CN116385230A - 一种儿童阅读能力评测方法和系统 - Google Patents
一种儿童阅读能力评测方法和系统 Download PDFInfo
- Publication number
- CN116385230A CN116385230A CN202310670057.1A CN202310670057A CN116385230A CN 116385230 A CN116385230 A CN 116385230A CN 202310670057 A CN202310670057 A CN 202310670057A CN 116385230 A CN116385230 A CN 116385230A
- Authority
- CN
- China
- Prior art keywords
- preset
- text
- reading
- result
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 24
- 239000000463 material Substances 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 14
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000000903 blocking effect Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G09B5/00—Electrically-operated educational appliances
- G09B5/04—Electrically-operated educational appliances with audible presentation of the material to be studied
-
- 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
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Educational Technology (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请提供一种儿童阅读能力评测方法和系统,方法包括:展示包含多种阅读难度的预设阅读材料,并提示引导儿童阅读预设阅读材料;根据预设阅读材料进行智能试题合成,生成包含书面作答和发声作答两种类型的试题;获得书面作答的结果文本,通过将结果文本与预设正确结果文本进行比对,得到书面作答结果;获取发声作答的作答音频,解析作答音频,提取作答音频的特征信息,特征信息包括文本文字、文本文字对应的拼音、语速、卡顿点,根据文本文字、文本文字对应的拼音与预设答案进行比对,得到发声作答结果,通过语速和卡顿点计算阅读流利度;将书面作答结果、发声作答结果、阅读流利度输入训练好的阅读能力评测神经网络,得到儿童阅读能力分析结果。
Description
技术领域
本申请涉及语言能力测试技术领域,尤其涉及一种儿童阅读能力评测方法和系统。
背景技术
目前的对于儿童阅读能力的评测,往往通过纸件或者电子试题考试的形式,并根据儿童的答题准确率进行人为打分和等级划分。然而上述试题具有一定的随机性和偶然性,因此考试的结果可能具有一定的随机性,并不能完整、准确的反映儿童的真实阅读水平和能力。
发明内容
有鉴于此,本申请的目的在于提出一种儿童阅读能力评测方法和系统,本申请能够针对性的解决现有的问题。
基于上述目的,本申请提出了一种儿童阅读能力评测方法,包括:
展示包含多种阅读难度的预设阅读材料,并提示引导儿童阅读所述预设阅读材料;
根据所述预设阅读材料进行智能试题合成,生成包含书面作答和发声作答两种类型的试题,并引导儿童进行作答;
获得书面作答的结果文本,通过将所述结果文本与预设正确结果文本进行比对,得到书面作答结果;
获取发声作答的作答音频,解析所述作答音频,提取所述作答音频的特征信息,所述特征信息包括文本文字、文本文字对应的拼音、语速、卡顿点,根据所述文本文字、文本文字对应的拼音与预设答案进行比对,得到发声作答结果,通过所述语速和卡顿点计算阅读流利度;
将所述书面作答结果、发声作答结果、阅读流利度输入训练好的阅读能力评测神经网络,得到儿童阅读能力分析结果。
进一步地,所述根据所述预设阅读材料进行智能试题合成,生成包含书面作答和发声作答两种类型的试题,包括:
提取所述预设阅读材料的名称和/或目录和/或热点段落,对提取的内容进行文字识别,根据文字识别结果确定所提取的内容中的关键词,将缺省所述关键词的内容保存为属于关键词缺省类题型的智能试题;和/或,
通过与预设字典库进行匹配查找所述预设阅读材料中的至少一个关键词,提取包含所述至少一个关键词的段落,将缺省所述至少一个关键词的段落保存为属于关键词缺省类题型的智能试题;
将所述智能试题随机设置为书面作答和发生作答两种类型并展示。
进一步地,所述根据所述预设阅读材料进行智能试题合成,生成包含书面作答和发声作答两种类型的试题,包括:
获取所述预设阅读材料的目录信息并记录其中各个章节的排序,根据随机算法打乱所述各个章节的排序,将打乱排序后的所述预设阅读材料的目录保存为属于目录排序类题型的智能试题;和/或,
获取所述预设阅读材料中关键事件的描述信息,根据所述关键事件的描述信息生成属于事件描述类题型的智能试题;
将所述智能试题随机设置为书面作答和发生作答两种类型并展示。
进一步地,所述获得书面作答的结果文本,通过将所述结果文本与预设正确结果文本进行比对,得到书面作答结果,包括:
第一次匹配步骤,将结果文本中的文本文字中首字符与预设正确结果文本的文本文字进行匹配,若该首字符在预设正确结果文本的文本文字中出现,则继续将首字符和第二字符组成的串与预设正确结果文本的文本文字进行匹配,依此类推,直到无法匹配为止,得到结果文本中的文本文字与预设正确结果文本的文本文字的最大匹配长度、预设正确结果文本的文本文字中的开始匹配位置;若该首字符在预设正确结果文本的文本文字中未出现,开始匹配位置小于0,则匹配失败,执行第二次匹配步骤,若该开始匹配位置不小于0,则将此开始匹配位置之前的文字设置成不同点;
第二次匹配步骤:继续将结果文本中的文本文字中第二字符与预设正确结果文本的文本文字进行匹配,若该第二字符在预设正确结果文本的文本文字中出现,则继续将第二字符和第三字符组成的串与预设正确结果文本的文本文字进行匹配,若该第二字符在预设正确结果文本的文本文字中未出现,则继续将第三字符与预设正确结果文本的文本文字进行匹配,依此类推,直到无法匹配为止,得到结果文本中的文本文字对预设正确结果文本的文本文字的最大匹配长度及开始匹配位置,若结果文本中的文本文字中所有字符在预设正确结果文本的文本文字中均未出现,且开始匹配位置均小于0,则匹配失败,若有一个开始匹配位置不小于0,则将开始匹配位置之前的文字设置成不同点,结束对比;
将所述不同点对应的文字作为做错部分,将结果文本中的文本文字与预设正确结果文本的文本文字的匹配部分作为作对部分,得到书面作答结果。
进一步地,所述解析所述作答音频,提取所述作答音频的特征信息,包括:
对所述作答音频进行语音识别,以获得文本文字;
根据预存的文字-拼音转换关系,将所述识别出的文本文字转化为第一拼音字母序列;计算所述第一拼音字母序列与预设的关键词数据库中所有拼音字母序列的各个编辑距离,所述预设的关键词数据库中存储有汉字及与其对应的拼音字母序列;获得关键词数据库中与所述第一拼音字母序列的编辑距离最近的第二拼音序列,作为所述文本文字对应的拼音;
从所述作答音频中识别音素序列和每个音素对应的时间分割点,根据上述识别出的音素序列和每个音素对应的时间分割点,识别字序列和每个字对应的时间分割点,以及根据上述识别出的字序列和每个字对应的时间分割点,计算所述作答音频的语速;
标记每个文字在所述作答音频上的时间分割点,并计算两两文字之间的时间差,当所述时间差超过预设阈值时,将前一个文字所处的时间分割点记为一个卡顿点,从而获取所有卡顿点;
将所述文本文字、文本文字对应的拼音、语速、卡顿点作为所述作答音频的特征信息。
进一步地,所述根据所述文本文字、文本文字对应的拼音与预设答案进行比对,得到发声作答结果,包括:
将所述文本文字与所述预设答案的文字进行逐一比对,得到正确的文本文字和错误的文本文字;
将所述文本文字对应的拼音与所述预设答案的拼音进行逐一比对,得到正确的拼音和错误的拼音;
计算正确的文本文字在全部文本文字中的百分比和正确的拼音在全部拼音中的百分比,作为发声作答结果。
进一步地,所述通过所述语速和卡顿点计算阅读流利度,包括:
通过预设标注过的语速、卡顿点数、流利度数据集训练得到具有判断功能的流利度检测神经网络,将语速和卡顿点的数据输入到所述流利度检测神经网络中,输出流利度的计算结果。
进一步地,所述将所述书面作答结果、发声作答结果、阅读流利度输入训练好的阅读能力评测神经网络,得到儿童阅读能力分析结果,包括:
使用预设训练集训练预设卷积神经网络,所述预设训练集包括预设书面作答结果数据、预设发声作答结果数据、预设阅读流利度数据;
将所述书面作答结果、发声作答结果、阅读流利度输入训练好的预设卷积神经网络,得到儿童阅读能力分析结果。
基于上述目的,本申请还提出了一种儿童阅读能力评测系统,包括:
阅读材料展示模块,用于展示包含多种阅读难度的预设阅读材料,并提示引导儿童阅读所述预设阅读材料;
试题合成模块,用于根据所述预设阅读材料进行智能试题合成,生成包含书面作答和发声作答两种类型的试题,并引导儿童进行作答;
书面作答模块,用于获得书面作答的结果文本,通过将所述结果文本与预设正确结果文本进行比对,得到书面作答结果;
语音及流利度计算模块,用于获取发声作答的作答音频,解析所述作答音频,提取所述作答音频的特征信息,所述特征信息包括文本文字、文本文字对应的拼音、语速、卡顿点,根据所述文本文字、文本文字对应的拼音与预设答案进行比对,得到发声作答结果,通过所述语速和卡顿点计算阅读流利度;
能力分析模块,用于将所述书面作答结果、发声作答结果、阅读流利度输入训练好的阅读能力评测神经网络,得到儿童阅读能力分析结果。
总的来说,本申请的优势及给用户带来的体验在于:能够根据儿童对于不同难度阅读材料的掌握程度,准确的判断其阅读能力水平;所使用的特色语音分析,使得语音经转换、拆解、计算分析后能够得出儿童阅读的流畅程度;从书面、语音、流利度三个层面真正考察儿童对于阅读材料的掌握理解情况,从而能够更加准确的对儿童的阅读能力进行科学、符合客观实际的评测。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本申请公开的一些实施方式,而不应将其视为是对本申请范围的限制。
图1示出根据本申请实施例的儿童阅读能力评测方法的流程图。
图2示出根据本申请实施例的展示预设阅读材料界面示意图。
图3示出根据本申请实施例的展示合成的智能试题示意图。
图4示出根据本申请实施例的儿童阅读能力评测系统的构成图。
图5示出了本申请一实施例所提供的一种电子设备的结构示意图。
图6示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出根据本申请实施例的儿童阅读能力评测方法的流程图。如图1所示,该儿童阅读能力评测方法包括:
S1、展示包含多种阅读难度的预设阅读材料,并提示引导儿童阅读所述预设阅读材料;如图2所示,可以通过手机、平板电脑、电脑等电子设备,展示用户界面,提供多种阅读难度的阅读材料,但是事先并不明示告知儿童该材料的难度属于哪个年级的难度水平。例如图2中展示了第一至第五材料,分别是学前水平到四年级水平(括号中的哪个等级水平可以不显示)。如此,为将来能够根据儿童对于不同难度阅读材料的掌握程度,准确的判断其阅读能力水平,打下基础。
S2、根据所述预设阅读材料进行智能试题合成,生成包含书面作答和发声作答两种类型的试题,并引导儿童进行作答;如图3所示,展示智能合成的试题,试题可以分为两类,一类如图3左边进行书面作答,一类如图3右边进行语音作答。试题可以包括不同的语种,例如英语、汉语等,并且应该包括对应儿童年龄和性别的难度适中的试题,这个试题可以根据国家对于中小学义务教育的教育大纲进行设定、选择和调整,也可以设计一个预设题库,覆盖各个年龄段的相应阅读难度的字、词、句、段落、文章等等。
S3、获得书面作答的结果文本,通过将所述结果文本与预设正确结果文本进行比对,得到书面作答结果;
S4、获取发声作答的作答音频,解析所述作答音频,提取所述作答音频的特征信息,所述特征信息包括文本文字、文本文字对应的拼音、语速、卡顿点,根据所述文本文字、文本文字对应的拼音与预设答案进行比对,得到发声作答结果,通过所述语速和卡顿点计算阅读流利度;
S5、将所述书面作答结果、发声作答结果、阅读流利度输入训练好的阅读能力评测神经网络,得到儿童阅读能力分析结果。
以下重点通过步骤S2-S5的具体实现方式讲解,来讲述本申请的实现过程。
进一步地,步骤S2中,包括:
提取所述预设阅读材料的名称和/或目录和/或热点段落,对提取的内容进行文字识别,根据文字识别结果确定所提取的内容中的关键词,将缺省所述关键词的内容保存为属于关键词缺省类题型的智能试题,如图3中的问题《吃水不忘挖井人》的主人公是谁?
通过与预设字典库进行匹配查找所述预设阅读材料中的至少一个关键词,提取包含所述至少一个关键词的段落,将缺省所述至少一个关键词的段落保存为属于关键词缺省类题型的智能试题,如图3中的问题“唐诗《悯农》的第一句是?”。
获取所述预设阅读材料的目录信息并记录其中各个章节的排序,根据随机算法打乱所述各个章节的排序,将打乱排序后的所述预设阅读材料的目录保存为属于目录排序类题型的智能试题,如图3中的问题“请把《曹冲称象》的以下段落进行正确排序。”
获取所述预设阅读材料中关键事件的描述信息,根据所述关键事件的描述信息生成属于事件描述类题型的智能试题,如图3中的问题“以下哪些图片不是以上阅读材料中的场景?”。
将所述智能试题随机设置为书面作答和发生作答两种类型并展示。
进一步地,步骤S3中,包括:
第一次匹配步骤,将结果文本中的文本文字中首字符与预设正确结果文本的文本文字进行匹配,若该首字符在预设正确结果文本的文本文字中出现,则继续将首字符和第二字符组成的串与预设正确结果文本的文本文字进行匹配,依此类推,直到无法匹配为止,得到结果文本中的文本文字与预设正确结果文本的文本文字的最大匹配长度、预设正确结果文本的文本文字中的开始匹配位置;若该首字符在预设正确结果文本的文本文字中未出现,开始匹配位置小于0,则匹配失败,执行第二次匹配步骤,若该开始匹配位置不小于0,则将此开始匹配位置之前的文字设置成不同点;
第二次匹配步骤:继续将结果文本中的文本文字中第二字符与预设正确结果文本的文本文字进行匹配,若该第二字符在预设正确结果文本的文本文字中出现,则继续将第二字符和第三字符组成的串与预设正确结果文本的文本文字进行匹配,若该第二字符在预设正确结果文本的文本文字中未出现,则继续将第三字符与预设正确结果文本的文本文字进行匹配,依此类推,直到无法匹配为止,得到结果文本中的文本文字对预设正确结果文本的文本文字的最大匹配长度及开始匹配位置,若结果文本中的文本文字中所有字符在预设正确结果文本的文本文字中均未出现,且开始匹配位置均小于0,则匹配失败,若有一个开始匹配位置不小于0,则将开始匹配位置之前的文字设置成不同点,结束对比;
将所述不同点对应的文字作为做错部分,将结果文本中的文本文字与预设正确结果文本的文本文字的匹配部分作为作对部分,得到书面作答结果。
步骤S3的文字匹配,使得能够快速的将儿童书面作答结果与答案进行比对,从而确定儿童哪些阅读材料没有理解或掌握。
进一步地,步骤S4中,包括:
对所述作答音频进行语音识别,以获得文本文字;
根据预存的文字-拼音转换关系,将所述识别出的文本文字转化为第一拼音字母序列;计算所述第一拼音字母序列与预设的关键词数据库中所有拼音字母序列的各个编辑距离,所述预设的关键词数据库中存储有汉字及与其对应的拼音字母序列;获得关键词数据库中与所述第一拼音字母序列的编辑距离最近的第二拼音序列,作为所述文本文字对应的拼音;
从所述作答音频中识别音素序列和每个音素对应的时间分割点,根据上述识别出的音素序列和每个音素对应的时间分割点,识别字序列和每个字对应的时间分割点,以及根据上述识别出的字序列和每个字对应的时间分割点,计算所述作答音频的语速;
标记每个文字在所述作答音频上的时间分割点,并计算两两文字之间的时间差,当所述时间差超过预设阈值时,将前一个文字所处的时间分割点记为一个卡顿点,从而获取所有卡顿点;
将所述文本文字、文本文字对应的拼音、语速、卡顿点作为所述作答音频的特征信息。
步骤S4中,包括:
将所述文本文字与所述预设答案的文字进行逐一比对,得到正确的文本文字和错误的文本文字;
将所述文本文字对应的拼音与所述预设答案的拼音进行逐一比对,得到正确的拼音和错误的拼音;
计算正确的文本文字在全部文本文字中的百分比和正确的拼音在全部拼音中的百分比,作为发声作答结果。
通过预设标注过的语速、卡顿点数、流利度数据集训练得到具有判断功能的流利度检测神经网络,将语速和卡顿点的数据输入到所述流利度检测神经网络中,输出流利度的计算结果。具体地,对流利程度进行判断的方式不受限定。在一种可能的实现方式中,可以通过训练得到具有判断功能的神经网络,比如流利度检测神经网络,将语速和卡顿点的数据输入到神经网络中,可以输出流利度的检测结果。上述神经网络的具体实现形式可以根据实际情况进行灵活确定,在本公开实施例中不做限制。
通过步骤S4,所使用的特色语音分析,使得语音经转换、拆解、计算分析后能够得出儿童阅读的流畅程度;从书面、语音、流利度三个层面真正考察儿童对于阅读材料的掌握理解情况,从而能够更加准确的对儿童的阅读能力进行科学、符合客观实际的评测。本申请首创了根据卡顿点、语速结合的方式,来判断儿童阅读的流利程度。因为在实际的教育、阅读能力评估中,阅读流利程度是一个重要的衡量因素。本申请通过客观的语速、卡顿情况,得到符合实际的定量计算的儿童阅读流利程度,能够更加准确、客观的进行阅读能力的评测。
进一步地,步骤S5中,包括:
使用预设训练集训练预设卷积神经网络,所述预设训练集包括预设书面作答结果数据、预设发声作答结果数据、预设阅读流利度数据;
将所述书面作答结果、发声作答结果、阅读流利度输入训练好的预设卷积神经网络,得到儿童阅读能力分析结果。
本申请训练预设卷积神经网络的过程包括:
基于受限玻尔兹曼机,将预设书面作答结果数据、预设发声作答结果数据、预设阅读流利度数据输入预设神经网络的每一层进行预训练,训练算法是具有1步马尔可夫链蒙特卡罗采样的对比发散算法,第一个受限玻尔兹曼机采用高斯-伯努利单元,其余的受限玻尔兹曼机采用伯努利-伯努利单元。
步骤S5中,通过使用大数据训练智能的神经网络技术,能够将儿童的书面作答数据、语音作答数据、流利度进行科学、准确、符合客观实际的评估。以下是通过本发明进行儿童阅读能力分析结果的一个示意表格,表格中的百分比为实际做题准确率计算而获得,能力阈值为经过神经网络的大数据训练获得,能力分析结果为书面作答、发声作答、流利度三者经过经验加权计算得到。由以下表格可知,该儿童的阅读能力属于一年级水平,尚未达到二年级的阅读水平。然而本领域技术人员可知,本发明并非仅仅能够以以下形式展示分析结果。
申请实施例提供了一种儿童阅读能力评测系统,该系统用于执行上述实施例所述的儿童阅读能力评测方法,如图4所示,该系统包括:
阅读材料展示模块401,用于展示包含多种阅读难度的预设阅读材料,并提示引导儿童阅读所述预设阅读材料;
试题合成模块402,用于根据所述预设阅读材料进行智能试题合成,生成包含书面作答和发声作答两种类型的试题,并引导儿童进行作答;
书面作答模块403,用于获得书面作答的结果文本,通过将所述结果文本与预设正确结果文本进行比对,得到书面作答结果;
语音及流利度计算模块404,用于获取发声作答的作答音频,解析所述作答音频,提取所述作答音频的特征信息,所述特征信息包括文本文字、文本文字对应的拼音、语速、卡顿点,根据所述文本文字、文本文字对应的拼音与预设答案进行比对,得到发声作答结果,通过所述语速和卡顿点计算阅读流利度;
能力分析模块405,用于将所述书面作答结果、发声作答结果、阅读流利度输入训练好的阅读能力评测神经网络,得到儿童阅读能力分析结果。
本申请的上述实施例提供的儿童阅读能力评测系统与本申请实施例提供的儿童阅读能力评测方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的儿童阅读能力评测方法对应的电子设备,以执行上儿童阅读能力评测方法。本申请实施例不做限定。
请参考图5,其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图5所示,所述电子设备20包括:处理器200,存储器201,总线202和通信接口203,所述处理器200、通信接口203和存储器201通过总线202连接;所述存储器201中存储有可在所述处理器200上运行的计算机程序,所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的儿童阅读能力评测方法。
其中,存储器201可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中,存储器201用于存储程序,所述处理器200在接收到执行指令后,执行所述程序,前述本申请实施例任一实施方式揭示的所述儿童阅读能力评测方法可以应用于处理器200中,或者由处理器200实现。
处理器200可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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申请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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201,处理器200读取存储器201中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的儿童阅读能力评测方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的儿童阅读能力评测方法对应的计算机可读存储介质,请参考图6,其示出的计算机可读存储介质为光盘30,其上存储有计算机程序(即程序产品),所述计算机程序在被处理器运行时,会执行前述任意实施方式所提供的儿童阅读能力评测方法。
需要说明的是,所述计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的儿童阅读能力评测方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备有固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本申请也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本申请的内容,并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本申请并帮助理解各个发明方面中的一个或多个,在上面对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器( DSP )来实现根据本申请实施例的虚拟机的创建系统中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中,这些系统中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种儿童阅读能力评测方法,其特征在于,包括:
展示包含多种阅读难度的预设阅读材料,并提示引导儿童阅读所述预设阅读材料;
根据所述预设阅读材料进行智能试题合成,生成包含书面作答和发声作答两种类型的试题,并引导儿童进行作答;
获得书面作答的结果文本,通过将所述结果文本与预设正确结果文本进行比对,得到书面作答结果;
获取发声作答的作答音频,解析所述作答音频,提取所述作答音频的特征信息,所述特征信息包括文本文字、文本文字对应的拼音、语速、卡顿点,根据所述文本文字、文本文字对应的拼音与预设答案进行比对,得到发声作答结果,通过所述语速和卡顿点计算阅读流利度;
将所述书面作答结果、发声作答结果、阅读流利度输入训练好的阅读能力评测神经网络,得到儿童阅读能力分析结果。
2.根据权利要求1所述的方法,其特征在于,
所述根据所述预设阅读材料进行智能试题合成,生成包含书面作答和发声作答两种类型的试题,包括:
提取所述预设阅读材料的名称和/或目录和/或热点段落,对提取的内容进行文字识别,根据文字识别结果确定所提取的内容中的关键词,将缺省所述关键词的内容保存为属于关键词缺省类题型的智能试题;和/或,
通过与预设字典库进行匹配查找所述预设阅读材料中的至少一个关键词,提取包含所述至少一个关键词的段落,将缺省所述至少一个关键词的段落保存为属于关键词缺省类题型的智能试题;
将所述智能试题随机设置为书面作答和发生作答两种类型并展示。
3.根据权利要求1所述的方法,其特征在于,
所述根据所述预设阅读材料进行智能试题合成,生成包含书面作答和发声作答两种类型的试题,包括:
获取所述预设阅读材料的目录信息并记录其中各个章节的排序,根据随机算法打乱所述各个章节的排序,将打乱排序后的所述预设阅读材料的目录保存为属于目录排序类题型的智能试题;和/或,
获取所述预设阅读材料中关键事件的描述信息,根据所述关键事件的描述信息生成属于事件描述类题型的智能试题;
将所述智能试题随机设置为书面作答和发生作答两种类型并展示。
4.根据权利要求1所述的方法,其特征在于,
所述获得书面作答的结果文本,通过将所述结果文本与预设正确结果文本进行比对,得到书面作答结果,包括:
第一次匹配步骤,将结果文本中的文本文字中首字符与预设正确结果文本的文本文字进行匹配,若该首字符在预设正确结果文本的文本文字中出现,则继续将首字符和第二字符组成的串与预设正确结果文本的文本文字进行匹配,依此类推,直到无法匹配为止,得到结果文本中的文本文字与预设正确结果文本的文本文字的最大匹配长度、预设正确结果文本的文本文字中的开始匹配位置;若该首字符在预设正确结果文本的文本文字中未出现,开始匹配位置小于0,则匹配失败,执行第二次匹配步骤,若该开始匹配位置不小于0,则将此开始匹配位置之前的文字设置成不同点;
第二次匹配步骤:继续将结果文本中的文本文字中第二字符与预设正确结果文本的文本文字进行匹配,若该第二字符在预设正确结果文本的文本文字中出现,则继续将第二字符和第三字符组成的串与预设正确结果文本的文本文字进行匹配,若该第二字符在预设正确结果文本的文本文字中未出现,则继续将第三字符与预设正确结果文本的文本文字进行匹配,依此类推,直到无法匹配为止,得到结果文本中的文本文字对预设正确结果文本的文本文字的最大匹配长度及开始匹配位置,若结果文本中的文本文字中所有字符在预设正确结果文本的文本文字中均未出现,且开始匹配位置均小于0,则匹配失败,若有一个开始匹配位置不小于0,则将开始匹配位置之前的文字设置成不同点,结束对比;
将所述不同点对应的文字作为做错部分,将结果文本中的文本文字与预设正确结果文本的文本文字的匹配部分作为作对部分,得到书面作答结果。
5.根据权利要求1所述的方法,其特征在于,
所述解析所述作答音频,提取所述作答音频的特征信息,包括:
对所述作答音频进行语音识别,以获得文本文字;
根据预存的文字-拼音转换关系,将所述识别出的文本文字转化为第一拼音字母序列;计算所述第一拼音字母序列与预设的关键词数据库中所有拼音字母序列的各个编辑距离,所述预设的关键词数据库中存储有汉字及与其对应的拼音字母序列;获得关键词数据库中与所述第一拼音字母序列的编辑距离最近的第二拼音序列,作为所述文本文字对应的拼音;
从所述作答音频中识别音素序列和每个音素对应的时间分割点,根据上述识别出的音素序列和每个音素对应的时间分割点,识别字序列和每个字对应的时间分割点,以及根据上述识别出的字序列和每个字对应的时间分割点,计算所述作答音频的语速;
标记每个文字在所述作答音频上的时间分割点,并计算两两文字之间的时间差,当所述时间差超过预设阈值时,将前一个文字所处的时间分割点记为一个卡顿点,从而获取所有卡顿点;
将所述文本文字、文本文字对应的拼音、语速、卡顿点作为所述作答音频的特征信息。
6.根据权利要求1所述的方法,其特征在于,
所述根据所述文本文字、文本文字对应的拼音与预设答案进行比对,得到发声作答结果,包括:
将所述文本文字与所述预设答案的文字进行逐一比对,得到正确的文本文字和错误的文本文字;
将所述文本文字对应的拼音与所述预设答案的拼音进行逐一比对,得到正确的拼音和错误的拼音;
计算正确的文本文字在全部文本文字中的百分比和正确的拼音在全部拼音中的百分比,作为发声作答结果。
7.根据权利要求1所述的方法,其特征在于,
所述通过所述语速和卡顿点计算阅读流利度,包括:
通过预设标注过的语速、卡顿点数、流利度数据集训练得到具有判断功能的流利度检测神经网络,将语速和卡顿点的数据输入到所述流利度检测神经网络中,输出流利度的计算结果。
8.根据权利要求1所述的方法,其特征在于,
所述将所述书面作答结果、发声作答结果、阅读流利度输入训练好的阅读能力评测神经网络,得到儿童阅读能力分析结果,包括:
使用预设训练集训练预设卷积神经网络,所述预设训练集包括预设书面作答结果数据、预设发声作答结果数据、预设阅读流利度数据;
将所述书面作答结果、发声作答结果、阅读流利度输入训练好的预设卷积神经网络,得到儿童阅读能力分析结果。
9.一种儿童阅读能力评测系统,其特征在于,包括:
阅读材料展示模块,用于展示包含多种阅读难度的预设阅读材料,并提示引导儿童阅读所述预设阅读材料;
试题合成模块,用于根据所述预设阅读材料进行智能试题合成,生成包含书面作答和发声作答两种类型的试题,并引导儿童进行作答;
书面作答模块,用于获得书面作答的结果文本,通过将所述结果文本与预设正确结果文本进行比对,得到书面作答结果;
语音及流利度计算模块,用于获取发声作答的作答音频,解析所述作答音频,提取所述作答音频的特征信息,所述特征信息包括文本文字、文本文字对应的拼音、语速、卡顿点,根据所述文本文字、文本文字对应的拼音与预设答案进行比对,得到发声作答结果,通过所述语速和卡顿点计算阅读流利度;
能力分析模块,用于将所述书面作答结果、发声作答结果、阅读流利度输入训练好的阅读能力评测神经网络,得到儿童阅读能力分析结果。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序以实现如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310670057.1A CN116385230A (zh) | 2023-06-07 | 2023-06-07 | 一种儿童阅读能力评测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310670057.1A CN116385230A (zh) | 2023-06-07 | 2023-06-07 | 一种儿童阅读能力评测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116385230A true CN116385230A (zh) | 2023-07-04 |
Family
ID=86966095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310670057.1A Pending CN116385230A (zh) | 2023-06-07 | 2023-06-07 | 一种儿童阅读能力评测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385230A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217624A (zh) * | 2023-10-27 | 2023-12-12 | 广州道然信息科技有限公司 | 基于绘本阅读记录的儿童阅读水平预测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737012A (zh) * | 2011-04-06 | 2012-10-17 | 鸿富锦精密工业(深圳)有限公司 | 文本信息对比方法及系统 |
CN105206274A (zh) * | 2015-10-30 | 2015-12-30 | 北京奇艺世纪科技有限公司 | 一种语音识别的后处理方法及装置和语音识别系统 |
CN111402895A (zh) * | 2020-06-08 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 语音处理、语音评测方法、装置、计算机设备和存储介质 |
CN112163768A (zh) * | 2020-09-29 | 2021-01-01 | 上海松鼠课堂人工智能科技有限公司 | 语文阅读评分方法和系统 |
CN113420131A (zh) * | 2021-06-11 | 2021-09-21 | 洪恩完美(北京)教育科技发展有限公司 | 儿童绘本的阅读引导方法、设备及存储介质 |
CN114842875A (zh) * | 2022-04-18 | 2022-08-02 | 上海清华国际创新中心 | 一种基于文本及语音识别的口语测评方法及系统 |
US20220343790A1 (en) * | 2021-04-21 | 2022-10-27 | Lumos Information Services LLC | System and method for analysing an audio to measure oral reading fluency |
-
2023
- 2023-06-07 CN CN202310670057.1A patent/CN116385230A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737012A (zh) * | 2011-04-06 | 2012-10-17 | 鸿富锦精密工业(深圳)有限公司 | 文本信息对比方法及系统 |
CN105206274A (zh) * | 2015-10-30 | 2015-12-30 | 北京奇艺世纪科技有限公司 | 一种语音识别的后处理方法及装置和语音识别系统 |
CN111402895A (zh) * | 2020-06-08 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 语音处理、语音评测方法、装置、计算机设备和存储介质 |
CN112163768A (zh) * | 2020-09-29 | 2021-01-01 | 上海松鼠课堂人工智能科技有限公司 | 语文阅读评分方法和系统 |
US20220343790A1 (en) * | 2021-04-21 | 2022-10-27 | Lumos Information Services LLC | System and method for analysing an audio to measure oral reading fluency |
CN113420131A (zh) * | 2021-06-11 | 2021-09-21 | 洪恩完美(北京)教育科技发展有限公司 | 儿童绘本的阅读引导方法、设备及存储介质 |
CN114842875A (zh) * | 2022-04-18 | 2022-08-02 | 上海清华国际创新中心 | 一种基于文本及语音识别的口语测评方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217624A (zh) * | 2023-10-27 | 2023-12-12 | 广州道然信息科技有限公司 | 基于绘本阅读记录的儿童阅读水平预测方法及系统 |
CN117217624B (zh) * | 2023-10-27 | 2024-03-01 | 广州道然信息科技有限公司 | 基于绘本阅读记录的儿童阅读水平预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107908635B (zh) | 建立文本分类模型以及文本分类的方法、装置 | |
US10409854B2 (en) | Image selection based on text topic and image explanatory value | |
CN110705302B (zh) | 命名实体的识别方法、电子设备及计算机存储介质 | |
Shen et al. | A hybrid model for quality assessment of Wikipedia articles | |
Ballier et al. | Machine learning for learner English: A plea for creating learner data challenges | |
Eika et al. | Assessing the reading level of web texts for WCAG2. 0 compliance—can it be done automatically? | |
CN116385230A (zh) | 一种儿童阅读能力评测方法和系统 | |
Jia et al. | Insta-Reviewer: A Data-Driven Approach for Generating Instant Feedback on Students' Project Reports. | |
WO2014000764A1 (en) | A system and method for automatic generation of a reference utility | |
Shatz | Refining and modifying the EFCAMDAT: Lessons from creating a new corpus from an existing large-scale English learner language database | |
Deutsch et al. | Formal and semantic effects of morphological families on word recognition in Hebrew | |
Nguyen et al. | Openvivqa: Task, dataset, and multimodal fusion models for visual question answering in vietnamese | |
Elewa | Authorship verification of disputed Hadiths in Sahih al-Bukhari and Muslim | |
Roesler | A computer science academic vocabulary list | |
JP6942759B2 (ja) | 情報処理装置、プログラム及び情報処理方法 | |
Higashimura et al. | Helping Mobile Learners Know Unknown Words through their Reading Behavior | |
US20120197894A1 (en) | Apparatus and method for processing documents to extract expressions and descriptions | |
CN116403604B (zh) | 一种儿童阅读能力评测方法和系统 | |
CN110223206B (zh) | 课文专业方向确定方法及系统和解析课件匹配方法及系统 | |
CN114842982A (zh) | 一种面向医疗信息系统的知识表达方法、装置及系统 | |
Alarcón et al. | Hulat-ALexS CWI Task-CWI for Language and Learning Disabilities Applied to University Educational Texts. | |
CN114611513A (zh) | 样本生成方法、模型训练方法、实体识别方法及相关装置 | |
Armando et al. | Multi-LEX: A database of multi-word frequencies for French and English | |
CN113220737A (zh) | 一种数据推荐方法、装置、电子设备及存储介质 | |
Ichiyama | Identifying the characteristics and differences between titles in nursing research articles |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230704 |
|
RJ01 | Rejection of invention patent application after publication |