CN116151242A - 一种编程学习场景的智能习题推荐方法、系统及储存介质 - Google Patents
一种编程学习场景的智能习题推荐方法、系统及储存介质 Download PDFInfo
- Publication number
- CN116151242A CN116151242A CN202310421039.XA CN202310421039A CN116151242A CN 116151242 A CN116151242 A CN 116151242A CN 202310421039 A CN202310421039 A CN 202310421039A CN 116151242 A CN116151242 A CN 116151242A
- Authority
- CN
- China
- Prior art keywords
- representing
- code
- student
- label
- answer
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000003993 interaction Effects 0.000 claims abstract description 44
- 230000006870 function Effects 0.000 claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 30
- 238000012512 characterization method Methods 0.000 claims abstract description 25
- 238000010586 diagram Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims 2
- 230000000694 effects Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种编程学习场景的智能习题推荐方法、系统及储存介质,包括如下步骤:S1:获取目标对象的历史答题序列;S2:将所述多个历史答题交互中的标签转化为向量表示形式;S3:将所述目标对象的学生代码文本标签带入第一目标计算函数组,计算得到所述学生代码文本标签的向量化表征;S4:将所述题目标签、所述正确作答与否标签、所述知识点标签和所述学生代码文本标签的向量化表征带入第二目标计算函数组,计算得到学生历史答题记录的特征图;S5:将历史答题记录的特征图带入第三目标计算函数组,计算学生的知识状态以及对未作答题目的正确概率;该智能习题推荐方法能够为在线教育提供更准确的知识追踪服务。
Description
技术领域
本发明涉及教育设备控制技术领域,尤其涉及一种编程学习场景的智能习题推荐方法、系统及储存介质。
背景技术
知识追踪(Knowledge Tracing)是根据学生过去的答题情况对学生的知识掌握情况进行建模,从而得到学生当前知识状态表示的一种技术,具体而言,从学生的历史答题记录中获得学生知识状态的变化,从而预测学生未来的表现。此外,基于此种方法,还能够针对不同的学生个体提供个性化的知识服务,比如个性化的题目推荐,课程推荐,真正实现因材施教的目的,提高学生的学习效率。
目前,知识追踪在青少年编程学习领域并未取得充分的应用,大多数工作都是只采用传统学科教育领域的知识追踪模式进行处理,没有针对变成教育领域的特点进行针对性的改进。然而,编程教育和学科教育本身具有非常大差异,学科教育常常针对学生作答的对错评估学生的知识状态,并不考虑学生回答的内容,而在编程教育中,针对同一个问题,学生编写的代码文本会在极大程度上反映其对知识的掌握程度,而传统的知识追踪方法,无法满足以上需求,因此无法对学生的学习情况进行准确评估。
发明内容
基于背景技术存在的技术问题,本发明提出了一种编程学习场景的智能习题推荐方法、系统及储存介质,能够为在线教育提供更准确的知识追踪服务,提高学生在使用在校编程教育平台时的学习效果。
本发明提出的一种编程学习场景的智能习题推荐方法,包括如下步骤:
S2:将所述多个历史答题交互中的标签转化为向量表示形式;
S3:将所述目标对象的学生代码文本标签带入第一目标计算函数组,计算得到所述学生代码文本标签的向量化表征;
S4:将所述题目标签、所述正确作答与否标签、所述知识点标签和所述学生代码文本标签的向量化表征带入第二目标计算函数组,计算得到学生历史答题记录的特征图;
S5:将历史答题记录的特征图带入第三目标计算函数组,计算学生的知识状态以及对未作答题目的正确概率;
所述第一目标计算函数组具体公式如下:
其中,表示目标对象的历史相关代码表现,/>表示目标对象的代码段/>的向量化表征,/>表示目标对象的代码段,/>表示从代码库中储存的代码片段中随机抽样的代码片段,/>表示代码库中储存的代码片段与当前代码片段的匹配程度,表示从/>中选择出的若干个权重较大值,/>表示/>对应的代码库中储存的代码片段,/>表示权重值,/>为通过/>算法将学生代码文本标签/>分解为的/>个代码段对应的向量表示,/>为对进行编码得到的若干向量,/>表示目标对象当前正在完成习题的题目标签,/>表示两个矩阵进行拼接,/>表示权重值,/>表示训练参数中的权重,/>表示训练参数中的偏置,/>表示乘积,/>表示学生代码文本标签/>分解成/>个代码段并转换为的向量表示形式;
