CN110110899B - 知识掌握度的预测方法、自适应学习方法及电子设备 - Google Patents

知识掌握度的预测方法、自适应学习方法及电子设备 Download PDF

Info

Publication number
CN110110899B
CN110110899B CN201910290741.0A CN201910290741A CN110110899B CN 110110899 B CN110110899 B CN 110110899B CN 201910290741 A CN201910290741 A CN 201910290741A CN 110110899 B CN110110899 B CN 110110899B
Authority
CN
China
Prior art keywords
content
knowledge
mastery
learning
learned
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
Application number
CN201910290741.0A
Other languages
English (en)
Other versions
CN110110899A (zh
Inventor
姜天宇
张碧川
张昊波
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.)
Beijing Zuoyehezi Technology Co ltd
Original Assignee
Beijing Zuoyehezi Technology 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 Beijing Zuoyehezi Technology Co ltd filed Critical Beijing Zuoyehezi Technology Co ltd
Priority to CN201910290741.0A priority Critical patent/CN110110899B/zh
Publication of CN110110899A publication Critical patent/CN110110899A/zh
Application granted granted Critical
Publication of CN110110899B publication Critical patent/CN110110899B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3346—Query execution using probabilistic model
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Educational Technology (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明涉及学习管理技术领域，具体涉及一种知识掌握度的预测方法、自适应学习方法及电子设备，其中预测方法包括：获取待学习知识的知识内容信息以及待学习知识内容序列；所述待学习知识内容序列中的每一项为待学习知识的知识内容；所述知识内容为学习内容或题目内容；基于所述待学习知识的知识内容信息，构建预设学习者的概率模型；对所述概率模型进行求解，以得到对应于所述待学习知识内容序列中的每一项的掌握度及其掌握度概率；根据所有所述掌握度及其对应的掌握度概率，预测所述预设学习者在学习所述知识内容序列后的掌握度。由于在掌握度的预测过程中，结合了具有学习属性的学习内容以及题目内容，提高了所预测的掌握度的准确性。

Description

知识掌握度的预测方法、自适应学习方法及电子设备
技术领域
本发明涉及学习管理技术领域，具体涉及知识掌握度的预测方法、自适应学习方法及电子设备。
背景技术
随着大数据分析技术近年来的快速发展发展，对于大数据的有效利用成为了在线教育领域面临的首要技术问题之一。在大数据技术的支持下，基于学习数据分析的个性化内容推荐、自适应学习服务应运而生。
现有的在线教育平台的个性化或自适应相关服务，大都是基于用户当前答题表现进行的简单规则化预测当前学习者的知识掌握度，在预测的掌握度的基础上向当前学习者进行答题推荐。
发明人在对现有知识掌握度的预测方法的研究过程中发现，现有的知识掌握度的预测方法仅仅是基于答题表现进行预测的，而对于掌握度而言，并不是说只有答题才能够影响掌握度的，其他因素也可能导致掌握度的变化。例如，通过某些视频，或文字知识的学习，或通过某些例题的学习等等。具体地，若某学习者在学习了某段视频之后，利用现有的知识掌握度的预测方法所预测得到的掌握度就不会发生变化，而实际情况是，该学习者通过视频的学习之后，掌握度可能会得到一定程度的提高。因此，在预测的知识掌握度的准确性偏低的情况下，向学习者所推荐的题目的就不会有较好的适应性。
发明内容
有鉴于此，本发明实施例提供了一种知识掌握度的预测方法、自适应学习方法及电子设备，以解决现有知识掌握度预测准确性偏低的问题。
根据第一方面，本发明实施例提供了一种知识掌握度的预测方法，包括：
获取待学习知识的知识内容信息以及待学习知识内容序列；其中，所述待学习知识内容序列中的每一项为待学习知识的知识内容；所述知识内容为学习内容或题目内容；
基于所述待学习知识的知识内容信息，构建预设学习者的概率模型；其中，所述概率模型包括答对所述题目内容的概率模型以及学会所述学习内容的概率模型；所述概率模型中的参数包括所述知识内容信息、掌握度及其对应的掌握度概率；
对所述概率模型进行求解，以得到对应于所述待学习知识内容序列中的每一项的掌握度及其掌握度概率；
根据所有所述掌握度及其对应的掌握度概率，预测所述预设学习者在学习所述知识内容序列后的掌握度。
本发明实施例提供的知识掌握度的预测方法，其中，学习内容具有学习属性，题目内容可以认为同时具有学习属性和练习属性，在知识掌握度预测过程中利用具有学习属性的学习内容或题目内容，将学习过程认为是对掌握度的提升有一定的影响，因此，通过对包括掌握度的概率模型进行参数的求解得到待学习知识内容序列中每一项对应的掌握度及其掌握度概率，从而即可对预设学习者在学习待学习知识内容序列之后的掌握度进行预测。由于在掌握度的预测过程中，结合了具有学习属性的学习内容以及题目内容，提高了所预测的掌握度的准确性。
结合第一方面，在第一方面第一实施方式中，所述基于所述待学习知识的知识内容信息，构建所述答对所述题目内容的概率模型，包括：
提取所述知识内容信息中的题目内容信息；
基于所述题目内容信息以及每个所述掌握度，建立每个所述掌握度下答对所述题目内容的概率模型；
利用所有所述掌握度下的答对所述题目内容的概率模型及其对应的所述掌握度概率建立第一概率模型；
基于所述第一概率模型构建所述预设学习者答对所述题目内容的概率模型。
本发明实施例提供的知识掌握度的预测方法，在构建答对题目内容的概率模型时，结合题目内容信息(即，与题目内容相关的信息，例如题目难度、题目猜测率等等)，从题目自身的属性出发，同时结合掌握度，能够提高所构建出的答对题目内容的概率模型的准确性。
结合第一方面第一实施方式，在第一方面第二实施方式中，所述答对所述题目内容的概率模型为所述第一概率模型，其中，所述第一概率模型采用如下公式表示：
Figure BDA0002024828550000031
其中，P1i＝f1(Mi,Qa,Qb,Qc)；
式中，P1为通过所述第一概率模型计算得到的概率；Mi、PMi分别为第i个掌握度及其对应的掌握度概率；P1i为第i个掌握度下所述预设学习者答对所述题目内容的概率；Qa、Qb、Qc分别为所述题目内容信息中的区分度、难度以及猜测度；f1为第一概率预测函数。
结合第一方面第一实施方式，在第一方面第三实施方式中，所述基于所述第一概率模型构建所述预设学习者答对所述题目内容的概率模型，包括：
利用所述题目内容信息以及所述预设学习者的稳定发挥能力建立第二概率模型；
将通过所述第一概率模型计算得到的概率与通过所述第二概率模型计算得到的概率相乘，得到所述预设学习者答对所述题目内容的概率；其中，所述预设学习者答对所述题目内容的概率为通过所述预设学习者答对所述题目内容的概率模型计算得到。
本发明实施例提供的知识掌握度的预测方法，在构建答对题目内容的概率模型时结合预设学习者的稳定发挥能力，在掌握度及其掌握度概率的基础上，向模型中加入预设学习者自身相关的稳定发挥能力，进一步提高了所构建出的答对题目内容的概率模型的准确性。
结合第一方面第三实施方式，在第一方面第四实施方式中，所述预设学习者答对所述题目内容的概率模型采用如下公式表示：
Pr＝P1×P2，其中，P2＝f2(Ms,Qs)；
式中，Pr为通过所述预设学习者答对所述题目内容的概率模型计算得到的概率；P1为通过所述第一概率模型计算得到的概率；P2为通过所述第二概率模型计算得到的概率；Ms为所述学习者的稳定发挥能力；Qs为所述题目内容信息中的题目易失误度；f2为第二概率预测函数。
结合第一方面，在第一方面第五实施方式中，所述基于所述待学习的知识内容信息，构建所述学会所述学习内容的概率模型，包括：
提取所述待学习知识的知识内容信息中的学习内容信息；
基于所述学习内容信息以及所述掌握度，构建所述预设学习者学会所述学习内容的概率。
本发明实施例提供的知识掌握度的预测方法，在构建学会学习内容的概率模型时，结合学习内容信息(即，与学习内容相关的信息，例如学习内容难度、学习内容区分度等等)，从学习内容自身的属性出发，同时结合掌握度，能够提高所构建出的学会学习内容的概率模型的准确性。
结合第一方面第五实施方式，在第一方面第六实施方式中，所述学习者学会所述学习内容的概率模型采用如下公式表示：
Figure BDA0002024828550000041
其中，当Mi≥Lb时，Mi不变，对应的
Figure BDA0002024828550000042
不变；
当Mi<Lb时，
Figure BDA0002024828550000043
设置为
Figure BDA0002024828550000044
同时，新增一项掌握度M′i，M′i设置为Lb，对应于M′i的
Figure BDA0002024828550000045
设置为
Figure BDA0002024828550000046
式中，
Figure BDA0002024828550000047
为所述掌握度为Mi下所述预设学习者学会所述学习内容的概率模型计算得到的概率。
结合第一方面第五实施方式，在第一方面第七实施方式中，所述基于所述学习内容信息以及所述掌握度，构建所述预设学习者学会所述学习内容的概率，还包括：
利用所述学习内容信息、所述掌握度以及所述预设学习者的学习能力，构建所述预设学习者学会所述学习内容的概率模型。
本发明实施例提供的知识掌握度的预测方法，在构建学会学习内容的概率模型时结合预设学习者的学习能力，在掌握度及其掌握度概率的基础上，向模型中加入预设学习者自身相关的学习能力，进一步提高了所构建出的学会学习内容的概率模型的准确性。
结合第一方面第七实施方式，在第一方面第八实施方式中，所述预设学习者学会所述学习内容的概率模型采用如下公式表示：
Figure BDA0002024828550000051
其中，当Mi≥Lb时，Mi不变，对应的
Figure BDA0002024828550000052
不变；
当Mi<Lb时，
Figure BDA0002024828550000053
设置为
Figure BDA0002024828550000054
同时，新增一项掌握度M′i，M′i设置为Lb，对应于M′i的
Figure BDA0002024828550000055
设置为
Figure BDA0002024828550000056
式中，
Figure BDA0002024828550000057
为所述掌握度为Mi下所述预设学习者学会所述学习内容的概率模型计算得到的概率；La、Lb分别为所述学习内容信息中的区分度以及难度，且La大于0；Sa为所述预设学习者的学习能力，且Sa大于0。
结合第一方面，或第一方面第一实施方式至第一方面第八实施方式中任一项，在第一方面第九实施方式中，所述对所述概率模型进行求解，包括：
获取预设数量的学习者在所述待学习知识的所有知识内容的学习记录信息；
利用获取到的所述学习记录信息，对所述概率模型中的参数进行求解。
结合第一方面第九实施方式，在第一方面第十实施方式中，采用如下公式对所述概率模型中的参数进行求解：
Figure BDA0002024828550000058
式中，m为所述学习者的编号；n为所述预设学习者在所述知识内容序列中作答所述题目内容的序号；un为所述预设学习者在所述知识内容序列中作答所述题目内容n是否正确的标记，当正确时un＝1，否则un＝0；
Figure BDA0002024828550000059
为答对所述题目内容的概率。
结合第一方面第十实施方式，在第一方面第十一实施方式中，采用如下公式对所述概率模型中的参数进行求解：
Figure BDA00020248285500000510
式中，w为权重，当所述题目内容为学习过程完成后的练习题目时，w＝1，当所述题目内容为学习过程中的题目时，0≤w≤1
结合第一方面，在第一方面第十二实施方式中，所述根据所有对应于所述学习内容的掌握度及其对应的掌握度概率，预测所述预设学习者在学习所述知识内容序列后的掌握度，包括：
利用所有所述掌握度及其对应的所述掌握度概率计算第一预测掌握度；
基于所述第一预测掌握度预测所述预设学习者在学习所述知识内容序列后的掌握度。
结合第一方面第十二实施方式，在第一方面第十三实施方式中，所述预设学习者在学习所述知识内容序列后的掌握度为第一预测掌握度，采用如下公式计算所述第一预测掌握度：
Figure BDA0002024828550000061
式中，M1为所述第一预测掌握度；M′i、
Figure BDA0002024828550000062
分别为第i个掌握度及其掌握度概率。
结合第一方面第十二实施方式，在第一方面第十四实施方式中，所述基于所述第一预测掌握度，预测所述预设学习者在学习所述知识内容序列后的掌握度，包括：
利用所述预设学习者答对所述题目内容的概率计算第二预测掌握度；
利用所述第一预测掌握度以及所述第二预测掌握度，计算所述预设学习者在学习所述知识内容序列后的掌握度。
本发明实施例提供的知识掌握度的预测方法，通过对初始掌握度进行遗忘模型的计算，使得优化后的初始掌握度更贴近学习者的真实的掌握度，提高了初始掌握度的准确性。
根据第二方面，本发明实施例还提供了一种自适应学习方法，包括：
获取多个待学习知识内容序列；其中，所述待学习知识内容序列中的每一项为待学习知识的知识内容；所述知识内容为学习内容或题目内容；
根据本发明第一方面，或第一方面任一项实施方式中所述的掌握度预测方法，预测预设学习者在学习每个所述待学习知识内容序列后的掌握度；
基于所述掌握度计算所述预设学习者在每个所述待学习知识内容序列的收益；
根据所述收益向所述预设学习者推荐所述待学习知识内容序列。
本发明实施例提供的自适应学习方法，由于对预设学习者在学习各个待学习知识内容序列后的掌握度预测时结合了具有学习属性的学习内容以及题目内容，即在预测准确性较高的掌握度的基础上，进行待学习知识内容序列，具有较好的自适应性。
结合第二方面，在第二方面第一实施方式中，所述基于所述掌握度计算所述预设学习者在每个所述待学习知识内容序列的收益，包括：
所述收益为对应的所述掌握度，
或，
获取所述预设学习者在待学习知识的初始掌握度；
基于所述初始掌握度以及所述掌握度计算所述收益。
结合第二方面第一实施方式，在第二方面第二实施方式中，所述获取所述预设学习者在待学习知识的初始掌握度，包括：
获取所述待学习知识的所有知识内容的学习记录信息中筛选出所述预设学习者在所述待学习知识的学习记录信息；
根据所述学习记录信息，计算所述预设学习者在所述待学习知识的初始掌握度。
结合第二方面第二实施方式，在第二方面第三实施方式中，所述根据所述学习记录信息，计算所述预设学习者在所述待学习知识的初始掌握度，包括：
在所述学习记录信息中提取出对应于所述题目内容的作答记录；
基于提取出的对应于所述题目内容的作答记录计算所述初始掌握度。
结合第二方面第二实施方式，在第二方面第四实施方式中，所述根据所述学习记录信息，计算所述预设学习者在所述待学习知识的初始掌握度，包括：
在所述学习记录信息中提取出对应于所述学习内容的学习记录以及对应于所述题目内容的作答记录；
基于提取出对应于所述学习内容的学习记录以及对应于所述题目内容的作答记录计算所述初始掌握度。
结合第二方面第三实施方式或第四实施方式，在第二方面第五实施方式中，还包括：
获取先验掌握度；
基于所述先验掌握度计算所述初始掌握度。
结合第二方面第二实施方式，在第二方面第六实施方式中，所述计算所述预设学习者在所述待学习知识的初始掌握度的步骤之后，还包括：
对所述初始掌握度进行遗忘模型的计算，以得到优化后的所述初始掌握度。
结合第二方面第二实施方式，在第二方面第七实施方式中，所述基于所述初始掌握度以及所述掌握度计算所述收益，包括：
预测所述预设学习者完成所述待学习知识内容序列所需的时间；
利用预测得到的所述时间、所述初始掌握度以及所述掌握度，计算所述掌握度的变化速率，以得到所述收益；其中，所述收益为所述掌握度的变化速率。
结合第二方面第七实施方式，在第二方面第八实施方式中，所述预测所述预设学习者完成所述待学习知识内容序列所需的时间，包括：
获取全部学***均时间；
计算所有所述平均时间之和，以得到所述预设学习者完成所述待学习知识内容序列所需的时间。
结合第二方面第七实施方式，在第二方面第九实施方式中，所述预测所述预设学习者完成所述待学习知识内容序列所需的时间，包括：
利用时间预测模型预测所述预设学习者完成所述待学习知识内容序列所需的时间。
结合第二方面第七实施方式，在第二方面第十实施方式中，所述预测所述预设学习者完成所述待学习知识内容序列所需的时间，包括：
利用时间预测模型以及正确率预测模型预测所述预设学习者完成所述待学习知识内容序列所需的时间。
结合第二方面，在第二方面第十一实施方式中，所述根据所述收益向所述预设学习者推荐所述待学习知识内容序列，包括：
对所述收益进行排序；
基于排序结果向所述预设学习者推荐所述待学习知识内容序列。
结合第二方面第十一实施方式，在第二方面第十二实施方式中，所述基于排序结果向所述预设学习者推荐所述待学习知识内容序列，包括：
在所述待学习知识内容序列中提取对应于所述收益最高的预设数量的所述待学习知识内容序列；
将提取出的所述待学习知识内容序列推荐给所述预设学习者。
结合第二方面第十一实施方式，在第二方面第十三实施方式中，所述基于排序结果向所述预设学习者推荐所述待学习知识内容序列，包括：
获取所述预设学习者在待学习知识的初始掌握度；
对所述初始掌握度进行排序；
基于所述初始掌握度的排序结果，对所述待学习知识内容序列进行打分，以得到第一分值；
基于所述收益的排序结果，对所述待学习知识内容序列进行打分，以得到第二分值；
利用所述第一分值以及所述第二分值，得到对应的所述待学习知识内容序列的得分值；
根据所述得分值的高低，向所述预设学习者推荐所述待学习知识内容序列。
本发明实施例提供的自适应学习方法，在推荐待学习知识内容序列时结合收益以及初始掌握度，进一步提高了所推荐的待学习知识内容序列的自适应性。
根据第三方面，本发明实施例还提供了一种电子设备，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本发明第一方面，或第一方面任一项实施方式中所述的知识掌握度的预测方法，或本发明第二方面，或第二方面任一项实施方式中所述的自适应学习方法。
根据第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行本发明第一方面，或第一方面任一项实施方式中所述的知识掌握度的预测方法，或本发明第二方面，或第二方面任一项实施方式中所述的自适应学习方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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是根据本发明实施例的知识掌握度的预测方法的流程图；
图2是根据本发明实施例的知识掌握度的预测方法的流程图；
图3是根据本发明实施例的知识掌握度的预测方法的流程图；
图4是根据本发明实施例的自适应学习方法的流程图；
图5是根据本发明实施例的自适应学习方法的流程图；
图6是根据本发明实施例的自适应学习方法的流程图；
图7是根据本发明实施例的知识掌握度的预测装置的结构框图；
图8是根据本发明实施例的自适应学习装置的结构框图；
图9是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
在对本发明实施例进行详细描述之前，对本发明实施例中所涉及的名词解释及相应的英文缩写描述如下：
待学习知识(K)信息：包括对应知识内容(KC)信息。
知识内容(KC)：学习内容(LC)或题目内容(QC)；其中，KC有两种属性，学习属性和练习属性；对于LC来说，只有学习属性；对于QC来说，同时具有学习属性和练习属性。
待学习知识内容序列(KCS)：该序列中的每一项为一个知识内容(KC)，可以是学习内容(LC)，也可以是题目内容(QC)。例如，KCS为[QC1，LC1，QC2，LC2]。
题目内容(QC)：包括学习过程中的题目(QCL)以及学习过程完成后的练习(QCP)。
需要说明的是，本发明实施例中所述的“待学习知识”不一定是学习者当前没学过的新知识。例如，学习者之前学习过“解一元一次方程”，但该知识可能需要巩固或提高。所以，学习者可能在之前已经有过学习“待学习知识”的经历。所述的“待学习知识内容序列”是“待学习知识”的相关内容，且一定是未学习过的。这里我们假设用户不会重复学习两次同样的学习内容，如观看同一段教学视频，做同一道例题等。例如，待学习知识K为一元一次方程，知识内容KC为视频、题目、文字、教学实例等等。
本发明实施例提供的知识掌握度的预测方法，所预测的是用户在学习“待学习知识内容序列”后，在“待学习知识”上的掌握度变化如何。
根据本发明实施例，提供了一种知识掌握度的预测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种知识掌握度的预测方法，可用于上述的电子设备，如手机、平板电脑等，图1是根据本发明实施例的知识掌握度的预测方法的流程图，如图1所示，该流程包括如下步骤：
S11，获取待学习知识的知识内容信息以及待学习知识内容序列。
其中，所述待学习知识内容序列中的每一项为待学习知识的知识内容；所述知识内容为学习内容或题目内容。
具体地，待学习知识内容序列为待学习知识的知识内容的集合，该序列中的每一项为学习内容，或题目内容。KCS可以是人工配置的路径的集合，也可以是由知识相关关系生成出的所有理论可选路径的集合。例如，待学习知识内容序列为[1，2，3]，其中的1、2、3为KC。
对应待学***均正确率、QC失误难度、KC访问次数等等。当待学***均正确率、QC失误难度等等。
上述列举出的知识内容信息只是示例性的说明，所需要获取到的待学习知识的知识内容信息可以根据实际情况进行具体选择，而不限于上述列举出的。同时，所获取到的待学习知识的知识内容信息可以是已知数，也可以是未知数。由于知识内容信息为所构建出的概率模型的参数，因此，当所获取到的待学习知识的知识内容信息为已知数时，后续在建模以及求解的步骤中，可以直接使用；当所获取到的待学习知识的知识内容信息为未知数时，可以在后续的建模以及求解的步骤中得到这些知识内容信息。
S12，基于待学习知识的知识内容信息，构建预设学习者的概率模型。
其中，所述概率模型包括答对题目内容的概率模型以及学会学习内容的概率模型；所述概率模型中的参数包括知识内容信息、掌握度及其对应的掌握度概率。
电子设备在该步骤中，需要构建出的概率模型包括：预设学习者答对题目内容的概率模型，以及预设学习者学会学习内容的概率模型。在概率模型中，所包括的参数除了知识内容信息以外，还有掌握度及其对应的掌握度概率。
具体地，可以利用列表的形式表示出掌握度及其对应的掌握度概率。例如，在电子设备中存储有两个列表，一个列表为掌握度列表，另一个列表为掌握度概率列表。其中，掌握度列表中每个元素与掌握度概率列表中的每个元素一一对应。
掌握度列表：M＝[M1,M2,…,Mn]；
掌握度概率列表：
Figure BDA0002024828550000121
如上表所示，M1与
Figure BDA0002024828550000122
对应，M2与
Figure BDA0002024828550000123
对应，……，依次类推，Mn与
Figure BDA0002024828550000124
对应。
进一步地，可以是在项目反应理论(IRT)的基础上，结合掌握度及其对应的掌握度概率，以及知识内容信息进行构建。例如，对于答对题目内容的概率模型而言，可以在IRT的基础上，运用与题目内容相关的知识内容信息以及掌握度及其掌握度概率进行构建；对于学会学习内容的概率模型而言，可以在IRT的基础上，运用与学习内容相关的知识内容信息以及掌握度及其掌握度概率进行构建。在此对所构建出的概率模型的具体形式并不做任何限制，只需保证在概率模型的构建中是基于待学习知识的知识内容信息以及掌握度及其对应的掌握度概率进行的即可。具体概率模型的构建将在下文中进行详细描述。
S13，对概率模型进行求解，以得到对应于待学习知识内容序列中的每一项的掌握度及其掌握度概率。
电子设备运用最优化求解的思想对构建出的概率模型进行求解，得到对应于待学习知识内容序列中的每一项的掌握度及其掌握度概率。具体在求解时，可以将答对题目内容的概率模型以及学会学习内容的概率模型结合，目标为：使得观测情况发生的概率为最大值；也可以是在预设数量的学习者在待学习知识的学习记录信息的基础上，对答对题目内容的概率模型以及学会学习内容的概率模型进行求解等等，在此对具体求解方式并不做任何限制，只需保证其能够得到对应于待学习知识内容序列中的每一项的掌握度及其掌握度概率即可。
例如，KCS为[QC1，LC1，QC2]，在学习QC1之后，掌握度列表中的掌握度及其掌握度概率进行更新，可以是保持原有掌握度不变，也可以是新增一个掌握度及其对应的掌握度概率；在学习LC1之后，掌握度列表再次进行更新；在学习QC2之后，掌握度列表再次进行更新。
可选地，在得到每一项的掌握度及其掌握度概率以外，当所获取到的待学习知识的知识内容信息为未知数时，还可以得到所获取到的待学习知识的知识内容信息。
S14，根据所有掌握度及其对应的掌握度概率，预测预设学习者在学习知识内容序列后的掌握度。
电子设备在S13中得到对应于待学习知识内容序列中的每一项的掌握度及其掌握度概率之后，可以利用将每一个掌握度及其掌握度概率相乘并计算总和，即可得到所预测的掌握度；也可以利用结合预设学习者在KCS中QC的正确率以及所得到的掌握度及其掌握度概率，进行预设学习者在学习知识内容序列后掌握度的预测。
本实施例提供的知识掌握度的预测方法，其中，学习内容具有学习属性，题目内容可以认为同时具有学习属性和练习属性，在知识掌握度预测过程中利用具有学习属性的学习内容或题目内容，将学习过程认为是对掌握度的提升有一定的影响，因此，通过对包括掌握度的概率模型进行参数的求解得到待学习知识内容序列中每一项对应的掌握度及其掌握度概率，从而即可对预设学习者在学习待学习知识内容序列之后的掌握度进行预测。由于在掌握度的预测过程中，结合了具有学习属性的学习内容以及题目内容，提高了所预测的掌握度的准确性。
在本实施例中还提供了一种知识掌握度的预测方法，可用于上述的电子设备，如手机、平板电脑等，图2是根据本发明实施例的知识掌握度的预测方法的流程图，如图2所示，该流程包括如下步骤：
S21，获取待学习知识的知识内容信息以及待学习知识内容序列。
其中，所述待学习知识内容序列中的每一项为待学习知识的知识内容；所述知识内容为学习内容或题目内容。
详细请参见图1所示实施例的S11，在此不再赘述。
S22，基于待学习知识的知识内容信息，构建预设学习者的概率模型。
其中，所述概率模型包括答对所述题目内容的概率模型以及学会学习内容的概率模型；所述概率模型中的参数包括知识内容信息、掌握度及其对应的掌握度概率。
电子设备在待学习知识的知识内容信息的基础上，需要构建出预设学习者答对题目内容的概率模型，以及预设学习者学会学习内容概率模型。所述的知识内容信息不仅包括题目内容信息，还包括有学习内容信息；不论是题目内容还是学习内容都认为是具有学习属性的，而学习属性对掌握度的提升有一定的影响。因此，在构建概率模型的过程中，将待学习知识的知识内容信息作为概率模型的参数。
具体地，所述基于待学习知识的知识内容信息，构建预设学习者的答对题目内容的概率模型包括：
S221，提取知识内容信息中的题目内容信息。
电子设备在构建预设学***均正确率、QC失误难度等等。
S222，基于题目内容信息以及每个掌握度，建立每个掌握度下答对题目内容的概率模型。
电子设备所建立的答对题目内容的概率模型是与掌握度对应的，即建立的是每个掌握度下答对题目内容的概率模型。
具体地，建立的掌握度Mi下的答对题目内容的概率模型为：f1(Mi,Qa,Qb,Qc)，Qa、Qb、Qc分别为所述题目内容信息中的区分度、难度以及猜测度；f1为第一概率预测函数。在此对第一概率预测函数并不做任何限制，可以是所有实现概率预测功能的函数。可选地，f1为IRT。
S223，利用所有掌握度下的答对题目内容的概率模型及其对应的掌握度概率建立第一概率模型。
每个掌握度对应于一个答对题目内容的概率模型，利用S222中得到的所有掌握度下的答对题目内容的概率模型及其对应的掌握度概率建立第一概率模型。
具体地，第一概率模型可以表示为：
Figure BDA0002024828550000151
其中，P1i＝f1(Mi,Qa,Qb,Qc)，P1i为第i个掌握度下所述预设学习者答对所述题目内容的概率。对应地，利用第一概率模型计算得到的概率可以表示为：
Figure BDA0002024828550000152
S224，基于第一概率模型构建预设学习者答对题目内容的概率模型。
电子设备可以在S223的所得到的第一概率模型的基础上，再进行预设学习者答对题目内容的概率模型的构建，例如，答对所述题目内容的概率模型为第一概率模型；或者，答对题目内容的概率模型为第一概率模型与其他模型的结合，等等。
进一步地，所述基于待学习知识的知识内容信息，构建预设学习者学会学习内容的概率模型，包括：
S225，提取待学习知识的知识内容信息中的学习内容信息。
电子设备在构建预设学习者学会学习内容的概率模型时，需要结合知识内容信息中的学习内容信息，因此电子设备从知识内容信息中提取出与学习内容对应的学习内容信息。例如，LC难度、LC区分度等等。
S226，基于学习内容信息以及掌握度，构建预设学习者学会学习内容的概率模型。
电子设备所构建出的学会学习内容的概率模型是与掌握度对应的，即构建每个掌握度下的学会学习内容的概率模型。具体地，
所述学习者学会所述学习内容的概率模型采用如下公式表示：
Figure BDA0002024828550000161
其中，当Mi≥Lb时，Mi不变，对应的
Figure BDA0002024828550000162
不变；
当Mi<Lb时，
Figure BDA0002024828550000163
设置为
Figure BDA0002024828550000164
同时，在掌握度列表中新增一项掌握度M′i，M′i设置为Lb，对应于M′i的
Figure BDA0002024828550000165
设置为
Figure BDA0002024828550000166
式中，
Figure BDA0002024828550000167
为所述掌握度为Mi下所述预设学习者学会所述学习内容的概率模型计算得到的概率；Lb为所述学习内容信息中的难度。
作为本实施例的一种可选实施方式，上述S224还可以采用如下方式实现，具体地包括：
(a)利用题目内容信息以及预设学习者的稳定发挥能力建立第二概率模型。
具体地，第二概率模型可以表示为：f2(Ms,Qs)，其中，Ms为所述学习者的稳定发挥能力；Qs为所述题目内容信息中的题目易失误度；f2为第二概率预测函数。在此对第二概率预测函数并不做任何限制，可以是所有实现概率预测功能的函数。可选地，f2为IRT。
(b)将通过第一概率模型计算得到的概率与通过第二概率模型计算得到的概率相乘，得到预设学习者答对题目内容的概率。
其中，通过第一概率模型计算得到的概率可以表示为：
Figure BDA0002024828550000168
通过第二概率模型计算得到的概率可以表示为：P2＝f2(Ms,Qs)；
电子设备将上述两个概率相乘，即可得到预设学习者答对题目内容的概率，可以表示为：Pr＝P1×P2，其中，Pr为通过所述预设学习者答对所述题目内容的概率模型计算得到的概率，所述预设学习者答对所述题目内容的概率为通过所述预设学习者答对所述题目内容的概率模型计算得到。对应地，预设学习者答对题目内容的概率可以表示为：
Figure BDA0002024828550000169
作为本实施例的一种可选实施方式，上述S226还可以采用如下方式实现，具体地包括：利用学习内容信息、掌握度以及预设学习者的学习能力，构建预设学习者学会学习内容的概率模型。
其中，所述预设学习者学会学习内容的概率模型采用如下公式表示：
Figure BDA0002024828550000171
其中，当Mi≥Lb时，Mi不变，对应的
Figure BDA0002024828550000172
不变；
当Mi<Lb时，
Figure BDA0002024828550000173
设置为
Figure BDA0002024828550000174
同时，新增一项掌握度M′i，M′i设置为Lb，对应于M′i的
Figure BDA0002024828550000175
设置为
Figure BDA0002024828550000176
式中，
Figure BDA0002024828550000177
为所述掌握度为Mi下所述预设学习者学会所述学习内容的概率模型计算得到的概率；La、Lb分别为所述学习内容信息中的区分度以及难度，且La大于0；Sa为所述预设学习者的学习能力，且Sa大于0。
S23，对概率模型进行求解，以得到对应于待学习知识内容序列中的每一项的掌握度及其掌握度概率。
当电子设备在S21中所获取到的待学习知识的知识内容信息为已知数时，可以直接利用预设学习者在知识内容的学习记录信息进行求解；当电子设备在S21中所获取到的知识内容信息为未知数时，可以利用其他学习者在待学习知识的所有知识内容的学习记录信息进行求解。在下文中，以所获取到的知识内容信息为未知数为例，进行详细描述。
S231，获取预设数量的学习者在待学习知识的所有知识内容的学习记录信息。
电子设备获取其他预设数量的学习者在该待学习知识的所有知识内容的学习记录信息，所述的学习记录信息包括预设数量的学习者在该待学习知识的知识内容记录，所述的记录内容包括QC是否正确，以及各个知识内容的访问时间等等。
S232，利用获取到的学习记录信息，对概率模型中的参数进行求解。
具体地，采用如下公式对所述概率模型中的参数进行求解：
Figure BDA0002024828550000178
式中，m为所述学习者的编号；n为所述预设学习者在所述知识内容序列中作答所述题目内容的序号；un为所述预设学习者在所述知识内容序列中作答所述题目内容n是否正确的标记，当正确时un＝1，否则un＝0；
Figure BDA0002024828550000181
为答对所述题目内容的概率。
作为本实施例的一种可选实施方式，也可以采用如下公式对概率模型中的参数进行求解：
Figure BDA0002024828550000182
式中，w为权重，当所述题目内容为学习过程完成后的练习题目时(即，QC为QCP)，w＝1；当所述题目内容为学习过程中的题目时(即，QC为QCL)，0≤w≤1。
需要说明的是，上述S22中的参数以及S23中参数的求解是同时进行的，二者相互影响。
S24，根据所有掌握度及其对应的掌握度概率，预测预设学习者在学习知识内容序列后的掌握度。
详细请参见图1所示实施例的S14，在此不再赘述。
需要说明的是，S221-S224以及S225-S226可以同时进行，也可以是在S221-S224完成之后，再执行S225-S226；或者，在S225-S226完成之后，再执行S221-S224。在图2中，以S221-S224以及S225-S226可以同时进行为例进行描述的，但是本发明的保护范围并不限于此。
本实施例提供的知识掌握度的预测方法，在构建答对题目内容的概率模型时，结合题目内容信息(即，与题目内容相关的信息，例如题目难度、题目猜测率等等)，从题目自身的属性出发，同时结合掌握度，能够提高所构建出的答对题目内容的概率模型的准确性；同时，在构建学会学习内容的概率模型时，结合学习内容信息(即，与学习内容相关的信息，例如学习内容难度、学习内容区分度等等)，从学习内容自身的属性出发，同时结合掌握度，能够提高所构建出的学会学习内容的概率模型的准确性。
在本实施例中提供了一种知识掌握度的预测方法，可用于上述的电子设备，如手机、平板电脑等，图3是根据本发明实施例的知识掌握度的预测方法的流程图，如图3所示，该流程包括如下步骤：
S31，获取待学习知识的知识内容信息以及待学习知识内容序列。
其中，所述待学习知识内容序列中的每一项为待学习知识的知识内容；所述知识内容为学习内容或题目内容。
详细请参见图2所示实施例的S21，在此不再赘述。
S32，基于待学习知识的知识内容信息，构建预设学习者的概率模型。
其中，所述概率模型包括答对所述题目内容的概率模型以及学会学习内容的概率模型；所述概率模型中的参数包括知识内容信息、掌握度及其对应的掌握度概率。
详细请参见图2所示实施例的S22，在此不再赘述。
S33，对概率模型进行求解，以得到对应于待学习知识内容序列中的每一项的掌握度及其掌握度概率。
详细请参见图2所示实施例的S23，在此不再赘述。
S34，根据所有掌握度及其对应的掌握度概率，预测预设学习者在学习知识内容序列后的掌握度。
电子设备在S33中得到对应于待学习知识内容序列中的每一项的掌握度及其掌握度概率之后，利用所有掌握度及其对应的掌握度概率，进行预设学习者在学习知识内容序列后的掌握度。具体地，包括：
S341，利用所有掌握度及其对应的掌握度概率计算第一预测掌握度。
其中，采用如下公式计算所述第一预测掌握度：
Figure BDA0002024828550000191
式中，M1为所述第一预测掌握度；M′i、
Figure BDA0002024828550000192
分别为第i个掌握度及其掌握度概率。
例如，待学习知识内容序列为[1，2，3]，完成1之后对应一组M′i和
Figure BDA0002024828550000197
完成2之后会更新M′i和
Figure BDA0002024828550000193
的列表，完成3之后会更新M′i和
Figure BDA0002024828550000194
的列表。
每完成待学习知识内容序列中的一项KC，会更新一次上述两个列表(即，掌握度列表及其对应的掌握度概率列表)。其中，第一预测掌握度计算公式中的M′i及其
Figure BDA0002024828550000195
是在待学习知识内容序列中的所有知识内容学完之后，预测得到的两个列表中的掌握度及其掌握度概率。
因此，对于待学习知识内容序列为[1，2，3]而言，在完成3并更新掌握度列表及其对应的掌握度概率列表，再利用更新后的掌握度列表及其对应的掌握度概率列表中的对应元素M′i和
Figure BDA0002024828550000196
计算第一预测掌握度。
S342，基于第一预测掌握度预测预设学习者在学习知识内容序列后的掌握度。
其中，可以直接将S341中计算得到第一预测掌握度作为预设学习者在学习知识内容序列后的预测掌握度；也可以在第一预测掌握度的基础上，结合其他参数进行掌握度预测。
作为本实施例的一种可选实施方式，S342包括：
(a)利用预设学习者答对题目内容的概率计算第二预测掌握度。
电子设备可以是获取到预设学习者在题目内容的作答记录，即利用预设学习答对待学习知识内容序列中的题目内容的概率计算第二预测掌握度，例如可以是利用IRT等算法进行掌握度的计算。
(b)利用第一预测掌握度以及第二预测掌握度，计算预设学习者在学习知识内容序列后的掌握度。
电子设备在计算得到第一预测掌握度以及第二预测掌握度之后，可以求两个预测掌握度的均值，也可以是对两个预测掌握度进行加权计算均值，从而得到预设学习者在学习知识内容序列后的掌握度。
在本实施例中提供了一种自适应学***板电脑等，图4是根据本发明实施例的知识掌握度的预测方法的流程图，如图4所示，该流程包括如下步骤：
S41，获取多个待学习知识内容序列。
其中，所述待学习知识内容序列中的每一项为待学习知识的知识内容；所述知识内容为学习内容或题目内容。
电子设备所获取到的待学习知识内容序列可以表示为：[1，2，3]，[1，2，4]，[1，3，4]，[1，3，5]。其中，1、2、3、4、5为知识内容。电子设备所获取到的多个待学习知识内容序列可以是人工配置的路径的集合，也可以是由知识相关关系生成出的所有理论可选路径的集合。
电子设备利用上述图1-图3所示实施例中的知识掌握度的预测方法，对预设学习者在每个待学习知识内容序列学习后的掌握度进行预测，并基于掌握度的预测结果向预设学习进行待学习知识内容序列的推荐，以保证向预设学习者在所推荐的待学习知识序列的学习之后，对于待学习知识的掌握度具有较大的提升。
S42，根据上述任一项实施例中所述的掌握度预测方法，预测预设学习者在学习每个所述待学习知识内容序列后的掌握度。
其中，关于知识掌握度的预测方法请参见图1-图3所示实施例的详细描述，在此不再赘述。
电子设备利用图1-图3所示实施例的知识掌握度的预测方法，对预设学习者在学习每个待学习知识内容序列后的掌握度进行预测。例如，电子设备获取到4个待学习知识内容序列，那么在S42之后，对应于每个待学习知识内容序列得到预测的4个掌握度。
S43，基于掌握度计算预设学习者在每个待学习知识内容序列的收益。
所述的收益用于表示预设学习者在学习每个待学习知识内容序列后的掌握度、掌握度变化、掌握度变化率等等。
S44，根据收益向预设学习者推荐待学习知识内容序列。
电子设备可以利用收益的高低，依次向预设学习者推荐待学习知识内容序列；也可以在收益的基础上再结合其他参数，得到向预设学习者推荐待学习知识内容序列的依据等等。
本实施例提供的自适应学习方法，由于对预设学习者在学习各个待学习知识内容序列后的掌握度预测时结合了具有学习属性的学习内容以及题目内容，即在预测准确性较高的掌握度的基础上，进行待学习知识内容序列，具有较好的自适应性。
在本实施例中还提供了一种自适应学***板电脑等，图5是根据本发明实施例的知识掌握度的预测方法的流程图，如图5所示，该流程包括如下步骤：
S51，获取多个待学习知识内容序列。
其中，所述待学习知识内容序列中的每一项为待学习知识的知识内容；所述知识内容为学习内容或题目内容。
详细请参见图4所示实施例的S41，在此不再赘述。
S52，根据上述任一项实施例中所述的掌握度预测方法，预测预设学习者在学习每个所述待学习知识内容序列后的掌握度。
详细请参见图4所示实施例的S42，在此不再赘述。
S53，基于掌握度计算预设学习者在每个待学习知识内容序列的收益。
其中，收益可以是S52中计算得到的掌握度；也可以是掌握度的变化；或者是掌握度的变化率。对于掌握度的变化，或掌握度的变化率而言，电子设备还需要获取到预设学习者在待学习知识的初始掌握度，在下文中将对初始掌握度的获取进行详细描述。
具体地，包括以下步骤：
S531，获取预设学习者在待学习知识的初始掌握度。
对于初始掌握度而言，可以是直接能够获取到初始掌握度，也可以是在需要使用初始掌握度时计算得到的。
对于初始掌握度的计算包括以下步骤：
(a)获取预设学习者在待学习知识的学习记录信息。
(b)根据学习记录信息，计算预设学习者在待学习知识的初始掌握度。
电子设备利用预设学习者在待学习知识的学习记录信息(包括题目内容的作答记录或学习内容的学习记录)计算在待学习知识的初始掌握度。例如，可以仅利用题目内容的作答记录，计算初始掌握度；也可以利用题目内容的作答记录与学习内容的学习记录的结合，计算初始掌握度等等。
作为本实施例的一种可选实施方式，上述步骤(b)包括：
(b.1)在学习记录信息中提取出对应于题目内容的作答记录。
(b.2)基于提取出的对应于题目内容的作答记录计算初始掌握度。
电子设备利用预设学习者在对题目内容的作答记录应用模型来计算初始掌握度，例如可以利用IRT等计算初始掌握度。
作为本实施例的另一种可选实施方式，上述步骤(b)包括：
(b.1)在学习记录信息中提取出对应于学习内容的学习记录以及对应于题目内容的作答记录。
(b.2)基于提取出对应于学习内容的学习记录以及对应于题目内容的作答记录计算初始掌握度。
电子设备利用预设学习者对学习内容的学习记录以及题目内容的作答记录，应用综合模型来计算初始掌握度。具体地，初始掌握度的计算请参见图2所示实施例的S22以及S23的描述，与其不同的是，此处被求解的参数只有初始掌握度，其他参数被认为是已知量。
在本实施例的一些可选实施方式中，初始掌握度的计算还包括：获取先验掌握度；基于先验掌握度计算初始掌握度。
例如，利用先验掌握度与上述方法得到的掌握度结合的方法计算得到初始掌握度。此处的初始掌握度可以由预设学习者在其他待学习知识的初始掌握度计算得到(例如，求均值或取时间最近的一项)，或由待学习知识的相关前置知识中的初始掌握度计算得来。
在本实施例的另一些可选实施方式中，所述计算所述预设学习者在所述待学习知识的初始掌握度的步骤之后，还包括：
对初始掌握度进行遗忘模型的计算，以得到优化后的初始掌握度。
通过对初始掌握度进行遗忘模型的计算，使得优化后的初始掌握度更贴近学习者的真实的掌握度，提高了初始掌握度的准确性。
S532，基于初始掌握度以及掌握度计算收益。
其中，收益可以是掌握度的变化(即，S52中得到的掌握度与S531中得到的初始掌握度的差值)，或掌握度的变化率。所述掌握度的变化率为掌握度的变化与完成待学习知识序列的时间的比值。
具体地，以收益为掌握度的变化率为例，该步骤包括：
(a)预测预设学习者完成待学习知识内容序列所需的时间。
电子设备对于预设学习者完成待学习知识内容序列所需的时间的预测可以利用时间预测模型进行时间的预测，例如，将预设学习者在某项内容的用时分段，视为其在该内容的得分，用MIRT对其求解；也可以利用时间预测模型与正确率预测模型的结合，进行时间的预测，例如，将以上两个模型(时间预测模型以及正确率预测模型)中的题目内容的正确作答和错误作答看做两种情况，并根据对预设学习者在题目内容的正确率预测结果来预测其用时，但是该方法只适用于题目内容。
(b)利用预测得到的时间、初始掌握度以及掌握度，计算掌握度的变化速率，以得到所述收益；其中，所述收益为所述掌握度的变化速率。
收益＝(掌握度-初始掌握度)/预测得到的时间。
作为本实施例的一种可选实施方式，所述步骤(a)，包括：
(a.1)获取全部学***均时间。
(a.2)计算所有平均时间之和，以得到预设学习者完成待学习知识内容序列所需的时间。
具体地，预设学***均用时之和。
S54，根据收益向预设学习者推荐待学习知识内容序列。
详细请参见图4所示实施例的详细描述，在此不再赘述。
在本实施例中提供了一种自适应学***板电脑等，图6是根据本发明实施例的知识掌握度的预测方法的流程图，如图6所示，该流程包括如下步骤：
S61，获取多个待学习知识内容序列。
其中，所述待学习知识内容序列中的每一项为待学习知识的知识内容；所述知识内容为学习内容或题目内容。
详细请参见图5所示实施例的S51，在此不再赘述。
S62，根据上述任一项实施例中所述的掌握度预测方法，预测预设学习者在学习每个所述待学习知识内容序列后的掌握度。
详细请参见图5所示实施例的S52，在此不再赘述。
S63，基于掌握度计算预设学习者在每个待学习知识内容序列的收益。
详细请参见图5所示实施例的S53，在此不再赘述。
S64，根据收益向预设学习者推荐待学习知识内容序列。
具体地，该步骤包括：
S641，对收益进行排序。
S642，基于排序结果向预设学习者推荐待学习知识内容序列。
电子设备对S63中计算得到的收益进行排序，在排序结果的基础上，向预设学习者推荐待学习知识内容序列。例如，可以在多个待学习知识序列中选出掌握度最高的n个待学习知识内容序列，并按照顺序推荐给预设学习者。
可选地，也可以在多个待学习知识序列中选出掌握度变化最高的n个待学习知识内容序列，并按照顺序推荐给预设学习者。
进一步可选地，可以在多个待学习知识序列中选出掌握度变化率最高的n个待学习知识内容序列，并按照顺序推荐给预设学习者。
作为本实施例的一种可选实施方式，上述S642包括：
(a)获取预设学习者在待学习知识的初始掌握度。
(b)对初始掌握度进行排序。
(c)基于初始掌握度的排序结果，对待学习知识内容序列进行打分，以得到第一分值。
电子设备在打分时，将预设学习者在知识内容序列对应待学习知识的初始掌握度进行排序(由高到低或由低到高)，再根据该排序对知识内容序列进行打分，其中S1i>＝S1i+1，S1i为上述排序中第i位知识内容序列对应的分数，对具体的打分数值并不做任何限定。
(d)基于收益的排序结果，对待学习知识内容序列进行打分，以得到第二分值。
其中，S2i>＝S2i+1，S2i为上述排序中第i位知识内容序列对应的分数。电子设备在打分时，只需保证收益高的，对应的第二分值也高即可，对具体的打分数值并不做任何限定。
(e)利用第一分值以及第二分值，得到对应的待学习知识内容序列的得分值。
其中，得分值可以是第一分值与第二分值的均值，也可以是第一分值与第二分值的加权均值等等，对得分值的具体计算并不做任何限定。
(f)根据得分值的高低，向预设学习者推荐待学习知识内容序列。
本实施例提供的自适应学习方法，在推荐待学习知识内容序列时结合收益以及初始掌握度，进一步提高了所推荐的待学习知识内容序列的自适应性。
在本实施例中还提供了一种知识掌握度的预测装置，或自适应学习装置，该装置用于实现上述对应实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种知识掌握度的预测装置，如图7所示，包括：
第一获取模块71，用于获取待学习知识的知识内容信息以及待学习知识内容序列；其中，所述待学习知识内容序列中的每一项为待学习知识的知识内容；所述知识内容为学习内容或题目内容。
概率模型构建模块72，用于基于所述待学习知识的知识内容信息，构建预设学习者的概率模型；其中，所述概率模型包括答对所述题目内容的概率模型以及学会所述学习内容的概率模型；所述概率模型中的参数包括所述知识内容信息、掌握度及其对应的掌握度概率。
求解模块73，用于对所述概率模型进行求解，以得到对应于所述待学习知识内容序列中的每一项的掌握度及其掌握度概率。
掌握度预测模块74，用于根据所有所述掌握度及其对应的掌握度概率，预测所述预设学习者在学习所述知识内容序列后的掌握度。
本实施例提供的知识掌握度的预测装置，学习内容具有学习属性，题目内容可以认为同时具有学习属性和练习属性，在知识掌握度预测过程中利用具有学习属性的学习内容或题目内容，将学习过程认为是对掌握度的提升有一定的影响，因此，通过对包括掌握度的概率模型进行参数的求解得到待学习知识内容序列中每一项对应的掌握度及其掌握度概率，从而即可对预设学习者在学习待学习知识内容序列之后的掌握度进行预测。由于在掌握度的预测过程中，结合了具有学习属性的学习内容以及题目内容，提高了所预测的掌握度的准确性。
本实施例提供一种自适应学习装置，如图8所示，包括：
第二获取模块81，用于获取多个待学习知识内容序列；其中，所述待学习知识内容序列中的每一项为待学习知识的知识内容；所述知识内容为学习内容或题目内容。
预测模块82，用于根据上述任一项实施例中所述的掌握度预测方法，预测预设学习者在学习每个所述待学习知识内容序列后的掌握度；
收益计算模块83，用于基于所述掌握度计算所述预设学习者在每个所述待学习知识内容序列的收益。
推荐模块84，用于根据所述收益向所述预设学习者推荐所述待学习知识内容序列。
本实施例提供的自适应学习装置，由于对预设学习者在学习各个待学习知识内容序列后的掌握度预测时结合了具有学习属性的学习内容以及题目内容，即在预测准确性较高的掌握度的基础上，进行待学习知识内容序列，具有较好的自适应性。
本实施例中的知识掌握度的预测装置，或自适应学习装置是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本发明实施例还提供一种电子设备，具有上述图7所示的知识掌握度的预测装置，或图8所示的自适应学习装置。
请参阅图9，图9是本发明可选实施例提供的一种电子设备的结构示意图，如图9所示，该电子设备可以包括：至少一个处理器91，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口93，存储器94，至少一个通信总线92。其中，通信总线92用于实现这些组件之间的连接通信。其中，通信接口93可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口93还可以包括标准的有线接口、无线接口。存储器94可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器94可选的还可以是至少一个位于远离前述处理器91的存储装置。其中处理器91可以结合图7或图8所描述的装置，存储器94中存储应用程序，且处理器91调用存储器94中存储的程序代码，以用于执行上述任一方法步骤。
其中，通信总线92可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线92可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器94可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器94还可以包括上述种类的存储器的组合。
其中，处理器91可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器91还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器94还用于存储程序指令。处理器91可以调用程序指令，实现如本申请图1至3实施例中所示的知识掌握度的预测方法，或图4至6实施例中所示的自适应学习方法。
本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的知识掌握度的预测方法或自适应学习方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (26)

1.一种自适应学习方法，其特征在于，包括：
获取待学习知识的知识内容信息以及待学习知识内容序列；其中，所述待学习知识内容序列为待学习知识的知识内容的集合，所述待学习知识内容序列中的每一项为所述待学习知识的知识内容；所述知识内容为学习内容或题目内容；
基于所述待学习知识的知识内容信息，构建预设学习者的概率模型；其中，所述概率模型包括答对所述题目内容的概率模型以及学会所述学习内容的概率模型；所述概率模型中的参数包括所述知识内容信息、掌握度及其对应的掌握度概率；
对所述概率模型进行求解，以得到对应于所述待学习知识内容序列中的每一项的掌握度及其掌握度概率；
根据所有所述掌握度及其对应的掌握度概率，预测所述预设学习者在学习所述知识内容序列后的掌握度；
基于所述掌握度计算所述预设学习者在每个所述待学习知识内容序列的收益，所述收益用于表示预设学习者在学习每个待学习知识内容序列后的掌握度、掌握度变化、掌握度变化率；
根据所述收益向所述预设学习者推荐所述待学习知识内容序列；
其中，构建所述答对所述题目内容的概率模型，包括：
提取所述知识内容信息中的题目内容信息；
基于所述题目内容信息以及每个所述掌握度，建立每个所述掌握度下答对所述题目内容的概率模型；
利用所有所述掌握度下的答对所述题目内容的概率模型及其对应的所述掌握度概率建立第一概率模型；
基于所述第一概率模型构建所述预设学习者答对所述题目内容的概率模型；
所述答对所述题目内容的概率模型为所述第一概率模型，其中，所述第一概率模型采用如下公式表示：
Figure FDA0003513152600000021
其中，P1i＝f1(Mi,Qa,Qb,Qc)；
式中，P1为通过所述第一概率模型计算得到的概率；Mi、
Figure FDA0003513152600000022
分别为第i个掌握度及其对应的掌握度概率；P1i为第i个掌握度下所述预设学习者答对所述题目内容的概率；Qa、Qb、Qc分别为所述题目内容信息中的区分度、难度以及猜测度；f1为第一概率预测函数；
构建所述学会所述学习内容的概率模型，包括：
提取所述待学习知识的知识内容信息中的学习内容信息；
基于所述学习内容信息以及所述掌握度，构建所述预设学习者学会所述学习内容的概率；
所述学习者学会所述学习内容的概率模型采用如下公式表示：
Figure FDA0003513152600000023
其中，当Mi≥Lb时，Mi不变，对应的
Figure FDA0003513152600000024
不变；
当Mi<Lb时，
Figure FDA0003513152600000025
设置为
Figure FDA0003513152600000026
同时，新增一项掌握度Mi'，Mi'设置为Lb，对应于Mi'的
Figure FDA0003513152600000027
设置为
Figure FDA0003513152600000028
式中，
Figure FDA0003513152600000029
为所述掌握度为Mi下所述预设学习者学会所述学习内容的概率模型计算得到的概率；Lb为所述学习内容信息中的难度。
2.根据权利要求1所述的方法，其特征在于，所述基于所述第一概率模型构建所述预设学习者答对所述题目内容的概率模型，包括：
利用所述题目内容信息以及所述预设学习者的稳定发挥能力建立第二概率模型；
将通过所述第一概率模型计算得到的概率与通过所述第二概率模型计算得到的概率相乘，得到所述预设学习者答对所述题目内容的概率；其中，所述预设学习者答对所述题目内容的概率为通过所述预设学习者答对所述题目内容的概率模型计算得到。
3.根据权利要求2所述的方法，其特征在于，所述预设学习者答对所述题目内容的概率模型采用如下公式表示：
Pr＝P1×P2，其中，P2＝f2(Ms,Qs)；
式中，Pr为通过所述预设学习者答对所述题目内容的概率模型计算得到的概率；P1为通过所述第一概率模型计算得到的概率；P2为通过所述第二概率模型计算得到的概率；Ms为所述学习者的稳定发挥能力；Qs为所述题目内容信息中的题目易失误度；f2为第二概率预测函数。
4.根据权利要求1所述的方法，其特征在于，所述基于所述学习内容信息以及所述掌握度，构建所述预设学习者学会所述学习内容的概率，还包括：
利用所述学习内容信息、所述掌握度以及所述预设学习者的学习能力，构建所述预设学习者学会所述学习内容的概率模型。
5.根据权利要求4所述的方法，其特征在于，所述预设学习者学会所述学习内容的概率模型采用如下公式表示：
Figure FDA0003513152600000031
其中，当Mi≥Lb时，Mi不变，对应的
Figure FDA0003513152600000032
不变；
当Mi<Lb时，
Figure FDA0003513152600000033
设置为
Figure FDA0003513152600000034
同时，新增一项掌握度Mi'，Mi'设置为Lb，对应于Mi'的
Figure FDA0003513152600000035
设置为
Figure FDA0003513152600000036
式中，
Figure FDA0003513152600000037
为所述掌握度为Mi下所述预设学习者学会所述学习内容的概率模型计算得到的概率；La、Lb分别为所述学习内容信息中的区分度以及难度，且La大于0；Sa为所述预设学习者的学习能力，且Sa大于0。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述对所述概率模型进行求解，包括：
获取预设数量的学习者在所述待学习知识的所有知识内容的学习记录信息；
利用获取到的所述学习记录信息，对所述概率模型中的参数进行求解。
7.根据权利要求6所述的方法，其特征在于，采用如下公式对所述概率模型中的参数进行求解：
Figure FDA0003513152600000041
式中，m为所述学习者的编号；n为所述预设学习者在所述知识内容序列中作答所述题目内容的序号；un为所述预设学习者在所述知识内容序列中作答所述题目内容n是否正确的标记，当正确时un＝1，否则un＝0；
Figure FDA0003513152600000042
为答对所述题目内容的概率。
8.根据权利要求7所述的方法，其特征在于，采用如下公式对所述概率模型中的参数进行求解：
Figure FDA0003513152600000043
式中，w为权重，当所述题目内容为学习过程完成后的练习题目时，w＝1，当所述题目内容为学习过程中的题目时，0≤w≤1。
9.根据权利要求1所述的方法，其特征在于，所述根据所有对应于所述学习内容的掌握度及其对应的掌握度概率，预测所述预设学习者在学习所述知识内容序列后的掌握度，包括：
利用所有所述掌握度及其对应的所述掌握度概率计算第一预测掌握度；
基于所述第一预测掌握度预测所述预设学习者在学习所述知识内容序列后的掌握度。
10.根据权利要求9所述的方法，其特征在于，所述预设学习者在学习所述知识内容序列后的掌握度为第一预测掌握度，采用如下公式计算所述第一预测掌握度：
Figure FDA0003513152600000051
式中，M1为所述第一预测掌握度；Mi'、
Figure FDA0003513152600000052
分别为所述新增的一项掌握度及其掌握度概率。
11.根据权利要求9所述的方法，其特征在于，所述基于所述第一预测掌握度，预测所述预设学习者在学习所述知识内容序列后的掌握度，包括：
利用所述预设学习者答对所述题目内容的概率计算第二预测掌握度；
利用所述第一预测掌握度以及所述第二预测掌握度，计算所述预设学习者在学习所述知识内容序列后的掌握度。
12.根据权利要求1所述的方法，其特征在于，所述基于所述掌握度计算所述预设学习者在每个所述待学习知识内容序列的收益，包括：
所述收益为所述掌握度；
或，
获取所述预设学习者在待学习知识的初始掌握度；
基于所述初始掌握度以及所述掌握度计算所述收益。
13.根据权利要求12所述的方法，其特征在于，所述获取所述预设学习者在待学习知识的初始掌握度，包括：
获取所述预设学习者在所述待学习知识的学习记录信息；
根据所述学习记录信息，计算所述预设学习者在所述待学习知识的初始掌握度。
14.根据权利要求13所述的方法，其特征在于，所述根据所述学习记录信息，计算所述预设学习者在所述待学习知识的初始掌握度，包括：
在所述学习记录信息中提取出对应于题目内容的作答记录；
基于提取出的对应于所述题目内容的作答记录计算所述初始掌握度。
15.根据权利要求13所述的方法，其特征在于，所述根据所述学习记录信息，计算所述预设学习者在所述待学习知识的初始掌握度，包括：
在所述学习记录信息中提取出对应于所述学习内容的学习记录以及对应于所述题目内容的作答记录；
基于提取出对应于所述学习内容的学习记录以及对应于所述题目内容的作答记录计算所述初始掌握度。
16.根据权利要求14或15所述的方法，其特征在于，还包括：
获取先验掌握度；
基于所述先验掌握度计算所述初始掌握度。
17.根据权利要求13所述的方法，其特征在于，所述计算所述预设学习者在所述待学习知识的初始掌握度的步骤之后，还包括：
对所述初始掌握度进行遗忘模型的计算，以得到优化后的所述初始掌握度。
18.根据权利要求13所述的方法，其特征在于，所述基于所述初始掌握度以及所述掌握度计算所述收益，包括：
预测所述预设学习者完成所述待学习知识内容序列所需的时间；
利用预测得到的所述时间、所述初始掌握度以及所述掌握度，计算所述掌握度的变化速率，以得到所述收益；其中，所述收益为所述掌握度的变化速率。
19.根据权利要求18所述的方法，其特征在于，所述预测所述预设学习者完成所述待学习知识内容序列所需的时间，包括：
获取全部学***均时间；
计算所有所述平均时间之和，以得到所述预设学习者完成所述待学习知识内容序列所需的时间。
20.根据权利要求18所述的方法，其特征在于，所述预测所述预设学习者完成所述待学习知识内容序列所需的时间，包括：
利用时间预测模型预测所述预设学习者完成所述待学习知识内容序列所需的时间。
21.根据权利要求18所述的方法，其特征在于，所述预测所述预设学习者完成所述待学习知识内容序列所需的时间，包括：
利用时间预测模型以及正确率预测模型预测所述预设学习者完成所述待学习知识内容序列所需的时间。
22.根据权利要求1所述的方法，其特征在于，所述根据所述收益向所述预设学习者推荐所述待学习知识内容序列，包括：
对所述收益进行排序；
基于排序结果向所述预设学习者推荐所述待学习知识内容序列。
23.根据权利要求22所述的方法，其特征在于，所述基于排序结果向所述预设学习者推荐所述待学习知识内容序列，包括：
在所述待学习知识内容序列中提取对应于所述收益最高的预设数量的所述待学习知识内容序列；
将提取出的所述待学习知识内容序列推荐给所述预设学习者。
24.根据权利要求22所述的方法，其特征在于，所述基于排序结果向所述预设学习者推荐所述待学习知识内容序列，包括：
获取所述预设学习者在待学习知识的初始掌握度；
对所述初始掌握度进行排序；
基于所述初始掌握度的排序结果，对所述待学习知识内容序列进行打分，以得到第一分值；
基于所述收益的排序结果，对所述待学习知识内容序列进行打分，以得到第二分值；
利用所述第一分值以及所述第二分值，得到对应的所述待学习知识内容序列的得分值；
根据所述得分值的高低，向所述预设学习者推荐所述待学习知识内容序列。
25.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-24中任一项所述的自适应学习方法。
26.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-24中任一项所述的自适应学习方法。
CN201910290741.0A 2019-04-11 2019-04-11 知识掌握度的预测方法、自适应学习方法及电子设备 Active CN110110899B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910290741.0A CN110110899B (zh) 2019-04-11 2019-04-11 知识掌握度的预测方法、自适应学习方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910290741.0A CN110110899B (zh) 2019-04-11 2019-04-11 知识掌握度的预测方法、自适应学习方法及电子设备

Publications (2)

Publication Number Publication Date
CN110110899A CN110110899A (zh) 2019-08-09
CN110110899B true CN110110899B (zh) 2022-04-05

Family

ID=67483834

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910290741.0A Active CN110110899B (zh) 2019-04-11 2019-04-11 知识掌握度的预测方法、自适应学习方法及电子设备

Country Status (1)

Country Link
CN (1) CN110110899B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021095571A1 (ja) * 2019-11-11 2021-05-20 株式会社Ｚ会 学習効果推定装置、学習効果推定方法、プログラム
CN111554143B (zh) * 2020-03-31 2021-08-27 北京课程帮科技有限公司 一种基于co-mirt算法模型的测评方法和装置
CN112053269B (zh) * 2020-09-22 2024-03-15 腾讯科技（深圳）有限公司 一种学情诊断方法、装置、设备及存储介质
CN114529436B (zh) * 2022-02-10 2023-01-10 珠海读书郎软件科技有限公司 一种知识点掌握程度评估方法、装置及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599089A (zh) * 2016-11-23 2017-04-26 广东小天才科技有限公司 一种基于知识点的试题推荐方法及装置、用户设备
CN108694501A (zh) * 2018-05-04 2018-10-23 北京航空航天大学 一种面向xAPI的个性化学习效果分析***及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160005323A1 (en) * 2014-07-03 2016-01-07 Mentorum Solutions Inc. Adaptive e-learning system and method
US10490092B2 (en) * 2017-03-17 2019-11-26 Age Of Learning, Inc. Personalized mastery learning platforms, systems, media, and methods
CN107248019A (zh) * 2017-04-13 2017-10-13 杭州博世数据网络有限公司 一种云教学平台在线教学评价***
CN108090119A (zh) * 2017-11-08 2018-05-29 广东小天才科技有限公司 显示题目答案的方法、装置、移动终端及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599089A (zh) * 2016-11-23 2017-04-26 广东小天才科技有限公司 一种基于知识点的试题推荐方法及装置、用户设备
CN108694501A (zh) * 2018-05-04 2018-10-23 北京航空航天大学 一种面向xAPI的个性化学习效果分析***及方法

Also Published As

Publication number Publication date
CN110110899A (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
CN110110899B (zh) 知识掌握度的预测方法、自适应学习方法及电子设备
CN110399541B (zh) 基于深度学习的题目推荐方法、装置及存储介质
CN109816265B (zh) 知识特征掌握度的评价方法、题目推荐方法及电子设备
CN108875055B (zh) 一种***方法及设备
US8832117B2 (en) Apparatus, systems and methods for interactive dissemination of knowledge
CN106126524B (zh) 信息推送方法和装置
CN111177413A (zh) 学习资源推荐方法、装置和电子设备
CN110781377B (zh) 一种文章推荐方法、装置
CN112231516B (zh) 视频摘要生成模型的训练方法、视频摘要生成方法及装置
CN113221019A (zh) 基于即时学习的个性化推荐方法和***
CN113284382A (zh) 一种基于虚拟现实的远程教育培训平台方法及***
CN115577185A (zh) 基于混合推理和中智群决策的慕课推荐方法及装置
CN109948078A (zh) 信息处理***、电子设备、信息处理方法以及记录介质
CN111626827A (zh) 基于序列推荐模型的物品推荐方法、装置、设备及介质
JP2017003673A (ja) 学習支援置
CN112365384B (zh) 目标事件结果指标权重、影响因素值确定方法及相关装置
CN114969487A (zh) 一种课程推荐方法、装置、计算机设备及存储介质
KR102406414B1 (ko) 잠재인자에 기반한 협업 필터링을 사용하여 사용자의 정답확률을 예측하는 학습 컨텐츠 추천 시스템 및 그것의 동작방법
CN113283488A (zh) 一种基于学习行为的认知诊断方法及***
CN115081965B (zh) 一种学情大数据分析***及学情服务器
CN114707775B (zh) 知识追踪模型训练方法、追踪方法、装置、设备及介质
CN111401525A (zh) 一种基于深度学习的适应性学习***和方法
CN111062449A (zh) 预测模型的训练方法、兴趣度预测方法、装置和存储介质
CN113407806B (zh) 网络结构搜索方法、装置、设备及计算机可读存储介质
CN111784553A (zh) 数据分析方法、装置、电子设备及存储介质

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