CN116383481B - 一种基于学生画像的个性化试题推荐方法及系统 - Google Patents
一种基于学生画像的个性化试题推荐方法及系统 Download PDFInfo
- Publication number
- CN116383481B CN116383481B CN202310089714.3A CN202310089714A CN116383481B CN 116383481 B CN116383481 B CN 116383481B CN 202310089714 A CN202310089714 A CN 202310089714A CN 116383481 B CN116383481 B CN 116383481B
- Authority
- CN
- China
- Prior art keywords
- student
- test question
- knowledge point
- knowledge
- personalized
- 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.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 187
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000019771 cognition Effects 0.000 claims abstract description 33
- 230000008713 feedback mechanism Effects 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000001149 cognitive effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006998 cognitive state Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于学生画像的个性化试题推荐方法及系统,涉及在线教育技术领域,包括以下步骤:预先基于人脸识别获取学生画像信息;根据当前学生画像信息生成个性化试题知识点集合,基于个性化试题知识点集合并按知识结构顺序生成试题推荐列表,其中包括构建试题作答反馈机制对当前学生画像信息的认知水平进行实时更新。本发明对不同学生画像进行个性化、适应性推荐,满足不同学生画像个性化学习的需求,使学生能达到良好的学习状态,能够有效提升用户的学习效率,同时根据学生画像的知识转移效能和时间变化中的学习,更新学生画像的认知水平后,再进行试题的推荐,方便学生画像明确自己知识点的掌握情况,提高学生画像作答试题的收益。
Description
技术领域
本发明涉及在线教育技术领域,具体来说,涉及一种基于学生画像的个性化试题推荐方法及系统。
背景技术
随着计算机技术的普及和移动互联网的快速发展,许多传统行业也逐渐往着互联网化的方向靠拢,教育行业就是这众多传统行业中的一员。近年来,国内外涌现了许多在线教育平台,并且进行了许多成功的实践。国内比较热门的在线教育平台有网易云课堂、腾讯课堂、慕课网、MOOC中国等等。国外比较热门的在线教育平台有Coursera、Edx、Udacity、可汗学院等等。在线教育平台内容覆盖了各个学科领域、各个年龄阶层,功能丰富多样,包括在线课程、在线实验、学习路径规划、在线做题等等。这种基于互联网的教育方式使得学习者可以不受时间和空间的限制,足不出户就能够获得海量的教育和学习资源。
目前,在市场上有了在线教育平台之后,如何衡量用户的学习效果是一个复杂的问题,于是,在线考试系统、在线试题推荐系统等作为教育辅助平台应运而生,通过为用户提供试题练习,有效地对用户学习效果进行评估。但是,在现实情况中,这些在线教育平台的试题资源数量十分庞大,种类繁多,而且每个用户的学习能力和方向具有很大的个体化差异,如何有效地在众多的试题资源中找出合适的试题推荐给用户是一个非常严峻的问题。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于学生画像的个性化试题推荐方法及系统,以克服现有相关技术所存在的上述技术问题。
本发明的技术方案是这样实现的:
本发明一个方面:
一种基于学生画像的个性化试题推荐方法,包括以下步骤:
步骤S1,预先基于人脸识别获取学生画像信息;
步骤S2,根据当前学生画像信息生成个性化试题知识点集合,其中包括根据学生画像信息获取初始认知水平,并根据初始认知水平从试题知识集中选取目标知识点,同时对目标知识点上的包含、前序和后续关系进行提取,使得生成的个性化试题知识点集合适应当前学生画像信息的学习目标;
步骤S3,基于个性化试题知识点集合并按知识结构顺序生成试题推荐列表,其中包括构建试题作答反馈机制对当前学生画像信息的认知水平进行实时更新。
其中,所述学生画像信息,包括:学籍信息、课程信息和成绩信息。
其中,获取初始认知水平,包括以下步骤:
步骤S201,预先标定学生个数N、试题数目M和知识点数目K,获取学生的集合表示为:S={S1,S2,…,SN},试题的集合表示为E={e1,e2,…,eM},相关知识点的集合表示为Kn={k1,k2,…,kK},获取学生在试题上的作答记录,表示为:
R={rij}N×M;
步骤S202,进行获取试题和知识点的关联矩阵,表示为:
Q={qij}M×K;
步骤S203,获取学生在各知识点上的掌握程度,包括以下步骤:
步骤S20301,获取学生答对该试题的预测概率,表示为:
其中,表示映射函数,Fother表示的是除Fs和Fkn以外的其它因素,Fs为学生的知识点熟练度向量,Fkn为试题和知识点相关度量,θf表示交互参数;
步骤S20302,获取学生在知识点上的掌握程度hs,表示为:
hs=sigmoid(xs×A)。
其中,步骤所述获取学生在知识点上的掌握程度hs,包括以下步骤:
步骤S20303,获取学生的答题熟练度矩阵为A,表示为:
hs∈(0,1)1×K;
xs∈{0,1}1×N;
A∈RN×K;
其中,xs为学生向量;
步骤S20304,获取在试题上每个知识点的考察难度B,表示为:
hdiff=sigmoid(xe×B);
B∈RM×K;
步骤S20305,获取试题对不同认知水平的学生进行区分D,表示为:
hdisc=sigmoid(xe×D);
D∈RM×1;
步骤S20306,获取预测值与真实得分的交叉熵,表示为:
lossCDM=-Σ(rilogyi+(1-ri)log(1-yi))。
其中,步骤所述生成个性化试题知识点集合,包括以下步骤:
步骤S204,预先构建学习知识点关联模型,包括以下步骤:
步骤S20401,预先基于学生画像信息,获取知识点集合K1;
步骤S20402,对已经学习的资源集合Kr,根据资源与知识点之间的相关性得到与Kr关联的知识点集合K2以及对应的关联权重Wi;
步骤S20403,根据获取的K1和K2知识点集合,对知识点与学生关联权重进行计算,生成学生的学习路径;
步骤S20404,对生成学生的学习路径的知识点进行扩展,完成学习知识点关联模型构建,其中包括生成与学生相关联但是未进行学习过的知识点集合Ks;
步骤S20405,进行生成个性化试题知识点集合D',包括以下步骤:
预先生成试题知识点集合D=(E,F,G);
根据知识点集合Ks搜索试题知识点集合D,并获取该目标下的知识点集合E',继承原有的包含关系F',根据获取到的知识点集合E'提取前序和后续关系,并更新前序和后续关系集合G';
获取个性化试题知识点集合D'=(E',F',G')。
其中,步骤所述生成试题推荐列表,包括以下步骤:
步骤S205,预先根据个性化试题知识点集合D',随机生成该知识集下的一组试题集;
步骤S206,获取学生初始认知水平,并获取学生在知识点上的掌握程度hs;
步骤S207,根据试题作答反馈机制更新当前学生画像信息的认知水平,并获取个性化试题知识点集合D';
步骤S208,根据个性化试题知识点集合D'的前序和后续关系提取与当前学生画像认知水平相符合的试题;
步骤S209,生成试题推荐列表。
其中,步骤所述试题作答反馈机制,包括以下步骤:
步骤S210,预先标定C个知识点存储在矩阵Mk(C×dv)中,当前学生画像掌握每个知识点的状态,表示为并存储在矩阵Mv(C×dv)中;
步骤S211,进行对学生画像在每个知识点的上的掌握状态随着学习进程的推进更新,表示为:
其中,Mk为存储知识点表示的静态矩阵,Mv为存储并更新学习者在知识点上的掌握程度的动态矩阵,Pt为学生画像在下一时刻中正确回答相关测试试题的概率,rt为真实值。
其中,步骤所述学习进程的推进更新,包括以下步骤:
步骤S21101,获取当前学生画像对于未作答的试题n,对作答情况进行初步预测,表示为:
其中,Amk为学生m对于知识点k的掌握情况,Qmk为试为题m对知识点k的考察情况;
步骤S21102,获取学生m对试题n作答的正确概率,表示为:
其中,Xmn为学生m对试题n的作答情况,Gn为学生猜对考察试题n的概率,Sn为学生因失误做错考察试题n的概率;
步骤S21103,获取学生m对于知识点n的连续掌握程度,表示为:
本发明另一个方面:
一种基于学生画像的个性化试题推荐系统,包括:
采集识别模块:用于采集人脸信息并识别学生画像信息;
试题知识点生成模块,用于根据当前学生画像信息生成个性化试题知识点集合;
试题推荐模块,用于根据个性化试题知识点集合生成试题推荐列表。
进一步的,所述试题知识点生成模块,包括:
初始认知水平评估模块,用于根据学生画像信息获取初始认知水平;
目标知识点提取模块,用于根据初始认知水平从试题知识集中选取目标知识点,并对目标知识点上的包含、前序和后续关系进行提取。
本发明的有益效果:
本发明基于学生画像的个性化试题推荐方法及系统,通过预先基于人脸识别获取学生画像信息,并根据学生画像信息获取初始认知水平从试题知识集中选取目标知识点,同时对目标知识点上的包含、前序和后续关系进行提取,使得生成的个性化试题知识点集合适应当前学生画像信息的学习目标,同时构建试题作答反馈机制对当前学生画像信息的认知水平进行实时更新,并基于个性化试题知识点集合生成试题推荐列表,实现将适合目标学生画像难度范围内的试题推荐给学生,对不同学生画像进行个性化、适应性推荐,满足不同学生画像个性化学习的需求,使学生能达到良好的学习状态,能够有效提升用户的学习效率,同时根据学生画像的知识转移效能和时间变化中的学习,更新学生画像的认知水平后,再进行试题的推荐,且试题推荐过程中,依据知识点间包含、前序和后续关系,为学生画像推荐更合适试题,方便学生画像明确自己知识点的掌握情况,提高学生画像作答试题的收益。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,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是根据本发明实施例的一种基于学生画像的个性化试题推荐方法的流程示意图;
图2是根据本发明实施例的一种基于学生画像的个性化试题推荐系统的原理框图。
图中:
1、采集识别模块;2、试题知识点生成模块;3、试题推荐模块;4、初始认知水平评估模块;5、目标知识点提取模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明的一个实施例,提供了一种基于学生画像的个性化试题推荐方法。
如图1所示,根据本发明实施例的基于学生画像的个性化试题推荐方法,包括以下步骤:
步骤S1,预先基于人脸识别获取学生画像信息;其中,所述学生画像信息,包括:学籍信息、课程信息和成绩信息。
本技术方案,学生画像可通过接入教务系统。通过对教务系统内数据的收集,可以获取较为精确的学生个人信息,具体学生画像信息,如下:学生的学籍信息,包括:学生的学号、姓名、性别、出生日期、民族、所属院系、所学专业、所在班级、在籍情况、入学照片信息;课程信息,包括:课程号、课程名、学分、任课教师、所在教室、上课时间信息;学生成绩信息,包括:学生的必修课程、选修课程、任选课程、限选课程的选课情况及成绩信息,以及学生各项课程所修的总学分。
步骤S2,根据当前学生画像信息生成个性化试题知识点集合,其中包括根据学生画像信息获取初始认知水平,并根据初始认知水平从试题知识集中选取目标知识点,同时对目标知识点上的包含、前序和后续关系进行提取,使得生成的个性化试题知识点集合适应当前学生画像信息的学习目标;
其中,获取初始认知水平,包括以下步骤:
步骤S201,预先标定学生个数N、试题数目M和知识点数目K,获取学生的集合表示为:S={S1,S2,…,SN},试题的集合表示为E={e1,e2,…,eM},相关知识点的集合表示为Kn={k1,k2,…,kK},获取学生在试题上的作答记录,表示为:
步骤S202,进行获取试题和知识点的关联矩阵,表示为:
Q={qij}M×K;
步骤S203,获取学生在各知识点上的掌握程度,包括以下步骤:
步骤S20301,获取学生答对该试题的预测概率,表示为:
其中,表示映射函数,Fother表示的是除Fs和Fkn以外的其它因素,Fs为学生的知识点熟练度向量,Fkn为试题和知识点相关度量,θf表示交互参数;
步骤S20302,获取学生在知识点上的掌握程度hs,表示为:
hs=sigmoid(xs×A)。
其中,步骤所述获取学生在知识点上的掌握程度hs,包括以下步骤:
步骤S20303,获取学生的答题熟练度矩阵为A,表示为:
hs∈(0,1)1×K;
xs∈{0,1}1×N;
A∈RN×K;
其中,xs为学生向量;
步骤S20304,获取在试题上每个知识点的考察难度B,表示为:
hdiff=sigmoid(xe×B);
B∈RM×K;
步骤S20305,获取试题对不同认知水平的学生进行区分D,表示为:
hdisc=sigmoid(xe×D);
D∈RM×1;
步骤S20306,获取预测值与真实得分的交叉熵,表示为:
lossCDM=-Σ(rilogyi+(1-ri)log(1-yi))。
其中,步骤所述生成个性化试题知识点集合,包括以下步骤:
步骤S204,预先构建学习知识点关联模型,包括以下步骤:
步骤S20401,预先基于学生画像信息,获取知识点集合K1;
步骤S20402,对已经学习的资源集合Kr,根据资源与知识点之间的相关性得到与Kr关联的知识点集合K2以及对应的关联权重Wi;
步骤S20403,根据获取的K1和K2知识点集合,对知识点与学生关联权重进行计算,生成学生的学习路径;
步骤S20404,对生成学生的学习路径的知识点进行扩展,完成学习知识点关联模型构建,其中包括生成与学生相关联但是未进行学习过的知识点集合Ks;
本技术方案,在应用时,进行构建学习知识点关联模型,需要对知识点整理,即判定学习知识点关联模型和学习目标中得到的知识点集合Ks是否与知识结构体系的包含关系如前序或后续关系相一致。另外,对知识点集合Ks中呈离散状态的部分知识点进行归一或分解处理操作,直到每个知识点不可在分解均为原子知识点,这样能够保证学生画像在学习过程中最大限度的落实到每个知识点的学习上。具体可采用如下步骤:
找出知识点集合中处于离散状态的知识点,并分析它们处于知识结构树中的哪个位置;
分析出相应的知识点在知识结构树中所处的位置以后,再判断它们之间具有的包含关系;
对具有包含关系的知识点向上进行归一操作;
进一步分解归一得到的知识点,使之成为原子知识点。
步骤S20405,进行生成个性化试题知识点集合D',包括以下步骤:
预先生成试题知识点集合D=(E,F,G);
根据知识点集合Ks搜索试题知识点集合D,并获取该目标下的知识点集合E',继承原有的包含关系F',根据获取到的知识点集合E'提取前序和后续关系,并更新前序和后续关系集合G';
获取个性化试题知识点集合D'=(E',F',G')。
本技术方案,具体的,包括以下步骤:
预先对个性化知识点集合进行初始化,表示为:
根据Ks搜索试题知识点集合D,并获取该目标下的知识点集合E',继承原有的包含关系F',根据获取到的知识点集合E'提取前序及后续关系,并更新前序和后续关系集合G';
获取得到个性化知识点集合D'=(E',F',G')。
步骤S3,基于个性化试题知识点集合并按知识结构顺序生成试题推荐列表,其中包括构建试题作答反馈机制对当前学生画像信息的认知水平进行实时更新。
其中,步骤所述生成试题推荐列表,包括以下步骤:
步骤S205,预先根据个性化试题知识点集合D',随机生成该知识集下的一组试题集;
步骤S206,获取学生初始认知水平,并获取学生在知识点上的掌握程度hs;
步骤S207,根据试题作答反馈机制更新当前学生画像信息的认知水平,并获取个性化试题知识点集合D';
步骤S208,根据个性化试题知识点集合D'的前序和后续关系提取与当前学生画像认知水平相符合的试题;
步骤S209,生成试题推荐列表。
本技术方案,在应用时,包括以下步骤:
预先进行初始化试题推荐列表;
获取学生初始认知状态能力水平;
利用试题作答反馈机制对学生的认知水平进行动态更新,得到知识水平向量au;
进行初始化临时列表,并将难度不大于学习者认知水平并与目标知识点相关联的试题加入到试题临时列表中;
在每个知识点下获取到的试题最大数量,获取试题推荐列表List={t1,t2,tn}。
另外,步骤所述试题作答反馈机制,包括以下步骤:
步骤S210,预先标定C个知识点存储在矩阵Mk(C×dv)中,当前学生画像掌握每个知识点的状态,表示为并存储在矩阵Mv(C×dv)中;
步骤S211,进行对学生画像在每个知识点的上的掌握状态随着学习进程的推进更新,表示为:
其中,Mk为存储知识点表示的静态矩阵,Mv为存储并更新学习者在知识点上的掌握程度的动态矩阵,Pt为学生画像在下一时刻中正确回答相关测试试题的概率,rt为真实值。
其中,步骤所述学习进程的推进更新,包括以下步骤:
步骤S21101,获取当前学生画像对于未作答的试题n,对作答情况进行初步预测,表示为:
其中,Amk为学生m对于知识点k的掌握情况,Qmk为试为题m对知识点k的考察情况;
本技术方案,当ηmn=1时,表示根据学生已经掌握该试题考察的知识点,试题n可以正确作答,当ηmn=0时则表示不能正确作答。
步骤S21102,获取学生m对试题n作答的正确概率,表示为:
其中,Xmn为学生m对试题n的作答情况,Gn为学生猜对考察试题n的概率,Sn为学生因失误做错考察试题n的概率;
本技术方案,G表示为猜测率,S表示为失误率;当ηmn=1,即学生掌握该试题考察的知识点时,学生正确作答该试题的概率为1减去失误率即1-Sn;当ηmn=0即学生未掌握或未完全掌握该试题考察的知识点时,学生正确作答该试题的概率为猜对率即Gn。
步骤S21103,对于学生对知识点的掌握向量Am,通过最大化学生对试题的得分的后验概率来确定,即将针对于某一知识点已经掌握的其余所有组合的掌握概率相加得到学生对于该知识点的连续认知水平。该数值介于0~1之间,越接近于1则说明学生对该知识点的掌握情况越好,越接近于0则说明学生对于该知识点的掌握情况越差,即获取学生m对于知识点n的连续掌握程度,表示为:
借助于上述方案,将适合目标学生画像难度范围内的试题推荐给学生,对不同学生画像进行个性化、适应性推荐,满足不同学生画像个性化学习的需求,使学生能达到良好的学习状态,能够有效提升用户的学习效率,同时根据学生画像的知识转移效能和时间变化中的学习,更新学生画像的认知水平后,再进行试题的推荐,且试题推荐过程中,依据知识点间包含、前序和后续关系,为学生画像推荐更合适试题,方便学生画像明确自己知识点的掌握情况,提高学生画像作答试题的收益。
根据本发明的另一个实施例,提供了一种基于学生画像的个性化试题推荐系统。
如图2所示,一种基于学生画像的个性化试题推荐系统,包括:
采集识别模块1:用于采集人脸信息并识别学生画像信息;
试题知识点生成模块2,用于根据当前学生画像信息生成个性化试题知识点集合;
试题推荐模块3,用于根据个性化试题知识点集合生成试题推荐列表。
另外,所述试题知识点生成模块2,包括:
初始认知水平评估模块4,用于根据学生画像信息获取初始认知水平;
目标知识点提取模块5,用于根据初始认知水平从试题知识集中选取目标知识点,并对目标知识点上的包含、前序和后续关系进行提取。
综上所述,借助于本发明的上述技术方案,基于学生画像的个性化试题推荐方法及系统,通过预先基于人脸识别获取学生画像信息,并根据学生画像信息获取初始认知水平从试题知识集中选取目标知识点,同时对目标知识点上的包含、前序和后续关系进行提取,使得生成的个性化试题知识点集合适应当前学生画像信息的学习目标,同时构建试题作答反馈机制对当前学生画像信息的认知水平进行实时更新,并基于个性化试题知识点集合生成试题推荐列表,实现将适合目标学生画像难度范围内的试题推荐给学生,对不同学生画像进行个性化、适应性推荐,满足不同学生画像个性化学习的需求,使学生能达到良好的学习状态,能够有效提升用户的学习效率,同时根据学生画像的知识转移效能和时间变化中的学习,更新学生画像的认知水平后,再进行试题的推荐,且试题推荐过程中,依据知识点间包含、前序和后续关系,为学生画像推荐更合适试题,方便学生画像明确自己知识点的掌握情况,提高学生画像作答试题的收益。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,本领域技术人员在考虑说明书及实施例处的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (5)
1.一种基于学生画像的个性化试题推荐方法,其特征在于,包括以下步骤:
预先基于人脸识别获取学生画像信息;
根据当前学生画像信息生成个性化试题知识点集合,其中包括根据学生画像信息获取初始认知水平,并根据初始认知水平从试题知识集中选取目标知识点,同时对目标知识点上的包含、前序和后续关系进行提取,使得生成的个性化试题知识点集合适应当前学生画像信息的学习目标;
基于个性化试题知识点集合并按知识结构顺序生成试题推荐列表,其中包括构建试题作答反馈机制对当前学生画像信息的认知水平进行实时更新,其中;
获取初始认知水平,包括以下步骤:
预先标定学生个数N、试题数目M和知识点数目K,获取学生的集合表示为:S={S1,S2,...,SN},试题的集合表示为E={e1,e2,...,eM},相关知识点的集合表示为Kn={k1,k2,...,kK},获取学生在试题上的作答记录,表示为:
R={rij}N×M;
进行获取试题和知识点的关联矩阵,表示为:
Q={qij}M×K;
获取学生在各知识点上的掌握程度,包括以下步骤:
获取学生答对该试题的预测概率,表示为:
其中,表示映射函数,Fother表示的是除Fs和Fkn以外的其它因素,Fs为学生的知识点熟练度向量,Fkn为试题和知识点相关度量,θf表示交互参数;
获取学生在知识点上的掌握程度hs,表示为:
hs=sigmoid(xs×A);
其中,步骤所述获取学生在知识点上的掌握程度hs,包括以下步骤:
获取学生的答题熟练度矩阵为A,表示为:
hs∈(0,1)1×K;
xs∈{0,1}1×N;
A∈RN×K;
其中,xs为学生向量;
获取在试题上每个知识点的考察难度B,表示为:
hdiff=sigmoid(xe×B);
B∈RM×K;
获取试题对不同认知水平的学生进行区分D,表示为:
hdisc=sigmoid(xe×D);
D∈RM×1;
获取预测值与真实得分的交叉熵,表示为:
lossCDM=-∑(rilog yi+(1-ri)log(1-yi));
其中,步骤所述生成个性化试题知识点集合,包括以下步骤:
预先构建学习知识点关联模型,包括以下步骤:
预先基于学生画像信息,获取知识点集合K1;
对已经学习的资源集合Kr,根据资源与知识点之间的相关性得到与Kr关联的知识点集合K2以及对应的关联权重Wi;
根据获取的K1和K2知识点集合,对知识点与学生关联权重进行计算,生成学生的学习路径;
对生成学生的学习路径的知识点进行扩展,完成学习知识点关联模型构建,其中包括生成与学生相关联但是未进行学习过的知识点集合Ks;
进行生成个性化试题知识点集合D',包括以下步骤:
预先生成试题知识点集合D=(E,F,G);
根据知识点集合Ks搜索试题知识点集合D,并获取该目标下的知识点集合E',继承原有的包含关系F',根据获取到的知识点集合E'提取前序和后续关系,并更新前序和后续关系集合G';
获取个性化试题知识点集合D'=(E',F',G');
其中,步骤所述试题作答反馈机制,包括以下步骤:
预先标定C个知识点存储在矩阵Mk(C×dv)中,当前学生画像掌握每个知识点的状态,表示为并存储在矩阵Mv(C×dv)中;
进行对学生画像在每个知识点的上的掌握状态随着学习进程的推进更新,表示为:
其中,Mk为存储知识点表示的静态矩阵,Mv为存储并更新学习者在知识点上的掌握程度的动态矩阵,Pt为学生画像在下一时刻中正确回答相关测试试题的概率,rt为真实值;
其中,步骤所述学习进程的推进更新,包括以下步骤:
获取当前学生画像对于未作答的试题n,对作答情况进行初步预测,表示为:
其中,Amk为学生m对于知识点k的掌握情况,Qmk为试为题m对知识点k的考察情况;
获取学生m对试题n作答的正确概率,表示为:
其中,Xmn为学生m对试题n的作答情况,Gn为学生猜对考察试题n的概率,Sn为学生因失误做错考察试题n的概率;
获取学生m对于知识点n的连续掌握程度,表示为:
2.根据权利要求1所述的基于学生画像的个性化试题推荐方法,其特征在于,所述学生画像信息,包括:学籍信息、课程信息和成绩信息。
3.根据权利要求1所述的基于学生画像的个性化试题推荐方法,其特征在于,步骤所述生成试题推荐列表,包括以下步骤:
预先根据个性化试题知识点集合D',随机生成该知识集下的一组试题集;
获取学生初始认知水平,并获取学生在知识点上的掌握程度hs;
根据试题作答反馈机制更新当前学生画像信息的认知水平,并获取个性化试题知识点集合D';
根据个性化试题知识点集合D'的前序和后续关系提取与当前学生画像认知水平相符合的试题;
生成试题推荐列表。
4.一种基于学生画像的个性化试题推荐系统,用于权利要求1-3中任意一项所述的基于学生画像的个性化试题推荐方法的系统,其特征在于,包括:
采集识别模块(1):用于采集人脸信息并识别学生画像信息;
试题知识点生成模块(2),用于根据当前学生画像信息生成个性化试题知识点集合;
试题推荐模块(3),用于根据个性化试题知识点集合生成试题推荐列表。
5.根据权利要求4所述的基于学生画像的个性化试题推荐系统,其特征在于,所述试题知识点生成模块(2),包括:
初始认知水平评估模块(4),用于根据学生画像信息获取初始认知水平;
目标知识点提取模块(5),用于根据初始认知水平从试题知识集中选取目标知识点,并对目标知识点上的包含、前序和后续关系进行提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310089714.3A CN116383481B (zh) | 2023-02-09 | 2023-02-09 | 一种基于学生画像的个性化试题推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310089714.3A CN116383481B (zh) | 2023-02-09 | 2023-02-09 | 一种基于学生画像的个性化试题推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116383481A CN116383481A (zh) | 2023-07-04 |
CN116383481B true CN116383481B (zh) | 2024-03-29 |
Family
ID=86977675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310089714.3A Active CN116383481B (zh) | 2023-02-09 | 2023-02-09 | 一种基于学生画像的个性化试题推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116383481B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541538B (zh) * | 2023-07-06 | 2023-09-01 | 广东信聚丰科技股份有限公司 | 基于大数据的智慧学习知识点挖掘方法及系统 |
CN116738371B (zh) * | 2023-08-14 | 2023-10-24 | 广东信聚丰科技股份有限公司 | 基于人工智能的用户学习画像构建方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110704510A (zh) * | 2019-10-12 | 2020-01-17 | 中森云链(成都)科技有限责任公司 | 一种结合用户画像的题目推荐方法及系统 |
CN110851723A (zh) * | 2019-11-14 | 2020-02-28 | 上海钦文信息科技有限公司 | 一种基于大规模知识点标注结果的英语习题推荐方法 |
WO2020218758A1 (ko) * | 2019-04-23 | 2020-10-29 | 주식회사 클래스큐브 | 학습자 맞춤형 교육 서비스를 제공하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
CN112905784A (zh) * | 2021-03-22 | 2021-06-04 | 辽宁大学 | 基于学生画像的个性化试题推荐方法 |
WO2021237707A1 (zh) * | 2020-05-29 | 2021-12-02 | 京东方科技集团股份有限公司 | 问题推荐方法及装置、系统和电子设备、可读存储介质 |
CN113919983A (zh) * | 2021-10-09 | 2022-01-11 | 南京谦萃智能科技服务有限公司 | 试题画像方法、装置、电子设备和存储介质 |
CN114065031A (zh) * | 2021-11-12 | 2022-02-18 | 云南师范大学 | 一种基于模糊认知图谱的个性化学习路径推荐方法 |
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 |
CN114579760A (zh) * | 2022-02-28 | 2022-06-03 | 深圳懂你教育科技有限公司 | 一种基于学生错题知识点自适应阶段学习系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160196490A1 (en) * | 2015-01-02 | 2016-07-07 | International Business Machines Corporation | Method for Recommending Content to Ingest as Corpora Based on Interaction History in Natural Language Question and Answering Systems |
-
2023
- 2023-02-09 CN CN202310089714.3A patent/CN116383481B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020218758A1 (ko) * | 2019-04-23 | 2020-10-29 | 주식회사 클래스큐브 | 학습자 맞춤형 교육 서비스를 제공하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
CN110704510A (zh) * | 2019-10-12 | 2020-01-17 | 中森云链(成都)科技有限责任公司 | 一种结合用户画像的题目推荐方法及系统 |
CN110851723A (zh) * | 2019-11-14 | 2020-02-28 | 上海钦文信息科技有限公司 | 一种基于大规模知识点标注结果的英语习题推荐方法 |
WO2021237707A1 (zh) * | 2020-05-29 | 2021-12-02 | 京东方科技集团股份有限公司 | 问题推荐方法及装置、系统和电子设备、可读存储介质 |
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 |
CN112905784A (zh) * | 2021-03-22 | 2021-06-04 | 辽宁大学 | 基于学生画像的个性化试题推荐方法 |
CN113919983A (zh) * | 2021-10-09 | 2022-01-11 | 南京谦萃智能科技服务有限公司 | 试题画像方法、装置、电子设备和存储介质 |
CN114065031A (zh) * | 2021-11-12 | 2022-02-18 | 云南师范大学 | 一种基于模糊认知图谱的个性化学习路径推荐方法 |
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 |
CN114579760A (zh) * | 2022-02-28 | 2022-06-03 | 深圳懂你教育科技有限公司 | 一种基于学生错题知识点自适应阶段学习系统 |
Non-Patent Citations (2)
Title |
---|