所述第二目标计算函数组具体公式如下:
其中,表示学生历史答题记录的特征图,/>表示知识点标签中知识点下的题目被回答的总次数,/>表示知识点/>下的题目被作对的次数,/>表示学习交互序列,/>表示学生对所有知识概念的概念正确率,/>表示中间参量,/>表示两个矩阵进行拼接;
所述第三目标计算函数组的具体公式如下:
其中,表示对特征图H线性表示后的特征图,/>是为第一随机初始化权重矩阵,是为第二随机初始化权重矩阵,/>为第一随机初始化偏置系数,/>为第二随机初始化偏置系数,/>为学生对未作答题目/>的正确概率,/>表示学生未作答的题目,/>表示学生的知识状态,/>表示/>函数,/>表示卷积操作,/>表示中间参量。
进一步地,在所述S3:将所述目标对象的学生代码文本标签带入第一目标计算函数组,计算得到所述学生代码文本标签的向量化表征中,具体包括:
进一步地,在S4:将所述题目标签、所述正确作答与否标签、所述知识点标签和所述学生代码文本标签的向量化表征带入第二目标计算函数组,计算得到学生历史答题记录的特征图中,具体包括:
一种编程学习场景的智能习题推荐系统,包括历史答题获取模块、向量转化模块、向量化表征模块、特征图表征模块和预测模块;
所述历史答题获取模块用于获取目标对象的历史答题序列,历史答题序列由多个历史答题交互组成,所述历史答题交互至少包括题目标签、正确作答与否标签/>、知识点标签/>和学生代码文本标签/>,其中/>表示答题交互的序号;
所述向量转化模块用于将所述多个历史答题交互中的标签转化为向量表示形式;
所述向量化表征模块用于将所述目标对象的学生代码文本标签带入第一目标计算函数组,计算得到所述学生代码文本标签的向量化表征;
所述特征图表征模块用于将所述题目标签、所述正确作答与否标签、所述知识点标签和所述学生代码文本标签的向量化表征带入第二目标计算函数组,计算得到学生历史答题记录的特征图;
所述预测模块用于将历史答题记录的特征图带入第三目标计算函数组,计算学生的知识状态以及对未作答题目的正确概率;
所述第一目标计算函数组具体公式如下:
其中,表示目标对象的历史相关代码表现,/>表示目标对象的代码段/>的向量化表征,/>表示目标对象的代码段,/>表示从代码库中储存的代码片段中随机抽样的代码片段,/>表示代码库中储存的代码片段与当前代码片段的匹配程度,表示从/>中选择出的若干个权重较大值,/>表示/>对应的代码库中储存的代码片段,/>表示权重值,/>为通过/>算法将学生代码文本标签/>分解为的/>个代码段对应的向量表示,/>为对进行编码得到的若干向量,/>表示目标对象当前正在完成习题的题目标签,/>表示两个矩阵进行拼接,/>表示权重值,/>表示训练参数中的权重,/>表示训练参数中的偏置,/>表示乘积,/>表示学生代码文本标签/>分解成/>个代码段并转换为的向量表示形式;
所述第二目标计算函数组具体公式如下:
其中,表示学生历史答题记录的特征图,/>表示知识点标签中知识点下的题目被回答的总次数,/>表示知识点/>下的题目被作对的次数,/>表示学习交互序列,/>表示学生对所有知识概念的概念正确率,/>表示中间参量,/>表示两个矩阵进行拼接;
所述第三目标计算函数组的具体公式如下:
其中,表示对特征图H线性表示后的特征图,/>是为第一随机初始化权重矩阵,是为第二随机初始化权重矩阵,/>为第一随机初始化偏置系数,/>为第二随机初始化偏置系数,/>为学生对未作答题目/>的正确概率,/>表示学生未作答的题目,/>表示学生的知识状态,/>表示/>函数,/>表示卷积操作,/>表示中间参量。
一种计算机储存介质,所述计算机储存介质上存储有若干分类程序,所述若干分类程序用于被处理器调用并执行如上所述的智能习题推荐方法。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本发明提供的一种编程学习场景的智能习题推荐方法、系统及储存介质的优点在于:本发明结构中提供的一种编程学习场景的智能习题推荐方法、系统及储存介质,设计了三种特征能够学习学生的个性化特征,从而根据这些特点更好的进行预测,其次对学生提交的历史代码进行记录,并能够从更多维的角度(传统知识追踪不考虑学生的提交内容)根据这些记录总结学生的知识状态,简而言之就是考虑了更多维度的信息,达到更准确的预测效果;另外该智能习题推荐方法针对现有知识追踪模型进行了大幅度改进,尤其是针对代码题的特点进行了改进,根据学生个性化的差异,调整了对学生提交代码的编码,能够为在线教育提供更准确的知识追踪服务,提高学生在使用在校编程教育平台时的学习效果。
附图说明
图1为本发明的结构示意图。
具体实施方式
