CN106709829A - 基于在线题库的学情诊断方法及*** - Google Patents
基于在线题库的学情诊断方法及*** Download PDFInfo
- Publication number
- CN106709829A CN106709829A CN201510481726.6A CN201510481726A CN106709829A CN 106709829 A CN106709829 A CN 106709829A CN 201510481726 A CN201510481726 A CN 201510481726A CN 106709829 A CN106709829 A CN 106709829A
- Authority
- CN
- China
- Prior art keywords
- parameter
- examination question
- window
- user
- answering
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于在线题库的学情诊断方法及***,该方法包括:基于在线题库,获取历史答题信息;通过建模方式得到基于历史答题信息的学情信息,所述学情信息包括:试题参数及用户参数;在接收到新的答题信息后,基于滑动窗口技术,更新所述试题参数及用户参数;将更新后的试题参数及用户参数作为学情诊断结果输出。利用本发明,可以简单方便地得到精准的学情诊断结果。
Description
技术领域
本发明涉及在线智能教育技术领域,尤其涉及一种基于在线题库的学情诊断方法及***。
背景技术
随着互联网技术的不断进步和计算机的不断普及,近年来,基于网络发展的新型教育形态正在风靡全球。随着用户对远程学***台,开拓了新的学习辅导方式,创新了试题获取的渠道,以其海量的试题资源、方便实用的学习、选题体验赢得了大量用户。
现有的在线题库***中,多是以成绩作为用户学情诊断的主要依据,即通过用户做题得分及排名信息,简单地对用户做出学情诊断。该种在线用户学情诊断方法不能充分挖掘用户的知识掌握情况,如各知识点的掌握程度、各能力是否具备等,从而不能为用户提供详细的反馈信息和更有价值的改进依据,不能很好地促进用户学习、提高学习质量和效率。
基于此,相关领域研究人员提出了基于模型的学情诊断方法:项目反应理论(Item Response Theory,IRT),通过对答题结果进行建模可以获得用户的整体能力水平;认知诊断理论(Cognitive DiagnosticTheory,CDT),定量考察用户认知结构和个体差异。以上的诊断模型都是根据一定量的用户历史答题数据进行分析建模,从而对用户做出学情诊断,是一种离线的学情诊断方法。其对于用户新的答题情况数据,如需作为用户学情诊断的依据,需加入诊断模型的训练数据,重新训练诊断模型,需要大量的、复杂的计算,因此基于模型的诊断方法难以实时跟踪用户学习情况,对用户做出准确的学情诊断。
发明内容
本发明实施例提供一种基于在线题库的学情诊断方法及***,以解决现有的在线题库***无法对用户做出准确的学情诊断的问题。
为实现上述目的,本发明的技术方案是:
一种基于在线题库的学情诊断方法,包括:
基于在线题库,获取历史答题信息;
通过建模方式得到基于历史答题信息的学情信息,所述学情信息包括:试题参数及用户参数;
在接收到新的答题信息后,基于滑动窗口技术,更新所述试题参数及用户参数;
将更新后的试题参数及用户参数作为学情诊断结果输出。
优选地,所述答题信息包括:已答题目涉及的知识点和各技能考察情况、用户的答题结果。
优选地,所述基于滑动窗口技术,更新所述试题参数包括:
初始化当前试题的试题参数及滑动窗参数;
如果针对当前试题有新的答题信息,则更新滑动窗口,所述更新滑动窗口包括:将新的答题信息加入窗口,并将窗口移动一个步长,删除最末位答题信息;
如果满足试题参数更新条件,则利用窗口内的所有答题信息,更新当前试题的试题参数,得到更新后的试题参数。
优选地,所述初始化当前试题的试题参数包括:
如果所述当前试题已存在于在线题库中,则取所述当前试题的历史试题参数作为初始化参数;
如果所述当前试题为新的试题,则将在线题库中所有试题的试题参数平均值作为初始化参数。
优选地,所述试题参数包括:试题难度系数、试题区分度系数、试题猜测系数、试题失误系数;所述利用窗口内的所有答题信息,更新当前试题的试题参数包括:
利用窗口内的所有答题信息,应用DINA模型得到窗口内的试题的猜测系数和失误系数;
利用窗口内的所有答题信息,应用IRT模型得到窗口内试题的难度系数和区分度系数;
分别利用所述窗口内的试题的猜测系数、失误系数、难度系数、区分度系数,对所述当前试题的试题参数中的猜测系数、失误系数、难度系数、区分度系数进行增量更新。
优选地,所述基于滑动窗口技术,更新所述试题参数还包括:
在得到更新后的试题参数后,判断更新后的试题参数是否满足收敛条件;如果满足收敛条件,则停止试题参数更新。
优选地,所述基于滑动窗口技术,更新所述用户参数包括:
初始化当前用户的用户参数及滑动窗参数;
如果针对当前用户有新的答题信息,则将新的答题信息加入窗口,并将窗口移动一个步长,删除最末位答题信息;
如果满足用户参数更新条件,则利用窗口内的所有答题信息,更新当前用户的用户参数,得到更新后的用户参数。
优选地,所述初始化当前用户的用户参数包括:
如果所述当前用户为老用户,则取所述当前用户的历史用户参数作为初始化参数;
如果所述当前用户为新用户,则将所有用户的用户参数平均值作为初始化参数。
优选地,所述用户参数包括:整体能力参数、以及知识点和/或技能掌握参数;所述利用窗口内的所有答题信息,更新当前用户的用户参数包括:
利用窗口内的所有答题信息,应用IRT模型得到窗口内用户的整体能力水平;然后利用所述窗口内用户的整体能力水平,对所述当前用户的整体能力参数进行增量更新;
利用窗口内的所有答题信息,统计得到窗口内知识点和/或技能列表,并应用DINA模型得到窗口内用户在各知识点和/或技能上的掌握情况;然后利用所述窗口内用户对各知识点和/或技能的掌握情况,对所述当前用户的知识点和/或技能掌握参数进行更新。
一种基于在线题库的学情诊断***,包括:
答题信息获取模块,用于基于在线题库,获取历史答题信息及新的答题信息;
建模诊断模块,用于通过建模方式得到基于历史答题信息的学情信息,所述学情信息包括:试题参数及用户参数;
更新处理模块,用于在所述答题信息获取模块接收到新的答题信息后,基于滑动窗口技术,更新所述试题参数及用户参数,所述更新处理模块包括试题参数更新模块和用户参数更新模块;
结果输出模块,用于将更新后的试题参数及用户参数作为学情诊断结果输出。
优选地,所述试题参数更新模块包括:
第一初始化单元,用于初始化当前试题的试题参数及滑动窗参数;
第一窗口更新单元,用于在针对当前试题有新的答题信息时,更新滑动窗口,所述更新滑动窗口包括:将新的答题信息加入窗口,并将窗口移动一个步长,删除最末位答题信息;
第一判断单元,用于判断是否满足试题参数更新条件;
试题参数更新单元,用于在所述第一判断单元判断满足试题参数更新条件后,利用窗口内的所有答题信息,更新当前试题的试题参数,得到更新后的试题参数。
优选地,所述第一初始化单元,具体用于在所述当前试题已存在于在线题库中时,取所述当前试题的历史试题参数作为初始化参数;在所述当前试题为新的试题时,将在线题库中所有试题的试题参数平均值作为初始化参数。
优选地,所述试题参数包括:试题难度系数、试题区分度系数、试题猜测系数、试题失误系数;
所述试题参数更新单元包括:
窗口内参数获取子单元,用于利用窗口内的所有答题信息,应用DINA模型得到窗口内的试题的猜测系数和失误系数,应用IRT模型得到窗口内试题的难度系数和区分度系数;
增量更新子单元,用于分别利用所述窗口内的试题的猜测系数、失误系数、难度系数、区分度系数,对所述当前试题的试题参数中的猜测系数、失误系数、难度系数、区分度系数进行增量更新。
优选地,所述试题参数更新模块还包括:
收敛条件判断单元,用于在所述试题参数更新单元得到更新后的试题参数后,判断更新后的试题参数是否满足收敛条件;如果满足收敛条件,则触发所述试题参数更新模块停止试题参数更新。
优选地,所述用户参数更新模块包括:
第二初始化单元,用于初始化当前用户的用户参数及滑动窗参数;
第二窗口更新单元,用于在针对当前用户有新的答题信息时,将新的答题信息加入窗口,并将窗口移动一个步长,删除最末位答题信息;
第二判断单元,用于判断是否满足用户参数更新条件;
用户参数更新单元,用于在所述第二判断单元判断满足用户参数更新条件后,利用窗口内的所有答题信息,更新当前用户的用户参数,得到更新后的用户参数。
优选地,所述第二初始化单元,具体用于在所述当前用户为老用户时,取所述当前用户的历史用户参数作为初始化参数;在所述当前用户为新用户时,将所有用户的用户参数平均值作为初始化参数。
优选地,所述用户参数包括:整体能力参数、以及知识点和/或技能掌握参数;
所述用户参数更新单元包括:
第一更新子单元,用于利用窗口内的所有答题信息,应用IRT模型得到窗口内用户的整体能力水平,然后利用所述窗口内用户的整体能力水平,对所述当前用户的整体能力参数进行增量更新;
第二更新子单元,用于利用窗口内的所有答题信息,统计得到窗口内知识点和/或技能列表,并应用DINA模型得到窗口内用户对各知识点和/或技能的掌握情况,然后利用所述窗口内用户对各知识点和/或技能的掌握情况,对所述当前用户的知识点和/或技能掌握参数进行更新。
本发明实施例提供的基于在线题库的学情诊断方法及***,针对用户新的答题信息,基于滑动窗口技术,运用教育学领域的经典理论——项目反应理论和认知诊断理论对用户学习情况进行分析、更新,可以简单方便地得到精准的学情诊断结果,弥补了目前在线题库***缺乏用户深层诊断、不能实时对用户做出准确的学情诊断的弊端。
附图说明
为了更清楚地说明本发明实施的技术方案,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示出了本发明实施例基于在线题库的学情诊断方法的流程图;
图2示出了本发明实施例中基于滑动窗口技术更新试题参数的流程图;
图3示出了本发明实施例中试题参数更新窗口的移动示意图;
图4示出了本发明实施例中基于滑动窗口技术更新试题参数的一种具体实现流程图
图5示出了本发明实施例中基于滑动窗口技术更新用户参数的流程图;
图6示出了本发明实施例中用户参数更新窗口的移动示意图;
图7示出了本发明实施例基于在线题库的学情诊断***的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,是本发明实施例基于在线题库的学情诊断方法的流程图,包括以下步骤:
步骤101,基于在线题库,获取历史答题信息。
所述答题信息包括:已答题目涉及的知识点和各技能考察情况、用户的答题结果(即对或错)等信息。其中,已答题目涉及的知识点和各技能考察情况可以预先在题库中标注得到。
步骤102,通过建模方式得到基于历史答题信息的学情信息,所述学情信息包括:试题参数及用户参数。
所述试题参数包括:试题难度系数、试题区分度系数、试题猜测系数、试题失误系数;所述用户参数包括:整体能力参数、以及知识点和/或技能掌握参数。
具体地,可以采用现有的建模方式,得到基于历史答题信息的学情信息,对此下面简要说明。
(1)基于IRT(Item Response Theory,项目反应理论)模型得到用户整体能力参数、以及试题难度系数和试题区分度系数。
IRT模型的训练可以基于极大似然估计算法,其输入为答题矩阵D(矩阵D中的元素为用户的答题结果),具体公式如下所示:
pj(θi)=1/(1+exp[-aj(θi-bj)]) (1)
其中,pj(θi)表示整体能力为θ的用户i在试题j上的正确作答概率,参数bj为试题难度系数,aj为试题区分度系数,θi为用户i的整体能力参数。
目标函数,即似然公式如下:
其中,LH(D|θ)表示整体能力为θ的用户最终答题结果为D的似然函数,Dij为用户的答题结果,i=1,2…m,j=1,2…n,m为训练数据中用户总数,n为训练数据中的试题总数。
当然,IRT模型的训练算法除了上述提到的极大似然算法外,还可以采用贝叶斯估计算法、MCMC(Markov Chain Monte Carlo,马氏链蒙特卡罗)算法等。
需要说明的是,在实际应用中,试题难度参数及区分度参数也可以通过领域专家给出,对此本发明实施例不做限定。
(2)基于DINA(Deterministic Inputs,Noisy And-Gate)模型得到用户对各知识点和/或技能的掌握情况
DINA模型的训练类似于上述IRT模型,可以基于极大似然估计算法,估计出试题参数中的试题猜测系数、试题失误系数,以及用户参数中的知识点和/或技能掌握参数。DINA模型的输入是答题矩阵D、以及统计得到的知识点或技能矩阵,具体公式如下所示:
其中,Pj(Li)表示用户i知识点或技能掌握情况为Li(Li={lik},k为知识点)情况下,试题j做对的概率;P(Dij=1|Li)表示在用户i技能掌握情况为Li(Li={lik},k为知识点)的情况下,用户i在试题j上的正确作答概率;ηij为用户i是否掌握试题j所考核的所有属性,即第j题上的知识点或技能,如果全部掌握,为1,否则为0;sj=P(Dij=0|ηij=1)表示试题j的失误系数;gj=P(Dij=1|ηij=0)表示试题j的猜对系数。
目标函数,即似然公式如下:
其中,LH(D|L)表示知识点或技能掌握情况为L的用户最终答题结果为D的似然函数。
当然,DINA模型的训练算法也可以采用EM(Expectation Maximization,期望最大化)算法、MCMC算法等。
步骤103,在接收到新的答题信息后,基于滑动窗口技术,更新所述试题参数及用户参数。
参数的具体更新过程将在后面详细说明。
步骤104,将更新后的试题参数及用户参数作为学情诊断结果输出。
如图2所示,是本发明实施例中基于滑动窗口技术更新试题参数的流程图,包括以下步骤:
步骤21,初始化当前试题的试题参数及滑动窗参数。
所述试题参数包括试题的难度系数、区分度系数、猜测系数、失误系数,这些参数的准确性直接影响了用户学情诊断结果的准确性。
试题参数初始化分为两种:对于在线题库中已经有的试题,取其历史试题参数作为初始化参数;对于新的试题,则将在线题库中所有试题的各参数平均作为初始化参数,也就是说,将在线题库中所有试题的难度系数的平均值作为当前试题的难度系数的初始值,其它试题参数依此类推。
所述滑动窗参数包括窗口大小N,窗口移动次数p,初始化即窗口移动次数p=0。
步骤22,如果针对当前试题有新的答题信息,则更新滑动窗口,所述更新滑动窗口包括:将新的答题信息加入窗口,并将窗口移动一个步长,删除最末位答题信息。
如图3所示的试题参数更新窗口移动示意图中,将新的答题信息E加入窗口,窗口向左移动,即p=p+1,删除最末位(即历史最久的)答题信息。当然,也可以是窗口向右移动一个步长,对此本发明实施例不做限定。
需要说明的是,新的答题信息,是针对某试题的一个或多个用户的新的答题信息。
步骤23,如果满足试题参数更新条件,则利用窗口内的所有答题信息,更新当前试题的试题参数,得到更新后的试题参数。
具体地,可以利用窗口内的所有答题信息,应用DINA模型得到窗口内的试题的猜测系数和失误系数;利用窗口内的所有答题信息,应用IRT模型得到窗口内试题的难度系数和区分度系数。然后分别利用所述窗口内的试题的猜测系数、失误系数、难度系数、区分度系数,对所述当前试题的试题参数中的猜测系数、失误系数、难度系数、区分度系数进行增量更新,更新公式如下:
S’o=αo·so+(1-αo)·So (5)
其中,o=1,2,3,4,分别表示四个试题参数。So表示更新前的试题参数,so表示由窗口内数据得到的试题参数o,S’o表示更新后的试题参数,αo为试题参数o的更新系数,具体值可以根据经验或大量实验预先设定。
需要说明的是,在应用IRT模型和DINA模型得到窗口内试题的试题参数时,用户参数作为已知值,为初始化的用户参数,只是根据相应算法(如极大似然算法)得到试题参数。
另外,需要说明的是,所述试题参数更新条件具体可以根据需要来设定,比如,可以是窗口移动次数达到设定次数(比如10次),或者是距离上一次更新的时间达到设定间隔时间,或者是每天定时更新等,对此本发明实施例不做限定。在实际应用时,如果试题参数更新条件采用第一种情况,即窗口移动次数达到设定次数,则可以在每次更新滑动窗口后,判断是否满足试题参数更新条件;如果试题参数更新条件采用后两种情况,则试题参数更新条件的判断和更新滑动窗口的操作通过不同的进程来同步进行,也就是说,上述步骤22和步骤23同步进行,没有先后顺序关系,一旦满足试题参数更新条件,即利用窗口内的所有答题信息,更新当前试题的试题参数。
下面以第一种情况为例进行详细说明。
如图4所示,是本发明实施例中基于滑动窗口技术更新试题参数的一种具体实现流程图,包括以下步骤:
步骤201,初始化当前试题的试题参数及滑动窗参数。
所述试题参数包括试题的难度系数、区分度系数、猜测系数、失误系数,这些参数的准确性直接影响了用户学情诊断结果的准确性。
试题参数初始化分为两种:对于在线题库中已经有的试题,取其历史试题参数作为初始化参数;对于新的试题,则将在线题库中所有试题的各参数平均作为初始化参数,也就是说,将在线题库中所有试题的难度系数的平均值作为当前试题的难度系数的初始值,其它试题参数依此类推。
所述滑动窗参数包括窗口大小N,窗口移动次数p,初始化即窗口移动次数p=0。
步骤202,判断针对当前试题是否有新的答题信息;如果是,则执行步骤203;否则继续执行步骤202。
步骤203,更新滑动窗口,所述更新滑动窗口包括:将新的答题信息加入窗口,并将窗口移动一个步长,删除最末位答题信息。
步骤204,判断窗口移动次数是否达到设定次数(比如10次);如果是,则执行步骤205;否则,返回步骤202。
步骤205,利用窗口内的所有答题信息,更新当前试题的试题参数,得到本次更新后的试题参数。
图4示出的只是一次试题参数更新的流程,由于在应用***启动后,新的答题信息有可能会随时出现,试题参数的更新也需要实时进行,因此,在完成一次试题参数的更新后,还需要将窗口移动次数置零,并将本次更新后的试题参数作为下一次更新时所需的更新前的试题参数,即前面公式中的Sk。
考虑到用户学习的知识点或技能是较为有限并且稳定的,因而为了节约效率,还可以在每次试题参数更新后,判断更新后的试题参数是否满足收敛条件,如果满足,则后续对试题参数将不再进行更新。
所述收敛条件可以根据更新后的试题参数S′与更新前的试题参数S的欧几里得距离d(S′,S)来确定,如下面公式:
若其中d(S′,S)<ε,表明参数变化已经很小,则满足收敛条件;否则不满足。其中ε>0,其值可以根据实际应用情况确定。
基于滑动窗口技术更新用户参数的过程与上述更新试题参数的过程类似。如图5所示,是本发明实施例中基于滑动窗口技术更新用户参数的流程图,包括以下步骤:
步骤51,初始化当前用户的用户参数及滑动窗参数。
所述用户参数包括整体能力参数、以及知识点和/或技能掌握参数,这些参数的准确性直接影响了用户学情诊断结果的准确性。
用户参数初始化分为两种:如果所述当前用户为老用户,则取所述当前用户的历史用户参数作为初始化参数;如果所述当前用户为新用户,则将所有用户的用户参数平均值作为初始化参数。
所述滑动窗参数同样包括窗口大小M,窗口移动次数q,初始化即窗口移动次数q=0。
步骤52,如果针对当前用户有新的答题信息,则更新滑动窗口,所述更新滑动窗口包括:将新的答题信息加入窗口,并将窗口移动一个步长,删除最末位答题信息。
如图6所示的试题参数更新窗口移动示意图中,将新的答题信息F加入窗口,窗口向左移动,即q=q+1,删除最末位(即历史最久的)答题信息。
需要说明的是,新的答题信息,是该用户针对一个或多个试题的新的答题信息。
步骤53,如果满足用户参数更新条件,则利用窗口内的所有答题信息,更新当前用户的用户参数,得到更新后的用户参数。
利用窗口内的所有答题信息,应用IRT模型得到窗口内用户的整体能力水平;然后利用所述窗口内用户的整体能力水平,对所述当前用户的整体能力参数进行增量更新,更新公式如下:
其中,θ′i表示用户i更新后的整体能力参数,θi表示用户i更新前的整体能力参数,为由窗口内数据得到的整体能力参数,βi为用户i的整体能力参数更新系数,具体值可以根据经验或大量实验预先设定。
利用窗口内的所有答题信息,统计得到窗口内知识点和/或技能列表,该知识点和/或技能列表中包含窗口内所有题目涉及的知识点和/或技能,应用DINA模型得到窗口内用户对各知识点和/或技能的掌握情况;然后利用所述窗口内用户在各知识点和/或技能上的掌握情况,对所述当前用户的知识点和/或技能掌握参数进行更新。
以对所述当前用户的知识点或技能掌握参数进行更新为例,更新公式如下:
其中,l’ik表示更新后的用户i对知识点或技能k的掌握情况,lik表示更新前的用户i对知识点或技能k的掌握情况,ζik表示基于窗口内新数据得到的用户i对知识点或技能k的掌握情况,γik为知识点或技能掌握情况参数更新系数,具体值可以根据经验或大量实验预先设定。
如果用户参数中既包括知识点参数,也包括技能掌握参数,则在前面步骤102中可以通过建模方式分别得到基于历史答题信息的这两个参数,并在后续有新的答题信息后,按照上述方式对这两个参数分别进行更新。
需要说明的是,整体能力水平可以是单科的,也可以是多学科的,对此本发明实施例不做限定。
另外,需要说明的是,所述用户参数更新条件具体可以根据需要来设定,比如,可以是窗口移动次数达到设定次数(比如10次),或者是距离上一次更新的时间达到设定间隔时间等,对此本发明实施例不做限定。在实际应用时,如果用户参数更新条件采用第一种情况,即窗口移动次数达到设定次数,则可以在每次更新滑动窗口后,判断是否满足用户参数更新条件;如果用户参数更新条件采用第二种情况,则用户参数更新条件的判断和更新滑动窗口的操作通过不同的进程来同步进行,也就是说,上述步骤52和步骤53同步进行,没有先后顺序关系,一旦满足用户参数更新条件,即利用窗口内的所有答题信息,更新当前用户的用户参数。
本发明实施例提供的基于在线题库的学情诊断方法,针对用户新的答题信息,基于滑动窗口技术,运用教育学领域的经典理论——项目反应理论和认知诊断理论对用户学习情况进行分析、更新,可以得到精准的学情诊断结果,弥补了目前在线题库***缺乏用户深层诊断、不能实时对用户做出准确的学情诊断的弊端。
相应地,本发明实施例还提供一种基于在线题库的学情诊断***,如图7所示,是该***的一种结构示意图。
在该实施例中,所述***包括:
答题信息获取模块701,用于基于在线题库,获取历史答题信息及新的答题信息;
建模诊断模块702,用于通过建模方式得到基于历史答题信息的学情信息,所述学情信息包括:试题参数及用户参数;
更新处理模块703,用于在所述答题信息获取模块701接收到新的答题信息后,基于滑动窗口技术,更新所述试题参数及用户参数,所述更新处理模块包括试题参数更新模块731和用户参数更新模块732;
结果输出模块704,用于将更新后的试题参数及用户参数作为学情诊断结果输出。
上述试题参数更新模块731的一种具体结构包括以下各单元:
第一初始化单元,用于初始化当前试题的试题参数及滑动窗参数;
第一窗口更新单元,用于在针对当前试题有新的答题信息时,更新滑动窗口,所述更新滑动窗口包括:将新的答题信息加入窗口,并将窗口移动一个步长,删除最末位答题信息;
第一判断单元,用于判断是否满足试题参数更新条件;
试题参数更新单元,用于在所述第一判断单元判断满足试题参数更新条件后,利用窗口内的所有答题信息,更新当前试题的试题参数,得到更新后的试题参数。
考虑到用户学习的知识点或技能是较为有限并且稳定的,因而为了节约效率,上述试题参数更新模块731还可进一步包括:收敛条件判断单元,用于在所述试题参数更新单元得到更新后的试题参数后,判断更新后的试题参数是否满足收敛条件;如果满足收敛条件,则触发所述试题参数更新模块停止试题参数更新。
上述试题参数更新模块731中的第一初始化单元可以在所述当前试题已存在于在线题库中时,取所述当前试题的历史试题参数作为初始化参数;在所述当前试题为新的试题时,将在线题库中所有试题的试题参数平均值作为初始化参数。
所述试题参数包括:试题难度系数、试题区分度系数、试题猜测系数、试题失误系数。相应地,上述试题参数更新模块731中的试题参数更新单元的一种结构可以包括:
窗口内参数获取子单元,用于利用窗口内的所有答题信息,应用DINA模型得到窗口内的试题的猜测系数和失误系数,应用IRT模型得到窗口内试题的难度系数和区分度系数;
增量更新子单元,用于分别利用所述窗口内的试题的猜测系数、失误系数、难度系数、区分度系数,对所述当前试题的试题参数中的猜测系数、失误系数、难度系数、区分度系数进行增量更新,增量更新的具体过程可参照前面本发明方法实施例中的说明。
上述用户参数更新模块732的一种具体结构包括以下各单元:
第二初始化单元,用于初始化当前用户的用户参数及滑动窗参数;
第二窗口更新单元,用于在针对当前用户有新的答题信息时,将新的答题信息加入窗口,并将窗口移动一个步长,删除最末位答题信息;
第二判断单元,用于判断是否满足用户参数更新条件;
用户参数更新单元,用于在所述第二判断单元判断满足用户参数更新条件后,利用窗口内的所有答题信息,更新当前用户的用户参数,得到更新后的用户参数。
其中,第二初始化单元在所述当前用户为老用户时,取所述当前用户的历史用户参数作为初始化参数;在所述当前用户为新用户时,将所有用户的用户参数平均值作为初始化参数。
所述用户参数包括:整体能力参数、以及知识点和/或技能掌握参数。相应地,所述用户参数更新单元的一种具体实现结构可以包括以下各子单元:
第一更新子单元,用于利用窗口内的所有答题信息,应用IRT模型得到窗口内用户的整体能力水平,然后利用所述窗口内用户的整体能力水平,对所述当前用户的整体能力参数进行增量更新;
第二更新子单元,用于利用窗口内的所有答题信息,统计得到窗口内知识点和/或技能列表,并应用DINA模型得到窗口内用户对各知识点和/或技能的掌握情况,然后利用所述窗口内用户对各知识点和/或技能的掌握情况,对所述当前用户的知识点和/或技能掌握参数进行更新。
当然,在实际应用中,用户参数更新单元不限于上述结构,还可以采用与试题参数更新单元类似的结构,同样,上述试题参数更新单元也可以采用与上述用户参数更新单元类似的结构,对此本发明实施例不做限定。
本发明实施例提供的基于在线题库的学情诊断***,针对用户新的答题信息,基于滑动窗口技术,运用教育学领域的经典理论——项目反应理论和认知诊断理论对用户学习情况进行分析、更新,可以得到精准的学情诊断结果,弥补了目前在线题库***缺乏用户深层诊断、不能实时对用户做出准确的学情诊断的弊端。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的***实施例仅仅是示意性的,其中所述作为分离部件说明的单元及模块可以是或者也可以不是物理上分开的。另外,还可以根据实际的需要选择其中的部分或者全部单元和模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果,以上所述仅为本发明的较佳实施例,但本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (17)
1.一种基于在线题库的学情诊断方法,其特征在于,包括:
基于在线题库,获取历史答题信息;
通过建模方式得到基于历史答题信息的学情信息,所述学情信息包括:试题参数及用户参数;
在接收到新的答题信息后,基于滑动窗口技术,更新所述试题参数及用户参数;
将更新后的试题参数及用户参数作为学情诊断结果输出。
2.根据权利要求1所述的方法,其特征在于,所述答题信息包括:已答题目涉及的知识点和各技能考察情况、用户的答题结果。
3.根据权利要求1所述的方法,其特征在于,所述基于滑动窗口技术,更新所述试题参数包括:
初始化当前试题的试题参数及滑动窗参数;
如果针对当前试题有新的答题信息,则更新滑动窗口,所述更新滑动窗口包括:将新的答题信息加入窗口,并将窗口移动一个步长,删除最末位答题信息;
如果满足试题参数更新条件,则利用窗口内的所有答题信息,更新当前试题的试题参数,得到更新后的试题参数。
4.根据权利要求3所述的方法,其特征在于,所述初始化当前试题的试题参数包括:
如果所述当前试题已存在于在线题库中,则取所述当前试题的历史试题参数作为初始化参数;
如果所述当前试题为新的试题,则将在线题库中所有试题的试题参数平均值作为初始化参数。
5.根据权利要求3所述的方法,其特征在于,所述试题参数包括:试题难度系数、试题区分度系数、试题猜测系数、试题失误系数;所述利用窗口内的所有答题信息,更新当前试题的试题参数包括:
利用窗口内的所有答题信息,应用DINA模型得到窗口内的试题的猜测系数和失误系数;
利用窗口内的所有答题信息,应用IRT模型得到窗口内试题的难度系数和区分度系数;
分别利用所述窗口内的试题的猜测系数、失误系数、难度系数、区分度系数,对所述当前试题的试题参数中的猜测系数、失误系数、难度系数、区分度系数进行增量更新。
6.根据权利要求3或4或5所述的方法,其特征在于,所述基于滑动窗口技术,更新所述试题参数还包括:
在得到更新后的试题参数后,判断更新后的试题参数是否满足收敛条件;如果满足收敛条件,则停止试题参数更新。
7.根据权利要求1所述的方法,其特征在于,所述基于滑动窗口技术,更新所述用户参数包括:
初始化当前用户的用户参数及滑动窗参数;
如果针对当前用户有新的答题信息,则将新的答题信息加入窗口,并将窗口移动一个步长,删除最末位答题信息;
如果满足用户参数更新条件,则利用窗口内的所有答题信息,更新当前用户的用户参数,得到更新后的用户参数。
8.根据权利要求7所述的方法,其特征在于,所述初始化当前用户的用户参数包括:
如果所述当前用户为老用户,则取所述当前用户的历史用户参数作为初始化参数;
如果所述当前用户为新用户,则将所有用户的用户参数平均值作为初始化参数。
9.根据权利要求7所述的方法,其特征在于,所述用户参数包括:整体能力参数、以及知识点和/或技能掌握参数;所述利用窗口内的所有答题信息,更新当前用户的用户参数包括:
利用窗口内的所有答题信息,应用IRT模型得到窗口内用户的整体能力水平;然后利用所述窗口内用户的整体能力水平,对所述当前用户的整体能力参数进行增量更新;
利用窗口内的所有答题信息,统计得到窗口内知识点和/或技能列表,并应用DINA模型得到窗口内用户在各知识点和/或技能上的掌握情况;然后利用所述窗口内用户对各知识点和/或技能的掌握情况,对所述当前用户的知识点和/或技能掌握参数进行更新。
10.一种基于在线题库的学情诊断***,其特征在于,包括:
答题信息获取模块,用于基于在线题库,获取历史答题信息及新的答题信息;
建模诊断模块,用于通过建模方式得到基于历史答题信息的学情信息,所述学情信息包括:试题参数及用户参数;
更新处理模块,用于在所述答题信息获取模块接收到新的答题信息后,基于滑动窗口技术,更新所述试题参数及用户参数,所述更新处理模块包括试题参数更新模块和用户参数更新模块;
结果输出模块,用于将更新后的试题参数及用户参数作为学情诊断结果输出。
11.根据权利要求10所述的***,其特征在于,所述试题参数更新模块包括:
第一初始化单元,用于初始化当前试题的试题参数及滑动窗参数;
第一窗口更新单元,用于在针对当前试题有新的答题信息时,更新滑动窗口,所述更新滑动窗口包括:将新的答题信息加入窗口,并将窗口移动一个步长,删除最末位答题信息;
第一判断单元,用于判断是否满足试题参数更新条件;
试题参数更新单元,用于在所述第一判断单元判断满足试题参数更新条件后,利用窗口内的所有答题信息,更新当前试题的试题参数,得到更新后的试题参数。
12.根据权利要求11所述的***,其特征在于,
所述第一初始化单元,具体用于在所述当前试题已存在于在线题库中时,取所述当前试题的历史试题参数作为初始化参数;在所述当前试题为新的试题时,将在线题库中所有试题的试题参数平均值作为初始化参数。
13.根据权利要求11所述的***,其特征在于,所述试题参数包括:试题难度系数、试题区分度系数、试题猜测系数、试题失误系数;
所述试题参数更新单元包括:
窗口内参数获取子单元,用于利用窗口内的所有答题信息,应用DINA模型得到窗口内的试题的猜测系数和失误系数,应用IRT模型得到窗口内试题的难度系数和区分度系数;
增量更新子单元,用于分别利用所述窗口内的试题的猜测系数、失误系数、难度系数、区分度系数,对所述当前试题的试题参数中的猜测系数、失误系数、难度系数、区分度系数进行增量更新。
14.根据权利要求11或12或13所述的***,其特征在于,所述试题参数更新模块还包括:
收敛条件判断单元,用于在所述试题参数更新单元得到更新后的试题参数后,判断更新后的试题参数是否满足收敛条件;如果满足收敛条件,则触发所述试题参数更新模块停止试题参数更新。
15.根据权利要求10所述的***,其特征在于,所述用户参数更新模块包括:
第二初始化单元,用于初始化当前用户的用户参数及滑动窗参数;
第二窗口更新单元,用于在针对当前用户有新的答题信息时,将新的答题信息加入窗口,并将窗口移动一个步长,删除最末位答题信息;
第二判断单元,用于判断是否满足用户参数更新条件;
用户参数更新单元,用于在所述第二判断单元判断满足用户参数更新条件后,利用窗口内的所有答题信息,更新当前用户的用户参数,得到更新后的用户参数。
16.根据权利要求15所述的***,其特征在于,
所述第二初始化单元,具体用于在所述当前用户为老用户时,取所述当前用户的历史用户参数作为初始化参数;在所述当前用户为新用户时,将所有用户的用户参数平均值作为初始化参数。
17.根据权利要求15所述的***,其特征在于,所述用户参数包括:整体能力参数、以及知识点和/或技能掌握参数;
所述用户参数更新单元包括:
第一更新子单元,用于利用窗口内的所有答题信息,应用IRT模型得到窗口内用户的整体能力水平,然后利用所述窗口内用户的整体能力水平,对所述当前用户的整体能力参数进行增量更新;
第二更新子单元,用于利用窗口内的所有答题信息,统计得到窗口内知识点和/或技能列表,并应用DINA模型得到窗口内用户对各知识点和/或技能的掌握情况,然后利用所述窗口内用户对各知识点和/或技能的掌握情况,对所述当前用户的知识点和/或技能掌握参数进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510481726.6A CN106709829B (zh) | 2015-08-03 | 2015-08-03 | 基于在线题库的学情诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510481726.6A CN106709829B (zh) | 2015-08-03 | 2015-08-03 | 基于在线题库的学情诊断方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106709829A true CN106709829A (zh) | 2017-05-24 |
CN106709829B CN106709829B (zh) | 2020-06-02 |
Family
ID=58923823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510481726.6A Active CN106709829B (zh) | 2015-08-03 | 2015-08-03 | 基于在线题库的学情诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106709829B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135754A (zh) * | 2019-05-22 | 2019-08-16 | 安徽爱学堂教育科技有限公司 | 试题评估方法及装置 |
CN110147428A (zh) * | 2019-04-11 | 2019-08-20 | 北京任学教育科技有限公司 | 知识点掌握度的更新方法、装置、设备和存储介质 |
CN112241447A (zh) * | 2020-12-18 | 2021-01-19 | 北京世纪好未来教育科技有限公司 | 一种学情数据处理方法、装置、计算机设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101158967A (zh) * | 2007-11-16 | 2008-04-09 | 北京交通大学 | 一种基于分层匹配的快速音频广告识别方法 |
CN101667197A (zh) * | 2009-09-18 | 2010-03-10 | 浙江大学 | 基于滑动窗口的数据流关联规则挖掘方法 |
KR20130027717A (ko) * | 2011-09-08 | 2013-03-18 | 한양대학교 산학협력단 | 베이지안 네트워크를 이용한 컴퓨터 기반 적응적 평가 시스템 및 방법 |
CN103699626A (zh) * | 2013-12-20 | 2014-04-02 | 华南理工大学 | 一种微博用户个性化情感倾向分析方法及*** |
CN103942993A (zh) * | 2014-03-17 | 2014-07-23 | 深圳市承儒科技有限公司 | 一种基于irt的自适应在线测评***及其方法 |
CN104462409A (zh) * | 2014-12-12 | 2015-03-25 | 重庆理工大学 | 基于AdaBoost的跨语言情感资源数据识别方法 |
-
2015
- 2015-08-03 CN CN201510481726.6A patent/CN106709829B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101158967A (zh) * | 2007-11-16 | 2008-04-09 | 北京交通大学 | 一种基于分层匹配的快速音频广告识别方法 |
CN101667197A (zh) * | 2009-09-18 | 2010-03-10 | 浙江大学 | 基于滑动窗口的数据流关联规则挖掘方法 |
KR20130027717A (ko) * | 2011-09-08 | 2013-03-18 | 한양대학교 산학협력단 | 베이지안 네트워크를 이용한 컴퓨터 기반 적응적 평가 시스템 및 방법 |
CN103699626A (zh) * | 2013-12-20 | 2014-04-02 | 华南理工大学 | 一种微博用户个性化情感倾向分析方法及*** |
CN103942993A (zh) * | 2014-03-17 | 2014-07-23 | 深圳市承儒科技有限公司 | 一种基于irt的自适应在线测评***及其方法 |
CN104462409A (zh) * | 2014-12-12 | 2015-03-25 | 重庆理工大学 | 基于AdaBoost的跨语言情感资源数据识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147428A (zh) * | 2019-04-11 | 2019-08-20 | 北京任学教育科技有限公司 | 知识点掌握度的更新方法、装置、设备和存储介质 |
CN110135754A (zh) * | 2019-05-22 | 2019-08-16 | 安徽爱学堂教育科技有限公司 | 试题评估方法及装置 |
CN112241447A (zh) * | 2020-12-18 | 2021-01-19 | 北京世纪好未来教育科技有限公司 | 一种学情数据处理方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106709829B (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ai et al. | Concept-aware deep knowledge tracing and exercise recommendation in an online learning system. | |
CN104573359B (zh) | 一种基于任务难度与标注者能力的众包标注数据整合方法 | |
van De Sande | Properties Of The Bayesian Knowledge Tracing Model. | |
CN109919810A (zh) | 在线学习***中的学生建模与个性化课程推荐方法 | |
CN107150347A (zh) | 基于人机协作的机器人感知与理解方法 | |
CN110516116A (zh) | 一种多步分层的学***挖掘方法及*** | |
CN107122452A (zh) | 时序化的学生认知诊断方法 | |
US20200034774A1 (en) | Systems and methods to provide training guidance | |
Asadi et al. | Initial training in combat activities in university training programs in physical education and health education | |
CN106202377A (zh) | 一种基于随机梯度下降的在线协同排序方法 | |
CN106709829A (zh) | 基于在线题库的学情诊断方法及*** | |
CN114021722A (zh) | 一种融合认知刻画的注意力知识追踪方法 | |
CN107103419A (zh) | 一种群体软件开发过程仿真***及方法 | |
CN108229688A (zh) | 一种基于irt的信息处理方法及装置 | |
JP2021501633A5 (zh) | ||
CN114998071A (zh) | 一种航空管制模拟训练智能教学方法和*** | |
Gao | Evaluation of college English teaching quality based on particle swarm optimization algorithm | |
Noormohammadi-Asl et al. | Task selection and planning in human-robot collaborative processes: To be a leader or a follower? | |
De Vries et al. | An overview of medical expert systems | |
CN110188958A (zh) | 一种高考志愿智能填报预测推荐的方法 | |
CN110046204A (zh) | 考虑关联性与优先关系的区间犹豫模糊图决策方法的构建 | |
CN117010683A (zh) | 基于混合神经网络和多Agent的作业安全风险预测方法 | |
CN116243680A (zh) | 一种黑盒域适应的工业设备诊断方法、***及存储介质 | |
Kang et al. | Personalized exercise recommendation via implicit skills | |
CN115205072A (zh) | 一种面向长周期测评的认知诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |