CN116796802A - 基于错题分析的学习推荐方法、装置、设备及存储介质 - Google Patents
基于错题分析的学习推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116796802A CN116796802A CN202211466340.4A CN202211466340A CN116796802A CN 116796802 A CN116796802 A CN 116796802A CN 202211466340 A CN202211466340 A CN 202211466340A CN 116796802 A CN116796802 A CN 116796802A
- Authority
- CN
- China
- Prior art keywords
- learning
- information
- wrong
- question
- questions
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000000463 material Substances 0.000 claims abstract description 40
- 238000012552 review Methods 0.000 claims description 89
- 238000012360 testing method Methods 0.000 claims description 66
- 238000011156 evaluation Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- 238000003491 array Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012015 optical character recognition Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于错题分析的学习推荐方法、装置、设备及介质，涉及信息处理技术，其方法包括：获取错题信息；基于预设错题模型分析所述错题信息，得到分析结果；获取学生的学习情况信息和学习成绩信息；基于所述分析结果、所述学习情况信息和所述学习成绩信息生成学习策略；获取学生的学习时间信息和状态信息；基于所述学习时间、所述状态信息、所述学习策略和预设资料推荐规则推荐并展示学习资料。本申请具有提高学生在针对错题进行学习时对知识点进行巩固或知识点深入理解的学习效果和学习效率的效果。
Description
技术领域
本申请涉及信息处理技术领域，尤其是涉及一种基于错题分析的学习推荐方法、装置、设备及存储介质。
背景技术
随着计算机的不断普及和信息技术的快速发展，课堂教学及习题练习均实现了线上化，特别是习题练习过程的线上化，实现了做题、计分及解答等一体化。
而错题往往是学生知识薄弱点的表现，学生在学习过程中通过对做错的试题进行整理成相应的错题本，在复习时对错题本中的内容进行针对性的学习，以便在学习过程中更好的掌握知识点、解题技巧等。
相关技术中，学生记录错题采用线上智能错题本通过图文识别的方式录入错题或学生在线上做题时进行记录收集，并将错题归类。但是，由于不同学生的领悟程度及掌握程度均有所差异，学生根据错题情况进行系统性学习的情况也不同，因此，学生在针对错题进行复习时可能出现相同错误类型的题再次做错的情况，知识点巩固或知识点深入理解的学习效果差且效率低。
发明内容
为了提高学生在针对错题进行学习时对知识点进行巩固或知识点深入理解的学习效果和学习效率，本申请提供一种基于错题分析的学习推荐方法、装置、设备及存储介质。
第一方面，本申请提供一种基于错题分析的学习推荐方法，采用如下的技术方案：
一种基于错题分析的学习推荐方法，包括：
获取错题信息；基于预设错题模型分析所述错题信息，得到分析结果；所述分析结果包括错题等级、错题类型和错题错误原因；
获取用户的学习情况信息和学习成绩信息；基于所述分析结果、所述学习情况信息和所述学习成绩信息生成第一学习策略；
获取用户的学习时间信息和状态信息；基于所述学习时间、所述状态信息、所述第一学习策略和预设资料推荐规则推荐并展示学习资料。
通过采用上述技术方案，通过分析错题的错误等级、错题类型和错题错误原因对该错题进行分类，智能记录和分析用户的学习进展，根据用户的掌握程度和学习情况对掌握不牢固的知识点针对性的生成学习策略，根据用户的学习时间、状态信息和预设资料推荐规则推荐相关知识点和历史错题进行复习，提高学生在针对错题进行学习时对知识点进行巩固或知识点深入理解的学习效果和学习效率，降低用户盲目复习错题及相关知识点的可能性。
可选的，所述基于预设错题模型分析所述错题信息，得到分析结果包括：
对所述错题信息进行特征识别，得到特征信息，所述特征信息包括所述错题的关键词；
基于所述错题的关键词获取错题原题，所述错题原题中预设有试题等级标签和试题类型标签；
获取用户输入自评信息，所述评价信息包括概念模糊、思路错误、审题错误、运算错误、粗心大意和其它错误的至少一种或多种；
获取与所述错题信息相同试题等级和试题类型的历史错题信息，所述历史错题信息包括错题数量、教师评价信息、错误时间信息和复习程度信息；
基于所述历史错题信息、所述自评信息和预设错误原因分析模型分析，得到错题错误原因。
通过采用上述技术方案，通过对错题信息进行特征识别查找与错题对应的原题并获取错试题等级标签和试题类型标签，使得确定错题信息的试题等级和试题类型更加准确，利用用户自评和相同试题等级和试题类型的历史错题信息进行综合性分析错题原因，使得确定错题的错误原因更全面。
可选的，在所述获取错题信息；基于预设错题模型分析所述错题信息，得到分析结果之后，还包括：
根据所述试题类型的不同预先创建不同的错题存储模型；
根据所述分析结果将所述错题信息存储至对应的存储模型中；其中，每一存储模型均设置有基于试题类型设置的预设查询算法，当需要查询错题信息时，生成查询请求，计算引擎将查询请求路由至相应的存储模型，所述存储模型基于查询请求调用相应的预设查询算法，并基于查询算法查询需要查询的错题信息。
通过采用上述技术方案，根据分析结果将错题信息存储在对应的存储模型中，智能对错题进行记录，并且错题安知识点智能归类，在对错题进行搜索时，利用每一存储模型中预先上设置的查询算法对错题信息进行查询，提高了错题查询和推荐的效率。
可选的，所述基于所述分析结果、所述学习情况信息和所述学习成绩信息生成第一学习策略包括：
基于所述分析结果获取与所述分析结果关联的学习信息，所述学习信息包括知识点信息；
将所述学习情况信息、所述学习成绩信息和与所述分析结果关联的学习信息输入至预设关联强度学习模型中，得到每一个知识点的学习权重信息；
获取与所述分析结果关联的知识点之间的预设关联强度信息；
基于所述关联强度信息和每一个知识点的学习权重信息生产第一学习策略。
通过采用上述技术方案，通过根据错题的分析结果得知用户掌握相关知识点的不同程度，根据每个知识点的关联程度和学习权重为用户提供学习方法，使得在现阶段更准确的为用户提供薄弱知识点和错题，薄弱知识点匹配动态的个性化自适应学习方案，使得用户高效学习。
可选的，所述基于所述学习时间信息、所述状态信息、所述第一学习策略和预设资料推荐规则推荐学习资料包括：
所述第一学习策略包括学习知识点的学习时间比重；所述状态信息包括知识点复习状态、错题练习状态的至少一种组合方式；
按照所述学习时间比重对所述学习时间信息进行划分，得到每个知识点的学习时间；
基于所述每个知识点的学习时间、所述状态信息和预设资料推荐规则推荐学习资料推荐学习资料；
基于所述每个知识点的学习时间、所述状态信息和预设资料推荐规则推荐学习资料推荐学习资料包括：
所述历史错题预先设置有按照用户复习次数、复习时间还和学习结果推荐值；
若所述状态信息为错题练习状态，则基于所述每个知识点的学习时间和所述历史错题的推荐值推荐错题；
若所述状态信息为知识点复习状态，则基于所述每个知识点的学习时间推荐所述知识点的学习形式；所述知识点的学习形式包括知识点视频讲解、知识点概念、知识点优秀学习笔记、知识点思维导图。
通过采用上述技术方案，根据用户不同的状态信息和时间为用户推荐不同的学习方式，使得用户可利用碎片化时间个性化自适应学习或是长时间系统化针对性学习，通过不同的学习时间为用户推荐学习方式并对学习时间进行精准划分，提高用户学习效率。
可选的，所述错题信息包括错题时间，所述方法还包括：
基于所述错题时间、错题复习程度和预设错题复习规则生成第二学习策略并发出提示信息；
基于第二学习策略生成学习内容并保证至错题复习存储模型中；所述学习内容包括教学视频、的任一种或几种组合；
判断在预设时间内是否对所述学习内容进行处理；
若未处理，则判断用户未对学习内容处理的次数是否超过预设阈值；
若用户未对学习内容处理的次数超过预设阈值，则向监督人员发送用户复习情况信息提示，以监督用户对学习内容进行学习。
通过采用上述技术方案，由于学生在复习错题的过程中会存在遗忘的情况，所以根据错题复习规则、错题时间和错题复习程度制定错题的第二学习策略并，生成根据第二学习策略指定的学习内容并自动提醒用户复习错题，若用户未在规定时间内复习错题，则向监督人员发送用户复习情况，以对用户进行监督，建立专属个人的错题复习计划。
可选的，所述试题练习包括历史错题和与所述历史错题类型相同的试题，若在预设时间内对所述学习内容处理，则所述方法还包括：
待用户做完错题后，得到做题结果；
若所述历史错题的做题结果为正确，则判断所述历史错题的复习次数是否达到预设复习次数阈值；
若所述历史错题的复习次数达到预设复习次数阈值，推荐与所述历史错题相同试题等级和试题类型的习题，待用户答复正确后，将所述历史错题从错题存储模型中移除；
若所述历史错题的复习次数为到达预设复习次数阈值，则基于所述历史错题的复习次数降低所述历史错题的推荐值。
第二方面，本申请提供一种基于错题分析的学习推荐装置，采用如下的技术方案：
一种基于错题分析的学习推荐装置，包括：
错题分析模块，用户获取错题信息；基于预设错题模型分析所述错题信息，得到分析结果；所述分析结果包括试题等级、试题类型和错题错误原因；
学习策略生成模块，用于获取学生的学习情况信息和学习成绩信息；基于所述分析结果、所述学习情况信息和所述学习成绩信息生成学习策略；
学习资料推荐模块，用于获取学生的学习时间信息和状态信息；基于所述学习时间、所述状态信息、所述学习策略和预设资料推荐规则推荐并展示学习资料。
通过采用上述技术方案，通过分析错题的错误等级、错题类型和错题错误原因对该错题进行分类，智能记录和分析用户的学习进展，根据用户的掌握程度和学习情况对掌握不牢固的知识点针对性的生成学习策略，根据用户的学习时间、状态信息和预设资料推荐规则推荐相关知识点和历史错题进行复习，提高学生在针对错题进行学习时对知识点进行巩固或知识点深入理解的学习效果和学习效率，降低用户盲目复习错题及相关知识点的可能性。
第三方面，本申请提供一种电子设备，采用如下的技术方案：
一种电子设备，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行第一方面任一项所述的基于错题分析的学习推荐方法的计算机程序。
第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，存储有能够被处理器加载并执行第一方面任一项所述的基于错题分析的学习推荐方法的计算机程序。
附图说明
图1是本申请实施例基于错题分析的学习推荐方法的流程示意图。
图2是本申请实施例基于错题分析的学习推荐装置的结构框图。
图3是本申请实施例一种电子设备的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
本申请实施例提供一种基于错题分析的学习推荐方法，该基于错题分析的学习推荐方法可由电子设备执行，该电子设备可以为服务器，也可以为终端设备，其中该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器，终端设备可以是平板电脑、手机、台式计算机等，但并不局限于此。在本申请实施例中，电子设备为错题智能终端设备。
下面结合说明书附图对本申请实施例作进一步详细描述。如图1所示，所述方法的主要流程描述如下（步骤S101~S103）：
步骤S101，获取错题信息；基于预设错题模型分析所述错题信息，得到分析结果；
在本申请实施例中，错题智能终端可以开启在开启错题收集模式下采集用户所作答的练习册、试卷的图像信息，其中，错题收集模式可以是错题智能终端预设的一种模式，用户在开启错题收集模式后，错题智能终端可以通过扫描、拍摄、屏幕截图、手写、word批量导入等形式录入收集的错题。另外，错题收集模式还与错题智能终端的习题练习库系统连接，习题练习库系统用于用户线上做题和学习，系统练习库系统中的试题采用云端存储形式，还可通过联网获取，错题智能终端还可通过用户在习题练习库系统中做错的试题进行收集错题。
在获取到错题信息后，对错题信息进行分析，具体的，首先，对所述错题信息进行特征识别，得到特征信息，所述特征信息包括所述错题的关键词；在本申请实施例中，对于用户通过扫描、拍摄、屏幕截图等形象录入的错题信息，可采用光学字符识别技术，利用光学字符识别程序对错题的图片进行扫面和分析处理，自动解析出错题中的关键字；对于用户在习题练习库系统中做错的试题，可通过对习题练习库中的预设标签进行特征识别，自动解析出错题中的关键字。将试卷、练习题中扫面、拍摄等的错题转换为文字或题练习库系统中做错的试题自动记录提高了用户记录错题的效率。需要说明的是，还可以采用其他的字符识别技术、图像特征识别技术进行分析，本实施例并不做具体限定。
之后，基于所述错题的关键词获取错题原题，所述错题原题中预设有试题等级标签和试题类型标签；在本申请实施例中，将关键字与云端存储的练习题进行匹配，查找与错题相同的练习题，利用关键字进行匹配提高了搜索效率。用户选着与错题相同的练习题后，获取该云端存储的练习题中的试题等级标签和试题类型标签；试题等级为根据大多数学习做题结果大数据分析得到，分为“简单等级试题”、“中级等级试题”、“难度等级试题”和“超难度等级试题”；其中，每一个难度等级进一步按照“易错题”和“典型题”进行区分；试题类型为根据每一学科进行划分，进一步每一学科的学习章节，每一学科章节的试题类型，包括但是不限于判断题、单选题、多选题、填空题、解答题和其它类型题。
其次，获取用户输入自评信息；在本申请实施例中，错题智能终端识别出用户对错题录入结束后，在错题智能的展示界面上展示评价页面，评价页面用于用户输入自评信息，所述自评信息包括概念模糊、思路错误、审题错误、运算错误、粗心大意和其它错误的至少一种或多种，用户还可标记错题写错的位置等。
之后，获取与所述错题信息相同错题等级和错题类型的历史错题信息，所述历史错题信息包括错题数量、教师评价信息、错误时间信息和复习程度信息；在本申请实施例中，教师评价可以为从互联网上获取的与该错题对应的名师评价，还可以为教师在智能错题终端中布置作业后的批注等；复习程度信息为用户复习错题的次数和复习结果计算得出。
最后，基于所述历史错题信息、所述自评信息和预设错误原因分析模型分析，得到错题错误原因。在本申请实施例中，预设错误原因分析模型为神经网络模型，该神经网络模型可以为卷积神经网络模型，该卷积神经网络模型由大量学生做的错题、自评、教师评价、相关类型错题数量等信息训练得出。通过对错题信息进行特征识别查找与错题对应的原题并获取错试题等级标签和试题类型标签，使得确定错题信息的试题等级和试题类型更加准确，利用用户自评和相同试题等级和试题类型的历史错题信息进行综合性分析错题原因，使得确定错题的错误原因更全面。
在基于预设错题模型分析所述错题信息，得到分析结果之后，还需要将错题信息进行收集记录，具体的，根据所述试题类型的不同预先创建不同的错题存储模型；
根据所述分析结果将所述错题信息存储至对应的存储模型中；其中，每一存储模型均设置有基于试题类型设置的预设查询算法，当需要查询错题信息时，生成查询请求，计算引擎将查询请求路由至相应的存储模型，所述存储模型基于查询请求调用相应的预设查询算法，并基于查询算法查询需要查询的错题信息。
在本申请实施例中，例如对于数学科目的错题，按照每一学科章节建立存储模型，在错题智能终端中还设置有个根据错题类型、错题等级、错题错误时间等相应错题标签的相应按键，当用户需要查询这些类型错题的相应按键时，可直接在对应的存储模型中进行筛选查询。
通过根据分析结果将错题信息存储在对应的存储模型中，智能对错题进行记录，并且错题安知识点智能归类，在对错题进行搜索时，利用每一存储模型中预先上设置的查询算法对错题信息进行查询，提高了错题查询和推荐的效率。
步骤S102，获取学生的学习情况信息和学习成绩信息；基于所述分析结果、所述学习情况信息和所述学习成绩信息生成第一学习策略；
在本申请实施例中，学习情况信息为用户学习每一章节的自评、错题数量、错题等级、教师评价等信息和复习时间分析出的学习掌握程度，具体的，可按照掌握程度自评分配第一权重、按照每一错题等级的错题数量分配第二权重、按照教师评价信息分配第三权重，按照错题智能系统记录的复习时间分配第四权重，根据每一条件的权重和预设掌握程度评分标准计算该用户的学习掌握程度，其中预设掌握程度评分标准根据大数据分析得到。学习成绩信息为每次每个科目的考试成绩及年级排名，日常学习考试成绩等，其中，期中考试、期末考试或是课堂练习等用户或老师可通过成绩收集模块进行上传。
具体的，所述基于所述分析结果、所述学习情况信息和所述学习成绩信息生成第一学习策略包括如下步骤（步骤S1021~步骤S1024）(图中均为示出)：
步骤S1021，基于所述分析结果获取与所述分析结果关联的学习信息，所述学习信息包括知识点信息；
步骤S1022，将所述学习情况信息、所述学习成绩信息和与所述分析结果关联的学习信息输入至预设关联强度学习模型中，得到每一个知识点的学习权重信息；
步骤S1023，获取与所述分析结果关联的知识点之间的预设关联强度信息；
步骤S1024，基于所述关联强度信息和每一个知识点的学习权重信息生产第一学习策略。
在本申请实施例中，基础知识点都是相辅相成的，它们共同构成了一个知识的大树，在没有完全理解前述的基础知识点，就着急学习基础知识点后阶段的内容，容易遇到该类型的错题还是会继续做错，所以根据分析出的错题等级、错题类型等信息获取相关联的知识点，并且分析每一个知识点的学习权重，和与该知识点的关联强度，使得用户掌握该错题对应的知识点更加全面，在现阶段更准确的为用户提供薄弱知识点和错题，薄弱知识点匹配动态的个性化自适应学习方案，使得用户高效学习。
步骤S103，获取学生的学习时间信息和状态信息；基于所述学习时间、所述状态信息、所述第一学习策略和预设资料推荐规则推荐并展示学习资料。
在本申请实施例中，所述第一学习策略包括学习知识点的学习时间比重；所述状态信息包括知识点复习状态、错题练习状态的至少一种组合方式；由于学生的学习时间可能不充分，例如在课间学习，或者在等待上课的时间进行碎片式时间学习，学习知识点的方式也有很多种，这时在学习时间较短的学习情况下，用户可能不知道选取什么学习方式进行学习，所以还根据学习时间、学习状态和第一学习策略生成相关的学习资料进行推荐，其中学习资料的推荐方式包括但不限于知识点视频讲解、知识点概念、知识点优秀学习笔记、知识点思维导图和历史错题等任一种组合方式。
具体的，基于所述学习时间、所述状态信息、所述第一学习策略和预设资料推荐规则推荐并展示学习资料包括：按照所述学习时间比重对所述学习时间信息进行划分，得到每个知识点的学习时间；基于所述每个知识点的学习时间、所述状态信息和预设资料推荐规则推荐学习资料推荐学习资料；在本申请实施例中，若学习时间小于预设学习阈值，则优先根据学习权重信息最重要的信息推荐一个学习知识点，并根据学习时间和状态信息推荐学习该知识点的学习形式。
进一步的，基于所述每个知识点的学习时间、所述状态信息和预设资料推荐规则推荐学习资料推荐学习资料包括：
所述历史错题预先设置有按照用户复习次数、复习时间还和学习结果推荐值；若所述状态信息为错题练习状态，则基于所述每个知识点的学习时间和所述历史错题的推荐值推荐错题；并且使用AJAX技术一部呈现题目和答案，使得用户先独立接触题目，思考后作答，答题结束后点击显示题目解答，题目和答案分离，避免答案干扰做题思路。若所述状态信息为知识点复习状态，则基于所述每个知识点的学习时间推荐所述知识点的学习形式；所述知识点的学习形式包括知识点视频讲解、知识点概念、知识点优秀学习笔记和知识点思维导图等。
通过根据用户不同的状态信息和时间为用户推荐不同的学习方式，使得用户可利用碎片化时间个性化自适应学习或是长时间系统化针对性学习，通过不同的学习时间为用户推荐学习方式并对学习时间进行精准划分，提高用户学习效率。
由于学生在复习错题的过程中会存在遗忘的情况，为了提高用户的学习效果，还自动提醒用户对错题进行复习。
具体的，该基于错题分析的学习推荐方法还包括：首先，基于所述错题时间、错题复习程度和预设错题复习规则生成第二学习策略并发出提示信息；基于第二学习策略生成学习内容并保证至错题复习存储模型中；所述学习内容包括知识讲座、知识讲解视频、优秀学习笔记、思维导图和试题练习中的任一种或几种组合；其中，预设错题复习规则根据遗忘曲线理论和具体规律制定，在用户收集错题后的24小时，48小时，144小时，720小时候自动提醒学生复习错题。
判断在预设时间内是否对所述学习内容进行处理；若在预设时间内未对所述学习内容处理，则判断用户未对学习内容处理的次数是否超过预设阈值；若用户未对学习内容处理的次数超过预设阈值，则向监督人员发送用户复习情况信息提示，以监督用户对学习内容进行学习。
若在预设时间内对所述学习内容处理，则待用户做完错题后，得到做题结果；若所述历史错题的做题结果为正确，则判断所述历史错题的复习次数是否达到预设复习次数阈值；
若所述历史错题的复习次数达到预设复习次数阈值，推荐与所述历史错题相同试题等级和试题类型的习题，待用户答复正确后，将所述历史错题从错题存储模型中移除；若所述历史错题的复习次数为到达预设复习次数阈值，则基于所述历史错题的复习次数降低所述历史错题的推荐值，对用户已掌握的错题进行移除，减少用户无效做题的可能性。
通过根据错题复习规则、错题时间和错题复习程度制定错题的第二学习策略并，生成根据第二学习策略指定的学习内容并自动提醒用户复习错题，若用户未在规定时间内复习错题，则向监督人员发送用户复习情况，以对用户进行监督，建立专属个人的错题复习计划。