下面,通过具体实施例对本发明的技术方案进行详细说明,在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
现有的知识追踪模型大致可以分为3类:基于概率图模型的知识追踪、基于矩阵分解的知识追踪以及基于深度学习的知识追踪:
1)基于概率图模型的知识追踪。
采用实时反馈的用户交互建模,将学习者的潜在知识状态建模为一组二元变量,每个变量代表是否理解某个知识,随着学生不断地练习,对于知识点的掌握也会有动态的变化,BKT通过利用隐马尔可夫模型(HMM)来维护代表知识点熟练度的二元变量{已掌握该知识点,未掌握该知识点},原始的BKT模型假设学生一旦学会了技能,就永远不会被遗忘,最近有研究将学生的猜测和失误个体学习者的先验知识估计M以及问题难度估计等因素融入到BKT模型中。
2)基于矩阵分解的知识追踪。
由于推荐领域与知识追踪建模的相似性,部分学者将PMF算法改进应用于知识追踪领,该类方法首先计算出对学习对象因素和题目因素的估计值,然后利用逻辑函数将该估计值转换为对目标对象答案正确的概率预测。
3)基于深度学习的知识追踪。
由于深度学习并不需要人类教会模型不同题目的难易、考核内容等特定的知识,避免了大量的手工标注特征工作量,而且在互联网在线教育行业兴起后,拥有了海量的学生答题记录,这些答题记录就能教会模型将题库中成千上万条题目encode为一个向量,并且能类似于word2vec那样找出题目之间的关联。
本实施例将现有的知识追踪模型进行相互结合,设计出一个适用于动态追踪的知识追踪方法。
如图1所示,本发明提出的一种编程学习场景的智能习题推荐方法,包括如下步骤:
其中,所述历史答题交互可以直接从答题系统中获取,此时,目标对象可以在电脑上进行答题作业,答题系统按目标对象的作答顺序自动记录目标对象作答的各个题目标签及对应的、知识点标签,目标对象通过提交代码文本进行作答,作答的正确与否由系统自动进行验证。
另外,历史答题序列中的多个历史答题交互,也可以从互联网上的公开数据集获得,目标对象的历史答题交互序列可以表示为:
其中,节点包含相应的题目标签/>、正确作答与否标签/>、知识点标签/>和学生代码文本标签/>,其中下标t=1,2,3,……,T,用于表示答题交互的序号,例如,表示第一个历史答题交互中的题目标签,/>表示第五个历史答题交互中的正确作答与否标签,/>表示第三个历史答题交互中的知识点标签,/>表示第六个历史答题交互中的学生代码文本标签。
S2:将所述多个历史答题交互中的标签转化为向量表示形式。
在本方案中,为了便于数据分析及处理,将获取到的历史答题交互中包含的多个标签转换为向量表示形式;
具体的,在本方案中,前文提到,答题交互包含相应的题目标签、正确作答与否标签、知识点标签和学生代码文本标签。其中,题目标签/>,基于随机初始化题目矩阵/>,为题目标签/>分配题目向量/>,其中,所述/>为答题时刻,所述/>为题目总数,所述/>为题目向量的维度;学生代码文本标签/>,所述/>为答题时刻;正确作答与否标签,基于随机初始化答案矩阵/>,为正确作答与否标签/>分配答案对错向量/>,其中,所述/>为答案向量的维度。
S3:将所述目标对象的学生代码文本标签带入第一目标计算函数组,计算得到所述学生代码文本标签的向量化表征,具体包括步骤S31至S37:
其中步骤S31至S37对应的公式如下:
其中,算法对抽象语法树(学生代码文本标签)进行分解,生成若干个子树(分解成多个代码段),最后将子树进行二进制编码获得向量/>,随后对每个/>进行分别编码得到抽象语法树的若干个向量表示/>,/>表示目标对象当前正在完成习题的题目标签,/>表示两个矩阵进行拼接,/>表示权重值,/>表示训练参数中的权重,/>表示训练参数中的偏置/>和/>均表示可训练的参数。
通过步骤S31至S37,将学生代码文本标签进行向量化表征,为最终线性计算学生的知识状态提供了数据基础。
S4:将所述题目标签、所述正确作答与否标签、所述知识点标签和所述学生代码文本标签的向量化表征带入第二目标计算函数组,计算得到学生历史答题记录的特征图,具体包括步骤S41至S43:
其中步骤S41至S43对应的公式如下:
例如:比如在“加法”这个知识点下有若干道题,其中学生已经做过的有4道题,做对2道,那么CPC(加法)=1/2。
通过步骤S41至S43,通过目标对象的历史相关代码表现、所述概念正确率/>以及所述学习交互序列/>得到学生历史答题记录的特征图/>,该特征图/>可以有效表征学生对于不同知识点的掌握情况,为后续精准习题推送提供了基础。
S5:将历史答题记录的特征图带入第三目标计算函数组,计算学生的知识状态以及对未作答题目的正确概率。
基于学生的答题记录,对学生的个性化特征进行了总结,随后通过所述第三目标计算函数组,对特征图进行卷积,提取学生的知识状态,随后通过知识状态来预测学生对未知题目的正确率,所述第三目标计算函数组,具体为:
其中,是为第一随机初始化权重矩阵,/>是为第二随机初始化权重矩阵,/>为第一随机初始化偏置系数,/>为第二随机初始化偏置系数,/>为学生对未作答题目的正确概率,/>表示对特征图H线性表示后的特征图,/>表示/>函数,/>是卷积提取后的结果,代表学生的知识状态,/>表示学生知识状态和题目作用之后,输出结果前的一个中间状态。
步骤S1至S5针对现有知识追踪模型进行了大幅度改进,尤其是针对代码题的特点进行了改进,根据学生个性化的差异,调整了对学生提交代码的编码,本实施例能够为在线教育提供更准确的知识追踪服务,提高学生在使用在校编程教育平台时的学习效果。
本实施例可以将知识追踪推广到编程教育的在线场景中,具体来说,首先设计了一种基于code2vec神经模型,针对学生提交代码的表征算法,该算法通过对学生提交的代码进行分解,随后对照学生的历史答题记录给出学生代码的综合表征,随后结合多种历史答题数据,对学生的知识状态进行预测,可以有效实现对学科教育中的动态追踪预测。
以上所述,仅为本发明较佳的具体实施方式,但本发明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发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种编程学习场景的智能习题推荐方法,包括如下步骤:
S2:将所述多个历史答题交互中的标签转化为向量表示形式;
S3:将所述目标对象的学生代码文本标签带入第一目标计算函数组,计算得到所述学生代码文本标签的向量化表征;
S4:将所述题目标签、所述正确作答与否标签、所述知识点标签和所述学生代码文本标签的向量化表征带入第二目标计算函数组,计算得到学生历史答题记录的特征图;
S5:将历史答题记录的特征图带入第三目标计算函数组,计算学生的知识状态以及对未作答题目的正确概率;
所述第一目标计算函数组具体公式如下:
其中,表示目标对象的历史相关代码表现,/>表示目标对象的代码段/>的向量化表征,/>表示目标对象的代码段,/>表示从代码库中储存的代码片段中随机抽样的代码片段,/>表示代码库中储存的代码片段与当前代码片段的匹配程度,表示从/>中选择出的若干个权重较大值,/>表示/>对应的代码库中储存的代码片段,/>表示权重值,/>为通过/>算法将学生代码文本标签/>分解为的/>个代码段对应的向量表示,/>为对进行编码得到的若干向量,/>表示目标对象当前正在完成习题的题目标签,/>表示两个矩阵进行拼接,/>表示权重值,/>表示训练参数中的权重,/>表示训练参数中的偏置,/>表示乘积,/>表示学生代码文本标签/>分解成/>个代码段并转换为的向量表示形式;
所述第二目标计算函数组具体公式如下:
其中,表示学生历史答题记录的特征图,/>表示知识点标签中知识点/>下的题目被回答的总次数,/>表示知识点/>下的题目被作对的次数,/>表示学习交互序列,/>表示学生对所有知识概念的概念正确率,/>表示中间参量,/>表示两个矩阵进行拼接;
所述第三目标计算函数组的具体公式如下:
2.根据权利要求1所述的编程学习场景的智能习题推荐方法,其特征在于,在所述S3:将所述目标对象的学生代码文本标签带入第一目标计算函数组,计算得到所述学生代码文本标签的向量化表征中,具体包括:
4.一种编程学习场景的智能习题推荐系统,其特征在于,包括历史答题获取模块、向量转化模块、向量化表征模块、特征图表征模块和预测模块;
所述历史答题获取模块用于获取目标对象的历史答题序列,历史答题序列由多个历史答题交互组成,所述历史答题交互至少包括题目标签、正确作答与否标签/>、知识点标签和学生代码文本标签/>,其中/>表示答题交互的序号;
所述向量转化模块用于将所述多个历史答题交互中的标签转化为向量表示形式;
所述向量化表征模块用于将所述目标对象的学生代码文本标签带入第一目标计算函数组,计算得到所述学生代码文本标签的向量化表征;
所述特征图表征模块用于将所述题目标签、所述正确作答与否标签、所述知识点标签和所述学生代码文本标签的向量化表征带入第二目标计算函数组,计算得到学生历史答题记录的特征图;
所述预测模块用于将历史答题记录的特征图带入第三目标计算函数组,计算学生的知识状态以及对未作答题目的正确概率;
所述第一目标计算函数组具体公式如下:
其中,表示目标对象的历史相关代码表现,/>表示目标对象的代码段/>的向量化表征,/>表示目标对象的代码段,/>表示从代码库中储存的代码片段中随机抽样的代码片段,/>表示代码库中储存的代码片段与当前代码片段的匹配程度,表示从/>中选择出的若干个权重较大值,/>表示/>对应的代码库中储存的代码片段,/>表示权重值,/>为通过/>算法将学生代码文本标签/>分解为的/>个代码段对应的向量表示,/>为对进行编码得到的若干向量,/>表示目标对象当前正在完成习题的题目标签,/>表示两个矩阵进行拼接,/>表示权重值,/>表示训练参数中的权重,/>表示训练参数中的偏置,/>表示乘积,/>表示学生代码文本标签/>分解成/>个代码段并转换为的向量表示形式;
所述第二目标计算函数组具体公式如下:
其中,表示学生历史答题记录的特征图,/>表示知识点标签中知识点/>下的题目被回答的总次数,/>表示知识点/>下的题目被作对的次数,/>表示学习交互序列,/>表示学生对所有知识概念的概念正确率,/>表示中间参量,/>表示两个矩阵进行拼接;
所述第三目标计算函数组的具体公式如下:
5.一种计算机储存介质,其特征在于,所述计算机储存介质上存储有若干分类程序,所述若干分类程序用于被处理器调用并执行如权利要求1至3任一所述的智能习题推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310421039.XA CN116151242B (zh) | 2023-04-19 | 2023-04-19 | 一种编程学习场景的智能习题推荐方法、系统及储存介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310421039.XA CN116151242B (zh) | 2023-04-19 | 2023-04-19 | 一种编程学习场景的智能习题推荐方法、系统及储存介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116151242A true CN116151242A (zh) | 2023-05-23 |
CN116151242B CN116151242B (zh) | 2023-07-18 |
Family
ID=86362171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310421039.XA Active CN116151242B (zh) | 2023-04-19 | 2023-04-19 | 一种编程学习场景的智能习题推荐方法、系统及储存介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116151242B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120021387A (ko) * | 2010-07-29 | 2012-03-09 | 주식회사 넷스루 | 웹 사이트 이용 고객의 행동 정보를 기반으로 한 고객 선호 지수 산출 시스템 및 방법 |
KR20130091392A (ko) * | 2012-02-08 | 2013-08-19 | 숭실대학교산학협력단 | 키워드 추천 장치 및 그 방법 |
US20160086498A1 (en) * | 2014-09-18 | 2016-03-24 | International Business Machines Corporation | Recommending a Set of Learning Activities Based on Dynamic Learning Goal Adaptation |
US20180060523A1 (en) * | 2016-08-23 | 2018-03-01 | Illumina, Inc. | Federated systems and methods for medical data sharing |
CN110968692A (zh) * | 2019-10-23 | 2020-04-07 | 全球能源互联网研究院有限公司 | 一种文本分类方法及系统 |
CN111680217A (zh) * | 2020-05-27 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、设备及存储介质 |
WO2021103994A1 (zh) * | 2019-11-26 | 2021-06-03 | 北京达佳互联信息技术有限公司 | 用于信息推荐的模型训练方法、装置、电子设备以及介质 |
CN113064995A (zh) * | 2021-03-31 | 2021-07-02 | 上海金融期货信息技术有限公司 | 一种基于图深度学习的文本多标签分类方法和系统 |
CN113361791A (zh) * | 2021-06-21 | 2021-09-07 | 合肥工业大学 | 一种基于图卷积的学生成绩预测方法 |
CN113672693A (zh) * | 2021-08-23 | 2021-11-19 | 东北林业大学 | 基于知识图谱和标签关联的在线问答平台的标签推荐方法 |
CN114021004A (zh) * | 2021-10-31 | 2022-02-08 | 武汉天喻信息产业股份有限公司 | 一种理科相似题推荐方法、装置、设备及可读存储介质 |
CN114254127A (zh) * | 2021-12-22 | 2022-03-29 | 科大讯飞股份有限公司 | 学生能力画像方法、学习资源推荐方法及装置 |
WO2022068435A1 (zh) * | 2020-09-30 | 2022-04-07 | 上海松鼠课堂人工智能科技有限公司 | 对知识点掌握状态进行测量的方法 |
US20220180240A1 (en) * | 2020-12-03 | 2022-06-09 | International Business Machines Corporation | Transaction composition graph node embedding |
