CN108629716A - 基于大数据与人工智能的精准复习方法和教育机器人*** - Google Patents
基于大数据与人工智能的精准复习方法和教育机器人*** Download PDFInfo
- Publication number
- CN108629716A CN108629716A CN201810634272.5A CN201810634272A CN108629716A CN 108629716 A CN108629716 A CN 108629716A CN 201810634272 A CN201810634272 A CN 201810634272A CN 108629716 A CN108629716 A CN 108629716A
- Authority
- CN
- China
- Prior art keywords
- knowledge point
- portrait
- knowledge
- student
- review
- 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.)
- Pending
Links
- 238000012552 review Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013473 artificial intelligence Methods 0.000 title abstract description 11
- 238000011156 evaluation Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004575 stone Substances 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
- G09B5/00—Electrically-operated educational appliances
- G09B5/08—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于大数据与人工智能的精准复习方法和教育机器人***,包括:根据作业大数据建立每一学生的学习画像,从待查询的学生的学习画像获取学生对待复习的知识点的掌握程度,对需要复习的知识点进行推荐。上述方法和***通过作业大数据对学生进行学习画像,进而根据学习画像来推荐需要复习的知识点及所有需知识点中每一知识点需要花的复习时间权重,从而针对不同学生和不同知识点,采用不同的复习强度,实现精准复习,提高复习的针对性、效率,使得复习更为高效。
Description
技术领域
本发明涉及信息技术领域,特别是涉及一种基于大数据与人工智能的精准复习方法和教育机器人***。
背景技术
现有知识点掌握程度的评价是学生在期末的时候对老师进行评分而形成的。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:现有技术中老师给学生复***均力量地复习,从而导致复习效果差。同时,老师或学生的复习是统一的,只会分为2种固定的类型,基本复习、全面复习。基本复习的话,只会复习最重要的少数知识点,都漏掉很多知识点,从而使得复习不全面,有学生掌握不好的知识点被漏复习的可能性。而全面复习不但费力而且耗时长,也会在复习中花费学生更多的时间,最为关键的是其中很多知识点学生已经掌握,其复习是多余的。
因此,现有技术还有待于改进和发展。
发明内容
基于此,有必要针对现有技术中复习的缺陷或不足,提供基于大数据与人工智能的精准复习方法和教育机器人***,以解决知识点掌握程度的评价的主观性强、准确率低、复习的针对性不强、效率低的缺点。
第一方面,提供一种复习方法,所述方法包括:
建立画像步骤,根据作业大数据建立每一学生的学习画像;
使用画像步骤,从待查询的学生的学习画像获取学生对待复习的知识点的掌握程度,对需要复习的知识点进行推荐。
优选地,所述的建立画像步骤包括:
获取数据步骤,获取作业大数据,所述作业大数据包括每一学生的每一作业数据;
获取知识点步骤,获取学习中包括的所有知识点,作为第一知识点集合;
学***均,得到总正确率,作为所述每一学生画像中所述每一知识点对应的知识点标签的掌握程度值。
优选地,所述的使用画像步骤包括:
接受查询步骤,获取待查询的学生及待复习的知识点集合,将所述待复习的知识点集合作为第二知识点集合;
阈值获取步骤,从作业知识库中获取第二知识点集合中每一知识点对应的掌握程度的阈值;
获取画像步骤,从学习画像知识库中搜索并获取所述待查询的学生的学习画像,从所述待查询的学生的学习画像中获取属于第二知识点集合的每一知识点对应的知识点标签的掌握程度值;
知识点选择步骤,判断所述每一知识点对应的知识点标签的掌握程度值是否大于或等于作业知识库中所述每一知识点对应的知识点掌握程度的阈值:是,则将所述每一知识点加入第三知识点集合;否,则将所述每一知识点加入第四知识点集合;
知识点推荐步骤,将所述第四知识点集合作为需要复习的知识点集合推荐给用户。
优选地,所述的使用画像步骤之后包括:
集体推荐步骤,获取多个待查询的学生及同一待复习的知识点集合,对所述多个待查询的学生中的每一学生及所述待复习的知识点集合执行所述使用画像步骤,得到所述每一学生的第四知识点集合,将统计多个所述第四知识点集合中不同知识点的出现次数,按照次数从大到小选取前M个知识点作为需要复习的知识点集合推荐给用户,其中,M为预设个数。
优选地,所述的作业数据包括每一作业、该作业的解答正确率、所述作业题涉及到的所有知识点、作业完成的时间。
第二方面,提供一种复习***,其特征在于,所述***包括:
建立画像模块,用于根据作业大数据建立每一学生的学习画像;
使用画像模块,用于从待查询的学生的学习画像获取学生对待复习的知识点的掌握程度,对需要复习的知识点进行推荐。
优选地,所述的建立画像模块包括:
获取数据单元,用于获取作业大数据,所述作业大数据包括每一学生的每一作业数据;
获取知识点单元,用于获取学习中包括的所有知识点,作为第一知识点集合;
学***均,得到总正确率,作为所述每一学生画像中所述每一知识点对应的知识点标签的掌握程度值。
优选地,所述的使用画像模块包括:
接受查询单元,用于获取待查询的学生及待复习的知识点集合,将所述待复习的知识点集合作为第二知识点集合;
阈值获取单元,用于从作业知识库中获取第二知识点集合中每一知识点对应的掌握程度的阈值;
获取画像单元,用于从学习画像知识库中搜索并获取所述待查询的学生的学习画像,从所述待查询的学生的学习画像中获取属于第二知识点集合的每一知识点对应的知识点标签的掌握程度值;
知识点选择单元,用于判断所述每一知识点对应的知识点标签的掌握程度值是否大于或等于作业知识库中所述每一知识点对应的知识点掌握程度的阈值:是,则将所述每一知识点加入第三知识点集合;否,则将所述每一知识点加入第四知识点集合;
知识点推荐单元,用于将所述第四知识点集合作为需要复习的知识点集合推荐给用户。
优选地,所述***还包括:
集体推荐模块,用于获取多个待查询的学生及同一待复习的知识点集合,对所述多个待查询的学生中的每一学生及所述待复习的知识点集合执行所述使用画像步骤,得到所述每一学生的第四知识点集合,将统计多个所述第四知识点集合中不同知识点的出现次数,按照次数从大到小选取前M个知识点作为需要复习的知识点集合推荐给用户,其中,M为预设个数。
第三方面,提供一种教育机器人***,所述机器人***中分别配置有第二方面所述的复习***。
本发明的实施例具有如下优点和有益效果:
本发明的实施例提供的基于大数据与人工智能的精准复习方法和教育机器人***,通过作业大数据对学生进行学习画像,进而根据学习画像来推荐需要复习的知识点及所有需知识点中每一知识点需要花的复习时间权重,从而针对不同学生和不同知识点,采用不同的复习强度,实现精准复习,提高复习的针对性、效率,使得复习更为高效。
附图说明
图1为本发明的一个实施例提供的复习方法的流程图;
图2为本发明的一个实施例提供的建立画像步骤的流程图;
图3为本发明的一个实施例提供的使用画像步骤的流程图;
图4为本发明的一个实施例提供的复习***的原理框图;
图5为本发明的一个实施例提供的建立画像模块的原理框图;
图6为本发明的一个实施例提供的使用画像模块的原理框图。
具体实施方式
下面结合本发明实施方式,对本发明实施例中的技术方案进行详细地描述。
本发明的实施例提供基于大数据与人工智能的精准复习方法和教育机器人***。大数据技术包含作业大数据的获取、处理技术,人工智能技术包含识别技术、学习画像技术。
(一)基于大数据与人工智能的智能复习方法
如图1所示,一个实施例提供的复习方法,包括如下步骤:
建立画像步骤S100,根据作业大数据建立每一学生的学习画像。优选地,所述的学习画像是一种用户画像。其中,用户画像是人工智能的核心技术之一。
使用画像步骤S200,从待查询的学生的学习画像获取学生对待复习的知识点的掌握程度,对需要复习的知识点进行推荐。
所述实施例提供的智能复习方法将基于过程大数据的学习画像作为知识点掌握程度的评价的标准,并将所述学习画像用于知识点掌握程度的评价,从而降低或摆脱了以人为评委的评价的主观性,进而为有针对性的精准复习提供依据。
1、建立画像步骤
在一个优选的实施例中,所述的建立画像步骤S100包括:
获取数据步骤S110,获取作业大数据,所述作业大数据包括每一学生的每一作业数据。
获取知识点步骤S120,获取学习中包括的所有知识点,作为第一知识点集合。优选地,学习中包括的所有知识点可以是预设的知识点集合,也可以是用户指定的知识点集合,也可通过获取用户输入来得到知识点,也可以从学习知识库或教学大纲中获取这些知识点,也可以是某一教学单元的知识点,也可以是某一时段教学的知识点。
学***均,得到总正确率,作为所述每一学生画像中所述每一知识点对应的知识点标签的掌握程度值。优选地,将所述画像存入画像知识库。优选地,每一知识点对应的各作业对应的正确率以作业的难度及知识点所占权重为权值进行加权平均(因为有的作业同时包含对多个知识点的综合考察,计算总正确率时需要进行加权平均,不同作业对同一个知识点的考察难度不同、该知识点在作业中所占权重不同),该权重从作业知识库中获取,则总正确率为各作业的正确率的加权平均,就能得到该知识点的掌握程度。
所述的建立画像步骤S100通过作业大数据进行统计,得到学习画像,从而使得所述学习画像能客观地反映学生对各个知识点的掌握情况,从而为知识点的有针对性的精准复习打下基础。
(1)在一个进一步优选的实施例中,获取数据步骤S110包括:
S111,获取每一个学生包括姓名、编号(例如张三、2018002;李四、2018003;王五、2018005;等等),存入大数据存储库(例如Hbase)。
S112,获取每一学生的每一作业的作业数据包括学生姓名、学生编号、作业内容、对应的所有知识点及各知识点所占的权重、所述作业的解答正确率、作业完成时间(例如,张三、2018002、作业1、知识点1、20%、知识点2、80%、90%;张三、2018002、作业2、知识点1、10%、知识点3、90%、20%;等等),存入大数据存储库;优选地,将所述作业的难度也加入所述作业数据。
(2)在一个进一步优选的实施例中,获取知识点步骤S120包括:
获取学习中包括的所有知识点,作为第一知识点集合;优选地,学习中包括的所有知识点可以是预设的知识点集合,也可以是用户指定的知识点集合,也可通过获取用户输入来得到知识点,也可以从学习知识库或教学大纲中获取这些知识点,也可以是某一教学单元的知识点,也可以是某一时段教学的知识点。
S121,获取学习中包括的所有知识点(例如,知识点1;知识点2;等等),作为第一知识点集合。
(3)在一个进一步优选的实施例中,学习画像步骤S130包括:
S131,从大数据存储库中获取每一学生(例如张三、2018002;等等)的所有作业数据(例如,张三、2018002、作业1、知识点1、20%、知识点2、80%、90%;张三、2018002、作业2、知识点1、10%、知识点3、90%、20%;等等);为每一个学生初始化一个学习画像。
S132,判断所述每一学生的每一作业数据中的作业完成时间是否在预设时间范围内(例如最近3个月,预设时间范围指的是复习针对的是最近多长时间内所学习的知识的复习。例如一个学期的复习,则复习时间范围是该个学期,该个学期可以是最近一个学期,也可以是以前的某一个学期,例如在考研时复习大一时学的课程,那么此时的复习时间范围就是大一的那个学期。例如一个星期的复习,则复习时间范围是该个星期):是,则加入所述每一学生的第一作业集合。
S133,获取第一知识点集合中每一知识点,并为每一知识点在所述每一学生的学习画像初始化一个知识点标签。
S134,从所述每一学生的第一作业集合中获取含有第一知识点集合中每一知识点(例如,知识点1)的作业数据(例如,张三、2018002、作业1、知识点1、20%、知识点2、80%、90%;张三、2018002、作业2、知识点1、10%、知识点3、90%、20%;等等)加入所述每一学生的所述每一知识点的第二作业集合。
S135,从所述每一学生的所述每一知识点的所述第二作业集合中获取每一作业数据中作业正确率、所述每一知识点(例如,知识点1)所占的权重。
S136,对所述每一作业数据中作业正确率(例如,90%,20%)以所述每一知识点(例如,知识点1)所占的权重(例如,20%,10%)为权重进行加权平均((90%×20%+20%×10%)/(20%+10%)),得到的值作为所述每一学生对所述每一知识点的掌握程度。非优选地,对所述每一作业数据中作业正确率(例如,90%,20%)直接求平均((90%+20%)/2),得到的值作为所述每一学生对所述每一知识点的掌握程度。优选地,进一步考虑作业难度的因素,每一知识点对应的各作业对应的正确率以作业的难度及知识点所占权重为权值进行加权平均(例如不同作业对同一个知识点的考察难度不同、该知识点在作业中所占权重不同),得到总正确率(作为对所述每一知识点的掌握程度)。
S137,将所述总正确率(即对所述每一知识点的掌握程度),作为所述每一学生画像中所述每一知识点对应的知识点标签的掌握程度值。如果从所述每一学生的所述每一知识点的所述第二作业集合为空,所述每一学生画像中所述每一知识点对应的知识点标签的掌握程度值设置为0。
S138,将所述画像存入画像知识库。
2、使用画像步骤
在一个优选的实施例中,所述的使用画像步骤S200包括:
接受查询步骤S210,获取待查询的学生及待复习的知识点集合,将所述待复习的知识点集合作为第二知识点集合。优选地,所述待复习的知识点集合可以是待复习的指定知识点集合,也可以是待全面复习的所有知识点,还可以是待基本复习的所有知识点。优选地,当已经进行过基本复习,进入全面复习阶段时,第二知识点集合指的是属于全面知识点集合但不属于基本知识点集合的每一知识点,从而能够保证基本复习的前提下排除掉全面复习中不必要的复习。
阈值获取步骤S220,从作业知识库中获取第二知识点集合中每一知识点对应的掌握程度的阈值。优选地,一个知识点的掌握程度的阈值指的是所述知识点需要掌握到什么程度,例如需要了解的知识点的掌握程度阈值较低,而需要掌握的知识点的掌握程度阈值较高,需要熟练掌握的知识点的掌握程度更高。优选地,所述掌握程度的阈值为0至1之间的数,为0时表明该知识点不需要掌握,为1时表明该知识点需要百分之百地掌握。
获取画像步骤S230,从学习画像知识库中搜索并获取所述待查询的学生的学习画像,从所述待查询的学生的学习画像中获取属于第二知识点集合的每一知识点对应的知识点标签的掌握程度值。
知识点选择步骤S240,判断所述每一知识点对应的知识点标签的掌握程度值(如果所述每一知识点对应的知识点标签不存在,说明该待查询的学生没有学习过该知识点,所以默认为0)是否大于或等于作业知识库中所述每一知识点对应的知识点掌握程度的阈值:是,则将所述每一知识点加入第三知识点集合(对该待查询的学生而言该知识点无需复习);否,则将所述每一知识点加入第四知识点集合(对该待查询的学生而言该复习知识点需要复习)。
知识点推荐步骤S250,将所述第四知识点集合作为需要复习的知识点集合推荐给用户(该用户可以是老师,也可以是学生)。优选地,将所述第四知识点集合中每一知识点对应的知识点标签的掌握程度阈值与掌握程度值的比值,作为所述每一知识点的需要复习的强度。可以理解,所述每一知识点需要复习的强度越大说明需要花更大力气去复习所述每一知识点。
所述的使用画像步骤S200通过从教学效果的画像中搜索中属于第二知识点集合的每一知识点对应的知识点标签的掌握程度值,来得到所述待查询的学生对所述每一知识点的掌握程度,从而使得对知识点掌握程度的评价是基于学习画像进行的,而学习画像又是基于作业大数据进行的,所以使得基于本实施例的知识点掌握程度的评价能够客观地反映出学生对各知识点的掌握情况,不同学生对不同知识点的掌握情况不同,都能通过学习画像和知识点标签客观地反映出来,从而为针对每个学生复习哪些知识点、每个不同知识点的复习强度和时间如何分配提供客观依据,从而实现个性化、精准化的复习,从而使得复习更为智能。
(1)在一个进一步优选的实施例中,接受查询步骤S210包括:
S211,获取待查询的学生包括姓名、编号(例如张三、2018002);
S212,获取待复习的知识点集合(例如,知识点1;知识点2;等等),作为第二知识点集合。
(2)在一个进一步优选的实施例中,阈值获取步骤S220包括:
S221,获取第一知识点集合中每一知识点对应的掌握程度的阈值加入作业知识库;
S222,从作业知识库中获取第二知识点集合中每一知识点(例如,知识点1;知识点2;等等)对应的掌握程度的阈值(例如,知识点1:60%;知识点2:70%;等等)。
(3)在一个进一步优选的实施例中,获取画像步骤S230包括:
S231,从学习画像知识库中搜索并获取所述待查询的学生(例如张三、2018002)的学习画像。
S232,从所述待查询的学生的学习画像中获取属于第二知识点集合(例如,知识点1;知识点2;等等)的每一知识点对应的知识点标签;如果所述每一知识点对应的知识点标签不存在,则在所述待查询的学生的学习画像中增加所述每一知识点对应的知识点标签,并将所述知识点标签的掌握程度值设置为0。
S233,获取所述的每一知识点对应的知识点标签的掌握程度值(例如,知识点1:66%;知识点2:32%;等等)。
(4)在一个进一步优选的实施例中,知识点选择步骤S240:
S241,判断所述每一知识点(例如,知识点1;知识点2;等等)对应的知识点标签的掌握程度值(例如,知识点1:66%;知识点2:32%;等等)是否大于或等于作业知识库中所述每一知识点对应的知识点掌握程度的阈值(例如,知识点1:60%;知识点2:70%;等等):是,则将所述每一知识点(例如,知识点1)加入第三知识点集合(对该待查询的学生而言该知识点无需复习);否,则将所述每一知识点(例如,知识点2)加入第四知识点集合(对该待查询的学生而言该复习知识点需要复习)。
(5)在一个进一步优选的实施例中,知识点推荐步骤S250:
S251,将所述第四知识点集合(例如,知识点1;知识点3)作为需要复习的知识点集合推荐给用户(该用户可以是老师,也可以是学生)。
S252将所述第四知识点集合中每一知识点对应的知识点标签的掌握程度阈值(例如,知识点2:70%;知识点3:80%)与掌握程度值(例如,知识点2:32%;知识点3:50%)的比值(例如,知识点2:70%/32%=2.1875;知识点3:80%/50%=1.6)作为所述每一知识点的需要复习的强度,也可以作为需要花的复习时间的权重。可以理解,所述每一知识点需要复习的强度越大说明需要花更大力气去复习所述每一知识点(例如,知识点2与知识点3比较起来,知识点2的需要复习的强度更大,所以需要花更大力气去复习知识点2)。
3、使用画像步骤之后
(1)在一个进一步优选的实施例中,使用画像步骤S200之后还包括:
S300,集体推荐步骤,获取多个待查询的学生及同一待复习的知识点集合(例如,对老师所教的课程里的所有学生进行复习),对所述多个待查询的学生中的每一学生及所述待复习的知识点集合执行所述使用画像步骤,得到所述每一学生的第四知识点集合,将统计多个所述第四知识点集合中不同知识点的出现次数,按照次数从大到小选取前M个知识点作为需要复习的知识点集合推荐给用户(例如所述多个学生所在课程的老师),其中,M为预设个数。
4、作业大数据
在一个优选的实施例中,所述的作业数据包括每一作业、该作业的解答正确率(例如做对了百分之几,为该作业题的得分除以该作业题的总分)、所述作业题涉及到的所有知识点、作业完成的时间。优选地,所述的作业数据还包括所述作业题涉及到的所有知识点中每一知识点对应的权重。优选地,所述的作业数据还包括所述作业题的难度。
(二)基于作业大数据的智能复习***
如图2所示,一个实施例提供的一种复习***,包括如下模块:
建立画像模块100,用于根据作业大数据建立每一学生的学习画像;优选地,所述的学习画像是一种用户画像。
使用画像模块200,用于从待查询的学生的学习画像获取学生对待复习的知识点的掌握程度,对需要复习的知识点进行推荐。
所述智能复习***具有与前面所述智能复习方法同样的有益效果,在此不再赘述。
1、建立画像模块
在一个优选的实施例中,所述的建立画像模块100包括:
获取数据模块110,用于获取作业大数据,所述作业大数据包括每一学生的每一作业数据;优选地,所述的作业数据包括每一作业、该作业的解答正确率(例如做对了百分之几,为该作业题的得分除以该作业题的总分)、所述作业题涉及到的所有知识点、作业完成的时间。优选地,所述的作业数据还包括所述作业题涉及到的所有知识点中每一知识点对应的权重。
获取知识点模块120,用于获取学习中包括的所有知识点,作为第一知识点集合;优选地,学习中包括的所有知识点可以是预设的知识点集合,也可以是用户指定的知识点集合,也可通过获取用户输入来得到知识点,也可以从学习知识库或教学大纲中获取这些知识点,也可以是某一教学单元的知识点,也可以是某一时段教学的知识点。
学***均,得到总正确率,作为所述每一学生画像中所述每一知识点对应的知识点标签的掌握程度值。优选地,将所述画像存入画像知识库。优选地,每一知识点对应的各作业对应的正确率以作业的难度及知识点所占权重为权值进行加权平均(计算正确率时需要进行加权平均,例如不同作业对同一个知识点的考察难度不同、该知识点在作业中所占权重不同(例如,有的作业同时包含对多个知识点的综合考察),该权重从作业知识库中获取,则总正确率为各作业的正确率的加权平均),就能得到该知识点的掌握程度。
所述建立画像模块100具有与前面所述建立画像步骤S100同样的有益效果,在此不再赘述。
(1)在一个进一步优选的实施例中,获取数据单元110又包括单元111、112。单元111、112分别与前面所述优选的实施例中所述步骤S111、S112、一一对应,在此不再重复赘述。单元111、112分别用于执行所述S111、S112。
(2)在一个进一步优选的实施例中获取知识点单元120又包括单元121。单元121分别与前面所述优选的实施例中所述步骤S121一一对应,在此不再重复赘述。单元121分别用于执行所述S121。
(3)在一个进一步优选的实施例中,学习画像单元130又包括单元131、132、133、134、135、136、137、138。单元131、132、133、134、135、136、137、138分别与前面所述优选的实施例中所述步骤S131、S132、S133、S134、S135、S136、S137、S138一一对应,在此不再重复赘述。单元131、132、133、134、135、136、137、138分别用于执行所述S131、S132、S133、S134、S135、S136、S137、S138。
2、使用画像模块
在一个优选的实施例中,所述的使用画像模块200包括:
接受查询单元210,用于获取待查询的学生及待复习的知识点集合,将所述待复习的知识点集合作为第二知识点集合;优选地,所述待复习的知识点集合可以是待复习的指定知识点集合,也可以是待全面复习的所有知识点,还可以是待基本复习的所有知识点。优选地,当已经进行过基本复习,进入全面复习阶段时,第二知识点集合指的是属于全面知识点集合但不属于基本知识点集合的每一知识点,从而能够保证基本复习的前提下排除掉全面复习中不必要的复习。
阈值获取单元220,用于从作业知识库中获取第二知识点集合中每一知识点对应的掌握程度的阈值。优选地,一个知识点的掌握程度的阈值指的是所述知识点需要掌握到什么程度,例如需要了解的知识点的掌握程度阈值较低,而需要掌握的知识点的掌握程度阈值较高,需要熟练掌握的知识点的掌握程度更高。优选地,所述掌握程度的阈值为0至1之间的数,为0时表明该知识点不需要掌握,为1时表明该知识点需要百分之百地掌握。
获取画像单元230,用于从学习画像知识库中搜索并获取所述待查询的学生的学习画像,从所述待查询的学生的学习画像中获取属于第二知识点集合的每一知识点对应的知识点标签的掌握程度值;
知识点选择单元240,用于判断所述每一知识点对应的知识点标签的掌握程度值(如果所述每一知识点对应的知识点标签不存在,说明该待查询的学生没有学习过该知识点,所以默认为0)是否大于或等于作业知识库中所述每一知识点对应的知识点掌握程度的阈值:是,则将所述每一知识点加入第三知识点集合(对该待查询的学生而言该知识点无需复习);否,则将所述每一知识点加入第四知识点集合(对该待查询的学生而言该复习知识点需要复习)。
知识点推荐单元250,用于将所述第四知识点集合作为需要复习的知识点集合推荐给用户(该用户可以是老师,也可以是学生)。优选地,将所述第四知识点集合中每一知识点对应的知识点标签的掌握程度阈值与掌握程度值的比值,作为所述每一知识点的需要复习的强度。可以理解,所述每一知识点需要复习的强度越大说明需要花更大力气去复习所述每一知识点。
所述使用画像模块200具有与前面所述使用画像模块S200同样的有益效果,在此不再赘述。
(1)在一个进一步优选的实施例中,接受查询单元210又包括单元211、212。单元211、212分别与前面所述优选的实施例中所述步骤S211、S212一一对应,在此不再重复赘述。单元211、212分别用于执行所述S211、S212。
(2)在一个进一步优选的实施例中,搜索作业220又包括单元221、222。单元221、222分别与前面所述优选的实施例中所述步骤S221、S222一一对应,在此不再重复赘述。单元221、222分别用于执行所述S221、S222。
(3)在一个进一步优选的实施例中,获取画像模块230又包括单元231、232、233。单元231、232、233分别与前面所述优选的实施例中所述步骤S231、S232、S233一一对应,在此不再重复赘述。单元231、232、233分别用于执行所述S231、S232、S233。
(4)在一个进一步优选的实施例中,知识点选择模块240又包括单元241。单元241分别与前面所述优选的实施例中所述步骤S241一一对应,在此不再重复赘述。单元241分别用于执行所述S241。
(5)在一个进一步优选的实施例中,知识点推荐模块250又包括单元251、252。
单元251、252分别与前面所述优选的实施例中所述步骤S251、S252一一对应,在此不再重复赘述。单元251、252分别用于执行所述S251、S252。
3、使用画像模块之后
(1)在一个进一步优选的实施例中,所述***在使用画像模块200之后还包括:
集体推荐模块300,用于获取多个待查询的学生及同一待复习的知识点集合(例如,对老师所教的课程里的所有学生进行复习),对所述多个待查询的学生中的每一学生及所述待复习的知识点集合执行所述使用画像步骤,得到所述每一学生的第四知识点集合,将统计多个所述第四知识点集合中不同知识点的出现次数,按照次数从大到小选取前M个知识点作为需要复习的知识点集合推荐给用户(例如所述多个学生所在课程的老师),其中,M为预设个数。
4、作业大数据
在一个优选的实施例中,所述的作业数据包括每一作业、该作业的解答正确率(例如做对了百分之几,为该作业题的得分除以该作业题的总分)、所述作业题涉及到的所有知识点、作业完成的时间。优选地,所述的作业数据还包括所述作业题涉及到的所有知识点中每一知识点对应的权重。优选地,所述的作业数据还包括所述作业题的难度。
(三)基于作业大数据的教育机器人***
一个实施例提供的一种教育机器人***,所述机器人***中配置有所述的复习***。
所述教育机器人***具有与前面所述智能复习***同样的有益效果,在此不再赘述。
本发明的实施例提供的基于大数据与人工智能的精准复习方法和教育机器人***,通过作业大数据对学生进行学习画像,进而根据学习画像来推荐需要复习的知识点及所有需知识点中每一知识点需要花的复习时间权重,从而针对不同学生和不同知识点,采用不同的复习强度,实现精准复习,提高复习的针对性、效率,使得复习更为高效。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种复习方法,其特征在于,所述方法包括:
建立画像步骤,根据作业大数据建立每一学生的学习画像;
使用画像步骤,从待查询的学生的学习画像获取学生对待复习的知识点的掌握程度,对需要复习的知识点进行推荐。
2.根据权利要求1所述的复习方法,其特征在于,所述的建立画像步骤包括:
获取数据步骤,获取作业大数据,所述作业大数据包括每一学生的每一作业数据;
获取知识点步骤,获取学习中包括的所有知识点,作为第一知识点集合;
学***均,得到总正确率,作为所述每一学生画像中所述每一知识点对应的知识点标签的掌握程度值。
3.根据权利要求1所述的复习方法,其特征在于,所述的使用画像步骤包括:
接受查询步骤,获取待查询的学生及待复习的知识点集合,将所述待复习的知识点集合作为第二知识点集合;
阈值获取步骤,从作业知识库中获取第二知识点集合中每一知识点对应的掌握程度的阈值;
获取画像步骤,从学习画像知识库中搜索并获取所述待查询的学生的学习画像,从所述待查询的学生的学习画像中获取属于第二知识点集合的每一知识点对应的知识点标签的掌握程度值;
知识点选择步骤,判断所述每一知识点对应的知识点标签的掌握程度值是否大于或等于作业知识库中所述每一知识点对应的知识点掌握程度的阈值:是,则将所述每一知识点加入第三知识点集合;否,则将所述每一知识点加入第四知识点集合;
知识点推荐步骤,将所述第四知识点集合作为需要复习的知识点集合推荐给用户。
4.根据权利要求3所述的复习方法,其特征在于,所述的使用画像步骤之后包括:
集体推荐步骤,获取多个待查询的学生及同一待复习的知识点集合,对所述多个待查询的学生中的每一学生及所述待复习的知识点集合执行所述使用画像步骤,得到所述每一学生的第四知识点集合,将统计多个所述第四知识点集合中不同知识点的出现次数,按照次数从大到小选取前M个知识点作为需要复习的知识点集合推荐给用户,其中,M为预设个数。
5.根据权利要求1所述的复习方法,其特征在于,所述的作业数据包括每一作业、该作业的解答正确率、所述作业题涉及到的所有知识点、作业完成的时间。
6.一种复习***,其特征在于,所述***包括:
建立画像模块,用于根据作业大数据建立每一学生的学习画像;
使用画像模块,用于从待查询的学生的学习画像获取学生对待复习的知识点的掌握程度,对需要复习的知识点进行推荐。
7.根据权利要求6所述的复习***,其特征在于,所述的建立画像模块包括:
获取数据单元,用于获取作业大数据,所述作业大数据包括每一学生的每一作业数据;
获取知识点单元,用于获取学习中包括的所有知识点,作为第一知识点集合;
学***均,得到总正确率,作为所述每一学生画像中所述每一知识点对应的知识点标签的掌握程度值。
8.根据权利要求6所述的复习***,其特征在于,所述的使用画像模块包括:
接受查询单元,用于获取待查询的学生及待复习的知识点集合,将所述待复习的知识点集合作为第二知识点集合;
阈值获取单元,用于从作业知识库中获取第二知识点集合中每一知识点对应的掌握程度的阈值;
获取画像单元,用于从学习画像知识库中搜索并获取所述待查询的学生的学习画像,从所述待查询的学生的学习画像中获取属于第二知识点集合的每一知识点对应的知识点标签的掌握程度值;
知识点选择单元,用于判断所述每一知识点对应的知识点标签的掌握程度值是否大于或等于作业知识库中所述每一知识点对应的知识点掌握程度的阈值:是,则将所述每一知识点加入第三知识点集合;否,则将所述每一知识点加入第四知识点集合;
知识点推荐单元,用于将所述第四知识点集合作为需要复习的知识点集合推荐给用户。
9.根据权利要求8所述的复习***,其特征在于,所述***还包括:
集体推荐模块,用于获取多个待查询的学生及同一待复习的知识点集合,对所述多个待查询的学生中的每一学生及所述待复习的知识点集合执行所述使用画像步骤,得到所述每一学生的第四知识点集合,将统计多个所述第四知识点集合中不同知识点的出现次数,按照次数从大到小选取前M个知识点作为需要复习的知识点集合推荐给用户,其中,M为预设个数。
10.一种教育机器人***,其特征在于,所述机器人***中分别配置有如权利要求6-9任一项所述的复习***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810634272.5A CN108629716A (zh) | 2018-06-20 | 2018-06-20 | 基于大数据与人工智能的精准复习方法和教育机器人*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810634272.5A CN108629716A (zh) | 2018-06-20 | 2018-06-20 | 基于大数据与人工智能的精准复习方法和教育机器人*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108629716A true CN108629716A (zh) | 2018-10-09 |
Family
ID=63692089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810634272.5A Pending CN108629716A (zh) | 2018-06-20 | 2018-06-20 | 基于大数据与人工智能的精准复习方法和教育机器人*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629716A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246072A (zh) * | 2019-06-24 | 2019-09-17 | 上海乂学教育科技有限公司 | 由机器设备执行的复习方法 |
CN110737260A (zh) * | 2019-08-29 | 2020-01-31 | 南京智慧光信息科技研究院有限公司 | 基于大数据和人工智能的自动作业方法和机器人*** |
CN112396891A (zh) * | 2020-10-12 | 2021-02-23 | 镇江长香科技服务有限公司 | 基于人工智能的自适应在线职业培训平台 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503050A (zh) * | 2016-09-23 | 2017-03-15 | 厦门市杜若科技有限公司 | 一种基于大数据进行阅读文章推荐的方法与*** |
CN107085803A (zh) * | 2017-03-31 | 2017-08-22 | 弘成科技发展有限公司 | 基于知识图谱和能力测评的个性化教学资源推荐*** |
CN108122444A (zh) * | 2016-11-28 | 2018-06-05 | 北京狸米科技有限公司 | 一种自适应学习***及方法 |
-
2018
- 2018-06-20 CN CN201810634272.5A patent/CN108629716A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503050A (zh) * | 2016-09-23 | 2017-03-15 | 厦门市杜若科技有限公司 | 一种基于大数据进行阅读文章推荐的方法与*** |
CN108122444A (zh) * | 2016-11-28 | 2018-06-05 | 北京狸米科技有限公司 | 一种自适应学习***及方法 |
CN107085803A (zh) * | 2017-03-31 | 2017-08-22 | 弘成科技发展有限公司 | 基于知识图谱和能力测评的个性化教学资源推荐*** |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246072A (zh) * | 2019-06-24 | 2019-09-17 | 上海乂学教育科技有限公司 | 由机器设备执行的复习方法 |
CN110246072B (zh) * | 2019-06-24 | 2021-03-05 | 上海松鼠课堂人工智能科技有限公司 | 由机器设备执行的复习方法 |
CN110737260A (zh) * | 2019-08-29 | 2020-01-31 | 南京智慧光信息科技研究院有限公司 | 基于大数据和人工智能的自动作业方法和机器人*** |
CN112396891A (zh) * | 2020-10-12 | 2021-02-23 | 镇江长香科技服务有限公司 | 基于人工智能的自适应在线职业培训平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021253480A1 (zh) | 习题智能推荐方法、装置、计算机设备及存储介质 | |
CN108765227A (zh) | 基于大数据与人工智能的学习画像方法和机器人*** | |
CN111179675B (zh) | 个性化练习题推荐方法、***、计算机设备以及存储介质 | |
CN108629716A (zh) | 基于大数据与人工智能的精准复习方法和教育机器人*** | |
CN108597280A (zh) | 一种基于学习行为分析的教学***及教学方法 | |
CN108053030A (zh) | 一种开放领域的迁移学习方法及*** | |
CN112784608B (zh) | 试题推荐方法、装置、电子设备和存储介质 | |
CN107545000A (zh) | 基于知识图谱的信息推送方法及装置 | |
CN107665473A (zh) | 学习路径规划方法和装置 | |
CN106600065A (zh) | 基于有向超图的个性化学习路径的抽取与拼接方法及*** | |
CN109191345A (zh) | 一种面向学生认知过程的认知诊断方法 | |
CN108804705A (zh) | 基于大数据与人工智能的复习推荐方法和教育机器人*** | |
CN109255000A (zh) | 一种标签数据的维度管理方法及装置 | |
CN108647363A (zh) | 图谱构建、显示方法、装置、设备及存储介质 | |
CN110414581A (zh) | 图片检测方法和装置、存储介质及电子装置 | |
CN111143539A (zh) | 基于知识图谱的教学领域问答方法 | |
CN106846975A (zh) | 一种k12阶段数据处理及学生学习情况的智能诊断方法 | |
CN115544268A (zh) | 一种教学与就业辅助知识图谱的构建及应用方法 | |
CN104572930B (zh) | 数据分类方法及装置 | |
CN116228361A (zh) | 基于特征匹配的课程推荐方法、装置、设备和存储介质 | |
Egetenmeyer | International comparative research in adult and continuing education: Between governance and disciplinary configuration | |
Zheng et al. | A personalized programming exercise recommendation algorithm based on knowledge structure tree | |
CN109684436A (zh) | 一种知识的关联方法及应用 | |
CN112907411A (zh) | 一种智慧课堂依据掌握程度推荐学习路径的方法及*** | |
CN108596461B (zh) | 一种用于培训效果评估的智能***及方法 |
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 |