CN117035693A - 一种课程生成方法、装置 - Google Patents
一种课程生成方法、装置 Download PDFInfo
- Publication number
- CN117035693A CN117035693A CN202311271763.5A CN202311271763A CN117035693A CN 117035693 A CN117035693 A CN 117035693A CN 202311271763 A CN202311271763 A CN 202311271763A CN 117035693 A CN117035693 A CN 117035693A
- Authority
- CN
- China
- Prior art keywords
- parameters
- parameter
- probability density
- sub
- density function
- 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 130
- 230000008569 process Effects 0.000 claims abstract description 86
- 238000012986 modification Methods 0.000 claims abstract description 70
- 230000004048 modification Effects 0.000 claims abstract description 70
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 128
- 101150060629 def gene Proteins 0.000 claims description 25
- 101150096397 pdf1 gene Proteins 0.000 claims description 25
- 101150082630 pdf-2 gene Proteins 0.000 claims description 22
- 101100062990 Arabidopsis thaliana PDF2.2 gene Proteins 0.000 claims description 15
- 101100116407 Arabidopsis thaliana PDF2.3 gene Proteins 0.000 claims description 10
- 101100062993 Arabidopsis thaliana PDF2.4 gene Proteins 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例公开了一种课程生成方法、装置。其中,该课程生成方法包括:构建测试题集,所述测试题集中的每一道题目均具有识别标签,所述识别标签包括知识点和能力类型;获取学员对测试题集中的每一道题目的答题数据,构建答题数据集A,所述答题数据集A包括各道题目对应的时间参数、正确性参数、解题思路参数和修改过程参数;根据所述答题数据集A和所述识别标签,确定所述学员的学习能力参数;根据所述学习能力参数,为所述学员生成课程。该方法能够根据学员学习能力个性化设计教育课程,提高教学效率。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及一种课程生成方法、装置。
背景技术
当前,在云计算、大数据、物联网、互联网、智能识别、知识管理等新技术新理念快速发展和经济社会需求的双重驱动下,信息技术疾步迈入智能化阶段。国内外高科技公司纷纷布局人工智能。而目前线上的教育课程设置还是同一年龄段的学员使用统一的教学大纲和课程,但不同学员之间的学习能力可能存在差别,使得教学效率不够理想。
发明内容
有鉴于此,本公开实施例提供了一种课程生成方法、装置,能够至少部分的解决现有技术中存在的不能根据学员学习能力个性化设计教育课程,教学效率不够理想的问题。
第一方面,本公开实施例提供了一种课程生成方法,采用如下技术方案:
所述课程生成方法包括:
构建测试题集,所述测试题集中的每一道题目均具有识别标签,所述识别标签包括知识点和能力类型;
获取学员对测试题集中的每一道题目的答题数据,构建答题数据集A,所述答题数据集A包括各道题目对应的时间参数、正确性参数、解题思路参数和修改过程参数;
根据所述答题数据集A和所述识别标签,确定所述学员的学习能力参数;
根据所述学习能力参数,为所述学员生成课程。
可选地,所述根据所述答题数据集A和所述识别标签,确定所述学员的学习能力参数包括:
根据所述识别标签中的能力类型,确定每一道题目的能力类型i;
根据每一道题目的能力类型i,将所述答题数据集A拆分为多个子答题数据集A_i;
根据所述子答题数据集A_i,确定学员对于能力类型i的学习能力参数。
可选地,所述学习能力参数包括学习基础参数和持续学习参数;所述根据所述子答题数据集A_i,确定学员对于能力类型i的学习能力参数,包括:
根据所述子答题数据集A_i中的正确性参数,确定能力类型i下,学员的学习基础参数;
根据所述子答题数据集A_i中的时间参数、正确性参数、解题思路参数和修改过程参数,确定学员对于能力类型i的持续学习参数。
可选地,所述时间参数为完成用时T,所述正确性参数为0或1,所述正确性参数为0表示题目解答错误,所述正确性参数为1表示题目解答正确,所述解题思路参数为1~4之间的任一数值,所述修改过程参数为1~5之间的任一数值,所述修改过程参数为1表示无修改过程且解答错误,所述修改过程参数为2表示有修改过程且解答错误,所述修改过程参数为3表示有多次修改过程且解答正确,所述修改过程参数为4表示有1次修改过程且解答正确,所述修改过程参数为5表示无修改过程且解答正确;
所述根据所述子答题数据集A_i中的时间参数、正确性参数、解题思路参数和修改过程参数,确定学员对于能力类型i的持续学习参数,包括:
基于所述子答题数据集A_i中的时间参数和正确性参数,确定学员在时间T内答对题目的第一概率密度函数PDF1(T);
基于所述子答题数据集A_i中的时间参数和修改过程参数,确定学员在时间T内经过修改后答对题目的第二概率密度函数PDF2(T);
基于所述子答题数据集A_i中的解题思路参数,确定学员的解题思路参数均值R;
根据所述第一概率密度函数PDF1(T)、所述第二概率密度函数PDF2(T)和所述解题思路参数均值R,确定表征学员对于能力类型i的持续学习能力的第三概率密度函数PDF3(T)。
可选地,所述基于所述子答题数据集A_i中的时间参数和正确性参数,确定学员在特定时间T0内答对题目的第一概率密度函数PDF1(T),包括:
基于所述子答题数据集A_i中的时间参数和正确性参数,获取所述子答题数据集A_i中正确性参数为1的数据对应的时间参数;
利用核密度估计法,基于获取到的时间参数,计算得到学员在时间T内答对题目的第一概率密度函数PDF1(T)。
可选地,所述利用核密度估计法,基于获取到的时间参数,计算得到学员在时间T内答对题目的第一概率密度函数PDF1(T),包括:
选择高斯核函数;
确定高斯核函数的带宽参数σ;
以获取到的时间参数作为数据点t1,对于每个数据点t1,计算以数据点t1为中心的核函数的值,计算公式为:K(t1) = (1/(sqrt(2 *π) *σ)) * exp(-0.5 * ((t1 - mu)/σ)2),其中mu是核函数中心,σ是带宽参数;
在所有数据点t1的核函数的值K(t1)的基础上,进行插值,基于插值后的数据,得到第一概率密度函数PDF1(T)。
可选地,所述基于所述子答题数据集A_i中的时间参数和修改过程参数,确定学员在时间T内经过修改后答对题目的第二概率密度函数PDF2(T),包括:
基于所述子答题数据集A_i中的时间参数和修改过程参数,获取所述子答题数据集A_i中修改过程参数为2、3和4的数据对应的时间参数;
选择高斯核函数;
确定高斯核函数的带宽参数σ;
以获取到的修改过程参数为2的数据对应的时间参数,作为数据点t2,对于每个数据点t2,计算以数据点t2为中心的核函数的值,计算公式为:K(t2) = (1/(sqrt(2 *π) *σ)) * exp(-0.5 * ((t2 - mu)/ σ)2),其中mu是核函数中心,σ是带宽参数;
在所有数据点t2的核函数的值K(t1)的基础上,进行插值,基于插值后的数据,得到子概率密度函数PDF2.2(T);
基于获取到的修改过程参数为3的数据对应的时间参数,得到子概率密度函数PDF2.3(T);
基于获取到的修改过程参数为4的数据对应的时间参数,得到子概率密度函数PDF2.4(T);
根据子概率密度函数PDF2.2(T)、子概率密度函数PDF2.3(T)和子概率密度函数PDF2.4(T),计算得到第二概率密度函数PDF2(T),第二概率密度函数PDF2(T)为子概率密度函数PDF2.2(T)与子概率密度函数PDF2.3(T)在(0,﹢∞)范围内的卷积,与子概率密度函数PDF2.2(T)与子概率密度函数PDF2.4(T)在(0,﹢∞)范围内的卷积之和。
可选地,所述第一概率密度函数PDF1(T)、所述第二概率密度函数PDF2(T)和所述解题思路参数均值R,确定表征学员对于能力类型i的持续学习能力的第三概率密度函数PDF3(T),包括:
第三概率密度函数PDF3(T)=(第一概率密度函数PDF1(T)+第二概率密度函数PDF2(T))* R。
可选地,所述根据所述学习能力参数,为所述学员生成课程,包括:
在全部能力类型i的学习基础参数均不高于对应的第一预设值时,基于前一课程的知识点重新生成课程;
在部分能力类型i的学习基础参数不高于对应的第一预设值,部分能力类型i的学习基础参数高于对应的第一预设值时,生成新的课程,所述新的课程中,根据能力类型i的基础学习参数和持续学习参数,配置知识点的教学时长;
在全部能力类型i的学习基础参数均高于对应的第一预设值时,生成新的课程,所述新的课程中,根据能力类型i的持续学习参数,配置知识点的教学时长。
第二方面,本公开实施例还提供了一种课程生成装置,采用如下技术方案:
所述课程生成装置包括:
题集构建模块,用于构建测试题集,所述测试题集中的每一道题目均具有识别标签,所述识别标签包括知识点和能力类型;
数据获取模块,用于获取学员对测试题集中的每一道题目的答题数据,构建答题数据集A,所述答题数据集A包括各道题目对应的时间参数、正确性参数、解题思路参数和修改过程参数;
参数确定模块,用于根据所述答题数据集A和所述识别标签,确定所述学员的学习能力参数;
课程生成模块,用于根据所述学习能力参数,为所述学员生成课程。
本公开实施例提供了一种课程生成方法、装置,通过该课程生成方法生成课程的过程中,能够通过学员对测试题集中的答题数据集中的时间参数、正确性参数、解题思路参数和修改过程参数,准确确定学员当前的学习能力参数,然后基于学员当前的学习能力参数,为学员生成课程,进而能够实现根据学员能力个性化设计教育课程,从而达到提高教学效率的效果。
上述说明仅是本公开技术方案的概述,为了能更清楚了解本公开的技术手段,而可依照说明书的内容予以实施,并且为让本公开的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案,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公开的一些实施例,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它的附图。
图1为本公开实施例提供的课程生成方法的流程图;
图2为本公开实施例提供的课程生成装置的结构示意图;
图3为本公开实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
应当明确,以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,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,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目各方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供了一种课程生成方法,具体地,如图1所示,该课程生成方法包括:
步骤S1、构建测试题集,测试题集中的每一道题目均具有识别标签,识别标签包括知识点和能力类型。
测试题集为针对学员已完成的上一课程构建的。测试题集可以包括一种或多种常见的题型,如,选择题、填空题、判断题、简答题、计算题、论述题等中的一种或多种。识别标签包括知识点和能力类型,每一道题目可以对应一个或多个知识点,其能力类型可以为记忆能力、推导能力、总结能力等,此处不进行限定。示例性地,为了便于记录、查找等,识别标签中可以通过不同的数值来表示不同的能力类型,例如,1表示记忆能力,2表示理解能力,3表示推导能力,4表示总结能力等。
步骤S2、获取学员对测试题集中的每一道题目的答题数据,构建答题数据集A,答题数据集A包括各道题目对应的时间参数、正确性参数、解题思路参数和修改过程参数。
示例性地,课程为线上课程,学员在线上平台完成测试题集的题目,提交后,通过提取线上平台的后台数据即可获取学员对测试题集中的每一道题目的答题数据,进而构建答题数据集A。每一道题目的答题数据均包括该道题目对应的时间参数、正确性参数、解题思路参数和修改过程参数。
可选地,时间参数为完成用时T,例如,1min,20min,5min等。
正确性参数为0或1,正确性参数为0表示题目解答错误,正确性参数为1表示题目解答正确。
解题思路参数为1~4之间的任一数值,数值越高表示解题思路越好,例如,解题思路参数为1表示采用错误解题思路,解题思路参数为2表示采用正确解题思路但未完整完成;解题思路参数为3表示采用正确解题思路但不够简便;解题思路参数为4表示采用最优解题方法。需要说明的是,针对选择题、判断题、填空题题型,如题目解答正确,默认解题思路参数为4,如题目解答错误,默认解题思路参数为1,针对简答题、计算题、论述题题型,则获取解题过程记录数据,根据解题过程记录数据和正确性参数,确定解题思路参数。
修改过程参数为1~5之间的任一数值,修改过程参数为1表示无修改过程且解答错误,修改过程参数为2表示有修改过程且解答错误,修改过程参数为3表示有多次修改过程且解答正确,修改过程参数为4表示有1次修改过程且解答正确,修改过程参数为5表示无修改过程且解答正确。
基于以上时间参数、正确性参数、解题思路参数和修改过程参数的具体示例,可以通过将时间参数、正确性参数、解题思路参数和修改过程参数按顺序排列的方式,组成答题数据,例如,答题数据可以表示为:2.1.3.1,即时间参数为2min、正确性参数为1、解题思路参数为3,修改过程参数为1。答题数据集A中的答题数据可以记录为:第1题,2.1.3.1。
步骤S3、根据答题数据集A和识别标签,确定学员的学习能力参数。
可选地,根据答题数据集A和识别标签,确定学员的学习能力参数包括:
子步骤S31、根据识别标签,确定每一道题目的能力类型i。
本公开实施例中,可以在构建完成测试题集后,根据每道题目对应的知识点来确定各道题目的能力类型,并体现在识别标签中。
子步骤S32、根据每一道题目的能力类型,将答题数据集A拆分为多个子答题数据集A_i。
具体地,基于能力类型i对答题数据集A中的答题数据进行筛选,对i每取一个数值筛选得到的答题数据进行记录,进而得到子答题数据集A_i。示例性地,对i取1时筛选得到的答题数据进行记录,得到子答题数据集A_1。
子步骤S33、根据子答题数据集A_i,确定学员对于能力类型i的学习能力参数。
可选地,本公开实施例中的学习能力参数包括学习基础参数和持续学习参数,学习基础参数用以表征学员对于上一课程包含的能力类型i对应的知识点的掌握情况,持续学习参数用以表征学员对于能力类型i对应的新知识点的掌握能力。如此设置使得在后续步骤中,根据学习基础参数和持续学习参数,为学员生成课程时,可以更加准确。
可选地,本公开实施例中子步骤S33根据子答题数据集A_i,确定学员对于能力类型i的学习能力参数,具体包括:
子步骤S331、根据子答题数据集A_i中的正确性参数,确定能力类型i下,学员的学习基础参数。
示例性地,正确性参数为0或1,正确性参数为0表示题目解答错误,正确性参数为1表示题目解答正确,子步骤S331中,基于正确性参数为1,对答题数据集A中的答题数据进行筛选,并记录筛选得到的答题数据,根据筛选得到的答题数据的量,以及对应的能力类型i,计算得到学员的学习基础参数。
例如,对于能力类型1,筛选得到的答题数据中,正确的为10题,则对于能力类型1学习基础参数为10。
子步骤S332、根据子答题数据集A_i中的时间参数、正确性参数、解题思路参数和修改过程参数,确定学员对于能力类型i的持续学习参数。
可选地,根据子答题数据集A_i中的时间参数、正确性参数、解题思路参数和修改过程参数,确定学员对于能力类型i的持续学习参数,包括:
(1)基于子答题数据集A_i中的时间参数和正确性参数,确定学员在时间T内答对题目的第一概率密度函数PDF1(T)。
可选地,基于子答题数据集A_i中的时间参数和正确性参数,确定学员在时间T内答对题目的第一概率密度函数PDF1(T),包括:
A、基于子答题数据集A_i中的时间参数和正确性参数,获取子答题数据集A_i中正确性参数为1的数据对应的时间参数。
例如,子答题数据集A_i中通过“第1题,2.1.3.1”的方式记录答题数据,在子答题数据集A_i中的所有答题数据中,以第2位数值为1进行筛选,获取筛选得到的答题数据的第1位数值为2,则对应的时间参数为2min。
B、利用核密度估计法,基于获取到的时间参数,计算得到学员在时间T内答对题目的第一概率密度函数PDF1(T)。
示例性地,利用核密度估计法,基于获取到的时间参数,计算得到学员在时间T内答对题目的第一概率密度函数PDF1(T),包括:
A1、选择高斯核函数。
A2、确定高斯核函数的带宽参数σ,可以采用数据集A_i的标准差作为带宽参数,即σ = std(A_i)。
A3、以获取到的时间参数作为数据点t1,对于每个数据点t1,计算以数据点t1为中心的核函数的值,计算公式为:K(t1) = (1/(sqrt(2 *π) *σ)) * exp(-0.5 * ((t1 -mu)/ σ)2),其中mu是核函数中心,σ是带宽参数。
以一个获取到的时间参数2min作为数据点t1,对于数据点t1,计算以数据点t1为中心的核函数的值,将t1=2代入以上计算公式即可。对所有获取到的时间参数均执行以上计算过程,则可以得到t1为不同取值时的多个以数据点t1为中心的核函数的值。
A4、在所有数据点t1的核函数的值K(t1)的基础上,进行插值,基于插值后的数据,得到第一概率密度函数PDF1(T)。
示例性地,以上插值方式为样条插值。
(2)基于子答题数据集A_i中的时间参数和修改过程参数,确定学员在经过修改后答对题目的第二概率密度函数PDF2(T)。
可选地,基于子答题数据集A_i中的修改过程参数,确定学员在时间T内经过修改后答对题目的第二概率密度函数PDF2(T),包括:
A、基于子答题数据集A_i中的时间参数和修改过程参数,获取子答题数据集A_i中修改过程参数为2、3和4的数据对应的时间参数。
B、基于获取到的修改过程参数为2的数据对应的时间参数,得到子概率密度函数PDF2.2(T)。
具体地,基于获取到的修改过程参数为2的数据对应的时间参数,得到子概率密度函数PDF2.2(T),包括:选择高斯核函数;确定高斯核函数的带宽参数σ;以获取到的修改过程参数为2的数据对应的时间参数,作为数据点t2,对于每个数据点t2,计算以数据点t2为中心的核函数的值,计算公式为:K(t2) = (1/(sqrt(2 *π) *σ)) * exp(-0.5 * ((t2 -mu)/ σ)2),其中mu是核函数中心,σ是带宽参数;在所有数据点t2的核函数的值K(t1)的基础上,进行插值,基于插值后的数据,得到子概率密度函数PDF2.2(T)。
C、基于获取到的修改过程参数为3的数据对应的时间参数,得到子概率密度函数PDF2.3(T)。
D、基于获取到的修改过程参数为4的数据对应的时间参数,得到子概率密度函数PDF2.4(T)。
计算子概率密度函数PDF2.3(T)和子概率密度函数PDF2.4(T)的具体方式与计算子概率密度函数PDF2.2(T)的具体方式相同,此处不再进行赘述。
E、根据子概率密度函数PDF2.2(T)、子概率密度函数PDF2.3(T)和子概率密度函数PDF2.4(T),计算得到第二概率密度函数PDF2(T)。
其中,第二概率密度函数PDF2为子概率密度函数PDF2.2(T)与子概率密度函数PDF2.3(T)在(0,﹢∞)范围内的卷积,与子概率密度函数PDF2.2(T)与子概率密度函数PDF2.4(T)在(0,﹢∞)范围内的卷积之和。
(3)基于子答题数据集A_i中的解题思路参数,确定学员的解题思路参数均值R。
例如,答题数据集A_i中有4道题,解题思路参数分别为:1,3,4,4,则解题思路参数均值R=(1+3+4+4)/4=3。
(4)根据第一概率密度函数PDF1(T)、第二概率密度函数PDF2(T)和解题思路参数均值R,确定表征学员对于能力类型i的持续学习能力的第三概率密度函数PDF3(T)。
可选地,根据第一概率密度函数PDF1(T)、第二概率密度函数PDF2(T)和解题思路参数均值R,确定表征学员对于能力类型i的持续学习能力的第三概率密度函数PDF3(T),包括:
第三概率密度函数PDF3(T)=(第一概率密度函数PDF1(T)+第二概率密度函数PDF2(T))*R。
在计算第三概率密度函数PDF3(T)的过程中,还可以设置与时间T相关的加权系数x(T),则第三概率密度函数PDF3(T)=(第一概率密度函数PDF1(T)+第二概率密度函数PDF2(T))* x(T) * R。加权系数x(T)可以根据实际情况进行设定,例如,时间T的数值越大,加权系数x(T)越大。在预设时间下,即T为特定数值时,学员的第三概率密度函数PDF3(T)越大,则说明该学员该种能力类型越强,掌握与其相关的知识点的能力越强。
步骤S4、根据学习能力参数,为学员生成课程。
可选地,根据学习能力参数,为学员生成课程,包括:
子步骤S41、在全部能力类型i的学习基础参数均不高于对应的第一预设值时,基于前一课程的知识点重新生成课程。
全部能力类型i的学习基础参数均不高于对应的第一预设值,说明学员对于上一课程的知识点掌握量不足以支撑其对后续课程的学习,所以此时仍基于前一课程的知识点重新生成课程。在实际应用过程中,针对每个能力类型i可以单独配置第一预设值。
子步骤S42、在部分能力类型i的学习基础参数不高于对应的第一预设值,部分能力类型i的学习基础参数高于对应的第一预设值时,生成新的课程,所述新的课程中,根据能力类型i的基础学习参数和持续学习参数,配置知识点的教学时长。
部分能力类型i的学习基础参数不高于对应的第一预设值,部分能力类型i的学习基础参数高于对应的第一预设值,说明学员对于上一课程的知识点掌握量可以勉强支撑其对后续课程的学习,所以后续在生成新的课程时,要根据能力类型i的基础学习参数和持续学习参数,配置知识点的教学时长,以达到较优的学习效果。
在实际操作过程中,可以设定一个预设时间T0,以预设时间T0来计算对应的持续学习参数的具体数值。可选地,能力类型i的基础学习参数越低,持续学习参数越低,该能力类型i对应的知识点需要配置的教学时长越长。
子步骤S43、在全部能力类型i的学习基础参数均高于对应的第一预设值时,生成新的课程,所述新的课程中,根据能力类型i的持续学习参数,配置知识点的教学时长。
全部能力类型i的学习基础参数均高于对应的第一预设值,说明学员对于上一课程的知识点掌握量可以足够支撑其对后续课程的学习,所以后续在生成新的课程时,只需要根据能力类型i的持续学习参数,来配置知识点的教学时长即可。可选地,能力类型i的基础学习参数越低,该能力类型i对应的知识点需要配置的教学时长越长。
通过本公开实施例提供的课程生成方法,生成课程的过程中,能够通过学员对测试题集中的答题数据集中的时间参数、正确性参数、解题思路参数和修改过程参数,准确确定学员当前的学习能力参数,然后基于学员当前的学习能力参数,为学员生成课程,进而能够实现根据学员能力个性化设计教育课程,从而达到提高教学效率的效果。
此外,本公开实施例还提供了一种课程生成装置,具体地,如图2所示,该课程生成装置包括:
题集构建模块10,用于构建测试题集,测试题集中的每一道题目均具有识别标签,识别标签包括知识点和能力类型;
数据获取模块20,用于获取学员对测试题集中的每一道题目的答题数据,构建答题数据集A,答题数据集A包括各道题目对应的时间参数、正确性参数、解题思路参数和修改过程参数;
参数确定模块30,用于根据答题数据集A和识别标签,确定学员的学习能力参数;
课程生成模块40,用于根据学习能力参数,为学员生成课程。
需要说明的是,以上课程生成方法的各步骤的相关细节均适用于课程生成装置的具体模块中,此处不再进行赘述。
根据本公开实施例的电子设备包括存储器和处理器。该存储器用于存储非暂时性计算机可读指令。具体地,存储器可以包括一个或多个计算机程序产品,该计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
该处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中,该处理器用于运行该存储器中存储的该计算机可读指令,使得该电子设备执行前述的本公开各实施例的课程生成方法全部或部分步骤。
本领域技术人员应能理解,为了解决如何获得良好用户体验效果的技术问题,本实施例中也可以包括诸如通信总线、接口等公知的结构,这些公知的结构也应包含在本公开的保护范围之内。
如图3为本公开实施例提供的一种电子设备的结构示意图。其示出了适于用来实现本公开实施例中的电子设备的结构示意图。图3示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示,电子设备可以包括处理器(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM)中的程序或者从存储装置加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中,还存储有电子设备操作所需的各种程序和数据。处理器、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
通常,以下装置可以连接至I/O接口:包括例如传感器或者视觉信息采集设备等的输入装置;包括例如显示屏等的输出装置;包括例如磁带、硬盘等的存储装置;以及通信装置。通信装置可以允许电子设备与其他设备(比如边缘计算设备)进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置从网络上被下载和安装,或者从存储装置被安装,或者从ROM被安装。在该计算机程序被处理器执行时,执行本公开实施例的课程生成方法的全部或部分步骤。
有关本实施例的详细说明可以参考前述各实施例中的相应说明,在此不再赘述。
根据本公开实施例的计算机可读存储介质,其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时,执行前述的本公开各实施例的课程生成方法的全部或部分步骤。
上述计算机可读存储介质包括但不限于:光存储介质(例如:CD-ROM和DVD)、磁光存储介质(例如:MO)、磁存储介质(例如:磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如:存储卡)和具有内置ROM的媒体(例如:ROM盒)。
有关本实施例的详细说明可以参考前述各实施例中的相应说明,在此不再赘述。
以上结合具体实施例描述了本公开的基本原理,但是,需要指出的是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
在本公开中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序,本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
另外,如在此使用的,在以“至少一个”开始的项的列举中使用的“或”指示分离的列举,以便例如“A、B或C的至少一个”的列举意味着A或B或C,或AB或AC或BC,或ABC(即A和B和C)。此外,措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。
还需要指出的是,在本公开的系统和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外,本公开的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组成、手段、方法或动作。因而,所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此,本公开不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种课程生成方法,其特征在于,包括:
构建测试题集,所述测试题集中的每一道题目均具有识别标签,所述识别标签包括知识点和能力类型;
获取学员对测试题集中的每一道题目的答题数据,构建答题数据集A,所述答题数据集A包括各道题目对应的时间参数、正确性参数、解题思路参数和修改过程参数;
根据所述答题数据集A和所述识别标签,确定所述学员的学习能力参数;
根据所述学习能力参数,为所述学员生成课程。
2.根据权利要求1所述的课程生成方法,其特征在于,所述根据所述答题数据集A和所述识别标签,确定所述学员的学习能力参数包括:
根据所述识别标签中的能力类型,确定每一道题目的能力类型i;
根据每一道题目的能力类型i,将所述答题数据集A拆分为多个子答题数据集A_i;
根据所述子答题数据集A_i,确定学员对于能力类型i的学习能力参数。
3.根据权利要求2所述的课程生成方法,其特征在于,所述学习能力参数包括学习基础参数和持续学习参数;所述根据所述子答题数据集A_i,确定学员对于能力类型i的学习能力参数,包括:
根据所述子答题数据集A_i中的正确性参数,确定能力类型i下,学员的学习基础参数;
根据所述子答题数据集A_i中的时间参数、正确性参数、解题思路参数和修改过程参数,确定学员对于能力类型i的持续学习参数。
4.根据权利要求3所述的课程生成方法,其特征在于,
所述时间参数为完成用时T,所述正确性参数为0或1,所述正确性参数为0表示题目解答错误,所述正确性参数为1表示题目解答正确,所述解题思路参数为1~4之间的任一数值,所述修改过程参数为1~5之间的任一数值,所述修改过程参数为1表示无修改过程且解答错误,所述修改过程参数为2表示有修改过程且解答错误,所述修改过程参数为3表示有多次修改过程且解答正确,所述修改过程参数为4表示有1次修改过程且解答正确,所述修改过程参数为5表示无修改过程且解答正确;
所述根据所述子答题数据集A_i中的时间参数、正确性参数、解题思路参数和修改过程参数,确定学员对于能力类型i的持续学习参数,包括:
基于所述子答题数据集A_i中的时间参数和正确性参数,确定学员在时间T内答对题目的第一概率密度函数PDF1(T);
基于所述子答题数据集A_i中的时间参数和修改过程参数,确定学员在时间T内经过修改后答对题目的第二概率密度函数PDF2(T);
基于所述子答题数据集A_i中的解题思路参数,确定学员的解题思路参数均值R;
根据所述第一概率密度函数PDF1(T)、所述第二概率密度函数PDF2(T)和所述解题思路参数均值R,确定表征学员对于能力类型i的持续学习能力的第三概率密度函数PDF3(T)。
5.根据权利要求4所述的课程生成方法,其特征在于,所述基于所述子答题数据集A_i中的时间参数和正确性参数,确定学员在特定时间T0内答对题目的第一概率密度函数PDF1(T),包括:
基于所述子答题数据集A_i中的时间参数和正确性参数,获取所述子答题数据集A_i中正确性参数为1的数据对应的时间参数;
利用核密度估计法,基于获取到的时间参数,计算得到学员在时间T内答对题目的第一概率密度函数PDF1(T)。
6.根据权利要求5所述的课程生成方法,其特征在于,所述利用核密度估计法,基于获取到的时间参数,计算得到学员在时间T内答对题目的第一概率密度函数PDF1(T),包括:
选择高斯核函数;
确定高斯核函数的带宽参数σ;
以获取到的时间参数作为数据点t1,对于每个数据点t1,计算以数据点t1为中心的核函数的值,计算公式为:K(t1) = (1/(sqrt(2 *π) *σ)) * exp(-0.5 * ((t1 - mu)/ σ)2),其中mu是核函数中心,σ是带宽参数;
在所有数据点t1的核函数的值K(t1)的基础上,进行插值,基于插值后的数据,得到第一概率密度函数PDF1(T)。
7.根据权利要求4所述的课程生成方法,其特征在于,所述基于所述子答题数据集A_i中的时间参数和修改过程参数,确定学员在时间T内经过修改后答对题目的第二概率密度函数PDF2(T),包括:
基于所述子答题数据集A_i中的时间参数和修改过程参数,获取所述子答题数据集A_i中修改过程参数为2、3和4的数据对应的时间参数;
选择高斯核函数;
确定高斯核函数的带宽参数σ;
以获取到的修改过程参数为2的数据对应的时间参数,作为数据点t2,对于每个数据点t2,计算以数据点t2为中心的核函数的值,计算公式为:K(t2) = (1/(sqrt(2 *π) *σ)) *exp(-0.5 * ((t2 - mu)/ σ) 2),其中mu是核函数中心,σ是带宽参数;
在所有数据点t2的核函数的值K(t1)的基础上,进行插值,基于插值后的数据,得到子概率密度函数PDF2.2(T);
基于获取到的修改过程参数为3的数据对应的时间参数,得到子概率密度函数PDF2.3(T);
基于获取到的修改过程参数为4的数据对应的时间参数,得到子概率密度函数PDF2.4(T);
根据子概率密度函数PDF2.2(T)、子概率密度函数PDF2.3(T)和子概率密度函数PDF2.4(T),计算得到第二概率密度函数PDF2(T),第二概率密度函数PDF2(T)为子概率密度函数PDF2.2(T)与子概率密度函数PDF2.3(T)在(0,﹢∞)范围内的卷积,与子概率密度函数PDF2.2(T)与子概率密度函数PDF2.4(T)在(0,﹢∞)范围内的卷积之和。
8.根据权利要求4所述的课程生成方法,其特征在于,所述根据所述第一概率密度函数PDF1(T)、所述第二概率密度函数PDF2(T)和所述解题思路参数均值R,确定表征学员对于能力类型i的持续学习能力的第三概率密度函数PDF3(T),包括:
第三概率密度函数PDF3(T)=(第一概率密度函数PDF1(T)+第二概率密度函数PDF2(T))*R。
9.根据权利要求3所述的课程生成方法,其特征在于,所述根据所述学习能力参数,为所述学员生成课程,包括:
在全部能力类型i的学习基础参数均不高于对应的第一预设值时,基于前一课程的知识点重新生成课程;
在部分能力类型i的学习基础参数不高于对应的第一预设值,部分能力类型i的学习基础参数高于对应的第一预设值时,生成新的课程,所述新的课程中,根据能力类型i的基础学习参数和持续学习参数,配置知识点的教学时长;
在全部能力类型i的学习基础参数均高于对应的第一预设值时,生成新的课程,所述新的课程中,根据能力类型i的持续学习参数,配置知识点的教学时长。
10.一种课程生成装置,其特征在于,包括:
题集构建模块,用于构建测试题集,所述测试题集中的每一道题目均具有识别标签,所述识别标签包括知识点和能力类型;
数据获取模块,用于获取学员对测试题集中的每一道题目的答题数据,构建答题数据集A,所述答题数据集A包括各道题目对应的时间参数、正确性参数、解题思路参数和修改过程参数;
参数确定模块,用于根据所述答题数据集A和所述识别标签,确定所述学员的学习能力参数;
课程生成模块,用于根据所述学习能力参数,为所述学员生成课程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311271763.5A CN117035693B (zh) | 2023-09-28 | 2023-09-28 | 一种课程生成方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311271763.5A CN117035693B (zh) | 2023-09-28 | 2023-09-28 | 一种课程生成方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117035693A true CN117035693A (zh) | 2023-11-10 |
CN117035693B CN117035693B (zh) | 2024-02-09 |
Family
ID=88632101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311271763.5A Active CN117035693B (zh) | 2023-09-28 | 2023-09-28 | 一种课程生成方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035693B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989555A (zh) * | 2015-03-05 | 2016-10-05 | 上海汉声信息技术有限公司 | 一种语言能力测试方法及系统 |
CN107123068A (zh) * | 2017-04-26 | 2017-09-01 | 北京航空航天大学 | 一种面向程序设计语言课程个性化学习效果分析系统及方法 |
CN111062842A (zh) * | 2019-12-27 | 2020-04-24 | 小船出海教育科技(北京)有限公司 | 动态生成个性化题目的方法及装置 |
CN111178770A (zh) * | 2019-12-31 | 2020-05-19 | 安徽知学科技有限公司 | 答题数据评估和学习图像构建方法、装置及存储介质 |
CN111651677A (zh) * | 2020-06-09 | 2020-09-11 | 上海乂学教育科技有限公司 | 课程内容推荐方法、装置、计算机设备和存储介质 |
CN112860756A (zh) * | 2021-04-23 | 2021-05-28 | 平安科技(深圳)有限公司 | 基于习题测试的学习资源推荐方法、装置及计算机设备 |
KR20220107585A (ko) * | 2021-01-25 | 2022-08-02 | 디비디스커버코리아 주식회사 | 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 장치 및 이를 위한 방법 |
-
2023
- 2023-09-28 CN CN202311271763.5A patent/CN117035693B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989555A (zh) * | 2015-03-05 | 2016-10-05 | 上海汉声信息技术有限公司 | 一种语言能力测试方法及系统 |
CN107123068A (zh) * | 2017-04-26 | 2017-09-01 | 北京航空航天大学 | 一种面向程序设计语言课程个性化学习效果分析系统及方法 |
CN111062842A (zh) * | 2019-12-27 | 2020-04-24 | 小船出海教育科技(北京)有限公司 | 动态生成个性化题目的方法及装置 |
CN111178770A (zh) * | 2019-12-31 | 2020-05-19 | 安徽知学科技有限公司 | 答题数据评估和学习图像构建方法、装置及存储介质 |
CN111651677A (zh) * | 2020-06-09 | 2020-09-11 | 上海乂学教育科技有限公司 | 课程内容推荐方法、装置、计算机设备和存储介质 |
KR20220107585A (ko) * | 2021-01-25 | 2022-08-02 | 디비디스커버코리아 주식회사 | 문항 특성 정보가 반영된 심층학습모형을 이용한 학습 분석을 기초로 개인 맞춤형 콘텐츠를 제공하기 위한 장치 및 이를 위한 방법 |
CN112860756A (zh) * | 2021-04-23 | 2021-05-28 | 平安科技(深圳)有限公司 | 基于习题测试的学习资源推荐方法、装置及计算机设备 |
Non-Patent Citations (1)
Title |
---|
王慧慧;邹卫国;: "基于Agent的网络化智能教学系统的研究与设计", 科技信息, no. 12 * |
Also Published As
Publication number | Publication date |
---|---|
CN117035693B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991645A (zh) | 一种基于知识模型的自适应学习方法、系统及存储介质 | |
CN109859553B (zh) | 一种基于学生做题情况的能力评测方法 | |
CN111914176B (zh) | 题目的推荐方法及装置 | |
CN112232610B (zh) | 一种利用机器学习模型的个性化题目推荐方法及系统 | |
KR20190025873A (ko) | 교육 컨텐츠를 제공하는 방법, 장치 및 컴퓨터 프로그램 | |
CN112348725A (zh) | 基于大数据的知识点难度定级方法 | |
CN113657723A (zh) | 知识点掌握情况诊断方法、试题推荐方法及装置 | |
CN110288878A (zh) | 自适应学习方法及装置 | |
CN116028602A (zh) | 一种题目推荐方法、装置、计算机设备和存储介质 | |
CN114429212A (zh) | 智能学习知识能力跟踪方法、电子设备及存储介质 | |
CN111210685A (zh) | 知识掌握情况的测试方法、装置和设备 | |
CN111242267A (zh) | 在线考试的组卷方法和组卷装置 | |
CN113535935B (zh) | 基于重要程度和优先级的组卷方法、装置、设备及介质 | |
CN117035693B (zh) | 一种课程生成方法、装置 | |
CN112818100B (zh) | 一种融合题目难度的知识追踪方法及系统 | |
CN113870634A (zh) | 一种结合虚拟教学的智能组卷方法与系统 | |
CN111369063A (zh) | 组卷模型训练方法、组卷方法及相关装置 | |
CN108921349B (zh) | 一种基于贝叶斯网络预测做题错误位置的方法 | |
CN116741001A (zh) | 一种试卷动态更新的仿真培训考试装置及考试方法 | |
CN108198474A (zh) | 一种学习数据生成方法、装置及设备 | |
CN114328460A (zh) | 一种智能生成套题的方法、装置、计算机可读存储介质和电子设备 | |
CN113391797A (zh) | 一种辅助编程方法及相关设备 | |
CN112052669B (zh) | 一种题目名称的生成方法及装置 | |
CN112711938B (zh) | 一种阅读理解模型构建方法、装置、电子设备及存储介质 | |
KR102666591B1 (ko) | 크라우드 소싱을 활용하여 인공지능 학습용 데이터를 생성하는 인공지능 학습데이터 생성방법 |
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 |