CN117274006B - 一种命题方法、系统、设备及存储介质 - Google Patents
一种命题方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN117274006B CN117274006B CN202311552051.0A CN202311552051A CN117274006B CN 117274006 B CN117274006 B CN 117274006B CN 202311552051 A CN202311552051 A CN 202311552051A CN 117274006 B CN117274006 B CN 117274006B
- Authority
- CN
- China
- Prior art keywords
- knowledge
- proposition
- test questions
- extracurricular
- professional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000013101 initial test Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 239000000463 material Substances 0.000 claims abstract description 20
- 238000013210 evaluation model Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- 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
- G09B3/00—Manually or mechanically operated teaching appliances working with questions and answers
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种命题方法、系统、设备及存储介质，属于教育与评测领域。该方法包括：获取基于课外知识文件预先构建的课外知识库、基于专业教材预先构建的专业知识图谱、命题知识点及提示词；基于课外知识库确定的背景知识；将背景知识、命题知识点及提示词输入至命题模型生成初始试题；将初始试题输入至预先构建的评价模型以确定初始试题的置信度，若初始试题的置信度不符合预设要求，则利用专业知识图谱进行优化获得目标试题。通过利用专业知识图谱的可解释性、可信赖性和可溯源性优势，将其与模型进行融合不仅实现了基于知识点的多类型试题的快速生成，而且还提高了试题的可信度和质量，进而解决了考试前领域专家命题时的费时、费力问题。
Description
技术领域
本发明涉及教育与评测技术领域，具体地涉及一种命题方法、系统、设备及存储介质。
背景技术
随着人工智能技术的发展和应用，以及教育领域对高效、精准、个性化教学的需求不断增加，智能命题作为一种新型的命题方式应运而生。
传统的命题方式主要依赖于人工设计和审核，例如，在专利（CN 116955589 A）中，专家主要根据知识图谱和命题经验命题，存在主观性、重复性、效率低下等问题而智能命题则可以通过机器学习、自然语言处理、知识图谱等技术来实现，提高命题效率和准确性。
近年来,以ChatGPT为代表的人工智能生成内容（artificial intelligencegenerated content，AIGC）技术引发全球的高度关注。AIGC技术是通过人工智能算法自动地生成内容。AIGC技术的优点是可以根据要求自动、快速地生成海量高质量的内容。但大模型落地面临以下瓶颈，如模型输出的可信度不足、知识更新的实时性不足。而且现有技术仅依靠模型进行命题存在可控性差、可解释性不足的问题。
发明内容
本发明实施例的目的是提供一种命题方法、系统、设备及存储介质，用于全部或至少部分的解决上述现有技术中存在的技术问题。
为了实现上述目的，本发明实施例提供一种命题方法，包括：
获取基于课外知识文件预先构建的课外知识库、基于专业教材预先构建的专业知识图谱、命题知识点以及提示词；
基于所述课外知识库确定与所述命题知识点匹配的背景知识；
将所述背景知识、所述命题知识点以及所述提示词输入至预先构建的命题模型，生成初始试题；
将所述初始试题输入至预先构建的评价模型以确定所述初始试题的置信度，若所述初始试题的置信度不符合预设要求，则利用所述专业知识图谱对所述初始试题进行优化，获得目标试题。
可选的，基于课外知识文件预先构建课外知识库的过程包括：
提取所述课外知识文件的文本信息，其中，所述文本信息包括所述课外知识文件中图片转化的文本；
对所述文本信息进行内容切分，并利用语言模型对切分后的所述文本信息进行向量化表示，获得文本向量；
创建所述文本向量的索引，并基于所述索引将所述文本向量存入课外知识库。
可选的，基于专业教材预先构建专业知识图谱的过程包括：
获取所述专业教材的专业词汇；
对所述专业教材进行自动化解析，生成节点信息；
根据所述专业词汇及所述节点信息构建专业知识图谱。
可选的，所述基于所述课外知识库确定与所述命题知识点匹配的背景知识，包括：
对所述命题知识点进行向量化处理，并从所述课外知识库中提取出与所述命题知识点相关的初始文本向量；
根据相关程度对所述初始文本向量进行排序，筛选出目标文本向量；
根据所述目标文本向量对应的文本信息，确定与所述命题知识点匹配的背景知识。
可选的，将所述背景知识、所述命题知识点以及所述提示词输入至预先构建的命题模型，生成初始试题，包括：
对所述背景知识、所述命题知识点以及所述提示词进行拼接，获得命题提示词；
将所述命题提示词输入至所述预先构建的命题模型，使得所述预先构建的命题模型提取所述命题提示词的语义特征，并对该语义特征进行解码处理，生成所述初始试题。
另一方面，本发明还提供一种命题系统，包括：
获取模块，用于获取基于课外知识文件预先构建的课外知识库、基于专业教材预先构建的专业知识图谱、命题知识点以及提示词；
确定模块，用于基于所述课外知识库确定与所述命题知识点匹配的背景知识；
生成模块，用于将所述背景知识、所述命题知识点以及所述提示词输入至预先构建的命题模型，生成初始试题；
优化模块，用于将所述初始试题输入至预先构建的评价模型以确定所述初始试题的置信度，若所述初始试题的置信度不符合预设要求，则利用所述专业知识图谱对所述初始试题进行优化，获得目标试题。
另一方面，本发明还提供一种命题设备，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进行运行的计算机程序，所述处理器执行所述程序时实现上述所述的命题方法的步骤。
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的命题方法的步骤。
通过上述技术方案，利用专业知识图谱的可解释性、可信赖性和可溯源性方面具有的独特优势，将专业知识图谱和模型进行融合不仅可以实现基于知识点的多类型试题的快速生成，而且还提高了试题的可信度和试题的质量，进而解决了考试前领域专家命题时的费时、费力问题。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明实施例提供的一种命题方法实施流程图；
图2是本发明实施例提供的一种命题方法的详细实施流程图；
图3是本发明实施例提供的另一种命题方法的实施流程图；
图4是本发明实施例提供的一种命题系统的结构示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
参阅图1所示，为本发明实施例提供的一种命题方法实施流程图，包括以下执行步骤：
步骤100：获取基于课外知识文件预先构建的课外知识库、基于专业教材预先构建的专业知识图谱、命题知识点以及提示词。
可选的，课外知识文件包括txt、word、pdf等类型的文件。
在一些实施方式中，基于课外知识文件预先构建课外知识库的过程包括步骤S1-S3：
S1：提取所述课外知识文件的文本信息，其中，所述文本信息包括所述课外知识文件中图片转化的文本。
在一些实施方式中，对于课外知识文件中的图片内容使用ocr识别算法转化为文本。
S2：对所述文本信息进行内容切分，并利用语言模型对切分后的所述文本信息进行向量化表示，获得文本向量。
在一些实施方式中，对不同类型（txt、word、pdf等）的课外知识文件的文本信息采用不同的切分策略。
S3：创建所述文本向量的索引，并基于所述索引将所述文本向量存入课外知识库。
在一些实施方式中，基于专业教材预先构建专业知识图谱的过程包括步骤SA-SC：
SA：获取所述专业教材的专业词汇。
在一些 实施方式中，利用大模型对专业教材的段落内容进行专业词汇识别，经汇总后获得专业词汇，其中，教材的段落可以为随机抽取的任意段落，也可以为指定的段落，具体可以根据实际的应用场景进行选取，在此不做限制。
SB：对所述专业教材进行自动化解析，生成节点信息。
优选的，节点信息包括章、节、知识点等节点信息。
SC：根据所述专业词汇及所述节点信息构建专业知识图谱。
在一些实施方式中，根据专业词汇及节点与节点之间的关系（例如，章与节之间的节点关系）构建专业知识图谱。
步骤101：基于所述课外知识库确定与所述命题知识点匹配的背景知识。
在一些实施方式中，执行步骤101时，可以执行以下步骤：
S1010：对所述命题知识点进行向量化处理，并从所述课外知识库中提取出与所述命题知识点相关的初始文本向量。
S1011：根据相关程度对所述初始文本向量进行排序，筛选出目标文本向量。
这样，可以基于各初始文本向量的优先级，筛选出优先级最高（即相关程度最高）的文本向量作为目标文本向量，获得与命题知识点高匹配度的背景知识。
S1012：根据所述目标文本向量对应的文本信息，确定与所述命题知识点匹配的背景知识。
步骤102：将所述背景知识、所述命题知识点以及所述提示词输入至预先构建的命题模型，生成初始试题。
在一些实施方式中，执行步骤102时，可以执行以下步骤：
S1020：对所述背景知识、所述命题知识点以及所述提示词进行拼接，获得命题提示词。
优选的，采用prompt拼接的方式，将背景知识、命题知识点以及提示词进行有效拼接。
S1021：将所述命题提示词输入至所述预先构建的命题模型，使得所述预先构建的命题模型提取所述命题提示词的语义特征，并对该语义特征进行解码处理，生成所述初始试题。
步骤103：将所述初始试题输入至预先构建的评价模型以确定所述初始试题的置信度，若所述初始试题的置信度不符合预设要求，则利用所述专业知识图谱对所述初始试题进行优化，获得目标试题。
需要说明的是，预设要求可以根据实际应用场景进行设置，例如置信度大于等于80%即为符合预设要求，小于80%即为不符合预设要求，在此不做限制。
在一些实施方式中，利用所述专业知识图谱对所述初始试题进行优化，可以是对生成的不合适干扰性进行替换等。
提示词：假如你是一名命题专家，请基于{{背景知识}}对{{命题知识点}}知识点进行试题的命制，试题需要包含标答和答案解析，试题类型包括单选、多选、判断、填空和简答题等。
本申请提出的方法能够生成多类型的高质量试题。一方面是知识点背景知识的增加，另一方面是对生成试题进行置信度评估。
参阅图2所示，为本发明实施例提供的一种命题方法的详细实施流程图，包括以下执行步骤：
步骤200：提取课外知识文件的文本信息，并对所述文本信息进行内容切分，并利用语言模型对切分后的所述文本信息进行向量化表示，获得文本向量。
步骤201：创建所述文本向量的索引，并基于所述索引将所述文本向量存入课外知识库。
步骤202：获取所述专业教材的专业词汇，并对所述专业教材进行自动化解析，生成节点信息。
步骤203：根据所述专业词汇及所述节点信息构建专业知识图谱。
步骤204：获取基于课外知识文件预先构建的课外知识库、基于专业教材预先构建的专业知识图谱、命题知识点以及提示词。
步骤205：对所述命题知识点进行向量化处理，并从所述课外知识库中提取出与所述命题知识点相关的初始文本向量。
步骤206：根据相关程度对所述初始文本向量进行排序，筛选出目标文本向量，并根据所述目标文本向量对应的文本信息，确定与所述命题知识点匹配的背景知识。
步骤207：对所述背景知识、所述命题知识点以及所述提示词进行拼接，获得命题提示词。
步骤208：将所述命题提示词输入至所述预先构建的命题模型，使得所述预先构建的命题模型提取所述命题提示词的语义特征，并对该语义特征进行解码处理，生成所述初始试题。
步骤209：将所述初始试题输入至预先构建的评价模型以确定所述初始试题的置信度，判断所述初始试题的置信度是否符合预设要求，若是，则执行步骤2010，否则，执行步骤2011。
步骤2010：获得目标试题。
步骤2011：利用所述专业知识图谱对所述初始试题进行优化，继续执行步骤209。
参阅图3所示，为本发明实施例提供的另一种命题方法的实施流程图，包括以下执行步骤：
S1：课外知识库构建：对课外知识文件进行处理，创建索引并存入向量数据库。
S2：专业知识图谱构建：对专业教材进行解析，抽取节点及节点之间的关系并构建专业知识图谱。
S3：试题生成：对命题知识点进行向量检索与prompt拼接，输入到预先构建的命题模型中进行试题生成。
S4：试题质量评估：对生成的试题利用预先构建的评价模型进行质量评估，对置信度低的试题基于专业知识图谱进行优化。
本申请能有效解决大量考试中试题由领域专家命题费时、费力等问题。以及通过（1）构建的课外知识库，为命题知识点增加背景知识，便于预先构建的命题模型进行准确的试题生成；（2）构建的专业知识图谱，对于较复杂的知识点可以提供更准确的背景知识，还可以对置信度低的试题进行更新优化；（3）借助预先构建的命题模型和预先构建的评价模型进行试题质量的把控，这样生成的试题质量更高。
参阅图4所示，为本发明实施例提供的一种命题系统的结构示意图，该系统包括：
获取模块400，用于获取基于课外知识文件预先构建的课外知识库、基于专业教材预先构建的专业知识图谱、命题知识点以及提示词；
确定模块401，用于基于所述课外知识库确定与所述命题知识点匹配的背景知识；
生成模块402，用于将所述背景知识、所述命题知识点以及所述提示词输入至预先构建的命题模型，生成初始试题；
优化模块403，用于将所述初始试题输入至预先构建的评价模型以确定所述初始试题的置信度，若所述初始试题的置信度不符合预设要求，则利用所述专业知识图谱对所述初始试题进行优化，获得目标试题。
通过各模块之间的相互相同作用，不仅使命题系统可以实现基于知识点的多类型试题的快速生成，而且还提高了命题系统的可信度和输出试题的质量，进而解决了考试前领域专家命题时的费时、费力问题。
另一方面，本发明实施例还提供一种命题设备，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进行运行的计算机程序，所述处理器执行所述程序时实现上述任一项实施例所述的命题方法的步骤。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项实施例所述的命题方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，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)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (5)
1.一种命题方法，其特征在于，所述命题方法包括：
获取基于课外知识文件预先构建的课外知识库、基于专业教材预先构建的专业知识图谱、命题知识点以及提示词；
基于所述课外知识库确定与所述命题知识点匹配的背景知识；
将所述背景知识、所述命题知识点以及所述提示词输入至预先构建的命题模型，生成初始试题；
将所述初始试题输入至预先构建的评价模型以确定所述初始试题的置信度，若所述初始试题的置信度不符合预设要求，则利用所述专业知识图谱对所述初始试题进行优化，获得目标试题；
其中，基于课外知识文件预先构建课外知识库的过程包括：
提取所述课外知识文件的文本信息，其中，所述文本信息包括所述课外知识文件中图片转化的文本；
对所述文本信息进行内容切分，并利用语言模型对切分后的所述文本信息进行向量化表示，获得文本向量；
创建所述文本向量的索引，并基于所述索引将所述文本向量存入课外知识库；
所述基于所述课外知识库确定与所述命题知识点匹配的背景知识，包括：
对所述命题知识点进行向量化处理，并从所述课外知识库中提取出与所述命题知识点相关的初始文本向量；
根据相关程度对所述初始文本向量进行排序，筛选出目标文本向量；
根据所述目标文本向量对应的文本信息，确定与所述命题知识点匹配的背景知识；
将所述背景知识、所述命题知识点以及所述提示词输入至预先构建的命题模型，生成初始试题，包括：
对所述背景知识、所述命题知识点以及所述提示词进行拼接，获得命题提示词；
将所述命题提示词输入至所述预先构建的命题模型，使得所述预先构建的命题模型提取所述命题提示词的语义特征，并对该语义特征进行解码处理，生成所述初始试题；
其中，提示词为：假如你是一名命题专家，请基于知识点进行试题的命制，试题需要包含标答和答案解析，试题类型包括单选、多选、判断、填空和简答题。
2.根据权利要求1所述的命题方法，其特征在于，基于专业教材预先构建专业知识图谱的过程包括：
获取所述专业教材的专业词汇；
对所述专业教材进行自动化解析，生成节点信息；
根据所述专业词汇及所述节点信息构建专业知识图谱。
3.一种针对权利要求1-2任一项所述的命题方法的命题系统，其特征在于，包括：
获取模块，用于获取基于课外知识文件预先构建的课外知识库、基于专业教材预先构建的专业知识图谱、命题知识点以及提示词；
确定模块，用于基于所述课外知识库确定与所述命题知识点匹配的背景知识；
生成模块，用于将所述背景知识、所述命题知识点以及所述提示词输入至预先构建的命题模型，生成初始试题；
优化模块，用于将所述初始试题输入至预先构建的评价模型以确定所述初始试题的置信度，若所述初始试题的置信度不符合预设要求，则利用所述专业知识图谱对所述初始试题进行优化，获得目标试题；
其中，提示词为：假如你是一名命题专家，请基于{{背景知识}}对{{命题知识点}}知识点进行试题的命制，试题需要包含标答和答案解析，试题类型包括单选、多选、判断、填空和简答题。
4.一种命题设备，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进行运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-2任一项所述的命题方法的步骤。
5.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-2任一项所述的命题方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311552051.0A CN117274006B (zh) | 2023-11-21 | 2023-11-21 | 一种命题方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311552051.0A CN117274006B (zh) | 2023-11-21 | 2023-11-21 | 一种命题方法、系统、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117274006A CN117274006A (zh) | 2023-12-22 |
| CN117274006B true CN117274006B (zh) | 2024-03-12 |
Family
ID=89216310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311552051.0A Active CN117274006B (zh) | 2023-11-21 | 2023-11-21 | 一种命题方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117274006B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07248920A (ja) * | 1994-03-09 | 1995-09-26 | Meidensha Corp | 帰納学習における述語論理ルール生成方法 |
| US7693705B1 (en) * | 2005-02-16 | 2010-04-06 | Patrick William Jamieson | Process for improving the quality of documents using semantic analysis |
| CN108345593A (zh) * | 2017-01-22 | 2018-07-31 | 北京新唐思创教育科技有限公司 | 一种基于题库系统的教学讲义生成方法及其装置 |
| CN111400506A (zh) * | 2020-03-13 | 2020-07-10 | 苏州思必驰信息科技有限公司 | 古诗词命题方法及系统 |
| CN112567761A (zh) * | 2018-08-21 | 2021-03-26 | 索尼公司 | 信息处理设备、信息处理系统、信息处理方法和程序 |
| CN113569540A (zh) * | 2021-05-14 | 2021-10-29 | 南京奥派信息产业股份公司 | 基于社会科学类教材的试卷生成方法和装置 |
| CN113779194A (zh) * | 2021-08-27 | 2021-12-10 | 滨州学院 | 一种高等数学用线性代数考试题目筛选系统 |
| WO2022174817A1 (zh) * | 2021-02-20 | 2022-08-25 | 胡润宇 | 试题生成方法、装置和系统、计算机存储介质和程序产品 |
| CN115048506A (zh) * | 2022-06-29 | 2022-09-13 | 广州市南方人力资源评价中心有限公司 | 基于知识图谱的试题生成系统、方法、装置及存储介质 |
| CN116756340A (zh) * | 2023-06-25 | 2023-09-15 | 森纵艾数(北京)科技有限公司 | 一种试题自动生成方法、系统及设备 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8155951B2 (en) * | 2003-06-12 | 2012-04-10 | Patrick William Jamieson | Process for constructing a semantic knowledge base using a document corpus |
| US8401988B2 (en) * | 2009-03-02 | 2013-03-19 | Palo Alto Research Center Incorporated | Method and apparatus for maintaining groupings and relationships of propositions associated with a knowledge base |
| US11551567B2 (en) * | 2014-08-28 | 2023-01-10 | Ideaphora India Private Limited | System and method for providing an interactive visual learning environment for creation, presentation, sharing, organizing and analysis of knowledge on subject matter |
| CN112507040B (zh) * | 2020-12-21 | 2023-08-08 | 北京百度网讯科技有限公司 | 多元关系生成模型的训练方法、装置、电子设备及介质 |
-
2023
- 2023-11-21 CN CN202311552051.0A patent/CN117274006B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07248920A (ja) * | 1994-03-09 | 1995-09-26 | Meidensha Corp | 帰納学習における述語論理ルール生成方法 |
| US7693705B1 (en) * | 2005-02-16 | 2010-04-06 | Patrick William Jamieson | Process for improving the quality of documents using semantic analysis |
| CN108345593A (zh) * | 2017-01-22 | 2018-07-31 | 北京新唐思创教育科技有限公司 | 一种基于题库系统的教学讲义生成方法及其装置 |
| CN112567761A (zh) * | 2018-08-21 | 2021-03-26 | 索尼公司 | 信息处理设备、信息处理系统、信息处理方法和程序 |
| CN111400506A (zh) * | 2020-03-13 | 2020-07-10 | 苏州思必驰信息科技有限公司 | 古诗词命题方法及系统 |
| WO2022174817A1 (zh) * | 2021-02-20 | 2022-08-25 | 胡润宇 | 试题生成方法、装置和系统、计算机存储介质和程序产品 |
| CN113569540A (zh) * | 2021-05-14 | 2021-10-29 | 南京奥派信息产业股份公司 | 基于社会科学类教材的试卷生成方法和装置 |
| CN113779194A (zh) * | 2021-08-27 | 2021-12-10 | 滨州学院 | 一种高等数学用线性代数考试题目筛选系统 |
| CN115048506A (zh) * | 2022-06-29 | 2022-09-13 | 广州市南方人力资源评价中心有限公司 | 基于知识图谱的试题生成系统、方法、装置及存储介质 |
| CN116756340A (zh) * | 2023-06-25 | 2023-09-15 | 森纵艾数(北京)科技有限公司 | 一种试题自动生成方法、系统及设备 |
Non-Patent Citations (6)
| Title |
|---|
| Nils Bergmann等.Reward expectation facilitates context learning and attentional guidance in visual search.Journal of Vision.2019,第19卷(第10期),1-18. * |
| 刘一然 ; 骆力明 ; .基于知识图谱的学科单选题考点提取研究.计算机应用研究.2018,(第06期),全文. * |
| 王保强 ; 袁林 ; 田加才 ; 陆广洁 ; .以科技论文为素材的高中化学试题命制策略.化学教育(中英文).2018,(第21期),全文. * |
| 王雅倩.高观点下高考数学试题的研究——以数学分析、高等代数背景为例.中国优秀硕士学位论文全文数据库 社会科学Ⅱ辑.2023,(第1期),H130-1471. * |
| 袁满 ; 曹阳 ; 陈萍 ; .教育知识图谱构建中的标准词汇参考模型研究.电化教育研究.2020,(第03期),全文. * |
| 颜李朝 ; 刘坚 ; .经济数学中融入案例与实验的教学研究.高师理科学刊.2016,(第05期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117274006A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107291840B (zh) | 一种用户属性预测模型构建方法和装置 | |
| CN112528010B (zh) | 知识推荐方法、装置、计算机设备及可读存储介质 | |
| CN110968776B (zh) | 政策知识的推荐方法、装置存储介质及处理器 | |
| CN110597966A (zh) | 自动问答方法及装置 | |
| CN107544960A (zh) | 一种基于变量绑定和关系激活的推理方法 | |
| CN110019784B (zh) | 一种文本分类方法及装置 | |
| CN114428862A (zh) | 基于油气管道的知识图谱构建方法及处理器 | |
| CN117252739B (zh) | 一种评卷方法、系统、电子设备及存储介质 | |
| CN116680368B (zh) | 一种基于贝叶斯分类器的水利知识问答方法、设备及介质 | |
| CN117274006B (zh) | 一种命题方法、系统、设备及存储介质 | |
| CN111274812B (zh) | 一种人物关系识别方法、设备及存储介质 | |
| CN116644167A (zh) | 目标答案的生成方法和装置、存储介质及电子装置 | |
| CN113239272B (zh) | 一种网络管控系统的意图预测方法和意图预测装置 | |
| CN111126066B (zh) | 基于神经网络的中文修辞手法的确定方法和装置 | |
| Shrivastava et al. | Machine learning technique for product classification in ecommerce data using Microsoft Azure Cloud | |
| CN112149623B (zh) | 一种自适应多传感器信息融合系统、方法及存储介质 | |
| CN111611498A (zh) | 一种基于领域内部语义的网络表示学习方法及系统 | |
| Obonya et al. | Identification of important activities for teaching programming languages by decision trees | |
| KR102665966B1 (ko) | 도서목록정보(marc data) 구축을 위한 인공지능을 이용한 분류번호(kdc, ddc) 생성 방법 및 시스템 | |
| CN112732187B (zh) | 大数据存储处理方法和装置 | |
| CN113378993B (zh) | 基于人工智能的分类方法、装置、设备及存储介质 | |
| CN114826921B (zh) | 基于抽样子图的网络资源动态分配方法、系统及介质 | |
| CN117851605A (zh) | 一种行业知识图谱构建方法、计算机设备及存储介质 | |
| CN117972031A (zh) | 面向电力安监业务的反馈方法及系统 | |
| CN117633282A (zh) | 金融产品的查询方法及装置、存储介质和电子设备 |
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 |