一种学习路径规划的模型及方法;陈霞;罗晨希;张立波;阚成章;罗铁坚;;科研信息化技术与应用;20171120(06);全文 * |
基于用户画像的智慧图书馆个性化移动视觉搜索研究;曾子明;孙守强;;图书与情报;20200825(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116383481A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116383481B (zh) | 一种基于学生画像的个性化试题推荐方法及系统 | |
CN109903617B (zh) | 个性化练习方法和系统 | |
Pardos et al. | KT-IDEM: Introducing item difficulty to the knowledge tracing model | |
Guzmán et al. | Improving student performance using self-assessment tests | |
Verdú et al. | A genetic fuzzy expert system for automatic question classification in a competitive learning environment | |
CN112508334A (zh) | 融合认知特性及试题文本信息的个性化组卷方法及系统 | |
Geden et al. | Predictive student modeling in educational games with multi-task learning | |
CN111651677B (zh) | 课程内容推荐方法、装置、计算机设备和存储介质 | |
CN111858906A (zh) | 习题推荐方法、装置、电子设备及计算机可读存储介质 | |
Gil | Short project-based learning with MATLAB applications to support the learning of video-image processing | |
CN116541538B (zh) | 基于大数据的智慧学习知识点挖掘方法及系统 | |
CN114579760A (zh) | 一种基于学生错题知识点自适应阶段学习系统 | |
CN115630860A (zh) | 教学质量评测方法、装置、设备及存储介质 | |
Kampa et al. | German national proficiency scales in biology: internal structure, relations to general cognitive abilities and verbal skills | |
JP3634856B2 (ja) | 試験結果分析装置、方法およびプログラム | |
Zhang et al. | Adaptively selecting biology questions generated from a semantic network | |
Yücel et al. | An algorithm for automatic collation of vocabulary decks based on word frequency | |
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 | |
CN116109454A (zh) | 能力评测中题目难度的确定方法、装置、设备及存储介质 | |
Lalwani et al. | Validating revised bloom’s taxonomy using deep knowledge tracing | |
CN113919983A (zh) | 试题画像方法、装置、电子设备和存储介质 | |
CN113076835A (zh) | 基于回归分析的教学评价方法及系统 | |
Rensaa | A task based two-dimensional view of mathematical competency used to analyse a modelling task | |
De Mel et al. | Online Learning Self-Efficacy of Undergraduates: Evidence from A University in Sri Lanka | |
CN117726082B (zh) | 一种教学资源推荐方法、装置、电子设备及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |