CN117557426B - 基于智能题库的作业数据反馈方法及学习评估*** - Google Patents
基于智能题库的作业数据反馈方法及学习评估*** Download PDFInfo
- Publication number
- CN117557426B CN117557426B CN202311675200.2A CN202311675200A CN117557426B CN 117557426 B CN117557426 B CN 117557426B CN 202311675200 A CN202311675200 A CN 202311675200A CN 117557426 B CN117557426 B CN 117557426B
- Authority
- CN
- China
- Prior art keywords
- answer
- behavior
- logic
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 141
- 238000011156 evaluation Methods 0.000 title claims abstract description 15
- 230000006399 behavior Effects 0.000 claims abstract description 476
- 230000008569 process Effects 0.000 claims abstract description 71
- 238000004458 analytical method Methods 0.000 claims abstract description 58
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 230000000875 corresponding effect Effects 0.000 claims description 102
- 238000000605 extraction Methods 0.000 claims description 75
- 238000002372 labelling Methods 0.000 claims description 17
- 238000010219 correlation analysis Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000009472 formulation Methods 0.000 description 7
- 239000000203 mixture Substances 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000012887 quadratic function Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 201000003723 learning disability Diseases 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种基于智能题库的作业数据反馈方法及学习评估***，通过构建多个答题行为逻辑链条网络，实现对学生作业答题过程的精准分析与反馈。通过监控并记录学生与智能题库交互的数据，提取答题行为和第一知识运用标签，再结合答题结果生成第二知识运用标签，通过融合关联答题轨迹，形成目标答题行为数据，随后分析各答题行为间的逻辑关联属性，并从中选择最具代表性的逻辑关联属性加载到目标逻辑链条数据中。最终，能够确定作业答题过程数据中包含的薄弱知识路径，并针对性地提供信息反馈，有助于揭示学生的知识运用模式、理解能力和潜在的学习难点，有效提升学习效率和质量。
Description
技术领域
本申请涉及计算机信息技术领域，具体而言，涉及一种基于智能题库的作业数据反馈方法及学习评估***。
背景技术
在传统的教育体系中，学生通常通过纸笔测试或电子作业***来完成作业，而老师则需要投入大量时间来批改和分析作业，以了解学生的学***和学习进度。
随着信息技术的发展，出现了基于智能化信息技术的学***台可以自动记录学生的答题行为，提供即时反馈，并通过数据分析揭示学生的学***台在处理大量数据方面具有优势，它们在理解和分析复杂答题行为逻辑链条方面仍然面临挑战。例如，如何准确地将答题行为与知识点标签联系起来，如何识别并强化学生的答题逻辑链条，以及如何有效地提供个性化的学习干预都是现有技术亟需解决的问题。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于智能题库的作业数据反馈方法及学习评估***，不仅能够准确提取和分析学生的答题行为，还能构建和优化答题行为逻辑链条网络，进而生成目标答题行为数据和目标逻辑链条数据。通过这种方式，能够更加深入地理解学生的学习过程，为学生和教师提供更加精确和有效的学习支持。
第一方面，本申请提供一种基于智能题库的作业数据反馈方法，应用于学习评估***，所述方法包括：
利用多个答题行为逻辑链条网络，依据任意一个答题行为逻辑链条网络对目标学生用户的作业答题过程数据进行答题行为提取和逻辑链条分析，生成相应的答题行为提取数据和逻辑链条分析数据；所述作业答题过程数据为监控记录的与智能题库数据相关的作业答题过程数据；所述答题行为提取数据用于反映：所述作业答题过程数据包含的与智能题库数据相关的各作业答题行为分别对应的第一知识运用标签；所述逻辑链条分析数据用于反映：每两个作业答题行为之间的逻辑关联属性；
依据所述各作业答题行为分别对应的第一知识运用标签，以及分别在所述作业答题过程数据中的答题结果，生成所述各作业答题行为包括的各个答题轨迹分别对应的第二知识运用标签，并将存在匹配第二知识运用标签且相关联的各答题轨迹融合输出为相应的目标答题行为，生成目标答题行为数据；
将生成的各作业答题行为分别与各目标答题行为进行答题轨迹相关性分析，确定各逻辑关联属性对应的目标答题行为组合，并在关联相同目标答题行为组合的各逻辑关联属性中选择一个逻辑关联属性加载到目标逻辑链条数据中，生成目标逻辑链条数据；
依据所述目标答题行为数据和所述目标逻辑链条数据，确定所述作业答题过程数据中包含的薄弱知识路径，并基于所述薄弱知识路径对所述目标学生用户进行信息反馈。
在第一方面的一种可能的实施方式中，所述答题行为提取数据与所述答题行为逻辑链条网络存在唯一映射逻辑关联属性，每个答题行为提取数据包括至少一个作业答题行为，每个作业答题行为的第一知识运用标签以及对应的第一标签置信度；
所述依据所述各作业答题行为分别对应的第一知识运用标签，以及分别在所述作业答题过程数据中的答题结果，生成所述各作业答题行为包括的各个答题轨迹分别对应的第二知识运用标签，包括：
对于所述作业答题过程数据中包括的各个答题轨迹，依据任意一个答题轨迹在所述作业答题过程数据中的答题结果，以及每个答题行为提取数据中每个作业答题行为的第一知识运用标签以及对应的第一标签置信度，生成所述答题轨迹在每个答题行为提取数据中的参考知识运用标签以及对应的参考标签置信度；
基于所述答题轨迹在每个答题行为提取数据中的参考知识运用标签以及对应的参考标签置信度，依据每个答题行为提取数据对应的答题行为逻辑链条网络的答题行为权值，在生成的各个参考知识运用标签中选择一个参考知识运用标签输出为所述答题轨迹的第二知识运用标签。
在第一方面的一种可能的实施方式中，每个答题行为提取数据包括答题行为轨迹和非答题行为轨迹，其中，所述答题行为轨迹为各作业答题行为包含的答题轨迹，所述非答题行为轨迹为各作业答题行为以外，并且存在于所述作业答题过程数据中的答题轨迹，所述非答题行为轨迹的参考知识运用标签为设定标签，参考标签置信度为设定参数值；
所述依据任意一个答题轨迹在所述作业答题过程数据中的答题结果，以及每个答题行为提取数据中每个作业答题行为的第一知识运用标签以及对应的第一标签置信度，生成所述答题轨迹在每个答题行为提取数据中的参考知识运用标签以及对应的参考标签置信度，包括：
对于生成的多个答题行为提取数据中每个答题行为提取数据包括的各答题行为轨迹，分别将该答题行为轨迹所属的作业答题行为的第一知识运用标签和第一标签置信度，作为所述答题行为轨迹的参考知识运用标签和参考标签置信度。
在第一方面的一种可能的实施方式中，所述基于所述答题轨迹在每个答题行为提取数据中的参考知识运用标签以及对应的参考标签置信度，依据每个答题行为提取数据对应的答题行为逻辑链条网络的答题行为权值，在生成的各个参考知识运用标签中选择一个参考知识运用标签输出为所述答题轨迹的第二知识运用标签，包括：
基于所述答题轨迹在每个答题行为提取数据中的参考知识运用标签以及对应的参考标签置信度，对属于相同标签的至少一个参考知识运用标签，分别依据所述至少一个参考知识运用标签分别所属的答题行为逻辑链条网络的答题行为权值，对所述至少一个参考知识运用标签分别对应的参考标签置信度进行权重融合，对各个参考知识运用标签的参考标签置信度进行更新；
在生成的各个参考知识运用标签中，选取更新后的参考标签置信度符合设定标签选择规则的一个参考知识运用标签，作为所述答题轨迹的第二知识运用标签。
在第一方面的一种可能的实施方式中，答题行为逻辑链条网络的答题行为权值的确定步骤，包括：
对于每个答题行为逻辑链条网络，利用所述答题行为逻辑链条网络对先验配置的第一答题样例数据序列中各第一答题样例数据进行答题行为提取，生成各第一答题样例数据的答题行为样例提取数据；所述第一答题样例数据序列中包括多个第一答题样例数据和所述多个第一答题样例数据分别对应的答题行为标注数据；
将各第一答题样例数据的答题行为样例提取数据和答题行为标注数据分别进行对比，基于对比结果确定所述答题行为逻辑链条网络的答题行为提取有效值；所述答题行为提取有效值用于反映所述答题行为逻辑链条网络答题行为提取的准确性；
分别对所述多个答题行为逻辑链条网络分别对应的答题行为提取有效值进行规则化转换，生成每个答题行为逻辑链条网络的答题行为权值。
在第一方面的一种可能的实施方式中，所述将生成的各作业答题行为分别与各目标答题行为进行答题轨迹相关性分析，确定各逻辑关联属性对应的目标答题行为组合，并在关联相同目标答题行为组合的各逻辑关联属性中选择一个逻辑关联属性加载到目标逻辑链条数据中，生成目标逻辑链条数据，包括：
对于生成的各逻辑关联属性，将所述逻辑关联属性对应的两个作业答题行为，分别与各目标答题行为进行答题轨迹相关性分析，生成相应的目标答题行为组合和相关性结果；所述相关性结果用于反映所述两个作业答题行为各自与目标答题行为的相关性参数值；
对于生成的各目标答题行为组合，分别执行以下操作，以获得目标逻辑链条数据：
当一个目标答题行为组合关联多个逻辑关联属性时，依据每个逻辑关联属性的相关性结果，在所述多个逻辑关联属性中选择一个逻辑关联属性加载到所述目标逻辑链条数据中。
在第一方面的一种可能的实施方式中，所述将所述逻辑关联属性对应的两个作业答题行为，分别与各目标答题行为进行答题轨迹相关性分析，生成相应的目标答题行为组合和相关性结果，包括：
对于所述每个逻辑关联属性对应的两个作业答题行为，基于所述作业答题行为在所述作业答题过程数据中的答题结果和所述作业答题行为的第一知识运用标签，确定与所述作业答题行为符合设定答题结果关联逻辑关联属性，且第一知识运用标签相同的目标答题行为；
对所述作业答题行为与目标答题行为进行答题轨迹相关性分析，确定所述作业答题行为的答题轨迹相关性结果，所述答题轨迹相关性结果用于反映所述作业答题行为与所述目标答题行为是否存在答题轨迹相关性；
基于所述两个作业答题行为分别对应的目标答题行为确定所述目标答题行为组合；
基于所述两个作业答题行为中与分别对应的目标答题行为存在答题轨迹相关性的数量，确定所述逻辑关联属性的相关性结果。
在第一方面的一种可能的实施方式中，所述逻辑链条分析数据与所述答题行为逻辑链条网络存在唯一映射逻辑关联属性，每个逻辑链条分析数据包括每两个作业答题行为之间的逻辑关联属性以及对应的逻辑关联属性置信度；
所述当一个目标答题行为组合关联多个逻辑关联属性时，依据每个逻辑关联属性的相关性结果，在所述多个逻辑关联属性中选择一个逻辑关联属性加载到所述目标逻辑链条数据中，包括：
当一个目标答题行为组合关联多个逻辑关联属性时，通过每个逻辑关联属性对应的答题行为逻辑链条网络的逻辑关联权值和每个逻辑关联属性的相关性结果，分别对属于相同逻辑关联属性的逻辑关联属性分别对应的逻辑关联属性置信度进行权重融合，对每个逻辑关联属性的逻辑关联属性置信度进行更新；
在所述多个逻辑关联属性中，选择更新后的逻辑关联属性置信度符合设定属性选择规则的一条逻辑关联属性，作为所述目标答题行为组合的目标逻辑关联属性，并将所述目标逻辑关联属性加载到所述目标逻辑链条数据中。
在第一方面的一种可能的实施方式中，答题行为逻辑链条网络的逻辑关联权值的确定步骤，包括：
对于每个答题行为逻辑链条网络，利用所述答题行为逻辑链条网络对先验配置的第二答题样例数据序列中各第二答题样例数据进行逻辑链条分析，生成各第二答题样例数据的逻辑关联属性样例提取数据；所述第二答题样例数据序列中包括多个第一答题样例数据和所述多个第一答题样例数据分别对应的逻辑关联属性标注数据；
将各第一答题样例数据的逻辑关联属性样例提取数据和逻辑关联属性标注数据分别进行对比，基于对比结果确定所述答题行为逻辑链条网络的逻辑链条分析有效值；所述逻辑链条分析有效值用于反映所述答题行为逻辑链条网络逻辑链条分析的准确性；
分别对所述多个答题行为逻辑链条网络分别对应的逻辑链条分析有效值进行规则化转换，生成每个答题行为逻辑链条网络的逻辑关联权值。
第二方面，本申请实施例还提供一种学习评估***，所述学习评估***包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序依据该处理器加载并执行以实现以上第一方面的基于智能题库的作业数据反馈方法。
依据以上任意方面的技术方案，本申请实施例旨在通过对学生作业答题过程的深入分析来优化学习体验，并提高教育效率，能够自动提取和分析学生的答题行为，构建逻辑链条分析数据，进而生成目标答题行为数据和目标逻辑链条数据。这些数据有助于揭示学生的知识运用模式、理解能力和潜在的学习难点。首先，监控记录与智能题库数据相关的学生作业答题过程，确保收集的数据质量。接着，通过比对答题行为和智能题库中的内容，提取第一知识运用标签，以反映学生在解决各个问题时所使用的知识点。然后，根据答题结果，生成与每个答题轨迹相匹配的第二知识运用标签，并融合输出关联的答题轨迹，形成目标答题行为数据。接下来，对作业答题行为和目标答题行为进行相关性分析，以确定每两个作业答题行为之间的逻辑关联属性。当一个目标答题行为组合关联多个逻辑关联属性时，选择最具代表性的逻辑关联属性加载到目标逻辑链条数据中。这一过程涉及逻辑关联属性置信度的权重融合和更新，确保选取的逻辑关联属性最能代表目标答题行为组合。最终，基于目标答题行为数据和目标逻辑链条数据，能够确定学生作业答题过程中的薄弱知识路径，并针对这些薄弱环节向学生提供定制化的信息反馈。这种个性化的反馈机制使得学生可以更快地识别并克服自身的学习障碍，从而实现学习效率的最大化。由此，本申请实施例可以通过智能分析学生的答题行为和知识应用情况，推动教育资源的有效配置，帮助学生建立坚实的知识结构，最终提升整体教育质量。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以依据这些附图获得其它相关的附图。
图1为本申请实施例提供的基于智能题库的作业数据反馈方法的流程示意图；
图2为本申请实施例提供的用于实现上述的基于智能题库的作业数据反馈方法的学习评估***的功能结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和依据本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围时，本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
参见图1所示，本申请提供一种基于智能题库的作业数据反馈方法，包括以下步骤。
步骤S110，利用多个答题行为逻辑链条网络，依据任意一个答题行为逻辑链条网络对目标学生用户的作业答题过程数据进行答题行为提取和逻辑链条分析，生成相应的答题行为提取数据和逻辑链条分析数据。
本实施例中，所述作业答题过程数据为监控记录的与智能题库数据相关的作业答题过程数据。所述答题行为提取数据用于反映：所述作业答题过程数据包含的与智能题库数据相关的各作业答题行为分别对应的第一知识运用标签。所述逻辑链条分析数据用于反映：每两个作业答题行为之间的逻辑关联属性。
例如，考虑一个离线教育平台，这个离线教育平台装备了智能分析***，用于追踪和评估每个学生用户的作业答题行为。假设有一位学生Bob，他正在使用该离线教育平台进行智能题库数据的数学作业的学习。例如，数学作业涉及不同类型的代数题目，每道题都要求该学生Bob运用特定的知识点。
例如，当学生Bob开始做题时，可以通过监控记录下来的作业答题过程数据（如题目尝试次数、选择的答案、解题所花时间等）来跟踪他的答题行为。例如，在解一个二次方程题目时，学生Bob首先尝试配方法但没有得出正确结果，随后改用求根公式成功解题。
在此基础上，多个答题行为逻辑链条网络会分析学生Bob的这些作业答题过程数据，并生成答题行为提取数据，反映学生Bob对应的第一知识运用标签（如“配方法”、“求根公式”）。同时，逻辑链条分析数据也会被生成，用于反映各答题行为之间的逻辑关联属性（比如，“从配方法失败到求根公式成功”）。
示例性的，结合另一个更详细的例子探究这个过程，并且为了简化讨论，将关注于数学题库中的一个特定知识点：解一元二次方程。假设目标学生用户仍旧是学生Bob，将通过学生Bob在智能教育平台上解决相关数学问题的情况来说明。
答题行为提取和逻辑链条分析
场景举例 - 学生Bob解答一元二次方程:
1. 监控记录（作业答题过程数据）:
- 学生Bob登录智能教育平台。
- 他开始解答一系列与解一元二次方程相关的题目。
- 记录下学生Bob每次提交答案的时间、选择的选项、书写的解题步骤等。
- 例如，对于题目“解方程 ( x^2 - 5x + 6 = 0 )”，学生Bob首先尝试因式分解，但没有成功；接着他使用了求根公式并得到了正确答案。
2. 答题行为提取:
- 分析学生Bob的解题步骤和最终答案。
- 答题行为逻辑链条网络识别出学生Bob首先尝试了因式分解（标记为“尝试因式分解”），然后转向求根公式（标记为“应用求根公式”）。
- 这些标记构成第一知识运用标签，反映了学生Bob对不同解题方法的尝试和掌握情况。