本方法通过分析错题的错误等级、错题类型和错题错误原因对该错题进行分类，智能记录和分析用户的学习进展，根据用户的掌握程度和学习情况对掌握不牢固的知识点针对性的生成学习策略，根据用户的学习时间、状态信息和预设资料推荐规则推荐相关知识点和历史错题进行复习，提高学生在针对错题进行学习时对知识点进行巩固或知识点深入理解的学习效果和学习效率，降低用户盲目复习错题及相关知识点的可能性。
上述实施例从方法流程的角度介绍了一种基于错题分析的学习推荐方法，下述实施例从虚拟模块或者虚拟单元的角度介绍了一种基于错题分析的学习推荐装置，具体详见下述实施例。
本申请实施例提供了一种基于错题分析的学习推荐装置，如图2所示，该基于错题分析的学习推荐装置200包括：
错题分析模块201，用户获取错题信息；基于预设错题模型分析所述错题信息，得到分析结果；
学习策略生成模块202，用于获取学生的学习情况信息和学习成绩信息；基于所述分析结果、所述学习情况信息和所述学习成绩信息生成学习策略；
学习资料推荐模块203，用于获取学生的学习时间信息和状态信息；基于所述学习时间、所述状态信息、所述学习策略和预设资料推荐规则推荐并展示学习资料。
作为本申请实施例的一种可选实施方式，错题分析模块具体用于：
对所述错题信息进行特征识别，得到特征信息，所述特征信息包括所述错题的关键词；
基于所述错题的关键词获取错题原题，所述错题原题中预设有试题等级标签和试题类型标签；
获取用户输入自评信息，所述评价信息包括概念模糊、思路错误、审题错误、运算错误、粗心大意和其它错误的至少一种或多种；
获取与所述错题信息相同错题等级和错题类型的历史错题信息，所述历史错题信息包括错题数量、教师评价信息、错误时间信息和复习程度信息；
基于所述历史错题信息、所述自评信息和预设错误原因分析模型分析，得到错题错误原因。
作为本申请实施例的一种可选实施方式，基于错题分析的学习推荐装置还包括错题存储模块，具体用于：
在所述获取错题信息；基于预设错题模型分析所述错题信息，得到分析结果之后，根据所述试题类型的不同预先创建不同的错题存储模型；
根据所述分析结果将所述错题信息存储至对应的存储模型中；其中，每一存储模型均设置有基于试题类型设置的预设查询算法，当需要查询错题信息时，生成查询请求，计算引擎将查询请求路由至相应的存储模型，所述存储模型基于查询请求调用相应的预设查询算法，并基于查询算法查询需要查询的错题信息。
作为本申请实施例的一种可选实施方式，学习策略生成模块202具体用于：
基于所述分析结果获取与所述分析结果关联的学习信息，所述学习信息包括知识点信息；
将所述学习情况信息、所述学习成绩信息和与所述分析结果关联的学习信息输入至预设关联强度学习模型中，得到每一个知识点的学习权重信息；
获取与所述分析结果关联的知识点之间的预设关联强度信息；
基于所述关联强度信息和每一个知识点的学习权重信息生产第一学习策略。
作为本申请实施例的一种可选实施方式，学习资料推荐模块203具体用于：
所述第一学习策略包括学习知识点的学习时间比重；所述状态信息包括知识点复习状态、错题练习状态的至少一种组合方式；
按照所述学习时间比重对所述学习时间信息进行划分，得到每个知识点的学习时间；
基于所述每个知识点的学习时间、所述状态信息和预设资料推荐规则推荐学习资料推荐学习资料；
基于所述每个知识点的学习时间、所述状态信息和预设资料推荐规则推荐学习资料推荐学习资料包括：
所述历史错题预先设置有按照用户复习次数、复习时间还和学习结果推荐值；
若所述状态信息为错题练习状态，则基于所述每个知识点的学习时间和所述历史错题的推荐值推荐错题；
若所述状态信息为知识点复习状态，则基于所述每个知识点的学习时间推荐所述知识点的学习形式；所述知识点的学习形式包括知识点视频讲解、知识点概念、知识点优秀学习笔记、知识点思维导图。
作为本申请实施例的一种可选实施方式，所述错题信息包括错题时间，所述基于错题分析的学习推荐还包括复习提示模块，所述复习提示模块用于：
基于所述错题时间、错题复习程度和预设错题复习规则生成第二学习策略并发出提示信息；
基于第二学习策略生成学习内容并保证至错题复习存储模型中；所述学习内容包括知识讲座、知识讲解视频、优秀学习笔记、思维导图和试题练习中的任一种或几种组合；
判断在预设时间内是否对所述学习内容进行处理；
若在预设时间内未对所述学习内容处理，则判断用户未对学习内容处理的次数是否超过预设阈值；
若用户未对学习内容处理的次数超过预设阈值，则向监督人员发送用户复习情况信息提示，以监督用户对学习内容进行学习。
作为本申请实施例的一种可选实施方式，所述试题练习包括历史错题和与所述历史错题类型相同的试题，基于错题分析的学习推荐装置还包括错题移除模块，所述错题移除模块用于：
若在预设时间内对所述学习内容处理，则待用户做完错题后，得到做题结果；
若所述历史错题的做题结果为正确，则判断所述历史错题的复习次数是否达到预设复习次数阈值；
若所述历史错题的复习次数达到预设复习次数阈值，推荐与所述历史错题相同试题等级和试题类型的习题，待用户答复正确后，将所述历史错题从错题存储模型中移除；
若所述历史错题的复习次数为到达预设复习次数阈值，则基于所述历史错题的复习次数降低所述历史错题的推荐值。
在一个例子中，以上任一装置中的模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个专用集成电路(application specificintegratedcircuit，ASIC)，或，一个或多个数字信号处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)，或这些集成电路形式中至少两种的组合。
再如，当装置中的模块可以通过处理元件调度程序的形式实现时，该处理元件可以是通用处理器，例如中央处理器(central processing unit，CPU)或其它可以调用程序的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。
在本申请中可能出现的对各种消息/信息/设备/网元/系统/装置/动作/操作/流程/概念等各类客体进行了赋名，可以理解的是，这些具体的名称并不构成对相关客体的限定，所赋名称可随着场景，语境或者使用习惯等因素而变更，对本申请中技术术语的技术含义的理解，应主要从其在技术方案中所体现/执行的功能和技术效果来确定。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
图3为本申请实施例一种电子设备300的结构框图。
如图3所示，电子设备300包括处理器301和存储器302，还可以进一步包括信息输入/信息输出(I/O)接口303以及通信组件304中的一种或多种。
其中，处理器301用于控制电子设备300的整体操作，以完成上述的基于错题分析的学习推荐方法中的全部或部分步骤；存储器302用于存储各种类型的数据以支持在电子设备300的操作，这些数据例如可以包括用于在该电子设备300上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器302可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，SRAM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory，EEPROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、只读存储器(Read-OnlyMemory，ROM)、磁存储器、快闪存储器、磁盘或光盘中的一种或多种。
I/O接口303为处理器301和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件304用于测试电子设备300与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(NearField Communication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件304可以包括：Wi-Fi部件，蓝牙部件，NFC部件。
通信总线305可包括一通路，在上述组件之间传送信息。通信总线305可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA (ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。通信总线305可以分为地址总线、数据总线、控制总线等。
电子设备300可以被一个或多个应用专用集成电路 (ApplicationSpecificIntegrated Circuit，简称ASIC)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field ProgrammableGate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例给出的基于错题分析的学习推荐方法。
电子设备300可以包括但不限于数字广播接收器、PDA（个人数字助理）、PMP（便携式多媒体播放器）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端，还可以为服务器等。
下面对本申请实施例提供的计算机可读存储介质进行介绍，下文描述的计算机可读存储介质与上文描述的基于错题分析的学习推荐方法可相互对应参照。
本申请还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的基于错题分析的学习推荐方法的步骤。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器 (R ead-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的申请范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述申请构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中申请的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于错题分析的学习推荐方法，其特征在于，包括：
获取错题信息；基于预设错题模型分析所述错题信息，得到分析结果；所述分析结果包括试题等级、试题类型和错题错误原因；
获取用户的学习情况信息和学习成绩信息；基于所述分析结果、所述学习情况信息和所述学习成绩信息生成第一学习策略；
获取用户的学习时间信息和状态信息；基于所述学习时间信息、所述状态信息、所述第一学习策略和预设资料推荐规则推荐学习资料。
2.根据权利要求1所述的方法，其特征在于，所述基于预设错题模型分析所述错题信息，得到分析结果包括：
对所述错题信息进行特征识别，得到特征信息，所述特征信息包括所述错题的关键词；
基于所述错题的关键词获取错题原题，所述错题原题中预设有试题等级标签和试题类型标签；
获取用户输入自评信息，所述评价信息包括概念模糊、思路错误、审题错误、运算错误、粗心大意和其它错误的至少一种或多种；
获取与所述错题信息相同错题等级和错题类型的历史错题信息，所述历史错题信息包括错题数量、教师评价信息、错误时间信息和复习程度信息；
基于所述历史错题信息、所述自评信息和预设错误原因分析模型分析，得到错题错误原因。
3.根据权利要求1或2所述的方法，其特征在于，在所述获取错题信息；基于预设错题模型分析所述错题信息，得到分析结果之后，还包括：
根据所述试题类型的不同预先创建不同的错题存储模型；
根据所述分析结果将所述错题信息存储至对应的存储模型中；其中，每一存储模型均设置有基于试题类型设置的预设查询算法，当需要查询错题信息时，生成查询请求，计算引擎将查询请求路由至相应的存储模型，所述存储模型基于查询请求调用相应的预设查询算法，并基于查询算法查询需要查询的错题信息。
4.根据权利要求1所述的方法，其特征在于，所述基于所述分析结果、所述学习情况信息和所述学习成绩信息生成第一学习策略包括：
基于所述分析结果获取与所述分析结果关联的学习信息，所述学习信息包括知识点信息；
将所述学习情况信息、所述学习成绩信息和与所述分析结果关联的学习信息输入至预设关联强度学习模型中，得到每一个知识点的学习权重信息；
获取与所述分析结果关联的知识点之间的预设关联强度信息；
基于所述关联强度信息和每一个知识点的学习权重信息生产第一学习策略。
5.根据权利要求1或4所述的方法，其特征在于，所述基于所述学习时间信息、所述状态信息、所述第一学习策略和预设资料推荐规则推荐学习资料包括：
所述第一学习策略包括学习知识点的学习时间比重；所述状态信息包括知识点复习状态、错题练习状态的至少一种组合方式；
按照所述学习时间比重对所述学习时间信息进行划分，得到每个知识点的学习时间；
基于所述每个知识点的学习时间、所述状态信息和预设资料推荐规则推荐学习资料推荐学习资料；
基于所述每个知识点的学习时间、所述状态信息和预设资料推荐规则推荐学习资料推荐学习资料包括：
所述历史错题预先设置有按照用户复习次数、复习时间还和学习结果推荐值；
若所述状态信息为错题练习状态，则基于所述每个知识点的学习时间和所述历史错题的推荐值推荐错题；
若所述状态信息为知识点复习状态，则基于所述每个知识点的学习时间推荐所述知识点的学习形式；所述知识点的学习形式包括知识点视频讲解、知识点概念、知识点优秀学习笔记、知识点思维导图。
6.根据权利要求1所述的方法，其特征在于，所述错题信息包括错题时间，所述方法还包括：
基于所述错题时间、错题复习程度和预设错题复习规则生成第二学习策略并发出提示信息；
基于第二学习策略生成学习内容并保证至错题复习存储模型中；所述学习内容包括知识讲座、知识讲解视频、优秀学习笔记、思维导图和试题练习中的任一种或几种组合；
判断在预设时间内是否对所述学习内容进行处理；
若在预设时间内未对所述学习内容处理，则判断用户未对学习内容处理的次数是否超过预设阈值；
若用户未对学习内容处理的次数超过预设阈值，则向监督人员发送用户复习情况信息提示，以监督用户对学习内容进行学习。
7.根据权利要求6所述的方法，其特征在于，所述试题练习包括历史错题和与所述历史错题类型相同的试题，若在预设时间内对所述学习内容处理，则所述方法还包括：
待用户做完错题后，得到做题结果；
若所述历史错题的做题结果为正确，则判断所述历史错题的复习次数是否达到预设复习次数阈值；
若所述历史错题的复习次数达到预设复习次数阈值，推荐与所述历史错题相同试题等级和试题类型的习题，待用户答复正确后，将所述历史错题从错题存储模型中移除；
若所述历史错题的复习次数为到达预设复习次数阈值，则基于所述历史错题的复习次数降低所述历史错题的推荐值。
8.一种基于错题分析的学习推荐装置，其特征在于，包括，
错题分析模块，用户获取错题信息；基于预设错题模型分析所述错题信息，得到分析结果；所述分析结果包括错题等级、错题类型和错题错误原因；
学习策略生成模块，用于获取学生的学习情况信息和学习成绩信息；基于所述分析结果、所述学习情况信息和所述学习成绩信息生成学习策略；
学习资料推荐模块，用于获取学生的学习时间信息和状态信息；基于所述学习时间、所述状态信息、所述学习策略和预设资料推荐规则推荐并展示学习资料。
9.一种电子设备，其特征在于，包括处理器，所述处理器与存储器耦合；
所述处理器用于执行所述存储器中存储的计算机程序，以使得所述电子设备执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，包括计算机程序或指令，当所述计算机程序或指令在计算机上运行时，使得所述计算机执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211466340.4A CN116796802A (zh) | 2022-11-22 | 2022-11-22 | 基于错题分析的学习推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211466340.4A CN116796802A (zh) | 2022-11-22 | 2022-11-22 | 基于错题分析的学习推荐方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116796802A true CN116796802A (zh) | 2023-09-22 |
Family
ID=88042610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211466340.4A Pending CN116796802A (zh) | 2022-11-22 | 2022-11-22 | 基于错题分析的学习推荐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116796802A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150151A (zh) * | 2023-11-01 | 2023-12-01 | 之江实验室 | 一种基于大语言模型的错题分析及试题推荐系统和方法 |
| CN117648934A (zh) * | 2024-01-30 | 2024-03-05 | 青岛培诺教育科技股份有限公司 | 基于错误试题的知识点确定方法、装置、设备和介质 |
-
2022
- 2022-11-22 CN CN202211466340.4A patent/CN116796802A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150151A (zh) * | 2023-11-01 | 2023-12-01 | 之江实验室 | 一种基于大语言模型的错题分析及试题推荐系统和方法 |
| CN117150151B (zh) * | 2023-11-01 | 2024-02-20 | 之江实验室 | 一种基于大语言模型的错题分析及试题推荐系统和方法 |
| CN117648934A (zh) * | 2024-01-30 | 2024-03-05 | 青岛培诺教育科技股份有限公司 | 基于错误试题的知识点确定方法、装置、设备和介质 |
| CN117648934B (zh) * | 2024-01-30 | 2024-04-26 | 青岛培诺教育科技股份有限公司 | 基于错误试题的知识点确定方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110399541B (zh) | 基于深度学习的题目推荐方法、装置及存储介质 | |
| US20230282132A1 (en) | Systems and methods for automatic distillation of concepts from math problems and dynamic construction and testing of math problems from a collection of math concepts | |
| CN108846126B (zh) | 关联问题聚合模型的生成、问答式聚合方法、装置及设备 | |
| Shin et al. | The use of a mobile learning management system at an online university and its effect on learning satisfaction and achievement | |
| CN111274411A (zh) | 课程推荐方法、装置、电子设备及可读存储介质 | |
| CN116796802A (zh) | 基于错题分析的学习推荐方法、装置、设备及存储介质 | |
| CN111177413A (zh) | 学习资源推荐方法、装置和电子设备 | |
| CN111651676B (zh) | 基于能力模型进行职业推荐的方法、装置、设备和介质 | |
| CN111090809A (zh) | 题目推荐方法、装置、计算机设备和存储介质 | |
| CN111326040B (zh) | 语文阅读理解智能测试和智能辅导系统和方法 | |
| CN111475627B (zh) | 解答推导题目的检查方法、装置、电子设备及存储介质 | |
| CN110569364A (zh) | 在线教学方法、装置、服务器及存储介质 | |
| CN113656687B (zh) | 基于教研数据的教师画像构建方法 | |
| CN110189238A (zh) | 辅助学习的方法、装置、介质以及电子设备 | |
| CN111192170B (zh) | 题目推送方法、装置、设备和计算机可读存储介质 | |
| CN110609947A (zh) | 智能学习系统的学习内容推荐方法、终端及存储介质 | |
| CN112214688A (zh) | 选修课的推荐方法、装置和服务器 | |
| Marshall | Contribution of open-ended questions in student evaluation of teaching | |
| Cunningham-Nelson et al. | Text analysis in education: a review of selected software packages with an application for analysing students’ conceptual understanding | |
| CN117150151A (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 | |
| 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 | |
| El Azhari et al. | An evolutive knowledge base for “AskBot” toward inclusive and smart learning-based NLP techniques | |
| CN113569112A (zh) | 基于题目的辅导策略提供方法、系统、装置及介质 | |
| CN116362426B (zh) | 基于人工智能和深度学习的学习行为预测管理系统和方法 | |
| CN117540108B (zh) | 基于考点数据分布式总结的智能推荐答题系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |