JP2020177507A - 試験問題予測システム及び試験問題予測方法 - Google Patents
試験問題予測システム及び試験問題予測方法 Download PDFInfo
- Publication number
- JP2020177507A JP2020177507A JP2019080130A JP2019080130A JP2020177507A JP 2020177507 A JP2020177507 A JP 2020177507A JP 2019080130 A JP2019080130 A JP 2019080130A JP 2019080130 A JP2019080130 A JP 2019080130A JP 2020177507 A JP2020177507 A JP 2020177507A
- Authority
- JP
- Japan
- Prior art keywords
- questions
- question
- category
- test
- past
- 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 23
- 239000013598 vector Substances 0.000 claims abstract description 56
- 239000000284 extract Substances 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 15
- 238000000605 extraction Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
Description
従来、コンピュータを用いて試験問題を作成し、ネットワークを介して試験問題を提供するものがある。
しかしながら、過去の試験問題の問題文を分類して今年の試験問題を精度よく予測する手法は確立されていない。
尚、関連する先行技術として、特開2007−248605号公報「試験問題作成方法、試験問題作成システム及び試験問題作成プログラム」(特許文献1)がある。
特許文献1には、試験の種別に応じた評価基準を満たす試験問題を作成できることが示されている。
特許文献1にも、過去の問題内容から次回の出題カテゴリを予測して試験問題を作成するものとはなっていないものである。
[実施の形態の概要]
本発明の実施の形態に係る試験問題予測システム(本システム)は、予測問題作成処理装置(本装置)で、過去の試験問題の問題文から単語を抽出し、当該抽出した単語についてベクトルの要素毎に数値を付与してベクトルデータを生成するベクトル化を行い、ベクトルデータに基づいて試験問題をカテゴリに分類し、過去の年毎にカテゴリに分類された試験問題の出題回数から次回の試験問題のカテゴリ毎の出題回数を予測するものであり、過去の試験問題の問題文をカテゴリに分類し、分類結果から次回の試験出題のカテゴリ毎の出題回数を適正に予測できるものである。
本システムについて図1を参照しながら説明する。図1は、本システムの概略図である。
本システムは、図1に示すように、予測問題作成処理装置1と、予測問題提供サーバ2と、インターネット3と、受験者コンピュータ(PC)4とを基本的に有している。
各装置は、インターネット3を介して接続されており、受験者PC4は本来、複数台接続されるものである。
予測問題作成処理装置1は、過去の問題文をカテゴリに分類して出題カテゴリを分析し、次回の試験問題を予測して試験問題を作成する処理を行う。
予測問題作成処理装置1は、制御部11と、記憶部12と、インタフェース部13とを備え、インタフェース部13には、表示部14、入力部15が接続され、更にインターネット3に接続している。
記憶部12は、処理プログラムを記憶すると共に、過去の試験問題を記憶する。
表示部14は、予測問題を作成するに必要な表示を行う。
入力部15は、予測問題を作成するに必要な入力を行う。
予測問題提供サーバ2は、制御部と記憶部を備え、インターネット3に接続するコンピュータであり、予測問題作成処理装置1で作成された予測問題を入力して記憶し、受講者PC4に予測問題を配信する。請求項では「予測問題提供装置」としている。
図1では、予測問題作成処理装置1と予測問題提供サーバ2とをインターネット3を介して接続しているが、社内のネットワークで接続してもよい。
また、予測問題作成処理装置1と予測問題提供サーバ2とを一体の装置の構成としてもよい。
受験者PC4は、インターネット3を介して予測問題提供サーバ2にアクセスし、提供される予測問題を受け取ることができるコンピュータである。請求項では「受験者装置」としており、コンピュータに限らずタブレット端末、スマートフォン等の端末装置であってもよい。
次に、予測問題作成処理装置1で動作するプログラム(ソフトウェア)で実現される実装エンジン(本実装エンジン)について図2を参照しながら説明する。図2は、本実装エンジンの概略図である。
本実装エンジン10は、図2に示すように、試験文章分類エンジン100と、出題傾向予測エンジン200とを備えている。
試験文章分類エンジン100は、文章特徴量抽出エンジンと文章分類エンジンを備えている。
出題傾向予測エンジン200は、過去のカテゴリ別の出題数の推移や直近の出題の推移や直近の出題数から次回のカテゴリ毎の出題数を予測する。
以下、各エンジンについて具体的に説明する。
次に、文章特徴量抽出エンジンについて図3を参照しながら説明する。図3は、文章特徴量抽出エンジンの概略図である。
文章特徴量抽出エンジンは、図3に示すように、試験問題、例えば司法試験の選択肢等の文章データ(テキストデータ)を学習済みモデル110に読み込み、文章からキーワードの単語を抽出し、分類が容易なベクトルデータに変換する。
ベクトルデータは、試験問題の文章データから抽出した単語(例えば「今日」「罰金」「申請」等)が、これらの要素とどの程度関連しているかを数値化したものである。
つまり、ベクトルデータは、要素を示す方向と、その方向に対する関連の強さを示す大きさとを備え、各単語の特徴量を表す情報(特徴ベクトル)となっている。
ここで、文章データから単語を抽出するのは、形態素解析を用いる。形態素解析は、品詞を分解して、不要な語句を削除することで、重要な単語を抽出する。
学習済みモデル110で学習させる教師データは、第1に、問題文のみと分類ラベルのデータ、第2に、問題文と選択肢と問題の正解のデータ、第3に、書籍のテキストデータを用いる。
そして、文章特徴量抽出エンジンの学習済みモデル110は、入力した問題文から単語「今日」「懲役」「法人」を抽出したとすると、カテゴリ分類が容易となるよう、それら単語をベクトルデータに落とし込む変換処理を行う。
尚、問題文が異なれば、同じ単語「今日」が抽出された場合でも、ベクトルの数値が同じになるとは限らない。
また、入力される問題の文章は毎回異なるので、抽出される単語も毎回異なるものとなる。
これにより、個々の単語ではなく、入力された文章(問題文や選択肢)のベクトル毎の特徴量が抽出されるものである。
つまり、入力単語について、中間層を利用して単語の前又は後に出てくる単語の予測確率を利用してベクトルの数値を求めてもよい。
次に、文章分類エンジンについて図4を参照しながら説明する。図4は、文章分類エンジンの概略図である。
文章分類エンジンは、図4に示すように、図3の学習済みモデル110から出力されたベクトルデータをまず教師データとして学習済みモデル120に大量に入力し、所望のカテゴリに分類されるよう学習させる。
図4では、司法試験を想定しているので、分類されたカテゴリは「民法 第8編 親族 第2章 家族」となり、「章」が中カテゴリで、「節」が小カテゴリで、中カテゴリまでの分類であってもよく、小カテゴリまでの分類であってもよい。
文章分類エンジンにおいて、再帰的ニューラルネットワーク(RNN:Recurrent Neural Network)を用い、前から順番に計算することで、系列データの前後関係を学習している。
ここで、過去から未来の方向だけでなく、未来から過去の方向への双方向に情報伝搬を行って未来の情報を予測する「Bidirectional」のモデルで、入力毎にユニット自体の重要性(重み)を使い分ける「Self-Attention」の利用例を図5に紹介する。図5は、RNNのSelf-Attention利用例を示す概略図である。
図5において、ユニット121,123,125がユニット122,124,126より重みがあり、また、ユニット126は、ユニット122,124より重みがあることを示している。
この図5の例は、文章分類エンジンで用いられる学習モデルであり、関連性の高い単語同士(例えば「懲役」と「年」など)のみを注視できるので、言語処理に優れている。
次に、予測問題作成処理装置1に実装される出題傾向予測エンジンについて図6を参照しながら説明する。図6は、出題傾向予測エンジンの概略図である。
試験文章分類エンジン100で過去の年度毎、カテゴリ毎に分類された出題件数(数値データ)を学習済みモデル210に入力して、次の年のカテゴリ毎の出題件数(数値データ)を予測する。
学習済みモデル210には、重回帰、LSTM(Long Short-Term Memory network:長・短期記憶)等のモデルが用いられる。
尚、出題傾向予測及び問題作成の詳細は、以下に説明する。
本装置における予測問題作成の処理(本処理)について図7を参照しながら説明する。図7は、予測と問題作成の処理の概略図である。
本処理は、図7に示すように、過去の特定期間(前回試験から連続して遡った期間)の試験問題を読み込んで、それら試験問題について内容に応じて予め定められた小カテゴリ(単に「カテゴリ」と称することがある)に分類したデータを基に次回試験の小カテゴリを予測する小カテゴリ予測ステップと、その小カテゴリ予測結果を用いて予測問題の作成を行う問題作成ステップとを有している。
また、小カテゴリに分類されたデータとは、カテゴリ毎の出題回数(出題件数)であり、例えば、カテゴリ1について出願回数2回、カテゴリ2について出題回数3回というものになる。
従って、分類されていない問題文については、図2〜5でカテゴリ分類し、図6以降の予測プログラムによる処理でカテゴリ予測を行い、予測問題を作成することになる。
[小カテゴリ予測ステップ]
本装置の制御部11は、記憶部12から処理プログラムを読み込んで、小カテゴリ予測ステップを実行するものであり、外部から過去の特定期間の試験問題(過去問)をCSV(Comma Separated Values)形式で入力し、試験毎に小カテゴリ毎の出題回数を集計し(ここまでの処理を試験文章分類エンジン100で行ってもよい)、その小カテゴリ毎の出題回数を基に予測プログラムを実行して小カテゴリ予測結果を出力する。この小カテゴリ予測結果は、次回の試験問題の小カテゴリ毎の予測出題回数である。
尚、試験問題が複数科目から構成されている場合は、科目毎の出題数が決まっているので、その分類はルールベースで行う。
本装置の制御部11は、記憶部12から処理プログラムを読み込んで、問題作成ステップを実行するものであり、小カテゴリ予測ステップで得られた小カテゴリ予測結果(小カテゴリ毎の予測出題回数)を入力し、問題作成プログラムを実行して過去問からランダムに問題を抽出して出題予測結果を出力する。
つまり、小カテゴリ毎の予測出題回数に従って、当該小カテゴリに対応する過去問の中からランダムに問題を抽出して全体としての予測問題を作成する。
また、過去問について、過去問そのものではなく、問題内容を少し変更したものを作成しておき、それらを含めて抽出するようにしてもよい。
次に、本装置で使用されるニューラルネットワークのモデルについて図8を参照しながら説明する。図8は、本装置におけるニューラルネットワークのモデルの概略図である。
本装置におけるニューラルネットワークは、図8に示すように、入力層111に入力データxが入力され、それが中間層のLSTMレイヤー112,113を介して、全結合レイヤー114に入力されて全結合がなされ、それが出力層115に予測値として出力データyが出力される。
LSTMレイヤーは、RNNの短期間の記憶しか実現できないという限界を緩和するもので、メモリユニットには、入力層から入力されるものもあり、中間層からの出力を帰還させるものもあり、時系列情報の長期の記憶を可能としている。
図8のモデルを本装置が使用することで、小カテゴリの予測結果の精度を向上させることができるものである。
次に、年次毎のカテゴリ(小カテゴリ)の出題回数について図9を参照しながら説明する。図9は、年次毎のカテゴリの出題回数を示す図である。
年次毎の出題回数は、図9に示すように、例えば、93のカテゴリに分類されており、平成1年(H1)から平成29年(H29)までの各年のカテゴリ毎の出題回数が得られる。
以下に説明する階差データの作り方では、カテゴリ毎(カテゴリ番号毎)にH1〜H29の図9の行データを用いている。例えば、カテゴリ番号2では、n21,n22,n23,…の行データを単位として用いている。
次に、小カテゴリ毎の階差データの作り方について図10を参照しながら説明する。図10は、階差データの作り方を示す図である。
過去問の小カテゴリ毎の出題回数を単純にAIプログラムに入力するだけでは、精度のよい小カテゴリ予測結果を得るのに十分ではないため、以下に説明する階差データを作成し、その階差データから得られる行列の数値をAIプログラムに入力して予測精度を向上させている。
尚、丸括弧で表される数値は、実際の試験での出題回数であり、角括弧で表される数値は予測値である。
更に、H1の縦方向の列のデータ(1)〜(13)の値からH14のこのカテゴリの出題回数の数値[14]を予測する。
同様に、H1〜H13の13行×14列の行列の値を入力データとしてH26の予測値[26]を得る。
このようにして得られた小カテゴリ予測結果は、精度が高く、問題作成ステップでの問題作成でも予測精度を向上させることができる。
次に、本システムの予測問題提供サーバ2での処理を説明する。
予測問題提供サーバ2は、予測問題作成処理装置1で作成された予測問題データを予測問題作成処理装置1からアップロードされて、記憶部に記憶し、その予測問題データを受験者PC4からのアクセスにより提供する。
また、採点結果を単に通知するだけでなく、予測問題の全解答者の解答内容の分析結果を提供したり、受験者個人の弱点を指摘し、合格のための有効な学習方法をアドバイスとして提供するようにしてもよい。当該アドバイスには、勉強に参考となるオンラインの講義を紹介してその講義に呼び込むことも含まれる。
本システム及び試験問題予測方法によれば、本装置1が、過去の試験問題の問題文から単語を抽出し、当該抽出した単語についてベクトルの要素毎に数値を付与してベクトルデータを生成するベクトル化を行い、ベクトルデータに基づいて試験問題をカテゴリに分類し、過去の年毎にカテゴリに分類された試験問題の出題回数から次回の試験問題のカテゴリ毎の出題回数を予測するものとしているので、過去の試験問題の問題文をカテゴリに分類し、分類結果から次回の試験出題のカテゴリ毎の出題回数を適正に予測できる効果がある。
Claims (8)
- 試験問題を予測する処理装置を備える試験問題予測システムであって、
前記処理装置は、過去の試験問題の問題文から単語を抽出し、当該抽出した単語についてベクトルの要素毎に数値を付与してベクトルデータを生成するベクトル化を行い、前記ベクトルデータに基づいて試験問題をカテゴリに分類し、過去の年毎に前記カテゴリに分類された試験問題の出題回数から次回の試験問題のカテゴリ毎の出題回数を予測することを特徴とする試験問題予測システム。 - 処理装置は、機械学習の学習モデルに教師データの問題文を用いて所望のベクトルデータが得られるよう学習させ、当該学習済みの学習モデルを用いてベクトル化を行うことを特徴とする請求項1記載の試験問題予測システム。
- 処理装置は、機械学習の学習モデルに教師データのベクトルデータを用いて所望のカテゴリに分類されるよう学習させ、当該学習済みの学習モデルを用いてベクトル化されたベクトルデータから試験問題をカテゴリに分類することを特徴とする請求項1又は2記載の試験問題予測システム。
- 処理装置は、過去の年毎にカテゴリに分類された試験問題の出題回数を基にして次回の試験問題のカテゴリ毎の出題回数を機械学習により予測することを特徴とする請求項1乃至3のいずれか記載の試験問題予測システム。
- 処理装置は、機械学習に、再帰型ニューラルネットワークを用いることを特徴とする請求項4記載の試験問題予測システム。
- 処理装置は、各カテゴリの出題回数を過去の時系列に配置し、当該配置を1年過去にシフトさせる配列を段階的に複数生成した階差系列を用いて次回の試験問題のカテゴリ毎の出題回数を予測することを特徴とする請求項4又は5記載の試験問題予測システム。
- 処理装置は、予測されたカテゴリ毎の出題回数に従って過去の試験問題から問題を抽出して次回の予測問題を作成することを特徴とする請求項1乃至6のいずれか記載の試験問題予測システム。
- 試験問題を予測する試験問題予測方法であって、過去の試験問題の問題文から単語を抽出し、当該抽出した単語についてベクトルの要素毎に数値を付与してベクトルデータを生成するベクトル化を行い、前記ベクトルデータに基づいて試験問題をカテゴリに分類し、過去の年毎に前記カテゴリに分類された試験問題の出題回数から次回の試験問題のカテゴリ毎の出題回数を予測することを特徴とする試験問題予測方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019080130A JP6913706B2 (ja) | 2019-04-19 | 2019-04-19 | 試験問題予測システム及び試験問題予測方法 |
JP2021075445A JP7303243B2 (ja) | 2019-04-19 | 2021-04-27 | 試験問題予測システム及び試験問題予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019080130A JP6913706B2 (ja) | 2019-04-19 | 2019-04-19 | 試験問題予測システム及び試験問題予測方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021075445A Division JP7303243B2 (ja) | 2019-04-19 | 2021-04-27 | 試験問題予測システム及び試験問題予測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020177507A true JP2020177507A (ja) | 2020-10-29 |
JP6913706B2 JP6913706B2 (ja) | 2021-08-04 |
Family
ID=72936661
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019080130A Active JP6913706B2 (ja) | 2019-04-19 | 2019-04-19 | 試験問題予測システム及び試験問題予測方法 |
JP2021075445A Active JP7303243B2 (ja) | 2019-04-19 | 2021-04-27 | 試験問題予測システム及び試験問題予測方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021075445A Active JP7303243B2 (ja) | 2019-04-19 | 2021-04-27 | 試験問題予測システム及び試験問題予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (2) | JP6913706B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7367139B2 (ja) | 2021-08-02 | 2023-10-23 | ネイバー コーポレーション | データ検索方法及びシステム |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002222198A (ja) * | 2001-01-25 | 2002-08-09 | Central Japan Railway Co | 組合せパターン決定方法及び装置 |
JP2005181928A (ja) * | 2003-12-24 | 2005-07-07 | Fuji Xerox Co Ltd | 機械学習システム及び機械学習方法、並びにコンピュータ・プログラム |
JPWO2010119571A1 (ja) * | 2009-04-17 | 2012-10-22 | 株式会社ベネッセコーポレーション | 最適学習項目の自動生成システム及びそのシステムの制御方法 |
JP2016024523A (ja) * | 2014-07-17 | 2016-02-08 | 日本電信電話株式会社 | 縮約素性生成装置、情報処理装置、方法、及びプログラム |
JP2018195012A (ja) * | 2017-05-16 | 2018-12-06 | 富士通株式会社 | 学習プログラム、学習方法、学習装置、及び変換パラメータ製造方法 |
JP6462970B1 (ja) * | 2018-05-21 | 2019-01-30 | 楽天株式会社 | 分類装置、分類方法、生成方法、分類プログラム及び生成プログラム |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5221294B2 (ja) | 2008-11-19 | 2013-06-26 | ダイコク電機株式会社 | 遊技情報管理装置 |
JP5439237B2 (ja) | 2010-03-15 | 2014-03-12 | 株式会社日立ソリューションズ | 試験対策コンテンツ提供プログラム、試験対策コンテンツ提供装置 |
CN109299282A (zh) | 2018-08-16 | 2019-02-01 | 山东女子学院 | 基于文本分析及关联规则挖掘的概念图自动生成方法 |
-
2019
- 2019-04-19 JP JP2019080130A patent/JP6913706B2/ja active Active
-
2021
- 2021-04-27 JP JP2021075445A patent/JP7303243B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002222198A (ja) * | 2001-01-25 | 2002-08-09 | Central Japan Railway Co | 組合せパターン決定方法及び装置 |
JP2005181928A (ja) * | 2003-12-24 | 2005-07-07 | Fuji Xerox Co Ltd | 機械学習システム及び機械学習方法、並びにコンピュータ・プログラム |
JPWO2010119571A1 (ja) * | 2009-04-17 | 2012-10-22 | 株式会社ベネッセコーポレーション | 最適学習項目の自動生成システム及びそのシステムの制御方法 |
JP2016024523A (ja) * | 2014-07-17 | 2016-02-08 | 日本電信電話株式会社 | 縮約素性生成装置、情報処理装置、方法、及びプログラム |
JP2018195012A (ja) * | 2017-05-16 | 2018-12-06 | 富士通株式会社 | 学習プログラム、学習方法、学習装置、及び変換パラメータ製造方法 |
JP6462970B1 (ja) * | 2018-05-21 | 2019-01-30 | 楽天株式会社 | 分類装置、分類方法、生成方法、分類プログラム及び生成プログラム |
Non-Patent Citations (1)
Title |
---|
安藤 正芳: "AIが資格試験問題を予想、78%的中させたアルゴリズム", [ONLINE], JPN6021010210, 16 November 2018 (2018-11-16), JP, pages 1 - 2, ISSN: 0004471646 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7367139B2 (ja) | 2021-08-02 | 2023-10-23 | ネイバー コーポレーション | データ検索方法及びシステム |
Also Published As
Publication number | Publication date |
---|---|
JP7303243B2 (ja) | 2023-07-04 |
JP2021106062A (ja) | 2021-07-26 |
JP6913706B2 (ja) | 2021-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Recker | Scientific research in information systems: a beginner's guide | |
Suryadevara | Predictive Modeling for Student Performance: Harnessing Machine Learning to Forecast Academic Marks | |
Nguyen et al. | Deep learning versus traditional classifiers on Vietnamese students’ feedback corpus | |
Tolsgaard et al. | The fundamentals of Artificial Intelligence in medical education research: AMEE Guide No. 156 | |
Rybinski et al. | Will artificial intelligence revolutionise the student evaluation of teaching? A big data study of 1.6 million student reviews | |
Rokade et al. | Automated grading system using natural language processing | |
CN116386862A (zh) | 多模态认知障碍的评估方法、装置、设备和存储介质 | |
CN111460101A (zh) | 知识点类型的识别方法、装置及处理器 | |
Isljamovic et al. | Predicting students’ academic performance using artificial neural network: a case study from faculty of organizational sciences | |
Patil et al. | A comparative study of question bank classification based on revised bloom’s taxonomy using svm and k-nn | |
Wang et al. | Utilizing artificial intelligence to support analyzing self-regulated learning: A preliminary mixed-methods evaluation from a human-centered perspective | |
Czibula et al. | IntelliDaM: A machine learning-based framework for enhancing the performance of decision-making processes. A case study for educational data mining | |
Aydoğdu | A new student modeling technique with convolutional neural networks: Learnerprints | |
Sorour et al. | Evaluation of effectiveness of time-series comments by using machine learning techniques | |
Aloqayli et al. | Intelligent Chatbot for Admission in Higher Education | |
Cunningham-Nelson et al. | Text analysis in education: a review of selected software packages with an application for analysing students’ conceptual understanding | |
JP7303243B2 (ja) | 試験問題予測システム及び試験問題予測方法 | |
US20210358317A1 (en) | System and method to generate sets of similar assessment papers | |
Ke et al. | Tracking representational flexibility development through speech data mining | |
Choi et al. | A Systematic Literature Review on Performance Prediction in Learning Programming Using Educational Data Mining | |
Chaudhuri et al. | A human-centred deep learning approach facilitating design pedagogues to frame creative questions | |
Dogra | A Framework for an automatic evaluation of image description based on an image accessibility guideline | |
CN112598202A (zh) | 试题难度评估方法、装置及存储介质、计算设备 | |
Abuzinadah et al. | Role of convolutional features and machine learning for predicting student academic performance from MOODLE data | |
JP7171333B2 (ja) | 試験問題予測システム及び試験問題予測方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201215 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20201215 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20210304 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210325 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210427 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210706 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210712 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6913706 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: R3D02 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |