本发明涉及在线学习诊断方法。
背景技术：
随着网络的发展，用户的学习与网络紧密联系起来。很多学校和教育机构都设计了在线教学与试题系统，为了使用户可以通过在线练习试题，了解对相关知识点的掌握情况，现有技术采用了很多方法。
公开号为104317825a的中国发明专利申请公开了一种知识点量化分析方法，包括：s101、在数据库中获得已设置好的试题包含的各知识点数据，并设置每个知识点占该试题内容的权重记为x权；s102、在数据库中根据不同类型考试获得的知识点来源，设置各知识点来源的权重记为y权；s103、通过选取待检测用户的某道试题实际得分成绩和该试题中设置的各知识点x权数据，计算各知识点标准分记为s；s104、根据知识点标准分s和y权更新知识点评价成绩记为vn，计算公式如下，vn＝s×y+vn-1×(100％-y)；其中，n为自然数，知识点评价成绩初始值v0＝500，vn-1为当前知识点评价成绩。
但是，上述分析方法完全依赖于做题的结果，无法做到全面、客观的反应用户对于某知识点的掌握情况。
技术实现要素：
本发明所要解决的技术问题就是提供一种在线学习知识点诊断方法，可以更加全面、真实的反应用户对于某知识点的掌握情况。
为解决上述技术问题，本发明采用如下技术方案：一种在线学习知识点诊断方法，包括如下步骤：
步骤一，评定用户对于该知识点掌握的概率，计算公式为p(θ)＝1/(1+e^(b-θ))，其中，θ表示评定用户的能力参数，b表示每个题目的难度系数，e＝2.71828；
步骤二，评定用户对于该知识点的记忆程度，计算公式为r＝e^(-t/s)，其中，t为以天为基本单位的时间间隔，s为记忆强度，e＝2.71828；
s的计算方法为，每个知识点初始s＝1，且s最小为1，练习答案正确，则该题的直接和间接知识点的s＝s+1，练习答案错误，直接知识点s＝s-1，间接知识点s＝s-(1-0.2n)，n为该间接知识点与直接知识点之间的相隔层级，n>5时把n视为5；
t的计算方法为，当一道题做正确时，该题的直接知识点和间接知识点的记忆时间＝该题练习的日期，t＝当前日期-记忆时间；
步骤三，实时计算p(θ)*r，根据p(θ)*r的结果对用户对该知识点的掌握情况进行诊断。
作为优选，针对该知识点的每个题目，对全平台用户预先设定统一的难度系数标准。
作为优选，每个题目的难度系数确定包括如下步骤：
步骤一，选取学生样本；
步骤二，根据每道题所抽取的学生样本，计算出每道题的平均正确率，对正确率最低pmin的题目难度系数赋值为1，正确率最高pmax的题目难度系数赋值为0.01，而对于正确率为m的题目难度系数确定的方法为k＝1-(1-0.01)·(m-pmin)/(pmax-pmin)。
作为优选，每个题目的难度系数每间隔一个月重新计算并更新。
作为优选，θ的计算方法为：选取该知识点最近30题，计算ln(答题正确数/答题错误数)，当答题正确数为0或者答题错误数为0时，答题正确数或答题错误数采用修正值0.5。
作为优选，每个知识点的初始r＝0，每天重新计算r，当一道题做正确时，该题的直接知识点和间接知识点的r＝1。
作为优选，当p(θ)*r的结果大于等于0.75时该用户知识点达标，反之不达标。
本发明采用的技术方案，对于知识点达标的评价方法依据项目反应原理(irt)的1pl模型的p(θ)以及遗忘曲线的r值进行计算，对于知识点的掌握判定，从题目的客观难度、用户学习能力、大脑的记忆特征维度入手，更加全面、真实的反应用户对于某知识点的掌握情况。
具体实施方式
项目反应理论(itemresponsetheory，irt)是一系列心理统计学模型的总称，是针对经典测量理论(classicaltesttheory，简称ctt)的局限性提出来的。irt是用来分析考试成绩或者问卷调查数据的数学模型，这些模型的目标是来确定的潜在心理特征(latenttrait)是否可以通过测试题被反应出来，以及测试题和被测试者之间的互动关系。
现代远程教育以计算机网络为基础来实施教学的各个环节，有着信息化水平高的特点。这一特殊的教学环境非常有利于项目反应原理(又称irt，itemresponsetheory)发挥优势，提高教学质量。
遗忘曲线由德国心理学家艾宾浩斯(h.ebbinghaus)研究发现，这条曲线告诉人们在学习中的遗忘是有规律的，遗忘的进程很快，并且先快后慢。
本发明依据项目反应原理(irt)的1pl模型的p(θ)以及遗忘曲线的r值进行计算，对平台用户的知识点掌握情况进行诊断。以下结合具体实施例对本发明做出具体说明。
实施例1，一种在线学习知识点诊断方法，包括如下步骤：
步骤一，评定用户对于该知识点掌握的概率，计算公式为p(θ)＝1/(1+e^(b-θ))，其中，θ表示评定用户的能力参数，b表示每个题目的难度系数，e为常数2.71828；
其中，针对该知识点，b采用标准难度系数，指对于全平台用户而言，通过定量与定性的研究方法，分析确定的统一的难度系数标准。
根据全平台海量用户的练习累计数据，结合每道题目的正确率(每道题目的正确率采用全国各地(县区)的平均正确率，用以降低全国各地区教学水平差异的影响，进而保证标准难度系数对于全国各地的通用性及合理性)，按照科学的统计分析方法，对题目难度系数进行赋值(对全国各地采用配比抽样，组成题目难度评定样本，根据正确率最低与正确率最高对定义难度最高系数与难度最低系数，并对每道题目进行难度赋值)。具体包括如下步骤：
抽样方法细述：首先研究的问题为题目a全国各地区学生的平均正确率，地区的级别为县区，使估算误差出不超过0.5％，且具有95％的可信度。
利用
上述的抽样方法只是一种举例，当然也可以采用其他现有的抽样方法，在此不再一一赘述。对本发明来说，更重要的还在于根据抽样结果，进行难度系数赋值的方法。
难度系数赋值方法：根据每道题所抽取的学生样本，可计算出每道题的平均正确率。对正确率最低(pmin)的题目难度系数赋值为1，正确率最高(pmax)的题目难度系数赋值为0.01，对于正确率为m的题目难度系数确定的方法为k＝1-(1-0.01)·(m-pmin)/(pmax-pmin)。
另外，题目的难度系数每月进行更新。
θ的计算方法为：为降低历史能力对最新能力的影响，同时保障能力评估的准确性，选取该知识点最近练习的30题，计算ln(答题正确数/答题错误数)，当答题正确数为0或者答题错误数为0时，答题正确数或答题错误数采用修正值0.5。当然为了保证θ的准确性，也可以选择选取该知识点最近练习30题以上甚至更多题目。
步骤二，评定用户对于该知识点的记忆程度，计算公式为r＝e^(-t/s)，其中，t为以天为基本单位的时间间隔，s为记忆强度，e为常数2.71828；
s的计算方法为，每个知识点初始s＝1，且s最小为1，练习答案正确，则该题的直接和间接知识点的s＝s+1，练习答案错误，直接知识点s＝s-1，间接知识点s＝s-(1-0.2n)，n为该间接知识点与直接知识点之间的相隔层级，n>5时把n视为5。
直接知识点指与该题目直接关联的知识点，间接知识点指与该题目的知识点相关联的知识点。因为知识点与知识点不是相互独立的，是有先后或者父子级关系的，学生所学的所有知识点是个网状关系，知识点之间彼此相互联系。例如乘除法混合运算属于子级知识点，四则混合运算属于父级知识点，当一个学生练了一个乘除法混合运算的题目，但同时对四则混合运算也间接的进行了练习，因为四则混合运算里面包含乘除法混合运算，这时乘法混合运算为直接知识点，四则混合运算为间接知识点。间接知识点与直接知识点的相隔层级指在知识点关系图中，之间相隔几个知识点，层级越低两个知识点的关联层度越大，层级越大，两个知识点的关联层度越小。
t的计算方法为，t＝当前日期-记忆时间，当一道题做正确时，该题的直接知识点和间接知识点的记忆时间＝该题练习的日期，也就是答对该题时的具体日期。
每个知识点的初始r＝0，每天(凌晨)重新计算r，当一道题做正确时，该题的直接知识点和间接知识点的r＝1。
步骤三，实时计算p(θ)*r，当结果大于等于0.75时该用户知识点达标，反之不达标。
之所以确定75％，一个是结合具体的答题数据及代表性学生的分析，同时也采用了专家访谈，即经验丰富教师的意见。
实施例2，与实施例1的不同在于，进一步的，对每个难度段的题目，随机抽取样本，难度系数在统计分析结果基础上，通过专家评定，最终确定，确保题目难度系数的客观准确。即专家根据经验首先明确难度最高题目的难度系数，然后根据丰富的教学经验，对个别题目进行检验。
实施例3，与实施例1和2的不同在于，将专家评定结果与统计分析赋值结果进行综合，确定每个个题目的最终难度系数b＝0.5*累积数据分析结果+0.5*专家难度赋值。
除上述优选实施例外，本发明还有其他的实施方式，本领域技术人员可以根据本发明作出各种改变和变形，只要不脱离本发明的精神，均应属于本发明权利要求书中所定义的范围。