一种基于个人记忆规律统计算法的方法

专利名称：：一种基于个人记忆规律统计算法的方法
技术领域：
：本发明涉及一种基于个人记忆规律统计算法的方法。技术背景众所周知，通过有间隔的回忆可以强化记忆。具体来说，就是当一个人经过理解和记忆后，能够回忆起要记忆的内容，即通过看到或听到的内容能够联想到特定的内容。例如，看到"good"能够联想到中文意思"好"。然后经过一段时间的间隔(如l天)，再来回忆，如果能够回忆起来，那么他这个记忆内容的保持的时间就会增长，下次回忆的间隔就可以长一些(如2天)而且能够回忆起来。如果2天后又能够回忆起来，那么记忆保持的时间又会增长，这样继续下去，记忆保持的时间就会不断增长，当增加到10年、20年、30年时，他实际上己经终生记住了这个内容。因为，在IO年这么长的时间间隔中，他肯定有机会遇到这个记忆内容，这样就能再次强化记忆，使得保持的时间更长，保持的时间长度超过了人的寿命，实际上就是终生记住了这个内容。当然，在这个反复的间隔回忆过程中，也有回忆不起来的情况，这时就需要重新记忆这个内容，由于曾经记忆过这个内容，留有一定的印象，重新记忆就相对容易一些，而且记住后保持的时间也长一些。这样继续进行间隔的回忆，仍然可以达到终生记忆的效果。但是，现有的研究多数采用统计多个被测试者的测试数据，得出针对特定人群的统计结果。这样的统计结果不能反映出人的个体差别(如身体状况、知识背景等等)，而且统计结果本身也是近似的，因此得出的结果用于指导个人记忆过程时，偏差就相对大一些，而且要找到记忆过程中严格的规律也是比较困难的。
发明内容本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于个人记忆规律统计算法的方法，可以有效地反映出个人的记忆规律，有利于利用该记忆规律进行学习。测试单元是本发明中特别定义的一个概念，测试单元即一对问题和答案，包含了被测试者要记忆的内容。被测试者看到或听到问题就可以联想到答案就标明记住了相应的内容。例如，问题"早上好"英语怎么讲？答案Goodmorningo测试单元是各种测试的对象，除了包含问题和答案外，本发明给测试单元设置了一些其他属性，如容易度、测试次数、上次测试、当前测试、下次测试等等。测试也是本发明中特别定义的一个概念，指被测试者回答所述测试单元的问题，并根据被测试者回答情况打分。每个测试单元都要进行多次测试，这些测试具体包括合格测试、容易度测试、调节测试以及常规测试，每次测试又有几个属性，如测试类型、上次测试间隔、间隔系数、测试时间、测试序号、测试结果等等本发明解决其技术问题所采用的技术方案是构造一种基于个人记忆规律统计算法的方法，该方法涉及多个测试单元，并对每个测试单元进行多次测试，通过统计这些测试结果来计算记忆规律，在参与的每个测试单元的一次测试中，执行如下步骤a.根据算法数据模型参数和测试单元属性的当前取值，计算所述测试单元的测试时间；b.到了所述测试时间，提示被测试者回答所述测试单元的问题，并根据被测试者回答情况打分；c.根据所述打分的测试结果，刷新算法数据模型中的参数和该测试单元的属性，并重复执行所述步骤a，开始下一个测试单元的测试或本测试单元的另一次测试。本发明中，所有参与测试的单元都必须首先进行合格测试。本发明中，所述步骤C中，部分的测试结果用来刷新数据模型中的参数，参与刷新数据模型的测试结果必须满足预设条件，即只有常规测试的结果才用来刷新数据模型中的递增系数。本发明中，所述步骤b中，所述打分的评分标准具体包括太容易、正确、太难以及错误四级。本发明中，所述步骤a中，所述测试时间的计算方法中，当测试类型为常规测试时，其最优间隔的计算方法具体包括使用递增函数I(n)=I(n-l)*d计算，其中I(n)是第n次测试的测试间隔，I(n-l)是第n-l次测试(即上一次)的测试间隔，d是递增系数。本发明中，对所述所有测试单元进行多次测试，这些测试具体包括合格测试、容易度测试、调节测试以及常规测试，具体执行步骤如下e.进行所述合格测试，通过后进入步骤f;f.进入容易度测试，进入步骤g;g.进入调节测试，并判断测试的结果是否为"正确"，进入步骤h;h.如果所述测试的结果为"正确"，则进入所述常规测试，执行步骤i;如果测试的结果为"错误"，返回所述步骤f，如果测试结果为"太难"或"太容易"，则返回步骤g;i.进行常规测试，返回所述步骤h。需要说明的是调节测试的一个目的就是调节测试间隔的长度，来适应被测试者，达到测试结果为正确，从而进行常规测试，获得统计样本。在调节测试中，将根据单元上一次测试的结果调节其测试间隔。本发明中，所述合格测试的方法定义如下被测试者对预设测试单元初学后，即经过理解和记忆，达到能够根据所述测试单元的问题给出对应的答案，并且经过一个预设时间间隔后，测试该单元，若得分为预设的得分范围，表示通过合格测试，若得分为另一个预设的得分范围，表示不通过合格测试，则需要再经过一个相同的预设时间间隔，重新进行测试，直到测试结果为通过后才能进行下一步的测试，所述的预设时间间隔为合格测试间隔，以上的测试为合格测试。本发明中，所述步骤C中，在刷新算法数据模型的过程中，递增系数的计算方法如下经过预设次数的测试，获得了对应不同间隔系数分组下的保持率，并计算该保持率衰减函数Fl^exp(^d)的参数C和b的值；设其中一次的统计数据如下表间隔系数1.21.31.41.51.61.71.81.92.02.5保持率RlR2R3R4R5R6R7R8R9R14保持率的自然对数LnRllnR2lnR3lnR4LnR5lnR6LnR7lnR8lnR9lnR14这里用间隔系数分组的中间值作为这个分组的间隔系数的取值，再计算出每个保持率的自然对数，形成不同间隔系数对应不同保持率及其自然对数的一组数据，参数C和b的计算公式如下LXX=(间隔系数的平方之和)一(间隔系数的总和的平方)/间隔系数的个数；Lxy=(间隔系数与(保持率的自然对数)的乘积之和)一(间隔系数的和)*(保持率的自然对数之和)/间隔系数的个数；c=Lxy/Lxx;b'-保持率的自然对数的算术平均数一C吖司隔系数的算术平均数；b=exp(b')，b取自然数的b'次幂；从这个回归的衰减函数，可以代入要求的保持率，计算出递增系数；计算的方法就是使用己知的b和C值和要求的保持率R，按照以下公式计算d=ln(R/b)/c;其中，ln表示取自然对数；当计算出的d，超出最大值时取最大值，小于最小值时取最小值；当c=0时，如果b>R则d取最大值，如果b<R则d取最小值；如果b=R则d取值不变，即本次计算不刷新递增系数的取值。本发明中，所述递增系数需要根据情况进行选取，选取的方法如下所述递增系数的取值可不区分分组，直接使用总的递增系数，也可按照这个单元的上一次的测试间隔区分分组，上一次测试间隔对应哪个分组，就选取其对应的递增系数；如果测试间隔对应的分组的统计样本数小于一个预设的值或者找不到对应的测试间隔分组，则递增系数取值为总的递增系数。本发明中，所述步骤c中，用来刷新算法模型的统计样本的数据内容如下最基本的数据是测试单元一次测试的间隔系数和测试得分；如果要统计与间隔长度相关的递增系数需要在基本数据的基础上增加该单元上次测试间隔作为数据内容；如果要统计与容易度相关的递增系数需要在基本数据的基础上增加该单元的容易度作为数据内容；如果要统计与测试次数相关的递增系数需要在基本数据的基础上增加该单元的测试次数作为数据内容。本发明的有益效果是，通过使用本发明的算法，可以利用计算机统计出个人的记忆规律(即本算法中数学模型中的参数)，这样在学习一些内容后，由计算机负责提醒需要复习的时间，从而达到减少复习次数和复习时间，提高学习效率。而且通过不断的测试，还可以保证学习的质量。下面将结合附图及实施例对本发明作进一步说明，附图中图1是本发明的基于个人记忆规律统计算法的方法的流程图；图2是本发明的基于个人记忆规律统计算法的测试单元的测试类型变化的流程图。具体实施方式本发明根据随着时间的推移，记忆内容的保持量成指数衰减这个结论，采用了数理统计中的回归分析方法，通过搜集统计样本，得出不同的人针对不同的记忆内容，记忆保持量的多少、间隔时间和回忆次数的近似关系的结论，由此反映出个人的记忆规律。为使本发明的目的、技术方案及优点更加清楚明白，以下通过具体实例并参见附图，对本发明进行详细说明。本发明是一种自适应的统计算法，初步的统计结果可以被用来作为后续测试的依据，通过统计多个测试单元的测试结果，来计算出记忆规律。本算法的统计样本是多个的测试单元的多次测试的结果，对于每个测试单元，都按照本方法进行多次测试(包括合格测试、容易度测试、调节测试以及常规测试)，每次测试都包括以下步骤S100.根据算法数据模型参数和测试单元属性的当前取值，计算所述测试单元的测试时间；S200.到了所述测试时间，提示被测试者回答所述测试单元的问题，并根据被测试者回答情况打分；S300.根据所述打分的测试结果，刷新算法数据模型中的参数和该测试单元的属性，并重复执行所述步骤SIOO，开始下一个测试单元的测试或本测试单元的另一次测试。每个测试单元需要进行多次不同类型的测试，包括合格测试、容易度测试、调节测试和常规测试。下面介绍各种测试类型及其之间的转换条件。被测试者对预设测试单元初学后(即经过理解和记忆，达到能够根据所述测试单元的问题给出对应的答案)，并且经过一个预设时间间隔后，测试该单元的得分，若结果为正确或者太容易，表示通过合格测试；若结果为错误或太难，表示不通过合格测试，则需要再经过一个相同的预设时间间隔，重新进行测试，直到测试结果为通过后才能进行下一步的测试。本发明要求保证该测试单元能够被记住超过预设的时间长度(如24小时，这个值也可以根据需要进行调整)。我们称这个预设的时间长度为合格测试间隔H。我们称以上的测试为合格测试。对于一个单元，通过合格测试后，开始一个测试周期。其一个测试周期的测试顺序一般为容易度测试、调节测试、常规测试(或调节测试)，在一个周期中一旦出现测试打分为错误时，该周期结束，重新开始一个新的测试周期。测试类型的转换关系如下图2所示。在一个周期中，容易度测试进行一次，常规测试和调节测试则可进行多次，常规测试和调节测试相互穿插。容易度是测试单元的一个属性，表示记忆和回忆该测试单元的难易程度。本算法以此来区分不同的记忆内容。容易度的级别个数根据对统计精确度的要求可多可少。通常分12个级别，取值-2到9。容易度是计算测试时间的一个参数。容易度测试就是在一个测试周期的开始，确定测试单元的初始容易度的测试。容易度测试又分为两次测试，第一次测试叫基准测试，第二次测试叫详细测试。容易度测试结束后，开始调节测试，如果调节测试的结果为正确，则测试类型变为常规测试，否则，继续进行调节测试。只有常规测试的结果才作为本算法的统计样本。常规测试的结果如果不是正确，则测试类型又变为调节测试。对于常规测试和调节测试，如果测试结果为错误，则重新开始新的测试周期，重新进行容易度测试。调节测试的一个目的就是调节测试间隔的长度，来适应被测试者，达到测试结果为正确，从而进行常规测试，获得统计样本。在调节测试中，将根据单元上一次测试的结果调节其测试间隔。关于各种类型的测试的具体区别，将在以下各个步骤的说明中介绍。下面对各个步骤进行详细说明步骤S100:根据算法数据模型参数和该测试单元属性的当前取值，计算测试单元的测试时间。所述步骤S100中，所述测试时间的计算歩骤具体包括al.根据数据模型的参数和单元的属性值，计算出最优间隔(即理论上的测试间隔)；a2.根据所述最优间隔计算出实际的测试间隔和测试时间。在本发明所述的方法中，所述步骤al中，根据该单元当前测试的类型，采用不同的方法计算最优间隔。具体方法如下a)若为合格测试，其最优间隔为合格测试间隔H。b)若为容易度测试的第一步基准测试，其最优间隔为合格测试间隔H*d*d。其中d为总的递增系数。c)若为容易度测试的第二步详细测试，其最优间隔为合格测试间隔H*d。其中e为该单元的容易度，d为总的递增系数，dAe表示是d的e次d)若为容易度测试后的第一次调节测试，其最优间隔为合格测试间隔H*d。其中e为该单元的容易度，d为总的递增系数，cfe表示是d的e次e)若为其他调节测试(非容易度测试后的第一次调节测试)，根据递增函数计算I(n)=I(n—l)*d计算出一个最优间隔。其中递增系数d的取值可以不区分分组，直接使用总的递增系数。也可以按照这个单元的上一次的测试间隔区分分组，上一次测试间隔对应哪个分组，就选取其对应的递增系数。例如上次测试间隔为4天，其对于间隔3—6天这一分组，那么就使用这个分组对应的统计数据计算出的递增系数。如果测试间隔对应的分组的统计样本数小于一个预设的值(如1000)或者找不到对应的测试间隔分组，则递增系数取总的递增系数。当上次测试的最优间隔超过预设值(如设为6年)，则本次最优间隔应当是上次最优间隔的预设倍(如设为1.2倍)。f)若为常规测试，根据递增函数计算I(n)=I(n-l)*d计算出一个最优间隔。其中递增系数d的取值可以不区分分组，直接使用总的递增系数。也可以按照这个单元的上一次的测试间隔区分分组，上一次测试间隔对应哪个分组，就选取其对应的递增系数。如果测试间隔对应的分组的统计样本数小于一个预设的值(如1000)或者找不到对应的测试间隔分组，则递增系数取总的递增系数。现在介绍间隔系数这个概念间隔系数是指单元本次测试的时间间隔与其上次测试的测试间隔的比值。由同一单元本次间隔长度除以上次间隔长度得来。研究结果表明，对于同一个测试单元，其测试次数每增加一次，记忆衰减的速度就会变慢，所以其被记住的时间越来越长，那么间隔系数通常会大于l。在本算法的数据模型中有一个递增函数，递增函数的形式是I(n)=I(n-l)*d，其中I(n)是第n次测试的测试间隔，I(n-l)是第n-l次测试(即上一次)的测试间隔，d是递增系数，本算法有一个总的递增系数d，还有其他多个针对不同分组的单元的递增系数di，算法中规定了在什么情况下使用哪个递增系数。本算法给定了这些递增系数的预设值1.3，后面将介绍这些递增系数的刷新方法。以上所述步骤a2中，根据该单元当前测试的类型，采用不同的方法计算出实际的测试间隔和测试时间。其具体方法如下a)若为合格测试、容易度测试，其测试间隔就是最优间隔。b)若为容易度测试后的第一次调节测试，其测试间隔就是最优间隔。c)若为其他调节测试(非容易度测试后的第一次调节测试)且上次测试的最优间隔超过预设值(如设为6年)，其测试间隔就是最优间隔。d)若为其他调节测试(非容易度测试后的第一次调节测试)且上次测试的得分为太容易，其测试间隔就是最优间隔*(1的平方根。d为总的递增系数。e)若为其他调节测试(非容易度测试后的第一次调节测试)且上次测试的得分为太难，其测试间隔就是最优间隔/d的平方根。d为总的递增系数。f)若为其他调节测试(非容易度测试后的第一次调节测试)且上次测试的得分为正确，其测试间隔就是最优间隔。g)若为常规测试，则根据最优间隔计算出测试间隔，即通过以下公式计算a:=0.047;b:=0.092;p:=random-0.5;m:=-l/b*ln(l-b/a*abs(p》；m:=m*sgn(p);NOI:=t*B/d*(1+(d-1)*(100+m)/100);其中random-是随机函数，取0到1之间的随机数；NOI-是实际的测试间隔；sgn—获得p的正负值，pX)时sgn结果为正，pO时sgn结果为负；abs(p)-取p的绝对值；t_最优间隔；B-当前单元的基准间隔系数；d-计算最优间隔时使用的递增系数使用当前时间再加上NOI，就是该单元的下次测试时间。步骤S200:到了上述步骤计算出的测试时间，提示被测试者回答该测试单元的问题，并根据被测试者回答情况打分。本发明的测试打分的评分标准如下5分一太容易。表示被测试者能够很轻松的回答出问题；4分一正确。表示被测试者刚好能够回答出问题；3分一太难。回答正确，但被测试者需要长时间回忆或者对回答结果没有把握；2分一错误。回答错误。步骤S300:根据步骤S200的打分结果，刷新算法数据模型中的参数和该测试单元属性，然后循环执行步骤S100。详细方法如下判断测试的类型，区分刷新方法1)若为合格测试，则需要根据得分来确定测试单元是否通过合格测试。如果得分为正确或太容易，则测试类型改为基准测试，否则，测试类型仍然是合格测试。2)若为基准测试，则需要根据得分来确定测试单元的初始容易度，其测试次数为0，容易度调节系数E为1，基准间隔系数B为1。基准测试得分和容易度的对应关系如下<table>tableseeoriginaldocumentpage14</column></row><table>3)若为详细测试，则需要根据得分和测试单元的初始容易度来确定其新的容易度，测试次数为0，容易度调节系数E为1，基准间隔系数B为1。详细测试得分和容易度的对应关系有4种情况，原来容易度及得分对应新的容易度的对应关系如下原来容易度=0<table>tableseeoriginaldocumentpage15</column></row><table>原来容易度=1<table>tableseeoriginaldocumentpage15</column></row><table>原来容易度=3<table>tableseeoriginaldocumentpage15</column></row><table>原来容易度=5<table>tableseeoriginaldocumentpage15</column></row><table>4)若为调节测试，则需要根据得分的情况调节其测试类型、测试次数、容易度调节系数E和容易度e。在调节测试中，本算法根据测试得分的情况调节容易度e。如果对e的运算结果如果超出了e的取值范围，则e取它的边界值-2或9。运算规则如下表,其中d为总的递增系数<table>tableseeoriginaldocumentpage15</column></row><table>当上次测试的最优间隔超过预设值(如设为6年)时，则需要根据得分的情况调节其测试类型、测试次数、容易度调节系数E和容易度e。运算规则如下表-<table>tableseeoriginaldocumentpage15</column></row><table><table>tableseeoriginaldocumentpage16</column></row><table>5)若为常规测试，则需要根据得分的情况调节其测试类型、测试次数、容易度调节系数E和容易度e。在常规测试中，本算法根据测试得分的情况调节容易度调节系数E和容易度e。如果对e的运算结果如果超出了e的取值范围，则e取它的边界值-2或9。运算规则如下表得分容易度的值测试类型测试次数n的取值错误重新开始测试过程，重新评估容易度基准测试0太难如果当前E小于1，则容易度e减lE二l/d的平方根，测试类型变为调节测试调节测试n加1正确当前E不变常规测试n加1太容易如果当前E大于1，则容易度e加lE=d的平方根，测试类型变为调节测试调节测试n加1当上次测试的最优间隔超过预设值(如设为6年)时，则需要根据得分的情况调节其测试类型、测试次数、容易度调节系数E和容易度e。运算规<table>tableseeoriginaldocumentpage16</column></row><table>只有常规测试的结果用来刷新数据模型。刷新算法数据模型中的参数的步骤如下a)根据上述测试单元的得分，刷新其对应的统计样本组(统计样本的表现形式是多个数据对，每对数据包含一个测试间隔系数和一个保持率)中对应的保持率；b)计算总体的递增系数。c)由更新了保持率的统计样本组重新计算其对应的样本组的递增系数以下是上述步骤a)中统计样本的分组方法。本算法的输入是一个测试单元第i次测试的上一次测试的测试间隔、间隔系数、测试结果(即四种打分)以及该单元的容易度。其中最基本的输入是这次测试的间隔系数和测试结果(即四种打分)。本算法将统计样本采用两种方式分组，按间隔系数的分组来将统计样本分组和先按前一次测试间隔长度的分组后，再按间隔系数的分组来分组，详细介绍如下按间隔系数的分组来将统计样本分组是指我们将间隔系数来分组，如间隔系数在1.15到1.25之间的算一组，间隔系数在1.25到1.35之间的算一组，依次类推。再将单元的测试结果按照间隔系数的分组来分组，每个间隔系数分组都会对应多个测试结果。这里只区分间隔系数，不区分间隔长度。第二种方法是先按照单元的前一次测试间隔进行分组，如前一次测试间隔小于3天的为一组，前一次测试间隔在3天到6天之间的测试结果为一组，依此类推。然后在一个分组中，再按照测试间隔系数分组，如所有上一次测试间隔小于3天的测试结果中，间隔系数在1.15到1.25之间的算一组，间隔系数在1.25到1.35之间的算一组，依次类推。另外，也可以先按照其他的单元属性进行分组，然后再按照间隔系数分组。其他的属性包括单元的容易度和单元的测试次数。其数据模型及其刷新方法与第二种分组方法类似。本算法同时按照两种分组方法搜集统计样本，刷新数据模型。以下是上述步骤S300所述的算法数据模型中的参数(测试间隔系数和保持率)的计算方法这里，还涉及到记忆内容的保持量问题。研究结果表明，即随着时间的推移，记住内容的保持量程指数衰减。本发明的算法使用保持率这个概念来近似的表示记忆内容的保持量。保持率所有常规测试的单元中，记住的次数占总数的比例(假设一组单元，其测试的间隔系数都在1.3附近的一个范围之内的100次测试，其中有90次能够通过测试(即得分大于2)，IO个被遗忘(得分等于2)，那么间隔系数1.3对应的保持率为90%，假设有3次间隔系数都在1.5附近的测试，其中l次能够通过测试(即得分大于2)，2个被遗忘(得分等于2)，则间隔系数1.5对应的保持率为33%)。保持率的记录形式为测试通过的次数和总的常规测试次数。保持率的取值范围0到1。本算法初始化时，没有统计出保持率。而是当一个单元的一次常规测试完成后，就可统计出一个保持率的结果，如果这个单元的测试结果不是"错误"，那么这个保持率就是100%，反之保持率为0%。但是由于这样的数据没有代表性，为了避免发生这种情况，本算法要求计算同一个保持率的样本数不能小于一个预设值(如20)。要求的保持率对于一组测试单元，可以设置一个要求的保持率，本算法将以这个要求的保持率来作为参数，计算各次测试的时间间隔，以保证参与测试的单元记忆的保持率在这个要求的保持率以上。这是本算法的重要参数，直接影响统计的结果和数学模型的参数。本发明的算法可以根据需要设置这个参数。取值范围在86%-94%。从心理学的角度考虑，选择高的要求的保持率，可以使被测试者感到出错的次数较少，增加信心。本算法推荐94%作为要求的保持率。保持率和测试间隔的关系测试单元的一次测试到下一次测试之间有一个间隔，这个间隔越长，保持率就会越低，这个相关关系可以回归为指数函数。测试单元的保持率随时间的延长近似地成指数衰减，统计样本可以回归为指数函数Fl^exp(^t)，其中r是保持率，t是距离最后一次测试的时间，c和b是参数。这个函数称为保持率衰减函数，简称衰减函数。测试单元每经过一次测试后，随着时间的推移，保持率都可以近似地按照此函数的形式衰减。保持率和间隔系数的关系根据保持率和测试间隔的关系，当单元的上次测试间隔相同或相近时，保持率和间隔系数的关系同样是指数衰减关系，统计样本可以回归为指数函数r^^exp(c^d)，其中r是保持率，d是测试间隔系数，c和b是参数。研究结果表明，对于同一个测试单元，其测试次数每增加一次，记忆衰减的速度就会变慢，所以其被记住的时间越来越长，那么间隔系数通常会大于l。当一个单元的一次常规测试完成就会记录测试结果。按照上述的统计样本分组方法，先按照不同的间隔系数的分组，对于每个分组，就能够记录测试的总次数和测试通过的次数数，由此获得对应每个测试间隔系数分组下对应的保持率<table>tableseeoriginaldocumentpage19</column></row><table>这样，一个一个单元的测试得分就转化为对应不同间隔系数分组的保持率。用间隔分组的中间值来替代该分组，形成以下对应表格:<table>tableseeoriginaldocumentpage19</column></row><table>同时，按照另外一种分组方法，先按照测试的单元的上一次测试间隔对统计样本进行分类。本发明基于对统计精度的考虑，在进行第二种分组统计方法时，只统计上次测试间隔小于预设数值(如78天)的测试结果。但是，本发明也可以选择统计更多或更少的范围。这样就获得预设个数(根据算法的精度，设为27个)的分组。对于每一个分组，再按照间隔系数进行分组形成预设个数个的如下对应表格<table>tableseeoriginaldocumentpage19</column></row><table>对于每一个间隔系数分组和保持率的对应表格，用间隔分组的中间值来替代该分组，形成以下对应表格<table>tableseeoriginaldocumentpage19</column></row><table>这样，在本算法中就形成了28个对应表格。在本算法开始统计的初期，不是所有的间隔系数分组都能够得到相应的保持率的统计样本，这样，上述的对于表格中，就有间隔系数没有取得其对应的保持率数据，那么，在计算递增系数时，就不使用没有保持率对应的间隔系数，因此，计算公式中的参数间隔系数个数就有不同的取值。本算法要求参与计算递增系数的间隔系数及其对应保持率的个数不能小于一个预设值(如2)。当保持率为0时，这个统计样本不能使用，但统计数据保留，等到统计出的保持率不为0时才可以使用。对于每个以上表格，可以计算其对应的递增系数，递增系数的计算方法如下经过一段时间的测试，获得了对应不同间隔系数分组下的保持率。这样就可以计算这些测试的保持率衰减函数Fb、Xp(C^d)的参数C和b的值。设其中一次的统计数据如下表，这里用间隔系数分组的中间值作为这个分组的间隔系数的取值<table>tableseeoriginaldocumentpage20</column></row><table>Lxx=(间隔系数的平方之和)一(间隔系数的总和的平方)/间隔系数的个数；Lxy=(间隔系数与(保持率的自然对数)的乘积之和)一(间隔系数的和)*(保持率的自然对数之和)/间隔系数的个数；c=Lxy/Lxx;b'H呆持率的自然对数的算术平均数一^间隔系数的算术平均数；b=exp(b，)。以上公式中的间隔系数的个数是指上述表格中，有对应合格保持率数据的间隔系数的个数。从这个回归的衰减函数，可以代入要求的保持率，计算出一个的间隔系数，理论上，当测试者在经过间隔系数乘以前一次次测试间隔长度后得到的间隔后测试，测出的保持率近似的等于要求的保持率。我们称这个计算出来的间隔系数叫递增系数。计算的方法就是使用已知的b和c值和要求的保持率R，按照以下公式计算d=ln(R/b)/c;其中，ln表示取自然对数。当计算出的d，超出最大值时取最大值，小于最小^:时取最小值。当c=0时，如果b>R则d取最大值。如果b<R则d取最小值。如果b=R则d取值不变。d的最小值1.2，d的最大值2.5，这两个值可以根据需要调整。根据对测试单元的定义，领ij试的过程就是根据测试单元的问题联想到单元的答案。从问题到答案的联想过程涉及到许多信息，如描述问题的文字必须认识，答案的内容可能包含许多文字。那么究竟一个测试单元的哪一部分决定了单元的容易度呢？就是这个测试单元中对于测试者最生疏的部分的容易度，它决定了这个测试单元在测试时能否被回忆起来。例如要听写一段英语句子，这其中最生疏的单词的容易度就决定了这个单元的容易度。如果一个测试单元中包含的生疏的内容不止一个，那么这个单元的容易度就大大减少。如一段英语句子中包含两个生词，这样的单元的测试结果，不作为本算法输入。所以，在挑选测试单元时，一定要保持相对生疏的部^3、粒度最小，而且要相对其他内容明显的生疏。这个生疏内容的颗粒度如何把握呢？举例来讲，一个l一2个音节的英语单词拼写可以作为一个记忆内容，以此作为参考确定一个测试单元包含的记忆内容。又如一个1-2个音节的英语单词的发音，一个l-2个音节的英语单词的意思，一个l-2个音节的英语单词的拼写，可以分别作为三个测试单元。综上所述，本算法是统计算法，所以需要输入许多测试单元的多次的测试结果作为统计样本。随着测试结果的数目的增加，本算法的数学模型中的数值就越来越能够反映被测试者的记忆规律。在刷新算法的数据模型时，其输入是一个测试单元第i次测试的上一次测试间隔、间隔系数、测试结果(即打分值)以及该单元的容易度、测试次数。其中最基本的输入是这次测试的间隔系数和测试结果(即打分值)。刷新算法数据模型的结果是刷新了递增系数。下面举例说明本算法的计算过程。设有一个单元的第5次测试的结果为正确，其测试类型为常规测试、上一次测试间隔为10天、间隔系数为1.46、容易度为3。本算法将根据输入结果，刷新对应的两种分类方法的统计样本组，首先是总的间隔系数与保持率对应的表格，如下表，其中间隔系数对应的保持率为R4中的保持率。测试结果为正确，就同时增加测试总测试和通过次数，这样保持率就增加。间隔系数1.15-1.251.25-1.351.35-1.451.45-1.552.45-2.55保持率RlR2R3R4R14然后，根据单元的上一次测试的间隔为10天，找到间隔为9至12天的分组，刷新其对应的以下表格中的一个保持率R4:间隔系数1.15-1.251.25-1.351.35-1.451.45-1.552.45-2.55保持率RlR2R3R4R14接下来，分别对上述两个表格的数据，计算其对应的递增系数。设其中一个对应表格的数据如下,其中部分间隔系数没有对应的保持率，表格中没有列出间隔系数1.15-1.251.25-1.351.35-1.451.45-1.552.45-2.55保持率97.0%96.3%93.1%90.7%88.9%用间隔系数分组的中间值作为这个分组的间隔系数的取值:间隔系数1.21.31.41.52.5保持率97.0%96.3%93.1%90.7%88.9%保持率的自然对数-0.03633-0.04869-0.09979-0.14613-0.29334计算过程如下，其中间隔系数个数的取值为5:Lxx=(间隔系数的平方之和)一(间隔系数的总和的平方)/间隔系数的数=(1.44+1.69+1.96+2.25+6,25)-(1.2+1.3+1.4+1.5+2.5)*(1.2+1.3+1.4+1.5+2.5)/5=1.108Lxy=(间隔系数与(保持率的自然对数)的乘积之和)一(间隔系数的和)*(保持率的自然对数之和)/间隔系数的个数=(1.2*-0.03633+1.3*画0.04869+1.4*-0.09979+1.5*-0.14613+2.5*-0.29334)-(1.2+1.3+1.4+1.5+2.5)*(-0.35377)/5=-0.06533c=Lxy/Lxx=-0.05896b^保持率的自然对数的算术平均数一c^间隔系数的算术平均数=-0.35377/5-(-0.05896)*(1.2+1.3+1.4+1.5+2.5)/5=0.0224b=exp(b，)=1.0227。递增系数d^n(R/b)/c=ln(0.94/1.0227)/(-0.05896)=1.43;本发明的算法数据结构的内容如下合格测试间隔H衰减函数的参数b和C的取值；递增函数中递增系数d的取值；要求的保持率R;每个前一次测试间隔对应的统计样本组；每个单元对应的参数有容易度调节系数E，容易度e，测试次数，基准间隔系数B，等等算法开始运算之前，提供了各个数据结构的初始值。包括合格测试间隔H的取值24小时，递增系数d的初始f直1.3，递增系数的取值范围1.2到2.5要求的保持率11=94%每个单元有一个容易度调节系数E=1，容易度e需要等容易度测试后确定，测试次数11=0，基准间隔系数B根据单元的内容确定。实施本发明的算法，根据统计结果，可以提高学习效率10倍以上。若要求的保持率为94%，则平均记住的测试单元的比例为97%。权利要求1、一种基于个人记忆规律统计算法的方法，其特征在于，该方法涉及多个测试单元，并对每个测试单元进行多次测试，通过统计这些测试结果来计算记忆规律，在参与的每个测试单元的一次测试中，执行如下步骤a.根据算法数据模型参数和测试单元属性的当前取值，计算所述测试单元的测试时间；b.到了所述测试时间，提示被测试者回答所述测试单元的问题，并根据被测试者回答情况打分；c.根据所述打分的测试结果，刷新算法数据模型中的参数和该测试单元的属性，并重复执行所述步骤a，开始下一个测试单元的测试或本测试单元的另一次测试。2、根据权利要求1所述的方法，其特征在于，所有参与测试的单元都必须首先进行合格测试。3、根据权利要求1所述的方法，其特征在于，所述歩骤c中，部分的测试结果用来刷新数据模型中的参数，参与刷新数据模型的测试结果必须满足预设的条件。4、根据权利要求1所述的方法，其特征在于，所述步骤b中，所述打分的评分标准具体包括太容易、正确、太难以及错误四级。5、根据权利要求1所述的方法，其特征在于，所述步骤a中，所述测试时间的计算方法中，当测试类型为常规测试时，其最优间隔的计算方法具体包括使用递增函数I(n)=I(n-l)*d计算，其中I(n)是第n次测试的测试间隔，I(n-l)是第n-l次测试的测试间隔，d是递增系数。6、根据权利要求4所述的方法，其特征在于，对所述所有测试单元进行多次测试，所述测试具体包括合格测试、容易度测试、调节测试以及常规测试，只有常规测试的结果才用来刷新数据模型中的递增系数，具体执行步骤如下e.进行所述合格测试，通过后进入步骤f;f.进入容易度测试，进入步骤g;g.进入调节测试，并判断测试的结果是否为"正确"，进入步骤h;h.如果所述测试的结果为"正确"，则进入所述常规测试，执行步骤i;如果测试的结果为"错误"，则返回所述步骤f;如果测试结果为"太难"或"太容易"，则返回步骤g;i.进行常规测试，返回所述步骤h。7、根据权利要求2所述的方法，其特征在于，所述合格测试的方法定义如下被测试者对预设测试单元初学后，即经过理解和记忆，达到能够根据所述测试单元的问题给出对应的答案，并且经过一个预设时间间隔后，测试该单元，若得分为预设的得分范围，表示通过合格测试，若得分为另一个预设的得分范围，表示不通过合格测试，则需要再经过一个相同的预设时间间隔，重新进行测试，直到测试结果为通过后才能进行下一步的测试，所述的预设时间间隔为合格测试间隔，以上的测试为合格测试。8、根据权利要求1所述的方法，其特征在于，所述步骤c中，在刷新算法数据模型的过程中，递增系数的计算方法如下经过预设次数的测试，获得了对应不同间隔系数分组下的保持率，并计算该保持率衰减函数Ft^exp(Wd)的参数c和b的值；设其中一次的统计数据如下表:<table>tableseeoriginaldocumentpage3</column></row><table>这里用间隔系数分组的中间值作为这个分组的间隔系数的取值，再计算出每个保持率的自然对数，形成不同间隔系数对应不同保持率及其自然对数的一组数据，参数C和b的计算公式如下<formula>formulaseeoriginaldocumentpage3</formula>Lxy=(间隔系数与(保持率的自然对数)的乘积之和)一(间隔系数的和)*(保持率的自然对数之和)/间隔系数的个数；c=Lxy/Lxx，.1)'=保持率的自然对数的算术平均数一c吖司隔系数的算术平均数；b=exp(b，)，b取自然数的b'次幂；从这个回归的衰减函数，可以代入要求的保持率，计算出递增系数；计算的方法就是使用已知的b和C值和要求的保持率R，按照以下公式计算d=ln(R/b)/c;其中，ln表示取自然对数；当计算出的d,超出最大值时取最大值，小于最小值时取最小值；当c=0时，如果b>R则d取最大值，如果b<R则d取最小值；如果b=R则d取值不变，即本次计算不刷新递增系数的取值。9、根据权利要求5所述的方法，其特征在于，所述递增系数需要根据情况进行选取，选取的方法如下所述递增系数的取值可不区分分组，直接使用总的递增系数，也可按照这个单元的上一次的测试间隔区分分组，上一次测试间隔对应哪个分组，就选取其对应的递增系数；如果测试间隔对应的分组的统计样本数小于一个预设的值或者找不到对应的测试间隔分组，则递增系数取值为总的递增系数。10、根据权利要求1所述的方法，其特征在于，所述步骤c中，用来刷新算法模型的统计样本的数据内容如下最基本的数据是测试单元一次测试的间隔系数和测试得分；如果要统计与间隔长度相关的递增系数需要在基本数据的基础上增加该单元上次测试间隔作为数据内容；如果要统计与容易度相关的递增系数需要在基本数据的基础上增加该单元的容易度作为数据内容；如果要统计与测试次数相关的递增系数需要在基本数据的基础上增加该单元的测试次数作为数据内容。全文摘要本发明涉及一种基于个人记忆规律统计算法的方法，该方法涉及多个测试单元，并对每个测试单元进行多次测试，通过统计这些测试结果来计算记忆规律，在参与的每个测试单元的一次测试中，执行如下步骤a.根据算法数据模型参数和测试单元属性的当前取值，计算所述测试单元的测试时间；b.到了所述测试时间，提示被测试者回答所述测试单元的问题，并根据被测试者回答情况打分；c.根据所述打分的测试结果，刷新算法数据模型中的参数和该测试单元的属性，并重复执行所述步骤a，开始下一个测试单元的测试或本测试单元的另一次测试。通过使用本发明的算法，可以利用计算机统计出个人的记忆规律，达到减少复习次数和复习时间，提高学习效率。文档编号G06F17/00GK101116616SQ20071012656公开日2008年2月6日申请日期2007年6月19日优先权日2006年7月31日发明者冬王申请人:冬王