3. 逻辑链条分析:
- 接着，分析学生Bob从一种方法转换到另一种方法的逻辑流程。
- 比如，注意到当学生Bob遇到无法因式分解的方程时，他倾向于转向求根公式。
- 这个逻辑流程（由因式分解失败转向求根公式成功）被记录为一个逻辑关联属性，形成逻辑链条分析数据。
具体场景示例：
学生Bob在智能教育平台上的一个作业周期内完成了以下题目：
- 题目1: 解方程 ( x^2 - 5x + 6 = 0 )
- 学生Bob的答题过程: 首先尝试因式分解，未成功；然后应用求根公式，得到正确答案 ( x = 2 ) 和 ( x = 3 )。
- 第一知识运用标签: 尝试因式分解（失败）、应用求根公式（成功）。
- 题目2: 解方程 ( x^2 - 4x + 4 = 0 )
- 学生Bob的答题过程: 直接应用因式分解，成功解得 ( x = 2 )。
- 第一知识运用标签: 应用因式分解（成功）。
- 题目3: 解方程 ( x^2 + x - 6 = 0 )
- 学生Bob的答题过程: 因式分解失败，未能解出；后来查看提示，重新尝试因式分解，最终成功。
- 第一知识运用标签: 尝试因式分解（失败）、查看提示（学习）、再次尝试因式分解（成功）。
通过分析这些标签之间的转换，创建了逻辑关联属性：
- 当因式分解失败时，学生Bob可能会转向求根公式（逻辑关联属性A）。
- 当因式分解失败后查看提示时，学生Bob可能会再次尝试因式分解并成功（逻辑关联属性B）。
以上过程生成了详细的答题行为提取数据和逻辑链条分析数据。这些答题行为提取数据和逻辑链条分析数据可以帮助理解学生Bob在解题时采取的策略以及他在哪些知识点上可能需要额外帮助。通过这种方式，离线教育平台可以为学生Bob量身定制学习材料，帮助他巩固概念理解，提高解题技能。
步骤S120，依据所述各作业答题行为分别对应的第一知识运用标签，以及分别在所述作业答题过程数据中的答题结果，生成所述各作业答题行为包括的各个答题轨迹分别对应的第二知识运用标签，并将存在匹配第二知识运用标签且相关联的各答题轨迹融合输出为相应的目标答题行为，生成目标答题行为数据。
例如，可以依据学生Bob每个答题行为对应的第一知识运用标签，以及实际的答题结果，生成第二知识运用标签。这些第二知识运用标签进一步详细描述了答题轨迹，例如，“配方法尝试失败”和“求根公式应用成功”。
然后匹配相关联的答题轨迹，将它们融合输出为相应的目标答题行为，比如，如果很多学生在配方法不成功后转向求根公式并成功解题，可以识别出这是一种有效的逻辑链条。
示例性的，在这一步骤中，可以将对学生Bob的每一个答题行为分析其背后的知识应用，并生成第二知识运用标签，以及融合相似答题轨迹来形成目标答题行为数据。这样做的目的是为了构建一个更全面、更深入的学习者行为模型，从而能够提供更精准的教育干预和反馈。
例如，在学生Bob完成数学作业的过程中，比如他在解决一个二次方程题目时，先是尝试了配方法（第一知识运用标签），接着在失败后使用了求根公式并得到了正确答案（另一个第一知识运用标签）。
针对这两种答题行为，可以分别赋予更具体的第二知识运用标签。例如，配方法尝试可能被标记为“掌握不足”或“错误应用”，而成功使用求根公式则可能被标记为“正确应用求根公式”。
接下来，可以查看所有学生的答题数据，找到与学生Bob类似的答题轨迹。假设很多学生也是在尝试配方法并失败后，转而使用求根公式并成功解出问题，那么就会将这些相似的答题轨迹（即有着相同或类似第二知识运用标签的轨迹）进行匹配和融合。
通过融合，可以识别出一种共同的、有效的答题模式——这就是目标答题行为。在这个例子中，目标答题行为可能被描述为“在配方法不成功时转向求根公式并取得成功”。这个目标答题行为数据表明，对于那些在初次尝试时遇到困难的学生，求根公式是一个可靠的备选解题策略。
这个过程可以帮助理解学生在解决特定类型问题时的常见行为模式，并且揭示了哪些策略最终导致了成功。通过分析目标答题行为，平台可以设计出针对性的教学内容和练习，帮助学生加强那些他们可能尚未完全掌握的知识点。
步骤S130，将生成的各作业答题行为分别与各目标答题行为进行答题轨迹相关性分析，确定各逻辑关联属性对应的目标答题行为组合，并在关联相同目标答题行为组合的各逻辑关联属性中选择一个逻辑关联属性加载到目标逻辑链条数据中，生成目标逻辑链条数据。
例如，现在可以将学生Bob的每个作业答题行为与目标答题行为进行答题轨迹相关性分析。可以确定学生Bob的答题行为是否符合某一目标答题行为组合，并从中选出最能反映学生群体答题模式的逻辑关联属性，加载到目标逻辑链条数据中。
示例性的，基于学生Bob的情况，将诶下来详细解释如何将生成的各作业答题行为与目标答题行为进行相关性分析，以及如何确定和选择逻辑关联属性。以下是步骤的详细解释和具体例子：
假设学生Bob在一系列数学题中表现出以下答题行为:
- 在尝试配方法并失败后通常会转向求根公式。
- 在直接使用求根公式时经常能得到正确结果。
对这些行为建立了答题行为提取数据，包括“配方法失败”和“求根公式成功”。
接下来，确定逻辑关联属性
- 逻辑关联属性A: 学生Bob在因式分解失败后转向求根公式。
- 逻辑关联属性B: 学生Bob直接采用求根公式，并且成功解题。
这两个逻辑关联属性都指向同一个目标答题行为——有效地使用求根公式来解题。
现在要从这两个逻辑关联属性中选择一个来代表学生Bob的典型答题模式。
如果分析发现大多数学生在无法通过因式分解求解时转向求根公式，那么它可能会选择逻辑关联属性A作为主要的逻辑链条。
这样，据此创建目标逻辑链条数据，它描述了学生Bob最典型的答题路径：从因式分解失败到成功应用求根公式。这条逻辑链条成为平台识别和建议改进策略的依据。
具体示例:
假设学生Bob完成了以下题目：
- 题目1: ( x^2 - 5x + 6 = 0 )（因式分解失败，求根公式成功）
- 题目2: ( x^2 - 4x + 4 = 0 )（因式分解成功）
- 题目3: ( x^2 + x - 6 = 0 )（因式分解失败，提示后成功）
现在发现题目1和题目3在因式分解失败后有共同点，即学生Bob都尝试了另一种方法并最终成功解题。也注意到，在题目1中，学生Bob在没有外部帮助的情况下转向求根公式，而在题目3中，她需要提示才能成功解题。
基于这些信息，可能决定将逻辑关联属性A（在因式分解失败后转向求根公式）作为目标逻辑链条，因为它显示了学生Bob在不依赖外部帮助时的自适应策略。这样，教育平台就可以针对学生Bob设计个性化教学资源，例如提供更多关于求根公式的练习和教程，同时鼓励她在遇到难题时自行寻找解决方案。
步骤S140，依据所述目标答题行为数据和所述目标逻辑链条数据，确定所述作业答题过程数据中包含的薄弱知识路径，并基于所述薄弱知识路径对所述目标学生用户进行信息反馈。
最后，可以利用目标答题行为数据和目标逻辑链条数据来确定学生Bob的薄弱知识路径。例如，可能发现学生Bob在配方法的应用上经常出错，而这正是他需要加强的地方。
基于这些分析结果，可以向学生Bob提供个性化的反馈，例如，推荐他更多的配方法练习题或提供一个关于如何更好使用配方法的教学视频。这样的信息反馈旨在帮助学生Bob针对性地改善他的学习过程，并在他的薄弱领域得到提升。
示例性的，基于前面的例子，可以创建一个具体的实现步骤来确定薄弱知识路径，并基于这些路径对目标学生用户（学生Bob）进行信息反馈。这个过程可以分为以下几个步骤：
首先，可以使用上述学生Bob在平台上解答作业时生成的目标答题行为数据和目标逻辑链条数据，这些目标答题行为数据和目标逻辑链条数据揭示了他在解题过程中哪些方法掌握得不够好，以及在使用特定解题策略时他可能会遇到的困难。通过对比学生Bob成功和不成功的解题策略，识别出他的薄弱知识点。例如，如果学生Bob在尝试配方法时频繁失败，但用求根公式经常成功，那么配方法就可能是他的一个薄弱点。这样，可以将这些连续的失败视为一个薄弱知识路径。这条薄弱知识路径指向了需要改进的具体知识点或技能。
根据识别出的薄弱知识路径，可以设计个性化的学习干预方案。例如，针对学生Bob配方法的问题，可以推荐一系列专门讲解配方法的视频教程。例如，可以提供额外的练习题和模拟测试，帮助学生Bob加深理解并练习该知识点。或者，可能还会包括教师的一对一辅导，专注于他的薄弱领域。
由此，通过智能教育平台，将这些定制化的资源和建议直接反馈给学生Bob，并且可以追踪学生Bob对这些建议的响应情况和后续的练习结果，确保他在薄弱领域得到提升。
比如，假设分析了学生Bob在解决十道涉及配方法的二次方程题目中的表现。它发现学生Bob只有两次使用配方法成功解出方程，其余八次都是通过求根公式得到正确答案。基于这些数据，判断配方法是学生Bob的薄弱知识路径。
因此，推送了以下信息给学生Bob：
教学视频链接：“Hi 学生Bob，注意到你在配方法的应用上遇到了一些挑战。这里有一段视频教程可以帮助你更好地理解和掌握配方法。”
个性化练习：“完成这段视频后，你可以尝试这些专为你挑选的练习题来检验你的进步。”
进度追踪：“会跟踪你的进度，确保你在这个知识点上有所提高。”
通过这种方式，学生Bob不仅被明确告知了自己的薄弱知识点，而且还得到了改善这些薄弱点的资源和工具。随着时间的推移，他在这个领域的表现应该会有所提高，而平台也会持续监测他的进展，确保所提供的支持是有效的。
基于以上步骤，本申请实施例旨在通过对学生作业答题过程的深入分析来优化学习体验，并提高教育效率，能够自动提取和分析学生的答题行为，构建逻辑链条分析数据，进而生成目标答题行为数据和目标逻辑链条数据。这些数据有助于揭示学生的知识运用模式、理解能力和潜在的学习难点。首先，监控记录与智能题库数据相关的学生作业答题过程，确保收集的数据质量。接着，通过比对答题行为和智能题库中的内容，提取第一知识运用标签，以反映学生在解决各个问题时所使用的知识点。然后，根据答题结果，生成与每个答题轨迹相匹配的第二知识运用标签，并融合输出关联的答题轨迹，形成目标答题行为数据。接下来，对作业答题行为和目标答题行为进行相关性分析，以确定每两个作业答题行为之间的逻辑关联属性。当一个目标答题行为组合关联多个逻辑关联属性时，选择最具代表性的逻辑关联属性加载到目标逻辑链条数据中。这一过程涉及逻辑关联属性置信度的权重融合和更新，确保选取的逻辑关联属性最能代表目标答题行为组合。最终，基于目标答题行为数据和目标逻辑链条数据，能够确定学生作业答题过程中的薄弱知识路径，并针对这些薄弱环节向学生提供定制化的信息反馈。这种个性化的反馈机制使得学生可以更快地识别并克服自身的学习障碍，从而实现学习效率的最大化。由此，本申请实施例可以通过智能分析学生的答题行为和知识应用情况，推动教育资源的有效配置，帮助学生建立坚实的知识结构，最终提升整体教育质量。
在一种可能的实施方式中，所述答题行为提取数据与所述答题行为逻辑链条网络存在唯一映射逻辑关联属性，每个答题行为提取数据包括至少一个作业答题行为，每个作业答题行为的第一知识运用标签以及对应的第一标签置信度。
步骤S120可以包括：
步骤S121，对于所述作业答题过程数据中包括的各个答题轨迹，依据任意一个答题轨迹在所述作业答题过程数据中的答题结果，以及每个答题行为提取数据中每个作业答题行为的第一知识运用标签以及对应的第一标签置信度，生成所述答题轨迹在每个答题行为提取数据中的参考知识运用标签以及对应的参考标签置信度。
例如，继续以学生Bob的情况为例。学生Bob解决了一个配方法失败后求根公式成功的二次方程题目，此时生成了包含两个部分的数据——“配方法尝试”和“求根公式应用”。这两个部分都带有第一知识运用标签和相应的第一标签置信度（表示对这个标签准确性的信心水平）。
学生Bob在整个作业周期内解决了多个二次方程题目，每次使用不同的策略。对于每个答题轨迹，可以依据答题结果以及每个作业答题行为的第一知识运用标签和第一标签置信度，生成参考知识运用标签和相应的参考标签置信度。例如，如果学生Bob在大多数情况下配方法失败后成功使用求根公式，那么“求根公式应用”标签的参考置信度将很高。
步骤S122，基于所述答题轨迹在每个答题行为提取数据中的参考知识运用标签以及对应的参考标签置信度，依据每个答题行为提取数据对应的答题行为逻辑链条网络的答题行为权值，在生成的各个参考知识运用标签中选择一个参考知识运用标签输出为所述答题轨迹的第二知识运用标签。
例如，在完成多道类似的二次方程题目后，学生Bob展示出一致的行为模式：配方法尝试失败，求根公式应用成功。接下来，将根据各参考知识运用标签及其置信度，加上每个答题行为的权值（由答题行为逻辑链条网络定义），选择一个最终的第二知识运用标签。在这里，因为“求根公式应用”在学生Bob的答题轨迹中表现出高置信度，可能会选择它作为第二知识运用标签。
这个过程实质上是在构建一个基于学生答题行为数据的预测模型，它能够识别和推荐有效的学***台更好地理解学生的学习需求，进而提供更个性化的教学资源和反馈，帮助学生在挑战性领域取得进步。
在一种可能的实施方式中，每个答题行为提取数据包括答题行为轨迹和非答题行为轨迹，其中，所述答题行为轨迹为各作业答题行为包含的答题轨迹，所述非答题行为轨迹为各作业答题行为以外，并且存在于所述作业答题过程数据中的答题轨迹，所述非答题行为轨迹的参考知识运用标签为设定标签，参考标签置信度为设定参数值。
例如，在一个具体的作业场景中，学生Bob尝试解决方程 ( x^2 - 6x + 9 = 0 )。他首先试图通过因式分解来解这个方程，但没有做出来；然后他使用求根公式成功解出了方程。学生Bob解决这个方程的过程构成了一个答题行为轨迹。
在尝试解题之外，学生Bob可能会进行其他活动，比如查看课程笔记、暂停作业去喝水等。这些行为不直接贡献于解题结果，但是它们存在于作业答题过程数据中，并对学生Bob的学***。
在步骤S121中，对于生成的多个答题行为提取数据中每个答题行为提取数据包括的各答题行为轨迹，分别将该答题行为轨迹所属的作业答题行为的第一知识运用标签和第一标签置信度，作为所述答题行为轨迹的参考知识运用标签和参考标签置信度。
这样，针对学生Bob在解题过程中的每个尝试，可以记录下他所采取的每个步骤，并分配一个相应的第一知识运用标签和置信度。例如，因式分解失败的尝试可能被标记为“因式分解-失败”（第一知识运用标签），置信度为0.7；而求根公式成功解题的尝试可能被标记为“求根公式-成功”（第一知识运用标签），置信度为0.95。
对于学生Bob的非答题行为，如查看课程笔记，也会分配一个“课程复习”（设定标签）和相应的预设置信度，如0.5。
通过这样的分类和标记，可以更全面地理解学生Bob的学***台能够为学生提供更为全面和深入的学习支持。
在一种可能的实施方式中，步骤S122可以包括：
步骤S1221，基于所述答题轨迹在每个答题行为提取数据中的参考知识运用标签以及对应的参考标签置信度，对属于相同标签的至少一个参考知识运用标签，分别依据所述至少一个参考知识运用标签分别所属的答题行为逻辑链条网络的答题行为权值，对所述至少一个参考知识运用标签分别对应的参考标签置信度进行权重融合，对各个参考知识运用标签的参考标签置信度进行更新。
步骤S1222，在生成的各个参考知识运用标签中，选取更新后的参考标签置信度符合设定标签选择规则的一个参考知识运用标签，作为所述答题轨迹的第二知识运用标签。
例如，可以使用学生Bob在智能教育平台上的数学作业活动为例，来解释这个过程如何实施。
假设学生Bob在完成一系列数学作业题目时展现了不同的答题行为和非答题行为轨迹，每个非答题行为轨迹都有相应的参考知识运用标签和参考标签置信度。那么，可以将使用这些信息来确定哪些是他的薄弱点，从而为他提供针对性的帮助。
例如，在解决二次方程 \( x^2 - 6x + 9 = 0 \) 的过程中，学生Bob首先尝试了配方法（失败），然后成功地使用了求根公式。因此，存在两个答题行为提取数据：“配方法尝试-失败” 和 “求根公式应用-成功”，它们各自有一个参考标签置信度，例如分别为0.7和0.95。
接下来，将基于答题行为逻辑链条网络中的答题行为权值对这两个置信度进行权重融合。如果配方法的权值较低而求根公式的权值较高，经过融合后，“求根公式应用-成功”的置信度可能会增加，而“配方法尝试-失败”的置信度可能会降低。
经过权重融合后，学生Bob在解决该方程的整个过程中所表现出的答题行为轨迹得到了更新的参考标签置信度。
在生成的所有参考知识运用标签中，将根据设定的标签选择规则来选取一个更新后的参考标签置信度。例如，如果规则是选择最高置信度的标签，那么“求根公式应用-成功”可能被选为这个答题轨迹的第二知识运用标签。
通过上述步骤，可以精确地识别出学生的学***台也能更好地满足他的学习需求。
在一种可能的实施方式中，答题行为逻辑链条网络的答题行为权值的确定步骤，包括：
步骤A110，对于每个答题行为逻辑链条网络，利用所述答题行为逻辑链条网络对先验配置的第一答题样例数据序列中各第一答题样例数据进行答题行为提取，生成各第一答题样例数据的答题行为样例提取数据。所述第一答题样例数据序列中包括多个第一答题样例数据和所述多个第一答题样例数据分别对应的答题行为标注数据。
例如，继续使用学生Bob在智能教育平台上完成数学作业的场景进行举例说明。
设想平台有一个数据库，包含了众多学生（包括学生Bob）在解决特定类型题目时的第一答题样例数据序列。这些数据序列记录了学生们解题的详细过程，每个数据序列都有对应的答题行为标注数据，例如正确答题的标签、错误类型的标签等。
对于这个数据库中的每一项第一答题样例数据，会进行答题行为提取，生成答题行为样例提取数据。例如，学生Bob在解决一个配方法的题目时，先是尝试配方法，失败后再成功运用求根公式。将这一行为序列提取出来，与他的答题结果关联起来。
步骤A120，将各第一答题样例数据的答题行为样例提取数据和答题行为标注数据分别进行对比，基于对比结果确定所述答题行为逻辑链条网络的答题行为提取有效值。所述答题行为提取有效值用于反映所述答题行为逻辑链条网络答题行为提取的准确性。
例如，学生Bob和其他学生的答题行为样例提取数据会与先前人工标注的答题行为标注数据进行比较。例如，如果学生Bob的行为是首次尝试配方法然后失败，随后成功运用求根公式，而标注数据也反映了这一点，那么可以认为这次答题行为提取是准确的。
通过比较提取出的答题行为数据和答题行为标注数据，评估答题行为逻辑链条网络的提取准确性，从而确定答题行为提取的有效值。这个有效值是一个量化指标，用来衡量答题行为提取准确性的高低。
步骤A130，分别对所述多个答题行为逻辑链条网络分别对应的答题行为提取有效值进行规则化转换，生成每个答题行为逻辑链条网络的答题行为权值。
例如，不同的答题行为逻辑链条网络可能针对不同的题型或知识点，它们的答题行为提取有效值可能因此而异。为了将这些答题行为提取有效值转化为可用于进一步分析的权值，会进行规则化处理。例如，将有效值按照某种算法（如归一化处理）转换成0到1之间的数值，这些数值即为答题行为逻辑链条网络的答题行为权值。这些权值反映了不同逻辑链条网络中答题行为提取准确性的重要性，可以用于后续的数据分析和学习干预。
通过上述步骤，能够为每种答题行为逻辑链条网络确定答题行为权值，该答题行为权值反映了该答题行为逻辑链条网络在捕捉学生答题行为方面的准确度。这使得能够更加精确地评估学生的学习状态，并据此提供个性化的学习建议。例如，如果学生Bob在配方法上的答题行为权值很低，表明这一部分的答题行为提取准确度不高，可能需要进一步的训练或者调整逻辑链条网络，以便更好地支持学生Bob的学习。
在一种可能的实施方式中，步骤S130可以包括：
步骤S131，对于生成的各逻辑关联属性，将所述逻辑关联属性对应的两个作业答题行为，分别与各目标答题行为进行答题轨迹相关性分析，生成相应的目标答题行为组合和相关性结果。所述相关性结果用于反映所述两个作业答题行为各自与目标答题行为的相关性参数值。
对于生成的各目标答题行为组合，分别执行以下操作，以获得目标逻辑链条数据：
步骤S132，当一个目标答题行为组合关联多个逻辑关联属性时，依据每个逻辑关联属性的相关性结果，在所述多个逻辑关联属性中选择一个逻辑关联属性加载到所述目标逻辑链条数据中。
例如，为了进一步阐述这个技术内容，继续以学生Bob在智能教育平台上的数学作业活动为例。假设学生Bob完成了一系列与解二次方程相关的题目，可以记录他在每个题目中的答题行为轨迹。现在，需要分析这些数据，以建立一个更加完善的知识点逻辑链条，帮助其他学生更好地学习这一章节。
学生Bob解决了两个不同的二次方程问题。第一个问题使用配方法解决，第二个问题使用求根公式解决。可以记录这两种答题行为，并标记了它们的逻辑关联属性，例如“使用配方法”和“使用求根公式”。
统首先将学生Bob的这两个作业答题行为与数据库中预设的目标答题行为（也就是理想的答题行为轨迹）进行相关性分析。通过这一分析生成了与每个作业答题行为相对应的目标答题行为组合，同时得到了反映每个作业答题行为与目标答题行为之间相关性的参数值。
接下来，发现多个学生在解决类似的二次方程时都表现出类似的答题行为轨迹，如多次尝试配方法失败后转向求根公式并成功。如果某个目标答题行为组合（比如成功解决二次方程）与多个逻辑关联属性（如“尝试配方法”和“使用求根公式”）有关联，将根据各逻辑关联属性的相关性结果来选择其中一个。例如，如果与“使用求根公式”相关的答题行为通常更接近目标答题行为组合，那么可能会选择这个逻辑关联属性，将其加载到目标逻辑链条数据中。
这样，建立起来的目标逻辑链条数据可以更准确地指导学生在遇到二次方程时采用更高效的策略（即直接使用求根公式），而不是坚持使用效果不佳的配方法。
通过对答题轨迹进行相关性分析，可以构建一个包含最有效答题行为的目标逻辑链条。对于学生Bob来说，这意味着如果他在未来遇到类似的题目，将基于之前的分析结果给出更优化的学***台利用这些分析数据，可以推荐最符合高效学习路径的策略，帮助他们提高解题能力，最终达到提升整体学习效率的目的。
在一种可能的实施方式中，步骤S131可以包括：
步骤S1311，对于所述每个逻辑关联属性对应的两个作业答题行为，基于所述作业答题行为在所述作业答题过程数据中的答题结果和所述作业答题行为的第一知识运用标签，确定与所述作业答题行为符合设定答题结果关联逻辑关联属性，且第一知识运用标签相同的目标答题行为。
例如，这一技术内容涉及分析作业答题行为之间的相关性，以便理解不同答题行为如何相互关联。再次使用学生Bob在智能教育平台上完成数学作业的例子来说明这些步骤。
假设现在的目标是分析学生Bob在处理两个具有逻辑关联属性的数学问题时的答题行为，以了解这些行为是否存在相关性。
学生Bob先前解决了两个逻辑关联的数学问题，比如“求二次方程的根”和“分析二次函数的图像”。这两个作业答题行为都要求对二次方程有一定的理解，它们具备逻辑关联属性。
首先会确定与这两个作业答题行为符合预设答题结果关联逻辑关联属性的其他目标答题行为，这意味着它会找出学生Bob在其他相关题目中的表现，其中这些题目也涉及到二次方程的知识点，并检查他们的第一知识运用标签是否相同。
步骤S1312，对所述作业答题行为与目标答题行为进行答题轨迹相关性分析，确定所述作业答题行为的答题轨迹相关性结果，所述答题轨迹相关性结果用于反映所述作业答题行为与所述目标答题行为是否存在答题轨迹相关性。
例如，除了求解二次方程和分析二次函数图像，学生Bob还尝试过其他类似的题目，例如计算二次函数的极值。由此，可以分析学生Bob在这些题目上的答题轨迹，包括他选择的解题方法、所犯错误的类型、解题时间等因素，然后确定他在解决这些题目时是否显示出一致的答题行为模式。
步骤S1313，基于所述两个作业答题行为分别对应的目标答题行为确定所述目标答题行为组合。
例如，可以根据每个逻辑关联属性对应的两个作业答题行为（求解二次方程和分析二次函数图像），将识别并记录所有与之相关的目标答题行为（例如计算二次函数的极值），从而确定一个目标答题行为组合。
步骤S1314，基于所述两个作业答题行为中与分别对应的目标答题行为存在答题轨迹相关性的数量，确定所述逻辑关联属性的相关性结果。
最后，将基于学生Bob在这些逻辑关联的答题行为中表现出的答题轨迹相关性的数量，来确定逻辑关联属性的相关性结果。如果学生Bob在所有相关题目中都表现出了一致的解题策略和知识运用，那么会判断这些答题行为具有高度的相关性。
通过以上步骤，可以更好地理解学生Bob在特定知识点上的掌握程度以及答题行为之间的内在联系。例如，如果发现学生Bob在求解二次方程和计算二次函数极值时都采取了有效的策略并获得了正确结果，那么这表明他对二次方程的理解较为深入。相反，如果他在某些相关题目上表现出不一致的答题行为，那么可能需要提供额外的资源或指导，帮助他在这一领域取得进步。
在一种可能的实施方式中，所述逻辑链条分析数据与所述答题行为逻辑链条网络存在唯一映射逻辑关联属性，每个逻辑链条分析数据包括每两个作业答题行为之间的逻辑关联属性以及对应的逻辑关联属性置信度。
步骤S132可以包括：
步骤S1321，当一个目标答题行为组合关联多个逻辑关联属性时，通过每个逻辑关联属性对应的答题行为逻辑链条网络的逻辑关联权值和每个逻辑关联属性的相关性结果，分别对属于相同逻辑关联属性的逻辑关联属性分别对应的逻辑关联属性置信度进行权重融合，对每个逻辑关联属性的逻辑关联属性置信度进行更新。
例如，本实施例描述了如何在面对多个可能的逻辑关联属性时，选择与目标答题行为组合最相关的逻辑关联属性，并将其应用到目标逻辑链条数据中。继续以学生Bob在智能教育平台上完成数学作业为例，可以具体说明这一过程。
假设智能教育平台通过分析学生Bob和其他学生解决二次方程的各种策略，已经建立了一个包含不同解题步骤的答题行为逻辑链条网络。每一步解题策略都被视为一个逻辑关联属性，并且每个属性都有一个初始置信度，反映它在成功解题过程中的重要性。
如果发现，在解决二次方程时，学生们常见的逻辑关联属性包括“尝试配方法”、“使用求根公式”和“图形法解题”。每个逻辑关联属性都与特定的答题行为逻辑链条网络相对应，并且基于之前的分析结果拥有一个相关性参数值。
当目标答题行为组合（例如成功解决二次方程）与这些逻辑关联属性有关时，将结合每个逻辑关联属性对应的逻辑链条网络的权值和相关性结果来更新逻辑关联属性的置信度。权值可能来自于先前的答题行为提取有效值，而相关性结果来自于答题轨迹相关性分析。由此，可以对属于相同逻辑关联属性的置信度进行权重融合，更新这些置信度。
步骤S1322，在所述多个逻辑关联属性中，选择更新后的逻辑关联属性置信度符合设定属性选择规则的一条逻辑关联属性，作为所述目标答题行为组合的目标逻辑关联属性，并将所述目标逻辑关联属性加载到所述目标逻辑链条数据中。
例如，经过权重融合后，得到了一组更新后的逻辑关联属性置信度。这些更新后的置信度更准确地反映了每个逻辑关联属性与目标答题行为组合之间的相关性。设定的属性选择规则，可以从更新后的逻辑关联属性中选择一个。如果规则是选择置信度最高的属性，那么可能会选择“使用求根公式”，因为它显示出与成功解题的最强相关性。然后，这个目标逻辑关联属性被加载到目标逻辑链条数据中。
通过这个流程，能够识别并强化与成功答题行为最相关的逻辑关联属性。对于学生Bob来说，这意味着他在未来遇到类似问题时，会推荐他直接使用求根公式，因为这被认为是最有可能帮助他成功解题的方法。同时，这个流程也为其他学生提供了优化的学习路径，使他们能够更有效率地掌握解决二次方程的技巧。这种个性化的学习干预不仅提升了学习效果，也增加了学生对解题方法的信心。
在一种可能的实施方式中，答题行为逻辑链条网络的逻辑关联权值的确定步骤，包括：
步骤B110，对于每个答题行为逻辑链条网络，利用所述答题行为逻辑链条网络对先验配置的第二答题样例数据序列中各第二答题样例数据进行逻辑链条分析，生成各第二答题样例数据的逻辑关联属性样例提取数据。所述第二答题样例数据序列中包括多个第一答题样例数据和所述多个第一答题样例数据分别对应的逻辑关联属性标注数据。
例如，继续使用学生Bob在智能教育平台上完成数学作业的例子。
假设智能教育平台预先配置了第二答题样例数据序列，这些数据包含了多个不同学生（包括学生Bob）在解决类似数学问题时的行为，以及专家对这些行为的逻辑关联属性标注数据。例如，一个样例数据可能记录了一个学生在解决二次方程时先尝试配方法失败，然后成功使用求根公式得出答案。答题行为逻辑链条网络会分析这些第二答题样例数据，并提取每个样例数据中的逻辑关联属性，生成逻辑关联属性样例提取数据。例如，它可能识别出“配方法失败后转向求根公式”这一逻辑关联属性。
步骤B120，将各第一答题样例数据的逻辑关联属性样例提取数据和逻辑关联属性标注数据分别进行对比，基于对比结果确定所述答题行为逻辑链条网络的逻辑链条分析有效值。所述逻辑链条分析有效值用于反映所述答题行为逻辑链条网络逻辑链条分析的准确性。
例如，学生Bob在完成他的作业时，也产生了一系列的答题行为。平台现在需要验证逻辑链条分析的准确性。可以比较学生Bob的逻辑关联属性样例提取数据与预先标注的逻辑关联属性标注数据。如果学生Bob在实际解题过程中的逻辑关联属性与专家标注的数据相符，那么就可以认定该逻辑链条分析是有效的，并据此确定一个逻辑链条分析有效值，用以反映答题行为逻辑链条网络在逻辑链条分析方面的准确性。
步骤B130，分别对所述多个答题行为逻辑链条网络分别对应的逻辑链条分析有效值进行规则化转换，生成每个答题行为逻辑链条网络的逻辑关联权值。
例如，在智能教育平台上，可能有多个逻辑链条网络，它们分别负责分析不同类型的答题行为或适用于不同的题目类型。
对于每个答题行为逻辑链条网络，都会将其逻辑链条分析有效值进行规则化转换，例如通过归一化处理使值位于0到1之间，从而生成逻辑关联权值。这些逻辑关联权值表明了不同逻辑链条网络在捕捉和分析逻辑关联属性时的信任程度。
通过以上步骤，可以为每个答题行为逻辑链条网络确定逻辑关联权值。这个逻辑关联权值有助于指导平台如何更好地评估和理解学生的答题行为，进而提供个性化的教育资源和建议。例如，如果学生Bob在使用某个特定逻辑链条网络分析时得到高逻辑关联权值的推荐，那么平台就会更加信任该网络的分析结果，并可能基于此给出更多使用求根公式来解决二次方程的建议。这种方法最终旨在帮助学生以最有效的方式学习和掌握知识点。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的学习评估***100。
对于一个实施例，图2示出了学习评估***100，该学习评估***100具有多个处理器102、被耦合到(多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的多个输入/输出设备110，和被耦合到控制模块104的网络接口112。
处理器102可包括多个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些可替代的实施方式中，学习评估***100能够作为本申请实施例中所述网关等服务器设备。
一些可替代的实施方式中，学习评估***100可包括具有指令114的多个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该多个计算机可读介质相合并被配置为执行指令114以实现模块从而执行本公开中所述的动作的多个处理器102。
对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的管理端或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为学习评估***100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的DRAM。一些可替代的实施方式中，存储器106可包括双倍数据速率类型四同步动态随机存取存储器。
对于一个实施例，控制模块104可包括多个输入/输出控制器，以向NVM/存储设备108及(多个)输入/输出设备110提供接口。
例如，NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(多个)非易失性存储设备。
NVM/存储设备108可包括在物理上作为学习评估***100被安装在其上的管理端的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备108可依据网络经由(多个)输入/输出设备110进行访问。
(多个)输入/输出设备110可为学习评估***100提供接口以与任意其它适当的管理端通信，输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为学习评估***100提供接口以依据多个网络通信，学习评估***100可依据多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的多个组件进行无线通信，例如接入依据通信标准的无线网络，如WiFi、2G、3G、4G、5G等，或它们的组合进行无线通信。
对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器(例如，存储器控制器模块)的逻辑封装在一起。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑封装在一起以形成***级封装。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上以形成片上***。
在各个实施例中，学***板电脑、上网本等)等终端设备。在各个实施例中，学习评估***100可具有更多或更少的组件和/或不同的架构。例如，一些可替代的实施方式中，学习评估***100包括多个摄像机、键盘、液晶显示器屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路和扬声器。
以上对本申请进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (8)
1.一种基于智能题库的作业数据反馈方法，其特征在于，应用于学习评估***，所述方法包括：
利用多个答题行为逻辑链条网络，依据任意一个答题行为逻辑链条网络对目标学生用户的作业答题过程数据进行答题行为提取和逻辑链条分析，生成相应的答题行为提取数据和逻辑链条分析数据；所述作业答题过程数据为监控记录的与智能题库数据相关的作业答题过程数据；所述答题行为提取数据用于反映：所述作业答题过程数据包含的与智能题库数据相关的各作业答题行为分别对应的第一知识运用标签；所述逻辑链条分析数据用于反映：每两个作业答题行为之间的逻辑关联属性；
依据所述各作业答题行为分别对应的第一知识运用标签，以及分别在所述作业答题过程数据中的答题结果，生成所述各作业答题行为包括的各个答题轨迹分别对应的第二知识运用标签，并将存在匹配第二知识运用标签且相关联的各答题轨迹融合输出为相应的目标答题行为，生成目标答题行为数据；
将生成的各作业答题行为分别与各目标答题行为进行答题轨迹相关性分析，确定各逻辑关联属性对应的目标答题行为组合，并在关联相同目标答题行为组合的各逻辑关联属性中选择一个逻辑关联属性加载到目标逻辑链条数据中，生成目标逻辑链条数据；
依据所述目标答题行为数据和所述目标逻辑链条数据，确定所述作业答题过程数据中包含的薄弱知识路径，并基于所述薄弱知识路径对所述目标学生用户进行信息反馈；
所述答题行为提取数据与所述答题行为逻辑链条网络存在唯一映射逻辑关联属性，每个答题行为提取数据包括至少一个作业答题行为，每个作业答题行为的第一知识运用标签以及对应的第一标签置信度；
所述依据所述各作业答题行为分别对应的第一知识运用标签，以及分别在所述作业答题过程数据中的答题结果，生成所述各作业答题行为包括的各个答题轨迹分别对应的第二知识运用标签，包括：
对于所述作业答题过程数据中包括的各个答题轨迹，依据任意一个答题轨迹在所述作业答题过程数据中的答题结果，以及每个答题行为提取数据中每个作业答题行为的第一知识运用标签以及对应的第一标签置信度，生成所述答题轨迹在每个答题行为提取数据中的参考知识运用标签以及对应的参考标签置信度；
基于所述答题轨迹在每个答题行为提取数据中的参考知识运用标签以及对应的参考标签置信度，依据每个答题行为提取数据对应的答题行为逻辑链条网络的答题行为权值，在生成的各个参考知识运用标签中选择一个参考知识运用标签输出为所述答题轨迹的第二知识运用标签；
每个答题行为提取数据包括答题行为轨迹和非答题行为轨迹，其中，所述答题行为轨迹为各作业答题行为包含的答题轨迹，所述非答题行为轨迹为各作业答题行为以外，并且存在于所述作业答题过程数据中的答题轨迹，所述非答题行为轨迹的参考知识运用标签为设定标签，参考标签置信度为设定参数值；
所述依据任意一个答题轨迹在所述作业答题过程数据中的答题结果，以及每个答题行为提取数据中每个作业答题行为的第一知识运用标签以及对应的第一标签置信度，生成所述答题轨迹在每个答题行为提取数据中的参考知识运用标签以及对应的参考标签置信度，包括：
对于生成的多个答题行为提取数据中每个答题行为提取数据包括的各答题行为轨迹，分别将该答题行为轨迹所属的作业答题行为的第一知识运用标签和第一标签置信度，作为所述答题行为轨迹的参考知识运用标签和参考标签置信度。
2.根据权利要求1所述的基于智能题库的作业数据反馈方法，其特征在于，所述基于所述答题轨迹在每个答题行为提取数据中的参考知识运用标签以及对应的参考标签置信度，依据每个答题行为提取数据对应的答题行为逻辑链条网络的答题行为权值，在生成的各个参考知识运用标签中选择一个参考知识运用标签输出为所述答题轨迹的第二知识运用标签，包括：
基于所述答题轨迹在每个答题行为提取数据中的参考知识运用标签以及对应的参考标签置信度，对属于相同标签的至少一个参考知识运用标签，分别依据所述至少一个参考知识运用标签分别所属的答题行为逻辑链条网络的答题行为权值，对所述至少一个参考知识运用标签分别对应的参考标签置信度进行权重融合，对各个参考知识运用标签的参考标签置信度进行更新；
在生成的各个参考知识运用标签中，选取更新后的参考标签置信度符合设定标签选择规则的一个参考知识运用标签，作为所述答题轨迹的第二知识运用标签。
3.根据权利要求1或2所述的基于智能题库的作业数据反馈方法，其特征在于，答题行为逻辑链条网络的答题行为权值的确定步骤，包括：
对于每个答题行为逻辑链条网络，利用所述答题行为逻辑链条网络对先验配置的第一答题样例数据序列中各第一答题样例数据进行答题行为提取，生成各第一答题样例数据的答题行为样例提取数据；所述第一答题样例数据序列中包括多个第一答题样例数据和所述多个第一答题样例数据分别对应的答题行为标注数据；
将各第一答题样例数据的答题行为样例提取数据和答题行为标注数据分别进行对比，基于对比结果确定所述答题行为逻辑链条网络的答题行为提取有效值；所述答题行为提取有效值用于反映所述答题行为逻辑链条网络答题行为提取的准确性；
分别对所述多个答题行为逻辑链条网络分别对应的答题行为提取有效值进行规则化转换，生成每个答题行为逻辑链条网络的答题行为权值。
4.根据权利要求1或2所述的基于智能题库的作业数据反馈方法，其特征在于，所述将生成的各作业答题行为分别与各目标答题行为进行答题轨迹相关性分析，确定各逻辑关联属性对应的目标答题行为组合，并在关联相同目标答题行为组合的各逻辑关联属性中选择一个逻辑关联属性加载到目标逻辑链条数据中，生成目标逻辑链条数据，包括：
对于生成的各逻辑关联属性，将所述逻辑关联属性对应的两个作业答题行为，分别与各目标答题行为进行答题轨迹相关性分析，生成相应的目标答题行为组合和相关性结果；所述相关性结果用于反映所述两个作业答题行为各自与目标答题行为的相关性参数值；
对于生成的各目标答题行为组合，分别执行以下操作，以获得目标逻辑链条数据：
当一个目标答题行为组合关联多个逻辑关联属性时，依据每个逻辑关联属性的相关性结果，在所述多个逻辑关联属性中选择一个逻辑关联属性加载到所述目标逻辑链条数据中。
5.根据权利要求4所述的基于智能题库的作业数据反馈方法，其特征在于，所述将所述逻辑关联属性对应的两个作业答题行为，分别与各目标答题行为进行答题轨迹相关性分析，生成相应的目标答题行为组合和相关性结果，包括：
对于所述每个逻辑关联属性对应的两个作业答题行为，基于所述作业答题行为在所述作业答题过程数据中的答题结果和所述作业答题行为的第一知识运用标签，确定与所述作业答题行为符合设定答题结果关联逻辑关联属性，且第一知识运用标签相同的目标答题行为；
对所述作业答题行为与目标答题行为进行答题轨迹相关性分析，确定所述作业答题行为的答题轨迹相关性结果，所述答题轨迹相关性结果用于反映所述作业答题行为与所述目标答题行为是否存在答题轨迹相关性；
基于所述两个作业答题行为分别对应的目标答题行为确定所述目标答题行为组合；
基于所述两个作业答题行为中与分别对应的目标答题行为存在答题轨迹相关性的数量，确定所述逻辑关联属性的相关性结果。
6.根据权利要求5所述的基于智能题库的作业数据反馈方法，其特征在于，所述逻辑链条分析数据与所述答题行为逻辑链条网络存在唯一映射逻辑关联属性，每个逻辑链条分析数据包括每两个作业答题行为之间的逻辑关联属性以及对应的逻辑关联属性置信度；
所述当一个目标答题行为组合关联多个逻辑关联属性时，依据每个逻辑关联属性的相关性结果，在所述多个逻辑关联属性中选择一个逻辑关联属性加载到所述目标逻辑链条数据中，包括：
当一个目标答题行为组合关联多个逻辑关联属性时，通过每个逻辑关联属性对应的答题行为逻辑链条网络的逻辑关联权值和每个逻辑关联属性的相关性结果，分别对属于相同逻辑关联属性的逻辑关联属性分别对应的逻辑关联属性置信度进行权重融合，对每个逻辑关联属性的逻辑关联属性置信度进行更新；
在所述多个逻辑关联属性中，选择更新后的逻辑关联属性置信度符合设定属性选择规则的一条逻辑关联属性，作为所述目标答题行为组合的目标逻辑关联属性，并将所述目标逻辑关联属性加载到所述目标逻辑链条数据中。
7.根据权利要求6所述的基于智能题库的作业数据反馈方法，其特征在于，答题行为逻辑链条网络的逻辑关联权值的确定步骤，包括：
对于每个答题行为逻辑链条网络，利用所述答题行为逻辑链条网络对先验配置的第二答题样例数据序列中各第二答题样例数据进行逻辑链条分析，生成各第二答题样例数据的逻辑关联属性样例提取数据；所述第二答题样例数据序列中包括多个第一答题样例数据和所述多个第一答题样例数据分别对应的逻辑关联属性标注数据；
将各第一答题样例数据的逻辑关联属性样例提取数据和逻辑关联属性标注数据分别进行对比，基于对比结果确定所述答题行为逻辑链条网络的逻辑链条分析有效值；所述逻辑链条分析有效值用于反映所述答题行为逻辑链条网络逻辑链条分析的准确性；
分别对所述多个答题行为逻辑链条网络分别对应的逻辑链条分析有效值进行规则化转换，生成每个答题行为逻辑链条网络的逻辑关联权值。
8.一种学习评估***，其特征在于，所述学习评估***包括处理器和机器可读存储介质，该机器可读存储介质中存储有机器可执行指令，该机器可执行指令由该处理器加载并执行以实现权利要求1-7中任意一项所述的基于智能题库的作业数据反馈方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311675200.2A CN117557426B (zh) | 2023-12-08 | 2023-12-08 | 基于智能题库的作业数据反馈方法及学习评估*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311675200.2A CN117557426B (zh) | 2023-12-08 | 2023-12-08 | 基于智能题库的作业数据反馈方法及学习评估*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117557426A CN117557426A (zh) | 2024-02-13 |
| CN117557426B true CN117557426B (zh) | 2024-05-07 |
Family
ID=89812614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311675200.2A Active CN117557426B (zh) | 2023-12-08 | 2023-12-08 | 基于智能题库的作业数据反馈方法及学习评估*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117557426B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103077178A (zh) * | 2011-10-26 | 2013-05-01 | 财团法人资讯工业策进会 | 学习诊断与动态学习资源推荐的方法及*** |
| CN107644572A (zh) * | 2016-07-21 | 2018-01-30 | 上海莘越软件科技有限公司 | 一种基于思维过程的教学*** |
| CN108509439A (zh) * | 2017-02-24 | 2018-09-07 | 上海莘越软件科技有限公司 | 一种代数教学*** |
| CN109035947A (zh) * | 2018-08-06 | 2018-12-18 | 苏州承儒信息科技有限公司 | 一种基于步骤分析模拟的教育***的工作方法 |
| CN111931875A (zh) * | 2020-10-10 | 2020-11-13 | 北京世纪好未来教育科技有限公司 | 数据处理方法、电子设备及计算机可读介质 |
| CN112000881A (zh) * | 2020-07-31 | 2020-11-27 | 广州未名中智教育科技有限公司 | 推荐知识的学习方法、***、计算机设备和存储介质 |
| CN113379320A (zh) * | 2021-07-05 | 2021-09-10 | 上海松鼠课堂人工智能科技有限公司 | 学习效果的评估方法、装置、设备及存储介质 |
| KR20220007193A (ko) * | 2020-07-10 | 2022-01-18 | 주식회사 제네시스랩 | 기계학습모델을 이용하여 면접영상에 대한 자동화된 평가를 위한 심층질문을 도출하는 방법, 시스템 및 컴퓨터-판독가능 매체 |
| WO2022170985A1 (zh) * | 2021-02-09 | 2022-08-18 | 广州视源电子科技股份有限公司 | 选题方法、装置、计算机设备和存储介质 |
| CN116541538A (zh) * | 2023-07-06 | 2023-08-04 | 广东信聚丰科技股份有限公司 | 基于大数据的智慧学习知识点挖掘方法及*** |
| CN116957867A (zh) * | 2023-07-10 | 2023-10-27 | 华中师范大学 | 一种数字人教师线上教学服务方法、电子设备及计算机可读存储介质 |
| CN117033802A (zh) * | 2023-10-09 | 2023-11-10 | 广东信聚丰科技股份有限公司 | 基于ai辅助的授课题目推送方法及*** |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8366449B2 (en) * | 2008-08-13 | 2013-02-05 | Chi Wang | Method and system for knowledge diagnosis and tutoring |
| US20120244507A1 (en) * | 2011-03-21 | 2012-09-27 | Arthur Tu | Learning Behavior Optimization Protocol (LearnBop) |
-
2023
- 2023-12-08 CN CN202311675200.2A patent/CN117557426B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103077178A (zh) * | 2011-10-26 | 2013-05-01 | 财团法人资讯工业策进会 | 学习诊断与动态学习资源推荐的方法及*** |
| CN107644572A (zh) * | 2016-07-21 | 2018-01-30 | 上海莘越软件科技有限公司 | 一种基于思维过程的教学*** |
| CN108509439A (zh) * | 2017-02-24 | 2018-09-07 | 上海莘越软件科技有限公司 | 一种代数教学*** |
| CN109035947A (zh) * | 2018-08-06 | 2018-12-18 | 苏州承儒信息科技有限公司 | 一种基于步骤分析模拟的教育***的工作方法 |
| KR20220007193A (ko) * | 2020-07-10 | 2022-01-18 | 주식회사 제네시스랩 | 기계학습모델을 이용하여 면접영상에 대한 자동화된 평가를 위한 심층질문을 도출하는 방법, 시스템 및 컴퓨터-판독가능 매체 |
| CN112000881A (zh) * | 2020-07-31 | 2020-11-27 | 广州未名中智教育科技有限公司 | 推荐知识的学习方法、***、计算机设备和存储介质 |
| CN111931875A (zh) * | 2020-10-10 | 2020-11-13 | 北京世纪好未来教育科技有限公司 | 数据处理方法、电子设备及计算机可读介质 |
| WO2022170985A1 (zh) * | 2021-02-09 | 2022-08-18 | 广州视源电子科技股份有限公司 | 选题方法、装置、计算机设备和存储介质 |
| CN113379320A (zh) * | 2021-07-05 | 2021-09-10 | 上海松鼠课堂人工智能科技有限公司 | 学习效果的评估方法、装置、设备及存储介质 |
| CN116541538A (zh) * | 2023-07-06 | 2023-08-04 | 广东信聚丰科技股份有限公司 | 基于大数据的智慧学习知识点挖掘方法及*** |
| CN116957867A (zh) * | 2023-07-10 | 2023-10-27 | 华中师范大学 | 一种数字人教师线上教学服务方法、电子设备及计算机可读存储介质 |
| CN117033802A (zh) * | 2023-10-09 | 2023-11-10 | 广东信聚丰科技股份有限公司 | 基于ai辅助的授课题目推送方法及*** |
Non-Patent Citations (4)
| Title |
|---|
| 基于决策树的CAI测试软件的设计与实现;吴斌新;;中国远程教育;20060710(07);66-69 * |
| 基于贝叶斯网络的学习者学习行为评估算法研究;曾蔚;太原师范学院学报（自然科学版）;20181231;第17卷(第4期);29-34 * |
| 知识追踪模型在数学应用题中的应用概述;余小鹏;赵亚;;信息通信;20200315(03);205-206 * |
| 计算机自适应测验中沉思-冲动型认知风格、能力水平、试题难度与试题作答时间的关系分析;陆宏;王玥;王超;梁雨;;现代教育技术;20201015(10);92-98 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117557426A (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11631338B2 (en) | Deep knowledge tracing with transformers | |
| US20200202226A1 (en) | System and method for context based deep knowledge tracing | |
| US20090202969A1 (en) | Customized learning and assessment of student based on psychometric models | |
| US20190130511A1 (en) | Systems and methods for interactive dynamic learning diagnostics and feedback | |
| CN111177413A (zh) | 学习资源推荐方法、装置和电子设备 | |
| RU2010104996A (ru) | Устройство, система и способ адаптивного преподавания и обучения | |
| CN105373977A (zh) | 课程教学***和课程教学***的操作方法 | |
| CN105825454A (zh) | 一种基于计算机终端的自适应学习方法、***及终端设备 | |
| US10410534B2 (en) | Modular system for the real time assessment of critical thinking skills | |
| CN115544241B (zh) | 一种线上作业的智能推送方法及装置 | |
| CN111753846A (zh) | 一种基于rpa和ai的网站验证方法、装置、设备及存储介质 | |
| US11416558B2 (en) | System and method for recommending personalized content using contextualized knowledge base | |
| Thomas et al. | When the tutor becomes the student: Design and evaluation of efficient scenario-based lessons for tutors | |
| CN108595531A (zh) | 拼写训练方法、***、计算机设备和存储介质 | |
| CN111951133B (zh) | 辅助解题的方法、装置以及存储介质 | |
| CN117557426B (zh) | 基于智能题库的作业数据反馈方法及学习评估*** | |
| US20150248413A1 (en) | Learning Quotient & Scoring Systems and Methods for Competency and Learning Progression | |
| CN113469508B (zh) | 基于数据分析的个性化教育管理***、方法、介质 | |
| Sun et al. | Current state of learning analytics: a synthesis review based on the combination of activity theory and pedagogy | |
| CN108198474A (zh) | 一种学习数据生成方法、装置及设备 | |
| CN114943032A (zh) | 信息处理方法、装置、电子设备及计算机可读存储介质 | |
| Zhang et al. | Going Online: A Simulated Student Approach for Evaluating Knowledge Tracing in the Context of Mastery Learning. | |
| CN110827178A (zh) | 通过人工智能制定学习计划的***和方法 | |
| CN105118341A (zh) | 一种网络课堂教学方法及*** | |
| Er-radi et al. | Machine learning in adaptive online learning for enhanced learner engagement |
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 |