CN111080025A - 学习特征数据的处理方法及装置、电子设备 - Google Patents

学习特征数据的处理方法及装置、电子设备 Download PDF

Info

Publication number
CN111080025A
CN111080025A CN201911358851.2A CN201911358851A CN111080025A CN 111080025 A CN111080025 A CN 111080025A CN 201911358851 A CN201911358851 A CN 201911358851A CN 111080025 A CN111080025 A CN 111080025A
Authority
CN
China
Prior art keywords
learning
attribute
grouping
target object
target
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
Application number
CN201911358851.2A
Other languages
English (en)
Inventor
卜晨阳
张天然
刘菲
胡学钢
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201911358851.2A priority Critical patent/CN111080025A/zh
Publication of CN111080025A publication Critical patent/CN111080025A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24553—Query execution of query operations
    • G06F16/24554—Unary operations; Data partitioning operations
    • G06F16/24556—Aggregation; Duplicate elimination
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Educational Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种学习特征数据的处理方法及装置、电子设备。其中，该方法包括：获取多个目标对象在历史学习过程中的初始学习特征数据，并基于初始学习特征数据的特征等级进行分组，得到学习特征分组属性；基于学习特征分组属性的优先级排序结果，确定每个目标对象的属性权值；将每个目标对象的初始学习特征数据与学习特征分组属性进行匹配，得到匹配结果；基于目标对象的属性权值和匹配结果计算每个目标对象的学习特征分组属性的属性评分；基于学习特征分组属性的属性评分，对多个目标对象进行分组，得到多个对象集合；初始化每个对象集合中目标对象的试题参数，并将试题参数输入认知诊断模型，以预估每个对象集合的学习参数。

Description

学习特征数据的处理方法及装置、电子设备
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种学习特征数据的处理方法及装置、电子设备。
背景技术
相关技术中，学校中在进行教学管理时，往往需要掌握各个学生的学***台，随着在线教育平台的不断发展，“互联网+教育”带来了教育变迁和政策响应。通过在线教育平台中的学生学***台上学***也各不相同，最终会导致对学生知识点掌握情况的认知出现偏差，影响后续的教学质量。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种学***存在偏差，影响教学质量的技术问题。
根据本发明实施例的一个方面，提供了一种学习特征数据的处理方法，包括：获取多个目标对象在历史学习过程中的初始学习特征数据，并基于所述初始学习特征数据的特征等级进行分组，得到学习特征分组属性并对其进行优先级排序；基于学习特征分组属性的优先级排序结果，确定每个目标对象的属性权值；将每个目标对象的初始学习特征数据与所述学习特征分组属性进行匹配，得到匹配结果；基于目标对象的属性权值和匹配结果计算每个目标对象的学习特征分组属性的属性评分；基于所述学习特征分组属性的属性评分，对多个目标对象进行分组，得到多个对象集合；初始化每个对象集合中所述目标对象的试题参数，并将所述试题参数输入认知诊断模型，以预估每个对象集合的学习参数，其中，所述学习参数用于分析所述目标对象对知识点的掌握情况。
可选地，所述学***均成绩、竞赛获奖数据、所述目标对象在目标学习***的学习状态数据，其中，所述先决课程用于指示与所述目标课程相关的基础课程。
可选地，基于学习特征分组属性的优先级排序结果，确定每个目标对象的属性权值包括：确定学习特征的优先级数量；获取每个学习特征分组属性的优先级次序，并基于所述学习特征分组属性的优先级次序和学习特征的优先级数量创建优先级矩阵；基于所述优先级矩阵，计算每个所述学习特征分组属性的属性权值。
可选地，基于目标对象的属性权值和匹配结果计算每个目标对象的学习特征分组属性的属性评分的步骤，包括：确定目标对象的数量，得到总目标对象数量；基于总目标对象数量、每个所述目标对象的学习特征分组属性和所述学习特征分组属性的属性权值，计算每个所述目标对象的学习特征分组属性的属性评分。
可选地，基于所述学习特征分组属性的属性评分，对多个目标对象进行分组，得到多个对象集合的步骤，包括：确定目标对象分组总数量；基于所述目标对象分组总数量，对全部的目标对象进行聚类分组，得到多个对象集合，其中，每组所述对象集合中包含有至少一个目标对象；在得到多个对象集合之后，所述处理方法还包括：确定对象集合中每个所述目标对象的学习特征分组属性的属性评分，得到与每个所述对象集合对应的集合属性评分；计算每个所述对象集合中的集合属性评分的评分均值，并对所述评分均值进行排序，得到分组排序矩阵。
可选地，初始化每个对象集合中所述目标对象的试题参数，并将所述试题参数输入认知诊断模型，以预估每个所述对象集合的学习参数的步骤，包括：确定每个对象集合中所述目标对象的试题失误率和试题猜测率，得到试题参数；根据所述目标对象所在的对象集合的集合层次，计算各个对象集合的试题参数；将每个所述对象集合中每个目标对象的试题参数输入认知诊断模型，以预估每个所述对象集合的学习参数。
可选地，预估的学习参数包括下述至少之一：试题猜测率、试题粗心率和课程得分。
根据本发明实施例的另一方面，还提供了一种学习特征数据的处理装置，包括：获取单元，用于获取多个目标对象在历史学习过程中的初始学习特征数据，并基于所述初始学习特征数据的特征等级进行分组，得到学习特征分组属性；确定单元，用于基于学习特征分组属性的优先级排序结果，确定每个目标对象的属性权值；匹配单元，用于将每个目标对象的初始学习特征数据与所述学习特征分组属性进行匹配，得到匹配结果；计算单元，用于基于目标对象的属性权值和匹配结果计算每个目标对象的学习特征分组属性的属性评分；分组单元，用于基于所述学习特征分组属性的属性评分，对多个目标对象进行分组，得到多个对象集合；预估单元，用于初始化每个对象集合中所述目标对象的试题参数，并将所述试题参数输入认知诊断模型，以预估每个对象集合的学习参数，其中，所述学习参数用于分析所述目标对象对知识点的掌握情况。
可选地，所述学***均成绩、竞赛获奖数据、所述目标对象在目标学习***的学习状态数据，其中，所述先决课程用于指示与所述目标课程相关的基础课程。
可选地，所述确定单元包括：第一确定模块，用于确定学习特征的优先级数量；第一获取模块，用于获取每个学习特征分组属性的优先级次序，并基于所述学习特征分组属性的优先级次序和学习特征的优先级数量创建优先级矩阵，其中，所述优先级矩阵指示学习特征分组属性的优先级排序结果；第一计算模块，用于基于所述优先级矩阵，计算每个所述学习特征分组属性的属性权值。
可选地，所述计算单元还包括：第二确定模块，用于确定目标对象的数量，得到总目标对象数量；第二计算模块，用于基于总目标对象数量、每个所述目标对象的学习特征分组属性和所述学习特征分组属性的属性权值，计算每个所述目标对象的学习特征分组属性的属性评分。
可选地，所述分组单元包括：第三确定模块，用于确定目标对象分组总数量；基于所述目标对象分组总数量，对全部的目标对象进行聚类分组，得到多个对象集合，其中，每组所述对象集合中包含有至少一个目标对象；所述学习特征数据的处理装置还包括：第四确定模块，用于在得到多个对象集合之后，确定对象集合中每个所述目标对象的学习特征分组属性的属性评分，得到与每个所述对象集合对应的集合属性评分；第三计算模块，用于计算每个所述对象集合中的集合属性评分的评分均值，并对所述评分均值进行排序，得到分组排序矩阵。
可选地，所述预估单元包括：第五确定模块，用于确定每个对象集合中所述目标对象的试题失误率和试题猜测率，得到试题参数；第四计算模块，用于根据所述目标对象所在的对象集合的集合层次，计算各个对象集合的试题参数；预估模块，用于将每个所述对象集合中每个目标对象的试题参数输入认知诊断模型，以预估每个所述对象集合的学习参数。
可选地，预估的学习参数包括下述至少之一：试题猜测率、试题粗心率和课程得分。
根据本发明实施例的另一方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的学习特征数据的处理方法。
根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述任意一项所述的学习特征数据的处理方法。
在本发明实施例中，采用获取多个目标对象在历史学***台上的学***存在偏差，影响教学质量的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的学习特征数据的处理方法的流程图；
图2是根据本发明实施例的一种可选的学习特征数据的处理装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于本领域技术人员理解本发明，下面对本发明各实施例涉及的部分术语或名词做出解释：
DINA，Deterministic Inputs Noisy And gate model，是一种离散型认知诊断模型，将学生对象描述为多维的知识点掌握向量，从学生实际作答结果入手诊断。在本发明实施例中可以使用认知诊断模型，认知诊断模型包括：连续型和离散型，连续性的认知诊断模型包括但不限于：IRT(项目反映模型)，根据学生答题情况，通过对试题和学生进行联合建模，来推出试题参数以及学生潜在能力，而DINA模型为离散型认知诊断模型。传统的DINA认知诊断模型，没有细致地考虑到不同层次学生的学***和学***的诊断，更个性化地为学生提供优质的学习服务，下述各实施例以DINA模型进行示意性说明。
本发明下述实施例涉及的对象可以理解为进行学***台上学习的在线用户、自我教育的用户等，在本发明各实施例以学生进行示意性说明。
本发明实施例可借助不同学生个体差异性的学***的诊断结果更加准确。密切结合了不同学生的个性差异学***、在平台上的学习数据，对DINA的参数模型进行改进，使得认知诊断模型的结果精确性、可解释性得到了提高。
同时，通过本发明实施例可与在线教育平台场景匹配，有良好的适应性，有效地利用了在线教育平台带来的大量学***台学***台遗留的痕迹数据资源，对不同的学生实现不同的操作，提高了在线教育平台服务水平，有助于减少在线教育平台的学生流失，符合“互联网+教育”的发展趋势，具有广阔的发展前景。
本发明实施例可面向在线教育中因材施教的个性化学习可能性。不同层次的学生借助强大的大数据技术分析明确自己的学习定位，为学生借助在线教育***的便利和优质大量的学习资源实现精准、个性化的自主学习提供了可能，提高了学习效率。下面结合各个实施例来说明本发明。
实施例一
根据本发明实施例，提供了一种学习特征数据的处理方法实施例，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。
图1是根据本发明实施例的一种可选的学习特征数据的处理方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取多个目标对象在历史学习过程中的初始学习特征数据，并基于初始学习特征数据的特征等级进行分组，得到学习特征分组属性；同时，可对学习特征分组属性进行优先级排序；
步骤S104，基于学习特征分组属性的优先级排序结果，确定每个目标对象的属性权值；
步骤S106，将每个目标对象的初始学习特征数据与学习特征分组属性进行匹配，得到匹配结果；
步骤S108，基于目标对象的属性权值和匹配结果计算每个目标对象的学习特征分组属性的属性评分；
步骤S110，基于学习特征分组属性的属性评分，对多个目标对象进行分组，得到多个对象集合；
步骤S112，初始化每个对象集合中目标对象的试题参数，并将试题参数输入认知诊断模型，以预估每个对象集合的学习参数，其中，学习参数用于分析目标对象对知识点的掌握情况。
通过上述步骤，可以先获取多个目标对象在历史学***台上的学***存在偏差，影响教学质量的技术问题。
本发明实施例可以应用于各种学习平台、教学数据管理***等环境中。
下面结合各步骤来说明本发明。
步骤S102，获取多个目标对象在历史学习过程中的初始学习特征数据，并基于初始学习特征数据的特征等级进行分组，得到学习特征分组属性。
在本发明实施例的初始学习特征包括但不限于：目标课程的等级特征(即学生即将学习的课程，如高数的等级)、先决课程的等级特征(与目标课程相关的基础课程)、竞赛获奖情况、网络学习等。
基于学生的初始学习特征数据，对不同等级的分组属性进行分组。
作为本发明可选的实施例，学***均成绩、竞赛获奖数据、目标对象在目标学习***的学习状态数据，其中，先决课程用于指示与目标课程相关的基础课程。
步骤S104，基于学习特征分组属性的优先级排序结果，确定每个目标对象的属性权值。
在本发明实施例，基于学习特征分组属性的优先级排序结果，确定每个目标对象的属性权值包括：确定学习特征的优先级数量；获取每个学习特征分组属性的优先级次序，并基于学习特征分组属性的优先级次序和学习特征的优先级数量创建优先级矩阵；基于优先级矩阵，计算每个学习特征分组属性的属性权值。
对于优先级次序，例如，确定上述学***均成绩、竞赛获奖数据、目标对象在目标学***均成绩的优先级，先决课程的平均成绩的优先级高于竞赛获奖数据的优先级，竞赛获奖数据的优先级高于目标对象在目标学习***的学习状态数据的优先级。
在本申请，目标课程的作业完成数据包括：目标课程的作业完成情况的正确率，使用M4表示；先决课程的平均成绩可以使用M3表示，可通过先决课程的成绩以及先决课程和目标课程的相关度计算该先决课程的平均成绩；竞赛获奖数据可以使用M2表示，可通过获奖类型和获奖等级计算得到；目标对象在目标学习***的学习状态数据可以通过M1表示。
可选的，设置特征优先级数目为num，先决课程数目为N，竞赛等级数目为T(例如，9)；获得每个学习特征分组属性的优先级次序并创建优先级矩阵M＝{M1,M2,...,Mi,...,Mnum},其中，Mi表示第i个学习特征分组属性的优先级；i＝1、2,...,num；
其中，M4为目标课程的作业完成情况的正确率、M3为先决课程的平均成绩(先决课程1、先决课程2、...、先决课程n，分别对应{score1,score2,...,scoreN}，n门先决课程和目标课程的相关度分别为{relation1,relation2,...relationN)，M2为竞赛获奖情况(校级一、二、三等奖、省级一、二、三等奖、国家级一、二、三等奖的获奖次数矩阵为N9＝{N1,N2,...,Ni,...,N9}，级别class分别对应1,2,...,9)，其中，Ni表示第i个级别的竞赛获奖的次数；M1为学习平台上(如慕课网)相关的学习任务完成情况、相关教学视频浏览记录等网络学习数据，可使用task表示完成相关的学习任务数目和相关教学视频浏览数目之和；
Figure BDA0002336645080000081
由用户设定不同优先级次序的分组属性权值之间的梯度k，由此计算每个学习特征分组属性的属性权值,计算属性权值的公式为：
Figure BDA0002336645080000082
其中i＝1，2，3，4，Wi表示第i个学习特征分组属性(Mi)的权值。
步骤S106，将每个目标对象的初始学习特征数据与所述学习特征分组属性进行匹配，得到匹配结果；
例如，在得到学***台上的学***台上的学习数据,则根据等级排序确定每个目标对象的属性权值，权值依次减小；之后再匹配,得到匹配结果。
在得到学习特征分组属性的属性权值和匹配结果后，可计算学习特征分组属性的属性评分。
步骤S106，基于目标对象的属性权值和匹配结果计算每个目标对象的学习特征分组属性的属性评分。
作为本发明可选的实施例，基于目标对象的属性权值和匹配结果计算每个目标对象的学习特征分组属性的属性评分的步骤，包括：确定目标对象的数量，得到总目标对象数量；基于总目标对象数量、每个目标对象的学习特征分组属性和学习特征分组属性的属性权值，计算每个目标对象的学习特征分组属性的属性评分。
举例说明，在计算每个学生的学习特征分组属性评分时，包括：设置学生的数目为I；计算I个学生的学习特征分组属性评分R＝{R1,R2,...,Ri,...,RI},其中，Ri表示第i个学生的学习特征分组属性评分。通过下述公式计算属性评分：
Figure BDA0002336645080000091
其中，Mi表示第i个学习特征分组属性，Wi表示权值。
步骤S106，基于学习特征分组属性的属性评分，对多个目标对象进行分组，得到多个对象集合。
作为本发明可选的实施例，基于学习特征分组属性的属性评分，对多个目标对象进行分组，得到多个对象集合的步骤，包括：确定目标对象分组总数量；基于目标对象分组总数量，对全部的目标对象进行聚类分组，得到多个对象集合，其中，每组对象集合中包含有至少一个目标对象。
在得到多个对象集合之后，处理方法还包括：确定对象集合中每个目标对象的学习特征分组属性的属性评分，得到与每个对象集合对应的集合属性评分；计算每个对象集合中的集合属性评分的评分均值，并对评分均值进行排序，得到分组排序矩阵。
举例说明，在分组时，可执行如下步骤：设置分组总数量为X；使用聚类算法将学生分组。根据X组学生的学习特征分组属性评分R的均值重新排序(例如，可由小到大进行排序)，得到分组排序矩阵Z＝{Z1,Z2,...,ZX},分别对应层次为YX＝{1,2,...,X}；其中，Yx表示第x组集合的层次数为x。
在分组得到上述的对象集合后，可根据学生分组情况，初始化每组学生的试题参数(试题失误率、猜测率)。例如，设置X组学生的试题失误率S0＝{S0 1,S0 2,...,S0 X},试题猜测率g0＝{g0 1,g0 2,...,g0 X}；根据分组集合的层次，通过下述公式计算各组的失误率和猜测率：
Figure BDA0002336645080000101
步骤S110，初始化每个对象集合中目标对象的试题参数，并将试题参数输入认知诊断模型，以预估每个对象集合的学习参数，其中，学习参数用于分析目标对象对知识点的掌握情况。
在本发明实施例中，初始化每个对象集合中目标对象的试题参数，并将试题参数输入认知诊断模型，以预估每个对象集合的学习参数的步骤，包括：确定每个对象集合中目标对象的试题失误率和试题猜测率，得到试题参数；根据目标对象所在的对象集合的集合层次，计算各个对象集合的试题参数；将每个对象集合中每个目标对象的试题参数输入认知诊断模型，以预估每个对象集合的学习参数。
可选的，预估的学习参数包括下述至少之一：试题猜测率(试题猜测率可以是指预估学生在学习该目标课程后可正确答出某一个题目的概率)、试题粗心率(试题粗心率可以是指预估学生在学习该目标课程后错误答题的概率)和课程得分。
以DINA作为认知诊断模型来说明本发明，将每组学生的S0、g0初始值分别代入认知诊断模型，求得每组学生集合的猜测率g，粗心率s。该学***台、教学***掌握该学生对知识点的掌握情况。
其中，在DINA计算时，考虑的内容包括：学生、题目、知识点、得分矩阵、学生在某一个题目上的得分情况、潜在能力矩阵、学生对某一个知识点的掌握情况、潜在作答矩阵、学生在某一个题目上潜在作答情况、题目知识点关联矩阵、某一个题目对知识点的考察情况、试题猜测率和试题粗心率。通过这些数据最终会得到学生在某一个题目上的得分情况，可以预测学生的课程总得分，便于学习平台、教学***掌握该学生对知识点的掌握情况。
由于每个学生的初始知识水平和学***的诊断，更个性化地为学生提供优质的学习服务。
实施例二
图2是根据本发明实施例的一种可选的学习特征数据的处理装置的示意图，如图2所示，该处理装置包括：获取单元21、确定单元22、匹配单元23、计算单元24、分组单元25、预估单元26，其中，
获取单元21，用于获取多个目标对象在历史学习过程中的初始学习特征数据，并基于初始学习特征数据的特征等级进行分组，得到学习特征分组属性；
确定单元22，用于基于学习特征分组属性的优先级排序结果，确定每个目标对象的属性权值；
匹配单元23，用于将每个目标对象的初始学习特征数据与所述学习特征分组属性进行匹配，得到匹配结果；
计算单元24，用于基于目标对象的属性权值和匹配结果计算每个目标对象的学习特征分组属性的属性评分；
分组单元25，用于基于学习特征分组属性的属性评分，对多个目标对象进行分组，得到多个对象集合；
预估单元26，用于初始化每个对象集合中目标对象的试题参数，并将试题参数输入认知诊断模型，以预估每个对象集合的学习参数，其中，学习参数用于分析目标对象对知识点的掌握情况。
上述学***台上的学***存在偏差，影响教学质量的技术问题。
可选的，学***均成绩、竞赛获奖数据、目标对象在目标学习***的学习状态数据，其中，先决课程用于指示与目标课程相关的基础课程。
在本发明实施例中，上述确定单元包括：第一确定模块，用于确定学习特征的优先级数量；第一获取模块，用于获取每个学习特征分组属性的优先级次序，并基于学习特征分组属性的优先级次序和学习特征的优先级数量创建优先级矩阵；第一计算模块，用于基于优先级矩阵，计算每个学习特征分组属性的属性权值。
另一种可选的，计算单元还包括：第二确定模块，用于确定目标对象的数量，得到总目标对象数量；第二计算模块，用于基于总目标对象数量、每个目标对象的学习特征分组属性和学习特征分组属性的属性权值，计算每个目标对象的学习特征分组属性的属性评分。
作为本发明可选的实施例，分组单元包括：第三确定模块，用于确定目标对象分组总数量；基于目标对象分组总数量，对全部的目标对象进行聚类分组，得到多个对象集合，其中，每组对象集合中包含有至少一个目标对象；学习特征数据的处理装置还包括：第四确定模块，用于在得到多个对象集合之后，确定对象集合中每个目标对象的学习特征分组属性的属性评分，得到与每个对象集合对应的集合属性评分；第三计算模块，用于计算每个对象集合中的集合属性评分的评分均值，并对评分均值进行排序，得到分组排序矩阵。
可选的，预估单元包括：第五确定模块，用于确定每个对象集合中目标对象的试题失误率和试题猜测率，得到试题参数；第四计算模块，用于根据目标对象所在的对象集合的集合层次，计算各个对象集合的试题参数；预估模块，用于将每个对象集合中每个目标对象的试题参数输入认知诊断模型，以预估每个对象集合的学习参数。
可选的，预估的学习参数包括下述至少之一：试题猜测率、试题粗心率和课程得分。
上述的学习特征数据的处理装置还可以包括处理器和存储器，上述获取单元21、确定单元22、匹配单元23、计算单元24、分组单元25、预估单元26等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
上述处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来预估每个对象集合的学习参数，其中，学习参数用于分析目标对象对知识点的掌握情况。
上述存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
根据本发明实施例的另一方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述任意一项的学习特征数据的处理方法。
根据本发明实施例的另一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述任意一项的学习特征数据的处理方法。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取多个目标对象在历史学习过程中的初始学习特征数据，并基于初始学习特征数据的特征等级进行分组，得到学习特征分组属性；基于学习特征分组属性的优先级排序结果，确定每个目标对象的属性权值；将每个目标对象的初始学习特征数据与所述学习特征分组属性进行匹配，得到匹配结果；基于目标对象的属性权值和匹配结果计算每个目标对象的学习特征分组属性的属性评分；基于学习特征分组属性的属性评分，对多个目标对象进行分组，得到多个对象集合；初始化每个对象集合中目标对象的试题参数，并将试题参数输入认知诊断模型，以预估每个对象集合的学习参数，其中，学习参数用于分析目标对象对知识点的掌握情况。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种学习特征数据的处理方法，其特征在于，包括：
获取多个目标对象在历史学习过程中的初始学习特征数据，并基于所述初始学习特征数据的特征等级进行分组，得到学习特征分组属性；
基于学习特征分组属性的优先级排序结果，确定每个目标对象的属性权值；
将每个目标对象的初始学习特征数据与所述学习特征分组属性进行匹配，得到匹配结果；
基于目标对象的属性权值和所述匹配结果计算每个目标对象的学习特征分组属性的属性评分；
基于所述学习特征分组属性的属性评分，对多个目标对象进行分组，得到多个对象集合；
初始化每个对象集合中所述目标对象的试题参数，并将所述试题参数输入认知诊断模型，以预估每个对象集合的学习参数，其中，所述学习参数用于分析所述目标对象对知识点的掌握情况。
2.根据权利要求1所述的处理方法，其特征在于，所述学***均成绩、竞赛获奖数据、所述目标对象在目标学习***的学习状态数据，其中，所述先决课程用于指示与所述目标课程相关的基础课程。
3.根据权利要求2所述的处理方法，其特征在于，基于学习特征分组属性的优先级排序结果，确定每个目标对象的属性权值包括：
确定学习特征的优先级数量；
获取每个学习特征分组属性的优先级次序，并基于所述学习特征分组属性的优先级次序和学习特征的优先级数量创建优先级矩阵，其中，所述优先级矩阵指示学习特征分组属性的优先级排序结果；
基于所述优先级矩阵，计算每个所述学习特征分组属性的属性权值。
4.根据权利要求3所述的处理方法，其特征在于，基于目标对象的属性权值和所述匹配结果计算每个目标对象的学习特征分组属性的属性评分的步骤，包括：
确定目标对象的数量，得到总目标对象数量；
基于总目标对象数量、每个所述目标对象的学习特征分组属性和所述学习特征分组属性的属性权值，计算每个所述目标对象的学习特征分组属性的属性评分。
5.根据权利要求1所述的处理方法，其特征在于，
基于所述学习特征分组属性的属性评分，对多个目标对象进行分组，得到多个对象集合的步骤，包括：确定目标对象分组总数量；基于所述目标对象分组总数量，对全部的目标对象进行聚类分组，得到多个对象集合，其中，每组所述对象集合中包含有至少一个目标对象；
在得到多个对象集合之后，所述处理方法还包括：确定对象集合中每个所述目标对象的学习特征分组属性的属性评分，得到与每个所述对象集合对应的集合属性评分；计算每个所述对象集合中的集合属性评分的评分均值，并对所述评分均值进行排序，得到分组排序矩阵。
6.根据权利要求1所述的处理方法，其特征在于，初始化每个对象集合中所述目标对象的试题参数，并将所述试题参数输入认知诊断模型，以预估每个所述对象集合的学习参数的步骤，包括：
确定每个对象集合中所述目标对象的试题失误率和试题猜测率，得到试题参数；
根据所述目标对象所在的对象集合的集合层次，计算各个对象集合的试题参数；
将每个所述对象集合中每个目标对象的试题参数输入认知诊断模型，以预估每个所述对象集合的学习参数。
7.根据权利要求1至6中任意一项所述的处理方法，其特征在于，预估的学习参数包括下述至少之一：试题猜测率、试题粗心率和课程得分。
8.一种学习特征数据的处理装置，其特征在于，包括：
获取单元，用于获取多个目标对象在历史学习过程中的初始学习特征数据，并基于所述初始学习特征数据的特征等级进行分组，得到学习特征分组属性；
确定单元，用于基于学习特征分组属性的优先级排序结果，确定每个目标对象的属性权值；
匹配单元，用于将每个目标对象的初始学习特征数据与所述学习特征分组属性进行匹配，得到匹配结果；
计算单元，用于基于目标对象的属性权值和匹配结果计算每个目标对象的学习特征分组属性的属性评分；
分组单元，用于基于所述学习特征分组属性的属性评分，对多个目标对象进行分组，得到多个对象集合；
预估单元，用于初始化每个对象集合中所述目标对象的试题参数，并将所述试题参数输入认知诊断模型，以预估每个对象集合的学习参数，其中，所述学习参数用于分析所述目标对象对知识点的掌握情况。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任意一项所述的学习特征数据的处理方法。
10.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的学习特征数据的处理方法。
CN201911358851.2A 2019-12-25 2019-12-25 学习特征数据的处理方法及装置、电子设备 Pending CN111080025A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911358851.2A CN111080025A (zh) 2019-12-25 2019-12-25 学习特征数据的处理方法及装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911358851.2A CN111080025A (zh) 2019-12-25 2019-12-25 学习特征数据的处理方法及装置、电子设备

Publications (1)

Publication Number Publication Date
CN111080025A true CN111080025A (zh) 2020-04-28

Family

ID=70317767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911358851.2A Pending CN111080025A (zh) 2019-12-25 2019-12-25 学习特征数据的处理方法及装置、电子设备

Country Status (1)

Country Link
CN (1) CN111080025A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112837574A (zh) * 2021-01-15 2021-05-25 中科远见(重庆)科技有限公司 一种互动课堂***及其方法
CN113129185A (zh) * 2021-03-29 2021-07-16 深圳数联天下智能科技有限公司 一种座位表生成方法、电子设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112837574A (zh) * 2021-01-15 2021-05-25 中科远见(重庆)科技有限公司 一种互动课堂***及其方法
CN112837574B (zh) * 2021-01-15 2023-04-07 中科远见(重庆)科技有限公司 一种互动课堂***及其方法
CN113129185A (zh) * 2021-03-29 2021-07-16 深圳数联天下智能科技有限公司 一种座位表生成方法、电子设备及存储介质
CN113129185B (zh) * 2021-03-29 2024-04-26 深圳数联天下智能科技有限公司 一种座位表生成方法、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN110704732B (zh) 基于认知诊断的时序性习题推荐方法、装置
CN109740048B (zh) 一种课程推荐方法及装置
CN108921221A (zh) 用户特征的生成方法、装置、设备及存储介质
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
CN110991645A (zh) 一种基于知识模型的自适应学习方法、***及存储介质
CN113688167A (zh) 基于深度兴趣网络的深度兴趣捕获模型构建方法及装置
CN111858906A (zh) 习题推荐方法、装置、电子设备及计算机可读存储介质
CN111680216B (zh) 一种试题推荐方法、***、介质及设备
CN111651676A (zh) 基于能力模型进行职业推荐的方法、装置、设备和介质
CN110659311B (zh) 题目推送方法、装置、电子设备及存储介质
CN116028602A (zh) 一种题目推荐方法、装置、计算机设备和存储介质
CN111080025A (zh) 学习特征数据的处理方法及装置、电子设备
CN113409174A (zh) 知识点测评方法和装置
CN110489455A (zh) 学习资源推荐方法、装置、电子设备和存储介质
CN114429212A (zh) 智能学习知识能力跟踪方法、电子设备及存储介质
US20240177624A1 (en) Learning management systems and methods therefor
CN109785197A (zh) 一种学习行为分析方法及装置
CN108509959A (zh) 色情应用识别方法、装置、计算机可读存储介质和服务器
CN116992140A (zh) 一种应用于康复医学科下的教学课程在线推荐方法及***
Yan et al. A method for personalized C programming learning contents recommendation to enhance traditional instruction
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
TWI598843B (zh) Use of expert information to help analyze systems and methods
Lee et al. Prescribing deep attentive score prediction attracts improved student engagement
Duran-Dominguez et al. Virtual Classrooms as Data Sources for Prediction Tools
CN116433082B (zh) 一种评价报告的生成方法、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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200428

RJ01 Rejection of invention patent application after publication