CN114861754A (zh) * | 2022-03-25 | 2022-08-05 | 华中师范大学 | 一种基于外部注意力机制的知识追踪方法及系统 |
CN114881014A (zh) * | 2022-04-21 | 2022-08-09 | 上海携旅信息技术有限公司 | 实体别名关系获取方法、训练方法、装置及存储介质 |
CN115131052A (zh) * | 2021-03-29 | 2022-09-30 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、计算机设备和存储介质 |
CN115481328A (zh) * | 2022-10-12 | 2022-12-16 | 杭州摩西科技发展有限公司 | 生成定制题库方法、装置、计算机设备和存储介质 |
CN115544158A (zh) * | 2022-11-03 | 2022-12-30 | 南京理工大学 | 应用于智能教育系统的多知识点动态知识追踪方法 |
CN115640368A (zh) * | 2022-11-07 | 2023-01-24 | 顾小清 | 一种智能诊断推荐题库的方法及其系统 |
CN115640410A (zh) * | 2022-12-06 | 2023-01-24 | 南京航空航天大学 | 基于强化学习路径推理的知识图谱多跳问答方法 |
-
2023
- 2023-04-19 CN CN202310421039.XA patent/CN116151242B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120021387A (ko) * | 2010-07-29 | 2012-03-09 | 주식회사 넷스루 | 웹 사이트 이용 고객의 행동 정보를 기반으로 한 고객 선호 지수 산출 시스템 및 방법 |
KR20130091392A (ko) * | 2012-02-08 | 2013-08-19 | 숭실대학교산학협력단 | 키워드 추천 장치 및 그 방법 |
US20160086498A1 (en) * | 2014-09-18 | 2016-03-24 | International Business Machines Corporation | Recommending a Set of Learning Activities Based on Dynamic Learning Goal Adaptation |
US20180060523A1 (en) * | 2016-08-23 | 2018-03-01 | Illumina, Inc. | Federated systems and methods for medical data sharing |
CN110968692A (zh) * | 2019-10-23 | 2020-04-07 | 全球能源互联网研究院有限公司 | 一种文本分类方法及系统 |
WO2021103994A1 (zh) * | 2019-11-26 | 2021-06-03 | 北京达佳互联信息技术有限公司 | 用于信息推荐的模型训练方法、装置、电子设备以及介质 |
CN111680217A (zh) * | 2020-05-27 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、设备及存储介质 |
WO2022068435A1 (zh) * | 2020-09-30 | 2022-04-07 | 上海松鼠课堂人工智能科技有限公司 | 对知识点掌握状态进行测量的方法 |
US20220180240A1 (en) * | 2020-12-03 | 2022-06-09 | International Business Machines Corporation | Transaction composition graph node embedding |
CN115131052A (zh) * | 2021-03-29 | 2022-09-30 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、计算机设备和存储介质 |
CN113064995A (zh) * | 2021-03-31 | 2021-07-02 | 上海金融期货信息技术有限公司 | 一种基于图深度学习的文本多标签分类方法和系统 |
CN113361791A (zh) * | 2021-06-21 | 2021-09-07 | 合肥工业大学 | 一种基于图卷积的学生成绩预测方法 |
CN113672693A (zh) * | 2021-08-23 | 2021-11-19 | 东北林业大学 | 基于知识图谱和标签关联的在线问答平台的标签推荐方法 |
CN114021004A (zh) * | 2021-10-31 | 2022-02-08 | 武汉天喻信息产业股份有限公司 | 一种理科相似题推荐方法、装置、设备及可读存储介质 |
CN114254127A (zh) * | 2021-12-22 | 2022-03-29 | 科大讯飞股份有限公司 | 学生能力画像方法、学习资源推荐方法及装置 |
CN114861754A (zh) * | 2022-03-25 | 2022-08-05 | 华中师范大学 | 一种基于外部注意力机制的知识追踪方法及系统 |
CN114881014A (zh) * | 2022-04-21 | 2022-08-09 | 上海携旅信息技术有限公司 | 实体别名关系获取方法、训练方法、装置及存储介质 |
CN115481328A (zh) * | 2022-10-12 | 2022-12-16 | 杭州摩西科技发展有限公司 | 生成定制题库方法、装置、计算机设备和存储介质 |
CN115544158A (zh) * | 2022-11-03 | 2022-12-30 | 南京理工大学 | 应用于智能教育系统的多知识点动态知识追踪方法 |
CN115640368A (zh) * | 2022-11-07 | 2023-01-24 | 顾小清 | 一种智能诊断推荐题库的方法及其系统 |
CN115640410A (zh) * | 2022-12-06 | 2023-01-24 | 南京航空航天大学 | 基于强化学习路径推理的知识图谱多跳问答方法 |
Non-Patent Citations (1)
Title |
---|
黄涛;王一岩;张浩;杨华利;: "智能教育场域中的学习者建模研究趋向", 远程教育杂志, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN116151242B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264091B (zh) | 学生认知诊断方法 | |
CN111695779B (zh) | 一种知识追踪方法、装置及存储介质 | |
Sonkar et al. | qdkt: Question-centric deep knowledge tracing | |
US11631338B2 (en) | Deep knowledge tracing with transformers | |
CN109670168B (zh) | 基于特征学习的短答案自动评分方法、系统及存储介质 | |
CN112257966B (zh) | 模型处理方法、装置、电子设备及存储介质 | |
CN113344053B (zh) | 一种基于试题异构图表征与学习者嵌入的知识追踪方法 | |
CN115455186A (zh) | 一种基于多模型的学情分析方法 | |
CN112860847A (zh) | 视频问答的交互方法及系统 | |
CN115935969A (zh) | 基于多模态信息融合的异构数据特征提取方法 | |
CN117474094B (zh) | 基于Transformer的融合领域特征的知识追踪方法 | |
CN113283488B (zh) | 一种基于学习行为的认知诊断方法及系统 | |
CN113011196B (zh) | 一种概念增强表示与单向蕴含注意力的主观题自动阅卷神经网络模型 | |
CN117150151B (zh) | 一种基于大语言模型的错题分析及试题推荐系统和方法 | |
CN114154839A (zh) | 一种基于在线教育平台数据的课程推荐方法 | |
CN117828063A (zh) | 一种心理领域数据生成、模型训练方法、装置及存储介质 | |
CN116151242B (zh) | 一种编程学习场景的智能习题推荐方法、系统及储存介质 | |
CN115795015A (zh) | 一种试题难度增强的综合知识追踪方法 | |
CN112785039B (zh) | 一种试题作答得分率的预测方法及相关装置 | |
CN114840679A (zh) | 一种基于乐理知识图谱推理的机器人智能导学方法及应用 | |
CN117932044B (zh) | 基于ai的心理辅导助手自动对话生成方法及系统 | |
Zhao et al. | Design and Implementation of a Teaching Verbal Behavior Analysis Aid in Instructional Videos | |
CN113704610B (zh) | 一种基于学习成长数据的学习风格画像生成方法及系统 | |
CN117315684A (zh) | 一种基于大规模多模态模型的自动化问题回答方法 | |
CN117828022A (zh) | 一种错因解析数据增强方法、装置、存储介质及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |