CN117079504A - 一种大数据精准教学批阅系统的错题数据管理方法 - Google Patents

一种大数据精准教学批阅系统的错题数据管理方法 Download PDF

Info

Publication number
CN117079504A
CN117079504A CN202311322753.XA CN202311322753A CN117079504A CN 117079504 A CN117079504 A CN 117079504A CN 202311322753 A CN202311322753 A CN 202311322753A CN 117079504 A CN117079504 A CN 117079504A
Authority
CN
China
Prior art keywords
question
difficulty
student
representing
topic
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
Application number
CN202311322753.XA
Other languages
English (en)
Other versions
CN117079504B (zh
Inventor
丁云
杜超然
李娜
姚利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Jinbangyuan Culture Media Co ltd
Original Assignee
Shandong Jinbangyuan Culture Media Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Jinbangyuan Culture Media Co ltd filed Critical Shandong Jinbangyuan Culture Media Co ltd
Priority to CN202311322753.XA priority Critical patent/CN117079504B/zh
Publication of CN117079504A publication Critical patent/CN117079504A/zh
Application granted granted Critical
Publication of CN117079504B publication Critical patent/CN117079504B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G09EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09BEDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/02Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
    • G09B7/04Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student characterised by modifying the teaching programme in response to a wrong answer, e.g. repeating the question, supplying a further explanation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/02Knowledge representation; Symbolic representation
    • G06N5/022Knowledge engineering; Knowledge acquisition
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0637Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/20Education
    • G06Q50/205Education administration or guidance
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00Energy 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)
  • Educational Administration (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Technology (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据处理领域,具体涉及一种大数据精准教学批阅系统的错题数据管理方法,包括:获取考试成绩数据和题库数据;获取考试成绩数据中每个题目中包含的知识点,根据每个题目中包含的知识点和知识点在题库数据中的个数得到每个题目的难度系数;根据每个题目的难度系数和知识点的难度级别得到每个题目的复杂度;根据每个题目对应的学生每个科目的总分得到每个题目对应的学生科目的权值;得到每个学生每个题目的难度权重;根据所有学生每个题目的难度权重得到每个题目的学生参数,得到每个题目的难度值;根据每个题目的难度值进行划分管理。本发明用数据处理方法,提高了对题目难度判断的准确性。

Description

一种大数据精准教学批阅系统的错题数据管理方法
技术领域
本发明涉及数据处理技术领域,具体涉及一种大数据精准教学批阅系统的错题数据管理方法。
背景技术
在学生的学习过程中,需要通过做大量的习题来对自己的学习效果进行检验,那么在学习成果的检验的过程中,将会产生错题,而错题往往意味着学生对该种题型或者该知识点的掌握不到位,因此需要针对该错题进行学习能够进行有针对性的学习,提高学习的效率,而对于不同的错题来说,就学生而言,正对错题的不同难度来进行分析错因,才能更加高效的解决问题,就教师而言,对于大多学生都错的题目,也需要对题目本身的难度进行评判,来决定题目的讲解方式。因此,针对错题的难度分析无论是在学生学习还是教师教学工作中,都尤为重要。
现有技术中对于题目的难度分析,主要是采用教师凭借经验的主观评价、学生的错误率或者是专家团队的分析研究,而第一种方式会基于教师的主观性来判断,由于主观因素较强,容易出现评估不准确的情况,利用错误率判断会由于教师教学差异而出现成绩的偶然性,专家评估则会耗费大量的人力资源和和时间成本。
发明内容
本发明提供一种大数据精准教学批阅系统的错题数据管理方法,以解决现有的问题。
本发明的一种大数据精准教学批阅系统的错题数据管理方法采用如下技术方案:
本发明一个实施例提供了一种大数据精准教学批阅系统的错题数据管理方法,该方法包括以下步骤:
获取教学批阅系统中的考试成绩数据和题库数据;
获取考试成绩数据中每个题目中包含的知识点,根据每个题目中包含的知识点和知识点在题库数据中的个数得到每个题目的难度系数;
根据每个题目的难度系数和每个题目中所有知识点排序后的每个知识点的难度级别得到每个题目的复杂度;
根据每个题目对应的学生每个科目的总分得到每个题目对应的学生科目的权值;根据每个题目对应的学生科目的权值、每个学生每个题目的得分和每个学生每个题目的总分值得到每个学生每个题目的难度权重;根据所有学生每个题目的难度权重得到每个题目的学生参数;
根据每个题目的难度系数、每个题目的复杂度、每个题目的学生参数和每个题目的错误率得到每个题目的难度值;根据每个题目的难度值进行划分管理。
进一步地,所述每个题目的难度系数的具体获取步骤如下:
每个题目的难度系数的公式为:
式中,表示每个题目的难度系数,表示每个题目中第i个知识点与第j 个知识点之间的难度关联系数,表示每个题目中所有知识点之间的难度 关联系数,表示第i个知识点,表示第j个知识点,表示第n个知识点,n表示每个题目 中包含的知识点的个数,表示线性归一化函数。
进一步地,所述难度关联系数的具体获取步骤如下:
同一题目中任意两个知识点之间的难度关联系数的公式为:
式中,表示在题库中同时包含第i个知识点和第j个知识点的题目个数,表示在题库中包含第i个知识点的题目个数,表示在题库中包含第j个知识点的 题目个数,表示题库中所有同时包含第i个知识点和第j个知识点的题目的平均难 度;
同一题目中所有知识点之间的难度关联系数的公式为:
式中,表示第n个知识点,n表示每个题目中包含的知识点的个数,表示在题库中同时包含所有n个知识点的题目个数,表示题 库中同时包含所有n个知识点的题目的平均难度。
进一步地,所述每个题目的复杂度的具体获取步骤如下:
每个题目的复杂度的公式为:
式中,表示每个题目中所有知识点排序后的第i个知识点的难度级别,n表示每 个题目中包含的知识点个数,表示每个题目的难度系数,C表示每个题目的复杂度。
进一步地,所述每个题目中所有知识点排序的具体步骤如下:
对每个题目中包含的知识点按照难度级别进行从小到大的排序,得到每个题目中所有知识点排序后的难度级别。
进一步地,所述根据每个题目对应的学生每个科目的总分得到每个题目对应的学生科目的权值,包括的具体步骤如下:
获取每个题目对应的科目的总分,将所有学生划分为三类,分别为优秀、中等、一般三类;使用k-means算法对每个学生每个题目对应的科目的总分进行聚类;计算每个类别中所有学生的科目总分的均值,然后将科目总分的均值最大的一类记为优秀类,将科目总分的均值次最大的一类记为中等类,将科目总分的均值最低的一类记为一般类;分别给不同的类别赋予不同的权值,给优秀类的学生的权值赋予5,给中等类的学生的权值赋予3,给一般类的学生的权值赋予1。
进一步地,所述根据每个题目对应的学生科目的权值、每个学生每个题目的得分和每个学生每个题目的总分值得到每个学生每个题目的难度权重,包括的具体步骤如下:
每个学生每个题目的难度权重的公式为:
式中,表示每个题目对应的学生科目的权值,b表示每个学生每个题目的得分,f 表示每个学生每个题目的总分值,表示以自然常数为底的指数函数,S表示每个学生每 个题目的难度权重。
进一步地,所述根据所有学生每个题目的难度权重得到每个题目的学生参数,包括的具体步骤如下:
计算所有学生每个题目的难度权重的均值,记为每个题目的学生参数。
进一步地,所述每个题目的难度值的具体获取步骤如下:
每个题目的难度值的公式为:
式中,表示每个题目的难度系数,C表示每个题目的复杂度,表示每个题目的学 生参数,F表示每个题目的难度值,B表示每个题目的错误率,表示以自然常数为底的 指数函数。
进一步地,所述根据每个题目的难度值进行划分管理,包括的具体步骤如下:
首先将所有题目的难度值映射在(0,5]的范围内,再将(0,5]划分为五个等级,分别为简单、一般、中等、较难和困难;将映射之后题目的难度值在(0,1]范围内的题目划分在简单中,将映射之后题目的难度值在(1,2.5]范围内的题目划分在一般中,将映射之后题目的难度值在(2.5,3.5]范围内的题目划分在中等中,将映射之后题目的难度值在(3.5,4.5]范围内的题目划分在较难中,将映射之后题目的难度值在(4.5,5]范围内的题目划分在困难中;
每个等级构建一个数据库,然后后续根据考试成绩将题目分别放置在对应的等级数据库中,根据不同的等级数据库分别进行管理。
本发明的技术方案的有益效果是:本发明通过对每个题目中知识点在题库中的个数和难度级别得到每个题目的难度系数,用来评估以往题目中知识点难度级别的情况;再根据每个题目中每个知识点的难度级别对每个题目的难度系数进行修正得到每个题目的复杂度,提高了题目的复杂性,能够获取到题目更多的信息;再根据每个学生在每个题目中的得分得到每个题目的学生参数,然后根据每个题目的难度系数、每个题目的复杂度和每个题目的学生参数得到每个题目的难度值,提高了对题目难度判断的准确性;最后通过每个题目的难度值对题目分别进行管理,减少了不同难度题目之间的冗余。
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,下面将对实施例或现有技术描述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为本发明一种大数据精准教学批阅系统的错题数据管理方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种大数据精准教学批阅系统的错题数据管理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种大数据精准教学批阅系统的错题数据管理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种大数据精准教学批阅系统的错题数据管理方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取教学批阅系统中的考试成绩数据和题库数据。
需要说明的是,在以往的对每个题目的难度级别进行划分时,都是依据教师划分难度级别的,但是这样使得对题目的判断太过主观了。因此,实际中需要根据学生的考试成绩和以往组成的题库共同对每个题目的难度进行分析确定。
具体地,获取教学批阅系统中的考试成绩数据,其中,考试成绩数据中包括每个题目的得分,每个科目的总分等。再获取题库数据中每个题目包含的知识点和每个知识点对应的难度级别;其中,题库数据中每个题目包含的知识点可根据知识点的词表通过jieba分词获取每个题目中包含的知识点,而每个知识点的难度级别是通过教师评价得到的。
步骤S002:根据题库数据中每个题目包含的知识点得到每个题目的难度系数,根据每个题目中所有知识点的难度级别和每个题目的难度系数得到每个题目的复杂度。
需要说明的是,首先是学生考试成绩数据,由于不同学业成绩的同学对于知识点的掌握不同,因此对于学习成绩好的学生,其做错题目的题目难度要高于成绩一般的同学,因此必须要结合学生的考试成绩,对每一位学生针对本题的难度影响权重进行评估,并结合权重得出该道题的学生影响参数;另外一个题目所包含的知识点越多,所涵盖的知识点难度越高,则题目难度也会越高,因此也需要结合知识点对题目复杂度进行量化。
(1)根据题库数据中每个题目包含的知识点得到每个题目的难度系数。
进一步需要说明的是,对于一道题目来说,考察的知识点越少,题目携带的相关内容便会越少,题目便会越单一,难度便相应会比较低;而当一道题目包含大量的知识点,其考察面广,题目所携带的信息便会越多,其难度便会相应的更高;同时,对于不同知识点,掌握它所需要的时间成本越高,其难度也会越高,因此利用这些信息所得出的题目复杂度,可以在知识点这一层面反映出题目的难度。
具体地,根据每次考试成绩中每个题目包含的知识点和知识点的难度级别得到每个题目的难度系数。具体用公式表示为:
式中,表示每个题目的难度系数,表示每个题目中第i个知识点与第j 个知识点之间的难度关联系数,表示每个题目中所有知识点之间的难度 关联系数,表示第i个知识点,表示第j个知识点,表示第n个知识点,n表示每个题目 中包含的知识点的个数,表示线性归一化函数。
其中,的计算公式为:
式中,表示在题库中同时包含第i个知识点和第j个知识点的题目个数,表示在题库中包含第i个知识点的题目个数,表示在题库中包含第j个知识点的 题目个数,表示题库中所有同时包含第i个知识点和第j个知识点的题目的平均难 度。
其中,的计算公式为:
式中,表示第n个知识点,n表示每个题目中包含的知识点的个数,表示在题库中同时包含所有n个知识点的题目个数,表示题 库中同时包含所有n个知识点的题目的平均难度。
其中,题库中的题目的难度是对所有知识点的难度计算均值而得到的。
(2)根据每个题目中所有知识点的难度级别和每个题目的难度系数得到每个题目的复杂度。
需要说明的是,在上述步骤中考虑了知识点之间的关联性,但是还未考虑单个知识点的对题目难度系数的影响,所以针对单个知识点的影响进行分析。
具体地,首先对每个题目中包含的知识点按照难度级别进行从小到大的排序,得到每个题目排序后的难度级别。根据单个知识点对每个题目的难度系数进行修正得到每个题目的复杂度,具体用公式表示为:
式中,表示每个题目中所有知识点排序后的第i个知识点的难度级别,n表示每 个题目中包含的知识点个数,表示每个题目的难度系数,C表示每个题目的复杂度。
其中,当题目中包含的知识点的难度级别越高,则对应的题目的复杂度则越大;是等差数列的n项求和的倒数,根据难度级别的大小排序,给每个知识点赋予不同的 权重,所以相当于有个难度级别进行了求和,所以对求和之后的结果除以
至此,得到每个题目的难度系数和复杂度。
步骤S003:根据学生的考试成绩获取每个学生的权值,根据每个学生每个题目的得分和每个学生的权值得到每个学生的权重,根据所有学生的权重得到每个题目的学生参数,根据每个题目的难度系数、每个题目的复杂度和每个题目的学生参数得到每个题目的难度值。
需要说明的是,在对题目中包含的知识点的难度级别分析后,还需要考虑在对应的考试中每个学生在每个题目中的得分以及每个学生在每个题目对应的科目中的总分。由于不同学生对不同科目的喜爱程度不一样,所以根据每个学生在对应的科目的总分对学生进行划分,对划分后的不同类别学生赋予不同的权值,然后根据每个学生的权值和在每个题目中的得分进行分析。
具体地,获取每个题目对应的科目的总分,根据每个学生每个题目对应的科目的总分进行聚类,将所有学生划分为三类,分别为优秀、中等、一般三类。使用k-means算法对每个学生每个题目对应的科目的总分进行聚类;计算每个类别中所有学生的科目总分的均值,然后将科目总分的均值最大的一类记为优秀类,将科目总分的均值次最大的一类记为中等类,将科目总分的均值最低的一类记为一般类。分别给不同的类别赋予不同的权值,给优秀类的学生的权值赋予5,给中等类的学生的权值赋予3,给一般类的学生的权值赋予1。
至此,得到每个学生在每个科目上的权值。
根据每个学生的题目得分和题目对应的科目的权值得到每个学生每个题目的难度权重,具体用公式表示为:
式中,表示每个题目对应的学生科目的权值,b表示每个学生每个题目的得分,f 表示每个学生每个题目的总分值,表示以自然常数为底的指数函数,S表示每个学生每 个题目的难度权重。
然后再计算所有学生每个题目的学生参数,用公式表示为:
式中,表示第k个学生每个题目的难度权重,m表示所有学生的个数,表示每个 题目的学生参数,即所有学生每个题目的难度权重的均值。
根据每个题目的答题情况得到每个题目的错误率,每个题目的答错人数与参与答题的总人数之间的比值记为每个题目的错误率。其中,考试卷中一般分为选择题、填空题和大题,选择题和填空题的结果只有答错和答对,所以每个题目的答错人数不再进行过多的解释;而大题一般得各个分值的人都有,所以不能直接的判定为答错或答对,所以我们选取一个预设阈值H,将大于等于预设阈值H的得分判定是答对的人数,将小于预设阈值H的得分判定是答错的人数,则可以获取到每个大题的答错人数,并得到每个大题题目的错误率。其中,预设阈值H不进行具体限定,预设阈值H可根据具体实施情况而定。
根据每个题目的难度系数、每个题目的复杂度和所有学生每个题目的学生参数得到每个题目的难度值。用公式表示为:
式中,表示每个题目的难度系数,C表示每个题目的复杂度,表示每个题目的学 生参数,F表示每个题目的难度值,B表示每个题目的错误率,表示以自然常数为底的 指数函数。
其中,当每个题目的难度系数T越大,则对应题目的难度值越大;当每个题目的复杂度C越大,则对应题目的难度值越大;当每个题目的学生参数Sc越大,则对应题目的难度值越大。
至此,得到所有题目的难度值。
步骤S004:根据每个题目的难度值对所有的题目进行分类,根据每个题目的类别分别上传到对应的数据库中,以此来进行管理。
根据题目的难度值进行分类管理。首先将所有题目的难度值映射在(0,5]的范围内,再将(0,5]划分为五个等级,分别为简单、一般、中等、较难和困难。将映射之后题目的难度值在(0,1]范围内的题目划分在简单中,将映射之后题目的难度值在(1,2.5]范围内的题目划分在一般中,将映射之后题目的难度值在(2.5,3.5]范围内的题目划分在中等中,将映射之后题目的难度值在(3.5,4.5]范围内的题目划分在较难中,将映射之后题目的难度值在(4.5,5]范围内的题目划分在困难中。
每个等级构建一个数据库,然后后续根据考试成绩将题目分别放置在对应的等级数据库中,根据不同的等级数据库分别进行管理。
至此,本实施例完成。
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,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (10)

1.一种大数据精准教学批阅系统的错题数据管理方法,其特征在于,该方法包括以下步骤:
获取教学批阅系统中的考试成绩数据和题库数据;
获取考试成绩数据中每个题目中包含的知识点,根据每个题目中包含的知识点和知识点在题库数据中的个数得到每个题目的难度系数;
根据每个题目的难度系数和每个题目中所有知识点排序后的每个知识点的难度级别得到每个题目的复杂度;
根据每个题目对应的学生每个科目的总分得到每个题目对应的学生科目的权值;根据每个题目对应的学生科目的权值、每个学生每个题目的得分和每个学生每个题目的总分值得到每个学生每个题目的难度权重;根据所有学生每个题目的难度权重得到每个题目的学生参数;
根据每个题目的难度系数、每个题目的复杂度、每个题目的学生参数和每个题目的错误率得到每个题目的难度值;根据每个题目的难度值进行划分管理。
2.根据权利要求1所述一种大数据精准教学批阅系统的错题数据管理方法,其特征在于,所述每个题目的难度系数的具体获取步骤如下:
每个题目的难度系数的公式为:
式中,表示每个题目的难度系数,/>表示每个题目中第i个知识点与第j个知识点之间的难度关联系数,/>表示每个题目中所有知识点之间的难度关联系数,/>表示第i个知识点,/>表示第j个知识点,/>表示第n个知识点,n表示每个题目中包含的知识点的个数,/>表示线性归一化函数。
3.根据权利要求2所述一种大数据精准教学批阅系统的错题数据管理方法,其特征在于,所述难度关联系数的具体获取步骤如下:
同一题目中任意两个知识点之间的难度关联系数的公式为:
式中,表示在题库中同时包含第i个知识点和第j个知识点的题目个数,/>表示在题库中包含第i个知识点的题目个数,/>表示在题库中包含第j个知识点的题目个数,/>表示题库中所有同时包含第i个知识点和第j个知识点的题目的平均难度;
同一题目中所有知识点之间的难度关联系数的公式为:
式中,表示第n个知识点,n表示每个题目中包含的知识点的个数,/>表示在题库中同时包含所有n个知识点的题目个数,/>表示题库中同时包含所有n个知识点的题目的平均难度。
4.根据权利要求1所述一种大数据精准教学批阅系统的错题数据管理方法,其特征在于,所述每个题目的复杂度的具体获取步骤如下:
每个题目的复杂度的公式为:
式中,表示每个题目中所有知识点排序后的第i个知识点的难度级别,n表示每个题目中包含的知识点个数,/>表示每个题目的难度系数,C表示每个题目的复杂度。
5.根据权利要求4所述一种大数据精准教学批阅系统的错题数据管理方法,其特征在于,所述每个题目中所有知识点排序的具体步骤如下:
对每个题目中包含的知识点按照难度级别进行从小到大的排序,得到每个题目中所有知识点排序后的难度级别。
6.根据权利要求1所述一种大数据精准教学批阅系统的错题数据管理方法,其特征在于,所述根据每个题目对应的学生每个科目的总分得到每个题目对应的学生科目的权值,包括的具体步骤如下:
获取每个题目对应的科目的总分,将所有学生划分为三类,分别为优秀、中等、一般三类;使用k-means算法对每个学生每个题目对应的科目的总分进行聚类;计算每个类别中所有学生的科目总分的均值,然后将科目总分的均值最大的一类记为优秀类,将科目总分的均值次最大的一类记为中等类,将科目总分的均值最低的一类记为一般类;分别给不同的类别赋予不同的权值,给优秀类的学生的权值赋予5,给中等类的学生的权值赋予3,给一般类的学生的权值赋予1。
7.根据权利要求1所述一种大数据精准教学批阅系统的错题数据管理方法,其特征在于,所述根据每个题目对应的学生科目的权值、每个学生每个题目的得分和每个学生每个题目的总分值得到每个学生每个题目的难度权重,包括的具体步骤如下:
每个学生每个题目的难度权重的公式为:
式中,表示每个题目对应的学生科目的权值,b表示每个学生每个题目的得分,f表示每个学生每个题目的总分值,/>表示以自然常数为底的指数函数,S表示每个学生每个题目的难度权重。
8.根据权利要求1所述一种大数据精准教学批阅系统的错题数据管理方法,其特征在于,所述根据所有学生每个题目的难度权重得到每个题目的学生参数,包括的具体步骤如下:
计算所有学生每个题目的难度权重的均值,记为每个题目的学生参数。
9.根据权利要求1所述一种大数据精准教学批阅系统的错题数据管理方法,其特征在于,所述每个题目的难度值的具体获取步骤如下:
每个题目的难度值的公式为:
式中,表示每个题目的难度系数,C表示每个题目的复杂度,/>表示每个题目的学生参数,F表示每个题目的难度值,B表示每个题目的错误率,/>表示以自然常数为底的指数函数。
10.根据权利要求1所述一种大数据精准教学批阅系统的错题数据管理方法,其特征在于,所述根据每个题目的难度值进行划分管理,包括的具体步骤如下:
首先将所有题目的难度值映射在(0,5]的范围内,再将(0,5]划分为五个等级,分别为简单、一般、中等、较难和困难;将映射之后题目的难度值在(0,1]范围内的题目划分在简单中,将映射之后题目的难度值在(1,2.5]范围内的题目划分在一般中,将映射之后题目的难度值在(2.5,3.5]范围内的题目划分在中等中,将映射之后题目的难度值在(3.5,4.5]范围内的题目划分在较难中,将映射之后题目的难度值在(4.5,5]范围内的题目划分在困难中;
每个等级构建一个数据库,然后后续根据考试成绩将题目分别放置在对应的等级数据库中,根据不同的等级数据库分别进行管理。
CN202311322753.XA 2023-10-13 2023-10-13 一种大数据精准教学批阅系统的错题数据管理方法 Active CN117079504B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311322753.XA CN117079504B (zh) 2023-10-13 2023-10-13 一种大数据精准教学批阅系统的错题数据管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311322753.XA CN117079504B (zh) 2023-10-13 2023-10-13 一种大数据精准教学批阅系统的错题数据管理方法

Publications (2)

Publication Number Publication Date
CN117079504A true CN117079504A (zh) 2023-11-17
CN117079504B CN117079504B (zh) 2024-01-05

Family

ID=88704549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311322753.XA Active CN117079504B (zh) 2023-10-13 2023-10-13 一种大数据精准教学批阅系统的错题数据管理方法

Country Status (1)

Country Link
CN (1) CN117079504B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105355111A (zh) * 2015-12-02 2016-02-24 华中师范大学 基于学情分析的课后强化学习系统
CN106846962A (zh) * 2017-03-20 2017-06-13 安徽七天教育科技有限公司 一种基于学生错题及精准推荐的错题本生成方法
CN110378818A (zh) * 2019-07-22 2019-10-25 广西大学 基于难度的个性化习题推荐方法、系统及介质
CN110619772A (zh) * 2019-09-09 2019-12-27 景德镇猎户星空智能科技有限公司 一种数据处理方法、装置、设备及介质
CN112348725A (zh) * 2020-11-30 2021-02-09 上海松鼠课堂人工智能科技有限公司 基于大数据的知识点难度定级方法
CN114943628A (zh) * 2022-06-07 2022-08-26 冯青苹 基于人工智能的试卷难度系数评定方法、装置及设备
CN115081965A (zh) * 2022-08-22 2022-09-20 山东悦知教育科技有限公司 一种学情大数据分析系统及学情服务器
KR102500782B1 (ko) * 2022-01-20 2023-02-16 주식회사 아이에이피에듀 학생의 학습 수준에 기반한 난이도 별 맞춤형 문항을 추출하는 방법, 장치 및 컴퓨터-판독 가능 기록 매체

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105355111A (zh) * 2015-12-02 2016-02-24 华中师范大学 基于学情分析的课后强化学习系统
CN106846962A (zh) * 2017-03-20 2017-06-13 安徽七天教育科技有限公司 一种基于学生错题及精准推荐的错题本生成方法
CN110378818A (zh) * 2019-07-22 2019-10-25 广西大学 基于难度的个性化习题推荐方法、系统及介质
CN110619772A (zh) * 2019-09-09 2019-12-27 景德镇猎户星空智能科技有限公司 一种数据处理方法、装置、设备及介质
CN112348725A (zh) * 2020-11-30 2021-02-09 上海松鼠课堂人工智能科技有限公司 基于大数据的知识点难度定级方法
KR102500782B1 (ko) * 2022-01-20 2023-02-16 주식회사 아이에이피에듀 학생의 학습 수준에 기반한 난이도 별 맞춤형 문항을 추출하는 방법, 장치 및 컴퓨터-판독 가능 기록 매체
CN114943628A (zh) * 2022-06-07 2022-08-26 冯青苹 基于人工智能的试卷难度系数评定方法、装置及设备
CN115081965A (zh) * 2022-08-22 2022-09-20 山东悦知教育科技有限公司 一种学情大数据分析系统及学情服务器

Also Published As

Publication number Publication date
CN117079504B (zh) 2024-01-05

Similar Documents

Publication Publication Date Title
CN112508334B (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
CN107657559A (zh) 一种中文阅读能力测评方法及系统
CN114913729B (zh) 一种选题方法、装置、计算机设备和存储介质
CN114579760A (zh) 一种基于学生错题知识点自适应阶段学习系统
CN1794277A (zh) 物流培训网络试题难度和区分度量化的实现方法
CN112667776B (zh) 一种智能教学评估与分析方法
CN109272160A (zh) 分数预测系统及预测方法
CN111460101A (zh) 知识点类型的识别方法、装置及处理器
CN115455186A (zh) 一种基于多模型的学情分析方法
CN114897077A (zh) 一种基于机器学习的英语阅读素养评价方法
CN117079504B (zh) 一种大数据精准教学批阅系统的错题数据管理方法
CN115438152B (zh) 一种基于多神经网络与知识图谱的简答题评分方法及系统
CN111027868A (zh) 基于结构方程模型的学位论文质量影响因素评价方法
CN110189236A (zh) 基于大数据的学习预警方法
CN116361541A (zh) 基于知识追踪与相似度分析的试题推荐方法
CN114862144A (zh) 一种适用于绩效评价的权重确定方法
CN112015830B (zh) 适用于自适应学习的题目存储方法
CN112766765A (zh) 基于区间中智理论的专业学习能力评价方法及系统
CN113919983A (zh) 试题画像方法、装置、电子设备和存储介质
CN113256130A (zh) 一种基于教学大数据分析的师生匹配度评估方法及系统
CN116109456B (zh) 一种智慧教育综合评价方法、系统、电子设备及存储介质
CN110069783A (zh) 一种答题内容评测方法及装置
Sukajaya et al. Classification of Students' Mathematics Learning Achievement on Bloom's Taxonomy-Based Serious Game Using Ordinal Logistic Regression
CN117171647A (zh) 一种自动解答基准数据库的试题难度评估方法
CN115456415A (zh) 一种基于学情的教学干预方法

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