浩如烟海的试题资源，学生在有限的时间内练习完所有相关的试题是不可能的。如何让学生在有限时间内练习适合个体认知水平和发展的试题是一个重要的研究课题。
推荐系统这一思想是在1994年被Resnick等人引入的，推荐算法是推荐系统的核心，目前的推荐算法主要被分为基于内容的推荐算法、基于协同过滤的推荐算法和混合推荐算法。协同过滤算法是这三类推荐算法中最简单易懂且应用最广泛的推荐算法，尤其在电子商务领域的应用效果特别显著。近些年，有学者将学生对象看作电子商务中的用户，试题看作商品，学生在测试试题后的得分看作用户对商品的评分，使用协同过滤推荐算法进行学生的得分预测。还有学者使用基于近邻和模型的协同过滤来预测学生在试题上的得分。虽然协同过滤算法普适性高，但是其旨在通过学生答题的共性来预测学生的得分，忽略了学生的个性特征。
而针对于以上问题的解决，目前采用的方式主要基于推荐策略，例如通过统计学生不同学习点的答题正确率，人为界定需要练习题目的数量和难度规则。这就需要专业的专家来评估不同类型学习者的学习场景，归为多个分类，并针对每个分类定义详细的规则。这种方式对于领域专家的要求较高，限于人力，实际上也只能将学习者分类为非常有限的学习模式，并不能完成因人而异的推荐效果，试题推荐精度差。
发明内容
为了解决以上的技术问题，本申请提供一种基于教育云平台的试题随机生成方法及系统，能够通过计算机技术实现对于知识图谱的获取并且通过至少两次的训练使获得的知识图谱与对应的目标用户之间建立关联关系，并且基于目前学习的知识点能够得到在当下学习目标情况下对应的知识图谱以及基于知识谱图对应的试题，并将对应的试题推荐给对应的目标用户。
为了达到上述目的，本申请实施例采用的技术方案如下：
第一方面，一种基于教育云平台的试题随机生成方法，应用于多个用户端，生成试题并将试题发送至对应的目标用户，包括以下方法：采集所述目标用户存储的实时学习节点信息；基于所述实时学习节点信息确定对应的知识数据库，提取所述知识数据库中对应的多个知识点；基于多个所述知识点构建对应的知识图谱，并基于所述知识图谱构建试题网络；获取与所述知识点对应的历史试题以及所述历史试题对应的关键参数，基于所述关键参数调整所述试题网络；基于调整后的试题网络进行试题推荐；所述知识点包括元知识点以及基于所述元知识点获得复合知识点，所述元知识点用于表征学习节点信息中心的任意一个节点信息中的基本知识点。
第一方面的第一种实现方式中，所述知识数据库的构建包括以下方法：获取元知识点，所述元知识点用于表征学习节点信息中的任意一个节点信息中的基本知识点；基于至少两个所述元知识点获取复合知识点；基于至少两个所述元知识点和所述复合知识点构建知识数据子库；基于多个知识数据子库构建用于表征全部学习节点信息的知识数据库，所述知识数据库中配置有对应学习节点信息的标签信息。
结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，其特征在于，基于所述实时学习节点信息确定对应的知识数据库，提取所述知识数据库中对应的多个知识点，包括以下方法：获取所述实时学习节点信息的标签信息，基于所述标签信息获取所述知识数据库中与所述标签信息对应的知识数据子库，所述知识数据子库中存储有对应的多个知识点。
结合第一方面的第二种可能的实现方式，在第三种可能的实现方式中，基于多个所述知识点构建对应的知识图谱，包括以下方法：基于所述复合知识点构建基础知识图谱，基于所述元知识点构建推理知识图谱；融合所述基础知识图谱和所述推理知识图谱获得目标知识图谱。
结合第一方面的第三种可能的实现方式，在第四种可能的实现方式中，所述关键参数包括正确率，获取与所述知识点对应的历史试题以及所述历史试题对应的关键参数，基于所述关键参数调整所述试题网络包括以下方法：基于多个所述知识点获取关联知识点，基于所述关联知识点获取对应的全图谱历史试题，并获取全图谱历史试题中的错题集，基于所述错题集确定所述正确率；基于所述正确率即对应的错题集调整所述试题网络为第一试题网络。
结合第一方面的第四种可能的实现方式，在第五种可能的实现方式中，获取与所述知识点对应的历史试题以及所述历史试题对应的关键参数，基于所述关键参数调整所述试题网络，还包括以下方法：基于所述关联知识点获取所述目标用户的历史试题，并获取目标用户历史试题中的错题集以及正确率，基于所述目标用户历史试题中的错题集以及正确率调整所述第一目标试题网络目标试题网络为第二目标试题网络，基于所述第二试题网络进行试题推荐。
第二方面，提供一种基于教育云平台的试题随机生成系统，包括试题随机生成装置以及用户端，所述试题随机生成装置执行上述任一项所述的方法并将生成的试题通过通信装置下发至所述用户端。
第二方面的第一种实现方式中，试题随机生成装置，包括：采集模块，用于采集所述目标用户存储的实时学习节点信息；知识点提取模块，基于所述实时学习节点信息确定对应的知识数据库，用于提取所述知识数据库中对应的多个知识点；试题网络构建模块，用于基于多个所述知识点构建对应的知识图谱，并基于所述知识图谱构建试题网络；试题网络调整模块，用于获取与所述知识点对应的历史试题以及所述历史试题对应的关键参数，基于所述关键参数调整所述试题网络；试题推荐模块，用于基于调整后的试题网络进行试题推荐。
结合第二方面的第一种可能的实现方式，在第二种可能的实现方式中，所述知识点包括元知识点以及基于所述元知识点获得复合知识点，所述元知识点用于表征学习节点信息中心的任意一个节点信息中的基本知识点。
第三方面，提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述任一项所述的方法。
第四方面，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，所述计算机程序被处理器执行时实现上述任一项所述的方法。
本申请实施例提供的技术方案中，通过采集目标用户的实时学习节点信息，基于实时学习节点信息确定对应的知识点，基于知识点构建知识图谱，基于知识图谱以及历史试题对应的关键参数对知识图谱对应的试题网络进行调节得到与目标用户对应目标试题网络。本实施例通过以上的处理过程实现对于目标用户学习能力相对应试题随机生成，提高了测试的准确度以及对于目标用户掌握的知识全面的准确且全面的评估。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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，下面描述中的附图仅仅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。
附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中示例数字在附图的各个视图中代表相似的机构。
图1是本申请实施例提供的终端设备的结构示意图。
图2是本申请的一些实施例所示的基于教育云平台的试题随机生成方法的流程图。
图3时本申请的一些实施例所示的基于教育云平台的试题随机生成系统的结构示意图。
图4是根据本申请实施例提供的装置方框示意图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本申请。在其他情况下，公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的模糊本申请的方面。
本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序或同时执行。另外，可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。
(1)响应于，用于表示所执行的操作所依赖的条件或者状态，当满足所依赖的条件或状态时，所执行的一个或多个操作可以是实时的，也可以具有设定的延迟；在没有特别说明的情况下，所执行的多个操作不存在执行先后顺序的限制。
(2)基于，用于表示所执行的操作所依赖的条件或者状态，当满足所依赖的条件或状态时，所执行的一个或多个操作可以是实时的，也可以具有设定的延迟；在没有特别说明的情况下，所执行的多个操作不存在执行先后顺序的限制。
(3)试题网络，基于知识图谱进行确定的关于试题设置的网络，是一种具有耦合关系的结构，但并不是一种类似于神经网络的网络。
(4)云平台，也称为云平台，是指基于硬件资源和软件资源的服务，提供计算、网络和存储能力。云计算平台可以划分为3类：以数据存储为主的存储型云平台，以数据处理为主的计算型云平台以及计算和数据存储处理兼顾的综合云计算平台。在本实施例中，云平台为计算和数据存储处理兼顾的总和云计算平台。
(5)知识图谱，是指把所有不同种类的信息(Heterogeneous Information)连接在一起而得到的一个关系网络。
本申请实施例提供的技术方案，主要的应用场景为远程教育或者是线上教育平台进行学习者能力评估，主要是基于教育云平台进行能力评估。在实际应用场景中，针对于学习者的能力评估普遍采用的方式使通过试题测试的方式进行，而因为教育云平台与实际教育场景不同，在实际教育场景中针对于学习者的能力评估主要基于教学机构以及教师进行试题的测试进行，而针对于试题的测试包括统一的考试试题以及针对性的测试，而这种测试主要基于教育机构以及教师的主观意愿进行测试。而与线下教育不同在于，线上教育云平台中因为面向的学习者远远大于线下教育场景，所以无法针对每一个对应的学生进行主观测试的开展。所以，需要针对在此种场景下进行一种自动化的测试，而这对于测试的核心在于试题的设置，与线下教育场景不同，线下教育场景中针对于试题可以教师可以基于每一个学生的学习状态学习进度以及之前的学习能力进行针对性测试题目的设置。而在教育云平台中无法实现。
所以，针对于教育云平台需要进行基于学习者即目标用户能力的不同而进行测试题目设置以及考核。而针对于测试题目的设置，既要考虑学习者本身的学习能力，但也要参考较多的评估标准，比如试题的难易程度要有梯度，试题的考核点要与目前学习知识点相关联，并且要设置不同难度梯度既保证学习者能够将学过的知识进行巩固又能找到知识点中的盲点。所以，针对于教育云平台的试题生成需要一种自动化且智能化的方式进行获得。
基于以上的技术背景，本申请实施例提供一种终端设备100，该终端设备包括存储器110、处理器120以及存储在存储器中并可在处理器上运行的计算机程序，其中处理器执行基于教育云平台的试题随机生成方法，对现有知识点进行获取，并基于目标用户的学习能力以及学习知识点进行对应性的测试题目的生成并下发至对应的目标用户。在本实施例中，该终端设备与用户端进行通信，将获取到的目标试题发送至对应的用户端，在硬件上实现对于目标试题的发送。其中，针对于发送信息的方式基于网络实现，并且在终端设备进行应用之前需要对用户端与终端设备建立关联关系，可以通过注册的方式实现对于终端设备与用户端之间的关联。其中终端设备可以针对多个用户端，也可以针对一个用户端，并且用户端通过密码以及其他加密的方式与终端设备进行通信。
在本实施例中，该终端可以为服务器，针对于服务器的物理结构，包括存储器、处理器和通信单元。存储器、处理器以及通信单元各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器用于存储特定的信息和程序，通信单元用于将处理后的信息进行发送至对应的用户端。
本实施例将存储模块划分为两个存储区域，其中一个存储区为程序存储单元，另一个存储区域为数据存储单元。程序存储单元相当于固件区，该区域的读写权限设置为只读模式，其内存储的数据不可擦除和更改。而数据存储单元中的数据可以进行擦除或读写，当数据存储区域的容量已满时，新写入的数据会对最早期的历史数据进行覆盖。
其中，存储器可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Ele超声ric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(DSP))、专用集成电路(ASIC)、现场可编程门阵列(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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。
参阅图2，在本实施例中，针对于基于教育云平台额试题随机生成方法，其工作逻辑为，获取目标用户即对应的学习者的学习节点信息，此学习节点信息用于确定目前的知识信息。基于学习节点信息确定对应的知识数据库并且提取知识数据库中对应的多个知识点。并基于多个知识点构建对应的知识图谱，并基于知识图谱构建试题网络，并且基于目标用户的历史数据确定试题网络中的关键参数，基于关键参数调整试题网络为目标试题网络，并将目标试题网络下发至对应的用户端。
针对于本实施例提供的工作逻辑提供一种远程教育数据采集分析方法，具体包括以下方法：
步骤S210.采集所述目标用户存储的实时学习节点信息。
在本实施例中，所述目标用户为待测试的学习者，针对于此过程主要用于获取待测试的学习者的学习进度。而针对于采集的发起基于采集命令，即教育云平台下发采集命令，基于采集命令对目标用户的学习进度即实时学习节点信息进行采集。
而针对于命令的下发逻辑以及下发命令的配置可以基于预先设置的命令采集规则也可以为教师针对于目标区域内的教师进行下发，即可以通过自动下发也可以针对手动下发，并且还可以为基于学习者自身的设置进行，如果针对于学习者想要实现通过测试了解目前自己知识的掌握情况，则可以设置下发测试命令，通过设置的命令进行采集。
在其他实施例中，针对于学习者主动发起的测试命令，不仅可以采集学习者目前的实时学习节点信息，学习者还可以主动配置测试的科目以及科目的类型，基于此种测试命令在此步骤中不仅采集目标用户存储的实时学习节点信息，还可以根据主动配置的测试客户以及科目的类型进行相关学习信息的采集。但在此实施例中，主要还是基于自动化进行测试题目的配置，针对于此场景不进行详细的描述。
步骤S220.基于所述实时学习节点信息确定对应的知识数据库，提取所述知识数据库中对应的多个知识点。
在本实施例中，此过程主要实现对于实时学习节点对应的相关知识点的获取，因为基于测试的逻辑主要基于知识点进行测试。而在学习节点中，例如在具体的每一节课程或者一个阶段的课程中包括多个知识点，所以需要针对于测试目标中的实时学习节点信息中的多个知识点进行确定。在本实施例中，因为课程的设置以及教材的相关内容的设置的逻辑主要基于知识点，所以可以通过预先设置知识数据库进行关于学习节点信息中知识点的获得。
在本实施例中，获取的过程主要包括：
获取所述实时学习节点信息的标签信息，基于所述标签信息获取所述知识数据库中与所述标签信息对应的知识数据子库，所述知识数据子库中存储有对应的多个知识点。
在本实施例中，针对于实时学习节点信息配置有对应的标签信息，此标签信息可进行预先设置，而设置的方式可以通过键入关键词或者基于预设置的规则进行字符或者数字编号的设置。针对于预设置的实时学习节点信息中的标签信息与知识数据库中的标签信息进行比对，得到相同标签信息下的知识数据子库，在知识数据子库中存储有对应的多个知识点。
在本实施例中，知识点包括元知识点以及基于元知识点获得的复合知识点，其中元知识点用于表征学习节点信息中的任意一个节点信息中的基本知识点。
本实施例中，在教学领域中将教学知识点按重要程度进行划分为元知识点和复合知识点，元知识点代表教学过程中最为基础的教学知识点，具有不可划分性，而复合知识点则是由两个及两个以上元知识点构成的知识点；在整个知识点架构中按树形结构比喻，元知识点作为叶子节点，复合知识点作为父节点。本实施例中所提到的知识点架构，是基于知识点之间的关系将全部知识点组合得到的结构。在知识点架构中，用于教学的一个复合知识点可能包含一或多个元知识点，也可能包括一个或多个复合知识点。
对于元知识点与学习课程关联的问题，举例如下，学习教材由章组成，章由节组成，节由课程(单元)组成，每一个课程都有需要学习的知识点，教研人员根据对课程及教学大纲的研究，在知识点管理后台将创建成功的知识点关联在各个课程上，为了更细粒度的描绘课程所要学习的知识，课程只能关联元知识点及一级复合知识点(一级复合知识点指的是知识点下只有元知识点的复合知识点)。
步骤S230.基于多个所述知识点构建对应的知识图谱，并基于所述知识图谱构建试题网络。
在本实施例中，为了使得由元知识点构成的知识点架构更加形象化、同时也便于用户在使用程序进行学习时，能够根据当前学习的知识点准确获取相关或相邻的知识点，需要建立能够表征知识点相关性的知识图谱，在知识图谱中可以根据当前的一个元知识点获取与之存在知识连接关系(或称为依赖关系)的元知识点，从而实现多知识点学习、或是知识点查漏补缺的学习过程。
而针对多个知识点构建对应的知识图谱包括以下方法：
基于所述复合知识点构建基础知识图谱，基于所述元知识点构建推理知识图谱。
融合所述基础知识图谱和所述推理知识图谱获得目标知识图谱。
在本实施例中，融合基础知识图谱和推理知识图谱，是一个简单的组合过程，将两者所包括的所有知识作为一个完整的知识图谱，供其他模块或用户调用。
在本发明一实施方式中，在合并基础知识图谱和推理知识图谱之后，还根据Tableau算法，判断完整知识图谱中的推理知识图谱和基础知识图谱是否冲突；在判定存在冲突时，发出提醒信息。
举例说明，融合基础知识图谱和推理知识图谱之后，得到的目标知识图谱中知识整体的可能存在可满足性、包含性等知识之间的冲突问题。例如，基础知识图谱中声明了一个周期性的会议安排[新产品质量例会，周期，10天]，此时，如果推理规则集中存在一条规则声明。本发明实施例中采用描述逻辑进行描述的推理规则，描述逻辑是一阶逻辑的一个可判定子集，而Tableau演算是一种一节逻辑的证明轮，因此能够根据描述逻辑和Tableau演算构造出适用于本发明的Tableau算法，用于判定知识图谱的推理问题。
需要说明的是，对于判断完整知识图谱中的推理知识图谱和基础知识图谱是否冲突的时机，可以是在合并基础知识图谱和推理知识图谱得到第一知识图谱之后立即进行判断。
在本实施例中得到的目标知识图谱主要用于说明知识之间的关联关系，用于实现对于试题知识内容的确定。而针对于试题知识内容的确定的表现形式为最终的试题网络，即基于目标知识图谱构建试题网络。
步骤S240.获取与所述知识点对应的历史试题以及所述历史试题对应的关键参数，基于所述关键参数调整所述试题网络。
在此步骤中，主要基于获取到的知识图谱进行目标试题的生成，因为在步骤S230中基于知识图谱获取的试题网络为基于知识点的整体的相关试题。而在本发明提供的实施例中，试题随机生成主要基于不同的目标用户而进行设置，所以针对获取到的目标知识图谱得到的试题网络进行针对性的调整得到对应目标用户的试题网络。
具体包括以下过程：
步骤S241.基于多个所述知识点获取关联知识点，基于所述关联知识点获取对应的全图谱历史试题，并获取全图谱历史试题中的错题集，基于所述错题集确定所述正确率；基于所述正确率即对应的错题集调整所述试题网络为第一试题网络。
此过程主要时基于与实时学习节点信息对应的多个知识点所涉及到所有用户中历史试题以及所述历史试题对应的错题集以及正确率，基于此步骤主要用于实现对于相关实时学习节点信息中涉及到知识点的难度梯度以对应的试题内容，为可进行参考的基础历史数据。
步骤S242.基于所述关联知识点获取所述目标用户的历史试题，并获取目标用户历史试题中的错题集以及正确率，基于所述目标用户历史试题中的错题集以及正确率调整所述第一目标试题网络目标试题网络为第二目标试题网络，基于所述第二试题网络进行试题生成。
在此步骤主要基于目标用户中历史数据对步骤S241中获取到的第一试题网络进行修正，通过此步骤可以实现第一试题网络对于目标用户的针对性。
本步骤S240中，主要基于获取到的知识图谱通过两次不同的历史数据进行对知识图谱中涉及到的实时学习节点信息中的多个知识点构建针对于目标用户的试题生成，基于生成的试题发送至对应的目标用户的用户端进行测试开展。
步骤S250.将调整后的试题网络推荐至对应的目标用户端。
并且，在进行配置对应测试试题时还包括对应答案的生成，并且答案的配置机制、保存机制以及展示机制基于教育云平台的规则进行设置。而针对于试题的答案的生成以及答案的获取因为不属于本实施例中试题的生成方法，在本实施例中不进行详细的描述。可以知道的是，针对于知识图谱生成对应的答案可以使用现有技术进行实现。
参阅图3，本实施例还提供一种基于教育云平台的试题随机生成系统300，包括试题随机生成装置310以及用户端320，在本实施例中，试题随机生成装置310执行步骤S210-S250中的试题随机生成方法，并生成对应试题，并通过通信装置下发至所述用户端320。
参阅图4，在本实施例中，针对于试题随机生成装置310，包括：采集模块311，用于采集所述目标用户存储的实时学习节点信息。知识点提取模块312，基于所述实时学习节点信息确定对应的知识数据库，用于提取所述知识数据库中对应的多个知识点。试题网络构建模块313，用于基于多个所述知识点构建对应的知识图谱，并基于所述知识图谱构建试题网络。试题网络调整模块314，用于获取与所述知识点对应的历史试题以及所述历史试题对应的关键参数，基于所述关键参数调整所述试题网络。试题推荐模块315，用于推荐调整后的试题网络。
在本实施例中，针对于知识点提取模块312中的知识点包括元知识点以及基于所述元知识点获得复合知识点，所述元知识点用于表征学习节点信息中心的任意一个节点信息中的基本知识点。
本申请实施例提供的技术方案中，通过采集目标用户的实时学习节点信息，基于实时学习节点信息确定对应的知识点，基于知识点构建知识图谱，基于知识图谱以及历史试题对应的关键参数对知识图谱对应的试题网络进行调节得到与目标用户对应目标试题网络。本实施例通过以上的处理过程实现对于目标用户学习能力相对应试题随机生成，提高了测试的准确度以及对于目标用户掌握的知识全面的准确且全面的评估。
需要理解的是，针对上述内容没有进行名词解释的技术术语，本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定其所指代的含义在此均不作限定。
本领域技术人员可以根据上述已公开的内容毫无疑义对一些预设的、基准的、预定的、设定的以及偏好标签的技术特征/技术术语进行确定，例如阈值、阈值区间、阈值范围等。对于一些未作解释的技术特征术语，本领域技术人员完全能够基于前后文的逻辑关系进行合理地、毫无疑义地推导，从而清楚、完整地实施上述技术方案。未作解释的技术特征术语的前缀，例如“第一”、“第二”、“示例”、“目标”等，可以根据前后文进行毫无疑义地推导和确定。未作解释的技术特征术语的后缀，例如“集合”、“列表”等，也可以根据前后文进行毫无疑义地推导和确定。
本申请实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解，本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本申请所记载的内容进行的，因此上述内容并不是对整体方案的创造性的评判。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定术语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同部分两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的至少一个实施例中的某些特征、结构或特点可以进行适当的组合。
另外，本领域普通技术人员可以理解的是，本申请的各个方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“单元”、“组件”或“系统”。此外，本申请的各方面可以表现为位于至少一个计算机可读介质中的计算机产品，所述产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤缆线、RF、或类似介质、或任何上述介质的组合。
本申请各方面执行所需的计算机程序码可以用一种或多种程序语言的任意组合编写，包括面向对象程序设计，如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET，Python等，或类似的常规程序编程语言，如"C"编程语言，Visual Basic，Fortran2003，Perl，COBOL 2002，PHP，ABAP，动态编程语言如Python，Ruby和Groovy或其它编程语言。所述程式设计编码可以完全在用户计算机上执行、或作为独立的软体包在用户计算机上执行、或部分在用户计算机上执行部分在远程计算机执行、或完全在远程计算机或服务器上执行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网络(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非申请专利范围中明确说明，本申请所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的申请专利范围并不仅限于披露的实施例，相反，申请专利范围旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件装置实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或行动装置上安装所描述的系统。
同样应当理解的是，为了简化本申请揭示的表述，从而帮助对至少一个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (10)
1.一种基于教育云平台的试题随机生成方法，其特征在于，应用于多个用户端，生成试题并将试题发送至对应的目标用户，包括以下方法：
采集所述目标用户存储的实时学习节点信息；
基于所述实时学习节点信息确定对应的知识数据库，提取所述知识数据库中对应的多个知识点；
基于多个所述知识点构建对应的知识图谱，并基于所述知识图谱构建试题网络；
获取与所述知识点对应的历史试题以及所述历史试题对应的关键参数，基于所述关键参数调整所述试题网络；
基于调整后的试题网络进行试题推荐；
所述知识点包括元知识点以及基于所述元知识点获得复合知识点，所述元知识点用于表征学习节点信息中的任意一个节点信息中的基本知识点。
2.根据权利要求1所述的基于教育云平台的试题随机生成方法，其特征在于，所述知识数据库的构建包括以下方法：
获取元知识点，所述元知识点用于表征学习节点信息中的任意一个节点信息中的基本知识点；
基于至少两个所述元知识点获取复合知识点；
基于至少两个所述元知识点和所述复合知识点构建知识数据子库；
基于多个知识数据子库构建用于表征全部学习节点信息的知识数据库，所述知识数据库中配置有对应学习节点信息的标签信息。
3.根据权利要求2所述的基于教育云平台的试题随机生成方法，其特征在于，基于所述实时学习节点信息确定对应的知识数据库，提取所述知识数据库中对应的多个知识点，包括以下方法：
获取所述实时学习节点信息的标签信息，基于所述标签信息获取所述知识数据库中与所述标签信息对应的知识数据子库，所述知识数据子库中存储有对应的多个知识点。
4.根据权利要求3所述的基于教育云平台的试题随机生成方法，其特征在于，基于多个所述知识点构建对应的知识图谱，包括以下方法：
基于所述复合知识点构建基础知识图谱，基于所述元知识点构建推理知识图谱；
融合所述基础知识图谱和所述推理知识图谱获得目标知识图谱。
5.根据权利要求4所述的基于教育云平台的试题随机生成方法，其特征在于，所述关键参数包括正确率，获取与所述知识点对应的历史试题以及所述历史试题对应的关键参数，基于所述关键参数调整所述试题网络包括以下方法：
基于多个所述知识点获取关联知识点，基于所述关联知识点获取对应的全图谱历史试题，并获取全图谱历史试题中的错题集，基于所述错题集确定所述正确率；
基于所述正确率即对应的错题集调整所述试题网络为第一试题网络。
6.根据权利要求5所述的基于教育云平台的试题随机生成方法，其特征在于，获取与所述知识点对应的历史试题以及所述历史试题对应的关键参数，基于所述关键参数调整所述试题网络，还包括以下方法：
基于所述关联知识点获取所述目标用户的历史试题，并获取目标用户历史试题中的错题集以及正确率，基于所述目标用户历史试题中的错题集以及正确率调整所述第一目标试题网络目标试题网络为第二目标试题网络，基于所述第二试题网络进行试题推荐。
7.一种基于教育云平台的试题随机生成系统，其特征在于，包括试题随机生成装置以及用户端，所述试题随机生成装置执行权利要求1～6任一项所述的方法并将生成的试题通过通信装置下发至所述用户端。
8.根据权利要求7所述的基于教育云平台的试题随机生成系统，其特征在于，所述试题随机生成装置包括：
采集模块，用于采集所述目标用户存储的实时学习节点信息；
知识点提取模块，基于所述实时学习节点信息确定对应的知识数据库，用于提取所述知识数据库中对应的多个知识点；
试题网络构建模块，用于基于多个所述知识点构建对应的知识图谱，并基于所述知识图谱构建试题网络；
试题网络调整模块，用于获取与所述知识点对应的历史试题以及所述历史试题对应的关键参数，基于所述关键参数调整所述试题网络；
试题推荐模块，用于基于调整后的试题网络进行试题推荐。
9.根据权利要求8所述的基于教育云平台的试题随机生成系统，其特征在于，所述知识点包括元知识点以及基于所述元知识点获得复合知识点，所述元知识点用于表征学习节点信息中心的任意一个节点信息中的基本知识点。
10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211079201.6A CN115422457A (zh) | 2022-09-05 | 2022-09-05 | 一种基于教育云平台的试题随机生成方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211079201.6A CN115422457A (zh) | 2022-09-05 | 2022-09-05 | 一种基于教育云平台的试题随机生成方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115422457A true CN115422457A (zh) | 2022-12-02 |
Family
ID=84202092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211079201.6A Withdrawn CN115422457A (zh) | 2022-09-05 | 2022-09-05 | 一种基于教育云平台的试题随机生成方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115422457A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116955589A (zh) * | 2023-09-19 | 2023-10-27 | 山东山大鸥玛软件股份有限公司 | 一种基于教材知识图谱的智能命题方法、系统、命题终端及存储介质 |
-
2022
- 2022-09-05 CN CN202211079201.6A patent/CN115422457A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116955589A (zh) * | 2023-09-19 | 2023-10-27 | 山东山大鸥玛软件股份有限公司 | 一种基于教材知识图谱的智能命题方法、系统、命题终端及存储介质 |
| CN116955589B (zh) * | 2023-09-19 | 2024-01-30 | 山东山大鸥玛软件股份有限公司 | 一种基于教材知识图谱的智能命题方法、系统、命题终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gitinabard et al. | How widely can prediction models be generalized? Performance prediction in blended courses | |
| CN112016767A (zh) | 学习路线的动态规划方法及装置 | |
| CN113851020A (zh) | 一种基于知识图谱的自适应学习平台 | |
| CN113535982B (zh) | 一种基于大数据的教学系统 | |
| Yang et al. | Untangling chaos in discussion forums: A temporal analysis of topic-relevant forum posts in MOOCs | |
| CN108984516B (zh) | 一种基于弹幕评论云数据的在线课程内容测评方法及系统 | |
| Jeong et al. | Developing causal understanding with causal maps: The impact of total links, temporal flow, and lateral position of outcome nodes | |
| CN112596731B (zh) | 一种融合智能教育的编程教学系统及方法 | |
| Thille et al. | Incorporating learning analytics in the classroom | |
| KR102507733B1 (ko) | 인공지능 기술 기반 학생 맞춤형 교육 및 취업지원 방법 및 시스템 | |
| Villegas-Ch et al. | Artificial intelligence as a support technique for university learning | |
| Yang | The evaluation of online education course performance using decision tree mining algorithm | |
| CN113283488A (zh) | 一种基于学习行为的认知诊断方法及系统 | |
| Duru et al. | An overview of studies about students' performance analysis and learning analytics in MOOCs | |
| Perišić et al. | A semantic approach to enhance moodle with personalization | |
| CN115422457A (zh) | 一种基于教育云平台的试题随机生成方法及系统 | |
| Alowaigl et al. | A multi-criteria assessment of decision support systems in educational environments | |
| Han | A Fuzzy Logic and Multilevel Analysis‐Based Evaluation Algorithm for Digital Teaching Quality in Colleges and Universities | |
| Du | Application of the Data‐Driven Educational Decision‐Making System to Curriculum Optimization of Higher Education | |
| CN114492803A (zh) | 基于知识图谱的问答生成方法及装置、自动考题生成系统 | |
| Li et al. | Research on the big data analysis of MOOCs in a flipped classroom based on attention mechanism in deep learning model | |
| CN109800880B (zh) | 基于动态学习风格信息的自适应学习特征提取系统及应用 | |
| CN108921349B (zh) | 一种基于贝叶斯网络预测做题错误位置的方法 | |
| Liu et al. | A novel policy-graph approach with natural language and counterfactual abstractions for explaining reinforcement learning agents | |
| Koong et al. | The learning effectiveness analysis of JAVA programming with automatic grading system |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221202 |
|
| WW01 | Invention patent application withdrawn after publication |