提供个人定制型教育内容的方法、设备及计算机程序与流程

本发明涉及一种由电子设备提供用户定制型教育内容的方法、设备及计算机程序。更具体地讲，本发明涉及一种提供用户定制型教育内容的方法，设备及计算机程序，其使用学习主题或出题意图的标签来创建题目的结构信息，并考虑用户在题型上的攻克率来增强学校效果。

背景技术：

截至目前，教育内容多以套餐的形式提供。例如，每本纸质题集至少会收录700道题，线上、线下讲义也多为1～2个小时，捆绑至少一个月的学习量后一次性售出。

但，从接受教育的学生立场上来看，每个学生的薄弱单元和薄弱题型均有差异，因此，较比套餐形式，其实存在的是对个人定制型内容的需求。挑选出自己薄弱单元的薄弱题型集中学习，远比解答700道题的效果要明显得多。

但，对于受教育者-学生而言，很难自行弄清楚自己的薄弱之处。而且，在学院、出版社等传统教育行业中，也是依赖主观经验和直觉来分析学生和题目，因此，很难针对个别学生提供最优化的题目。

因此，在传统的教育环境中，很难为受教育者提供可收获最有效的学习成果的个人定制型内容，而且，学生很快就会对套餐形式的教育内容失去成就感和兴趣。

技术实现要素：

(一)要解决的技术问题

本发明旨在解决上述问题。更具体来讲，本发明旨在提供一种可提供用户定制型教育内容的方法和设备，其通过弄清楚每个用户在题目主题、出题意图及/或类型上的薄弱之处来最大限度地增强学习效果。

(二)技术方案

依据本发明实施例的由电子设备提供个人定制型教育内容的方法，其特征在于，包括：以树形结构列出某个科目的学习元素，借以创建具体学习元素的标签集，并指定上述标签的分析组的a步骤；针对题目的错误答案选项分别编制索引，借以创建题目结构信息的b步骤；查询用户测试结果，借以按照上述分析组算出用户攻克率的c步骤；及利用上述题目的结构信息和上述用户攻克率中的至少一个或多个，借以提供用户定制型题目的d步骤。

同时，依据本发明实施例的提供个人定制教育型内容的电子设备，其特征在于，包括：以树形结构列出某个科目的学习元素，借以创建具体学习元素的标签集的第一模块；指定上述标签的分析组，并针对题目的错误答案选项分别编制索引，借以创建题目结构信息的第二模块；查询用户测试结果，借以按照上述分析组算出用户攻克率的第三模块；及利用上述题目的结构信息及上述用户攻克率中的至少一个或多个，借以提供用户定制型题目的第四模块。

另外，依据本发明实施例的记录在计算机可读介质上的计算机程序，以执行由电子设备提供个人定制型内容的处理为目的，其特征在于，执行：以树形结构列出某个科目的学习元素，借以创建具体学习元素的标签集，并指定上述标签的分析组的功能；针对题目的错误答案选项分别编制索引，借以创建题目结构信息的功能；查询用户测试结果，借以按照上述分析组算出用户攻克率的功能；及利用上述题目的结构信息和上述用户攻克率中的至少一个或多个，借以提供用户定制型题目的功能。

(三)有益效果

依据本发明，其效果在于，与用户较薄弱的主题、较薄弱的出题意图，及/或较薄弱的题型相似的题目可作为用户定制型题目来推荐，从而针对个别用户提供形式优化的教育内容。

另外，依据本发明，其效果还在于，可针对用户自身的薄弱之处，提供更精密的分析数据，使得用户能够准确分析自己当前的状态，借以制定有效的学习计划。

附图说明

图1示出的是说明依据本发明实施例的提供用户定制型教育内容的过程的流程图。

图2示出的是说明依据本发明实施例，标注题目主题、出题意图的标签，并对题型进行分类，借以构建题目数据库的过程的流程图。

图3示出的是说明依据本发明实施例，计算用户在题目主题、出题意图上的攻克率的过程的流程图。

具体实施方式

本发明并不限于以下所记载的实施例的描述内容，在不脱离本发明技术要旨的范围内可施加各种变形是不言而喻的。另外，在描述实施例时，将省略对本发明所属技术领域中广泛已知且与本发明的技术要旨无直接关联的技术内容的描述。

另外，附图中使用相同的标记来表示相同的组件。另外，附图中的部分组件可能被夸大、省略或示意性地示出。这是为了省略与本发明要旨无关的不必要的描述，从而阐明本发明的要旨。

如上所述，任何时候都存在对用户定制型题目的需求。其原因在于，学生希望学到最有学习效果的题目，并在有限的时间内高效率地学习。

而在这种情况下采用的传统方式就是，只考虑题目的正确解答率，即学生是否答对某道题，借以评价学生的水平，并推荐适当的题目。例如，某位学生在英语科目中，经常在以“动词的时态”为主题的题目中出错时，就会认定该学生的薄弱之处在“动词的时态”，从而采取推荐以“动词的时态”为主题的其他题目的方式。

但是，实际出题的考试题目并非如此简单。因为重要的考试评估的相关科目的综合思维能力。

例如，在客观题中，出题者带着出题意图，可通过考虑学生是否能够弄清楚出题意图，是否能够区分易混淆的概念等因素来设计若干个选项。如果考虑这些因素，则不难得出结论，不可单单考虑是否答对或答错某道题，而是应该考虑题目的出题意图，选项的配置类型，借以分析用户的薄弱之处。

例如，两个学生答错同一道题，却选择了不同的选项时，应针对每个学生的薄弱之处做不同的分析。两个学生都没有弄清楚该道题的出题意图，但也有很可能是两人根本就没明白自己选中选项的主题。

再举另外一个例子来看，假设某个学生对“动词的时态”和“动名词”都不是特别明白，如果学生答错的是包含“动名词”的选项而实际却是问及“动词时态”的题目，那么，按照传统的方式，该学生的状态会被确认为需要学习动名词。另外，当明白“动词的时态”和“动名词”的学生答对同一道题时，如果按照传统的方式，也很确认该学生的状态是不需要学习动名词的。

本发明就是未解决上述题目研究得出的。

依据本发明的实施例，可按照题目及/或题目的选项，编制题目的出题意图及/或题目主题的索引，从而更准确地分析题目的结构信息。借此，可实现更精确地分析用户的薄弱之处，并推荐最能增强学习效果的类型题的效果。

更具体来讲，依据本发明实施例的数据分析系统，其以树形结构列出最小单位的某个科目的学习元素，借以创建可细化描述题目的学习元素的元数据，并将其用作标签。尤其，依据本发明的实施例，可为题目的错误答案选项赋予上述标签，并可将题目主题意图的标签作为核心标签，单独管理。

此外，依据本发明实施例的数据分析系统，其特征在于，不按学习元素的最小单位-标签来分析用户及/或题目，而是以适合分析的单位对上述标签进行分组后，以分析组为单位进行分析。

依据上述方式，可准确分析题目的结构信息，也比较容易弄清楚用户的学习状态。这是因为用户的状态信息是按照用户解答的题目标签来管理的。另外，依据本发明的实施例，用户的学习状态是在考虑用户是否答错某道题，是否经常在某种类型题上出错后，以适合分析的单位计算得出的。

因此，依据本发明的实施例，可考虑用户薄弱的主题和用户薄弱的题目类型，借以提供用户定制型推荐题。

参考以下附图，详细描述本发明的优选实施例。

图1示出的是描述依据本发明实施例的提供用户定制型教育内容的过程的流程图。

在步骤110中，服务器可收集市面上的各种题目，以适合分析的形态将其结构化，并对题型进行分类，借以构建题目数据库。上述题目数据包含听力评估题，可以是文本、图像、音频，及/或视频形态。有关题目数据库的更具体描述，可见图2的后述内容。

图2示出的是描述依据本发明实施例中标注题目主题、出题意图的标签，并对题型进行分类，借以构建题目数据库的过程的流程图。

在图2的步骤210中，服务器能够以计算机可识别的形态，如：文本或图像，收集已出版或发行的题目或真题中包含的题目及/或答案。题目数据可通过单独输入获取或使用网络收集。

此后，服务器可将各个相关科目的学习元素及/或主题分组到一个或多个类别中，并针对相关题目编制组信息索引，借以构建数据库。这时，服务器可创建组信息及/或索引信息的元数据，上述元数据还可用作标签，与各个题目数据一并管理。

依据本发明的优选实施例，服务器尤其可以创建以树形结构列出相关科目学习元素的元数据，借以针对题目选项编制元数据索引。

更具体来讲，在步骤220中，服务器能够以树形结构列出相关科目的学习元素及/或主题，借以创建最小单位-学习元素的元数据集。

例如，将某个科目a的第一主题划分为a1-a2-a3-a4-a5…，将第一主题a1的具体主题设定为第二主题，将其划分为a11-a12-a13-a14-a15…，将第二主题a11的具体主题设定为第三主题，将其划分为a111-a112-a113-a114-a115…，再以相同的方法，将第三主题a111的具体主题设定为第四主题，则能够以树形结构列出相关科目的主题。

这种树形结构的元数据可被用作描述题目主题的标签，标签可以说是以树形结构划分相关科目的学习元素的最小单位。在前述示例中，标签就是{a1，a1-a11，a1-a12，a1-a11-a111，a1-a11-a12…}的集合的元素。

另外，依据本发明的实施例，可按照适合分析用户及/或题目的单位，即分析组来管理上述标签。较比按照学习元素的最小单位来分析用户的薄弱之处及/或分析题目的结构，以适合分析的组划分上述最小单位的预定组单位，进行分析更为适宜。

例如，以树形结构划分英语科目学习元素的最小单位，被配置成{动词-时态，动词-时态-过去完成进行时，动词-时态-现在完成进行时，动词-时态-未来完成进行时，动词-时态-过去完成时，动词-时态-现在完成时，动词-时态-未来完成时，动词-时态-过去进行时，动词-时态-现在进行时，动词-时态-未来进行时，动词-时态-过去时，动词-时态-现在时，动词-时态-未来时}的情况下，针对各个学习元素的最小单位，即<动词-时态>,<动词-时态-过去完成进行时>，<动词-时态-现在完成进行时>，<动词-时态-未来完成进行时>，分别分析用户的薄弱之处，则会因过于细分而无法导出有意义的分析结果。

学习通常是在某个分类下综合、全面进行的，因此，很难说不懂过去完成时的学生，就一定不懂现在完成时，因此，依据本发明的实施例，学习元素的最小单位，即标签，应以适合分析的单位-分析组来管理，在前述示例中，标签分析组就是<动词-时态>。

在图2的步骤230中，服务器可针对收集题目的选项编制标签索引。

尤其，依据本发明的实施例，其不是针对客观题的所有选项，而是可以针对错误答案选项编制标签索引。在本说明书中将其称作错误答案标签。而未单独针对正确答案选项编制标签索引的原因在于，步骤240会针对题目意图的标签，单独加以管理。

在步骤240中，服务器通过考虑题目的问题来确认出题意图，并能够将可描述出题意图的标签指定为相关题目的核心标签。

例如，某道题的出题意图在于，确认可否弄清楚“a1的a12中的a123”，如果选项3为正确答案，那么，依据本发明的实施例，即可为错误答案选项1,2,4设定标签。

例如，如果选项1是关于a1-a11-a111，选项2是关于a1-a12-a123，选项4是关于a1-a12-a123和a1-a11-a111，即可将其分别指定为错误答案标签，并将a1-a12-a123指定为核心标签。该道题是属于选项2和选项4的错误答案标签与核心标签具备相同值的情况。

尤其，在具体实现本发明的过程中，针对20,000余个题目进行分析，结果发现在客观题选项中，必有一个错误答案选项只配置有一个核心标签的现象。在考题的出题过程中，出题意图非常重要，因此，出题者在设计正确答案之外的选项中，一定会包括一个学生无法弄清出题意图的选项。在前述示例中，只具备与核心标签相同的错误答案标签的错误答案选项是选项2。

另外，依据本发明的其他实施例，步骤240还可变形为其他方式，如：不针对部分题目编制核心标签索引，或不针对所有题目编制核心标签索引。

例如，某道题的出题意图是结合多个标签，而非一个标签时，步骤240则可具体体现为不针对部分题编制核心标签索引的方式。例如，在混合动词的数、动词的时态、动词的态、动词位置来提问的题目中，不能说其出题意图在某一个标签上，因其问及的是，是否了解所有标签。

另外，当加注标签并非针对相关错误答案选项的某个学习元素编制索引，而是针对相关错误答案选项的相关学习元素、推荐学习元素编制索引时，步骤240还可具体体现为不针对所有题目编制核心标签选项的方式。

另外，在图2的步骤250中，数据分析系统可以使用题目的错误答案标签及/或核心标签的索引信息，按类型对题目的配置信息进行分类。

更具体来讲，数据分析系统可将具有属于某个分析组的标签的题目分组到一个类别中，在各组的题目中，再将具有相同核心标签的题目分组到另一个类别中。

依据另一个例子，数据分析系统将具备相同核心标签的题目分组到一个类别中，再将上述组的题目中错误答案标签配置类似的题目分组到一个类别中。

这时，可使用机器学习技巧，按每个类别创建题目结构的模式，并可将其用作判断题目相似度的背景。

例如，依据本发明，在以a1-a11-a111作为核心标签的组的多道题目中，如发现有一定概率的a1-a12-a123的错误答案标签，则可分析出，a1-a11-a111的相关题目具有包含a1-a12-a123相关选项的模式。再举一个其他的例子，通过掌握某个组的题目的所有错误答案标签具备一定程度的相似度，则可分析出，与错误答案标签配置的相似度保持该概率的题目则属于上述组。

为此，依据本发明实施例的数据分析系统以矢量度量表示所有错误答案标签，可通过提取题目错误答案标签的矢量方差值来求得题目之间的相似度。这时，采用将每个题目错误答案的加权值矢量化来构建度量，并对题目间矢量值距离较近的题目进行分组，记忆形成集群的方式，可由步骤250来具体体现。

重新返回到对图1的描述，在步骤120中，数据分析系统可创建用于分析用户信息的用户数据库。尤其，依据本发明实施例的用户数据库可按照标签的分析组，针对用户在相关科目的学习元素上的攻克率进行管理。有关用户数据库的更具体描述，可见图3的后述内容。

图3示出的是说明依据本发明实施例，计算用户在相关科目的学习元素上的攻克率的过程的流程图。

如上所述，仅凭在某个主题的题目上的正确率，即是否答对，是无法准确弄清楚用户的学习状态的。因此，本发明欲引进攻克率来取代正确率，借以分析学生的学习状态。

在图3的步骤310中，可收集用户的测试历史。更具体来讲，用户可使用依据本发明实施例的分析系统解答多道题目，并收集答对还是答错，及因选择哪个选项而导致答错的内容。

为此，依据本发明实施例的数据分析系统可能会要求用户进行测试，主要涉及某个科目常出题型的一些题目。这是为了在正式开始学习前确认用户的当前水平和薄弱主题。

当数据累积到一定量后，即可按相关科目的标签算出用户的攻克率。其可通过重复步骤320至步骤340来计算得出。

更具体来讲，当用户使用数据分析系统来测试某道题时，答错和答对的情况会被区分开，因此，可计算出每个测试题目标签的加权值。(步骤320)

用户解答某道题时选中正确答案时(即答对时)，依据本发明的实施例，可结合核心错误答案选项与其余错误答案选项的错误答案标签的加权值，计算出每个标签的加权值。

相反，用户在解答某道题时未能选中正确答案时(即答错时)，依据本发明的实施例，可结合核心错误答案选项与用户选中的错误答案选项的错误答案标签的加权值，计算出每个标签的加权值。

如果针对用户在答对某道题时计算每个标签的加权值的方法，进行更详细的描述，即，以等同于其余所有错误答案选项的比重，为只具有与相关题目的核心标签相同的错误答案标签的核心错误答案选项，赋予第一加权值，为上述其余错误答案选项分别赋予以相同比率分配第一加权值的第二加权值，上述其余错误答案具有若干个错误答案标签时，为上述若干个错误答案标签分别赋予以相同比率分配第二加权值的第三加权值，针对上述答对题目的所有错误答案标签，则可结合上述第一加权值、上述第二加权值和上述第三加权值，计算每个标签的加权值。

例如，以用户答对核心标签为a，选项4为正确答案，选项1的错误答案标签为a/选项2的错误答案标签为a，b/选项3的错误答案为c，d的题目为例，进行说明。

由于核心标签是a，因此，具有与核心标签相同的错误答案标签的选项1，则能够以等同于其余错误选项2、3的比重被赋予加权值。例如，选项1被赋予的加权值为4，那么，选项2和3整体被赋予的加权值即为4。据此，选项1的错误答案标签a可被赋予的加权值为4(第一加权值)。上述加权值4是以等同于选项2和3的比率分配而得的，选项2和选项3可分别被授予的加权值为2(第二加权值)。

另外，赋予选项2的错误答案标签a、b，及选项3的错误答案标签c、d的加权值，则能够以相同的比率分配而得。即，选项2的错误答案标签a可被赋予的加权值为1，选项2的错误答案标签b可被赋予的加权值为1，选项3的错误答案标签c可被赋予的加权值为1，选项3的错误答案d可被赋予的加权值为1(第三加权值)。

此后，针对相关题目的所有标签a、b、c、d，可结合第一加权值，上述第二加权值和上述第三加权值来计算每个标签的加权值。据此，在结合选项1的第一加权值4，选项2的第三加权值1后，计算得出标签a的加权值为5。标签b、c、d则分别被分配到选项2的第三加权值1，选项3的第三加权值1，选项3的第三加权值1。

相反，如果针对用户在答错某道题时计算每个标签的加权值的方法，进行更详细的描述，即，以相同的比重，为只具有与相关题目的核心标签相同的错误答案标签的核心错误答案选项及用户所选的错误答案选项，赋予第一加权值，上述用户所选错误答案选项具有若干个错误答案标签时，为上述若干个错误答案标签分别赋予以相同比率分配第一加权值的第二加权值，针对上述核心错误答案选项及上述用户所选错误答案选项的错误答案标签，则可结合上述第一加权值和上述第二加权值，计算每个标签的加权值。

例如，在与前述示例相同的题目中，用户因选择选项2而答错相关题目时，由于核心标签为a，因此，具有与核心标签相同的错误答案标签的选项1作为核心错误答案选项，其能够以等同于用户所选错误答案选项2的比重被赋予加权值。例如，选项1可被赋予的加权值为4，选项2可被赋予的加权值为4(第一加权值)。

选项2的加权值4以相同比率分别分配给选项2的错误答案标签a、b，选项2的错误答案标签a可被赋予的加权值为2，选项2的错误答案标签b可被赋予的加权值为2(第二加权值)。

此后，针对核心错误答案选项和上述用户所选错误答案选项的标签a和b，可结合第一加权值和第二加权值，计算每个标签的加权值。据此，在结合选项1的第一加权值4，选项2的第二加权值2后，可计算得出标签a的加权值为6。标签b、c则分别被分配到选项2的第二加权值2。

另外，依据本发明的其他实施例，步骤320还可作出如下变形。

依据本发明的变形实施例，用户在答对某道题时，可为所有选项同时赋予预设的正量(+)加权值，答错时，则为上述用户所选的选项赋予预设的负量(-)加权值。这时，在设定上述负量加权值时，取大于上述正量加权值的值，较适合用来评估用户的实力。当选项具有若干个标签时，以相同比率分配分别赋予给上述若干个标签的加权值，并以结合所有标签的加权值的方式，计算加权值。

另外，依据本发明的变形实施例，用户在答对某道题时，可采用在相关题目的所有标签上体现出标注标签的次数，等量赋予预设的正量(+)加权值，答错时在用户所选选项的标签上，赋予预设的负量(-)加权值的方式，计算加权值。这时，在设定上述负量加权值时，取大于上述正量加权值的值，较适合用来评估用户的实力。

在步骤330中，更改前用户的攻克率会因预设的比率而被稀释。原因在于，在更新攻克率的过程中，考虑到了用户的学习状态会随着时间的流逝而发生变化。

另外，在未能充分收集用户测试历史数据的初始阶段，可按照标签的分析单位，粗略计算用户的攻克率，以便进行步骤330的稀释化。

更具体来讲，在分析的初始阶段，可使用以下公式来计算某个分析单位的克服率。

某个分析单位的克服率＝(答对题目中计算出的相关分析单位的加权值)/(答对题目中计算出的相关分析单位的加权值+答错题目中计算出的相关分析单位的加权值)。

此后，在步骤340中，数据分析系统可体现相关题目的每个标签的加权值，借以按照标签的分析组来更新攻克率。

更具体来讲，用户在答对相关题目时，在上述答对题目的标签之被稀释的用户攻克率中，会体现在步骤320中计算得出的每个标签的加权值，使用户攻克率得以增加，并可按照分析组收集所体现的标签的攻克率，借以更新用户的攻克率。

例如，对任意一个标签的变更前的用户攻克率为15％，在答对题目时，如果该标签的加权值为5，那么，在计算该标签的变更后的用户攻克率时，为对变更前的用户攻克率的分子和分母分别进行稀释，会在分别乘以0.9之后，再分别加上加权值5，使攻克率得以增加。这时，变更前的用户攻克率为15％(15/100)，变更后的用户攻克率为(15*0.9+5)/(100*0.9+5)，即19.47％，得以增加4.47％。此外，为了分析数据，可按标签的分析单位收集上述攻克率，借以管理用户数据库。

相反，如果用户答错相关题目时，上述答错题目的核心错误答案选项和上述用户所选错误答案选项标签之被稀释的用户攻克率中，会体现在步骤320中计算得出的每个元标签的加权值，使用户攻克率得以减少，借以更新用户的攻克率。

例如，对任意一个标签的变更前的用户攻克率为15％，在答错题目时，如果该标签的加权值为6，那么，在计算该标签的变更后的用户攻克率时，为对变更前的用户攻克率的分子和分母分别进行稀释，会在分别乘以0.9之后，并只在分母上加上加权值6，使攻克率得以减少。这时，变更前的用户攻克率为15％(15/100)，变更后的用户攻克率为(15*0.9)/(100*0.9+6)，即14.06％，得以减少0.94％。此外，为了分析数据，可按标签的分析单位收集上述攻克率，借以管理用户数据库。

重新返回到对图1的描述，可利用每个用户分析组的攻克率及/或题目结构信息来推荐用户定制型题目。

更具体来讲，依据本发明实施例的数据分析系统可将把属于用户攻克率较低分析组的标签编制成题目错误答案标签索引的题目，确定为推荐题目组。(步骤130)

此外，可在属于推荐题目组的题目中，将把用户攻克率属于较低分析组的标签编制成题目核心标签索引的题目，提取为核心推荐题目。(步骤140)这时，还可利用在图2的步骤250中创建的题型分类，即题目的结构信息来确定推荐组及/或核心推荐题目。另外，如果没有编制核心标签索引的题目，则可从推荐组中随机推荐题目。(步骤150)

例如，当用户攻克率较低的分析组为a1-a11时，如果是把属于该分析组的标签{a1-a11-a111，a1-a11-a112，a1-a11-a113，a1-a11-a114，a1-a11-a111-a1111，a1-a11-a111-a1112…}中任意一个编制成错误答案标签的题目，即可被确定为推荐题目组，而在属于该题目组的题目中，如果是将{a1-a11-a111，a1-a11-a112，a1-a11-a113，a1-a11-a114，a1-a11-a111-a1111，a1-a11-a111-a1112…}中的任意一个编制成核心标签索引的题目，则可被提取为核心推荐题目。

依据本发明的又一实施例，步骤130至步骤150也可具体体现如下。

例如，在步骤130中，数据分析系统在确定推荐题目组时，可选择以属于用户攻克率最低组的标签作为题目核心标签的题目。这样做的目的在于，提供以用户最薄弱的主题作为出题意图的题目。此后，在步骤140中，可在属于推荐组的题目中，将配置与用户答错题目的标签配置类似的题目，确定为推荐题目。这样做的目的在于，可从针对用户薄弱主题的相关题目中，提供具有薄弱模式的题目。

例如，用户攻克率较低的分析组为a1-a11，用户经常答错的题目标签由2个a1-a11-a1112，1个a1-a12-a123，1个a1-a12-a124，1个a1-a11-a112构成错误答案标签时，如果是将属于该分析组的标签{a1-a11-a111，a1-a11-a112,a1-a11-a113，a1-a11-a114，a1-a11-a111-a1111，a1-a11-a111-a1112…}中的任意一个编制成核心标签索引的题目，数据分析系统可将其指定为推荐组，在推荐组中包含的题目中，可将错误答案配置与2个a1-a11-a1112，1个a1-a12-a123，1个a1-a12-a124，1个a1-a11-a112最为相似的题目，指定为推荐题目。

这时，依据本发明的实施例，可利用在图2的步骤250中创建的题型分类，即题目的结构信息，将具有与用户经常答错的题目相似模式值的题目，确定为推荐题目。

另外，依据本发明的另一实施例，还可推荐用户信息不够充分的分析组的相关题目。若干个分析组的相关用户信息不够充分时，也可从把收集最少用户信息的标签作为核心标签的题目开始推荐。这是因为必须准确掌握用户信息，才可确保推荐题目的有效进行。

本说明书和附图中公开的本发明实施例，仅是用来便于说明本发明的技术内容和帮助理解本发明的具体示例，并非用来限定本发明的范围。对于本发明所属技术领域的技术人员来说，除本文公开的实施例外，基于本发明技术思想的其他变形示例也是可行的。

工业实用性

依据本发明的提供个人定制型教育内容的方法、设备和计算机程序，可被广泛应用于通过计算机或电子设备提供的学习、教育内容领域中。