本发明涉及学习装置技术领域,尤其是涉及一种学生能力水平定位自适应学习方法及计算机系统。
背景技术:
在现有的在线教育系统中,对一个学生水平的了解是较初步且重要的一环。对学生的情况有较为准确的了解,方能将后续的战略优先或放弃、推送题目等环节有效进行。目前已有在线教育系统中,学生水平衡量是基于能力值展开的。能力值是基于irt理论的对知识点掌握情况的一种展现。先测阶段的学习水平为学生在特定课次里的先测平均能力值。学习阶段的学习水平为学生在特定课次里的学习平均能力值。现有的这种方法能粗略地定位学生的大体水平情况,但主要问题是:能力值这一维度比较单一,且能力值目前的分布情况比较离散。所以需要一个较全面客观的学生水平模型来对学生进行更精准的定位,以提高自适应学习效率。
技术实现要素:
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种学生能力水平定位自适应学习方法及计算机系统。
本发明的目的可以通过以下技术方案来实现:
一种学生能力水平定位自适应学习方法,包括:
获取用户的历史学习数据和先测学习数据;
分析所述历史学习数据和先测学习数据,获取分析结果,所述分析结果包括历史先测知识点掌握率、本课次先测知识点掌握率、历史知识点提升率和历史知识点攻克率;
根据所述分析结果获得用户的学习前学生水平;
基于所述学习前学生水平产生用户的学习路线;
基于所述学习路线推送学习内容。
进一步地,根据所述分析结果获得用户的学习前学生水平的计算公式为:
level2=β*master_rate_current+(1-β)*level1
level1=master_rate_history+improve_space
improve_space=(1-master_rate_history)*(α*improve_rate+(1-α)*capture_rate)
其中,level2表示学习前学生水平,master_rate_history表示历史先测知识点掌握率,master_rate_current表示本课次先测知识点掌握率,improve_space表示历史知识点提升率,capture_rate表示历史知识点攻克率,α、β表示权重。
进一步地,所述历史学习数据包括用户在校考试成绩数据,所述分析结果包括考试成绩排名百分位数。
根据所述分析结果获得用户的学习前学生水平的计算公式为:
level4=λ*master_rate_current+(1-λ)*level3
level3=θ*exam+(1-θ)*level1
level1=master_rate_history+improve_space
improve_space=(1-master_rate_history)*(α*improve_rate+(1-α)*capture_rate)
其中,level4表示学习前学生水平,master_rate_history表示历史先测知识点掌握率,master_rate_current表示本课次先测知识点掌握率,improve_space表示历史知识点提升率,capture_rate表示历史知识点攻克率,exam表示考试成绩排名百分位数,α、λ、θ表示权重。
进一步地,在获取用户的历史学习数据和先测学习数据,对异常数据进行剔除处理。
本发明还提供一种学生能力水平定位自适应学习计算机系统,包括:
采集模块,用于获取用户的历史学习数据和先测学习数据;
分析模块,用于分析所述历史学习数据和先测学习数据,获取分析结果,所述分析结果包括历史先测知识点掌握率、本课次先测知识点掌握率、历史知识点提升率和历史知识点攻克率;
计算模块,用于根据所述分析结果获得用户的学习前学生水平;
规划模块,用于基于所述学习前学生水平产生用户的学习路线;
推送模块,用于基于所述学习路线推送学习内容。
进一步地,所述计算模块中,根据所述分析结果获得用户的学习前学生水平的计算公式为:
level2=β*master_rate_current+(1-β)*level1
level1=master_rate_history+improve_space
improve_space=(1-master_rate_history)*(α*improve_rate+(1-α)*capture_rate)
其中,level2表示学习前学生水平,master_rate_history表示历史先测知识点掌握率,master_rate_current表示本课次先测知识点掌握率,improve_space表示历史知识点提升率,capture_rate表示历史知识点攻克率,α、β表示权重。
进一步地,所述采集模块中,历史学习数据包括用户在校考试成绩数据,所述分析结果包括考试成绩排名百分位数。
进一步地,所述计算模块中,根据所述分析结果获得用户的学习前学生水平的计算公式为:
level4=λ*master_rate_current+(1-λ)*level3
level3=θ*exam+(1-θ)*level1
level1=master_rate_history+improve_space
improve_space=(1-master_rate_history)*(α*improve_rate+(1-α)*capture_rate)
其中,level4表示学习前学生水平,master_rate_history表示历史先测知识点掌握率,master_rate_current表示本课次先测知识点掌握率,improve_space表示历史知识点提升率,capture_rate表示历史知识点攻克率,exam表示考试成绩排名百分位数,α、λ、θ表示权重。
进一步地,所述采集模块包括:
数据剔除单元,用于对采集得到的历史学习数据和先测学习数据中的异常数据进行剔除。
与现有技术相比,本发明具有以如下有益效果:
1)本发明基于历史学习数据和先测学习数据分析获得学习前学生水平,基于该学习前学生水平进行学习路线规划和相应学习内容的推送,能够对用户水平进行准确定位,从而有效提高学习效率。
2)本发明以知识点的整体掌握率为基准,避开了现有技术中单纯使用能力值的局限性,可以较连续地取从0到1的值,提高用户学习水平定位的准确性。
3)本发明同时考虑了学生在校学习情况,完整客观地进行能力水平的分析与定位,准确性高。
4)在提升情况的衡量中,把已攻克的知识点和虽未攻克但有进步的知识点一起分析,能增强对学生的区分能力,进一步实现准确的学习路线规划。
5)该方法不受具体流程、学段、学科等因素的影响,显得简洁、客观、灵活。
6)该方法对于学生学习路线的规划,以及基于该方法的战略优先等策略的展开,有极大的推进作用。
附图说明
图1为本发明的流程示意图;
图2为本发明学习前学生水平获取示意图;
图3为本发明实施例中的数据示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
如图1所示,本实施例提供一种学生能力水平定位自适应学习方法,包括:
获取用户的历史学习数据和先测学习数据;
分析所述历史学习数据和先测学习数据,获取分析结果,所述分析结果包括历史先测知识点掌握率、本课次先测知识点掌握率、历史知识点提升率和历史知识点攻克率;
根据所述分析结果获得用户的学习前学生水平;
基于所述学习前学生水平产生用户的学习路线;
基于所述学习路线推送学习内容。
所述历史学习数据包括学生历史先测知识点中掌握的个数、学生进入学习阶段的知识点中能力值获得提升的知识点个数、学生进入学习阶段的知识点中最终能力值较大的知识点个数等,先测学习数据包括学生本课次先测知识点中掌握的个数等。通过用户的学习数据可以获得基于irt理论的学生各知识点的能力值,能力值的大小与答题正确率成正比。
本方法中,基于采集的数据分析获得历史先测知识点掌握率、本课次先测知识点掌握率、历史知识点提升率和历史知识点攻克率等,具体地:
历史先测知识点掌握率(master_rate_history):一个学生历史先测知识点中掌握的个数与知识点总个数的比率;
本课次先测知识点掌握率(master_rate_current):一个学生本课次先测知识点中掌握的个数与知识点总个数的比率;
历史知识点提升率(improve_rate):一个学生进入学习阶段的知识点中能力值获得提升的知识点个数与知识点总个数的比率;
历史知识点攻克率(capture_rate):一个学生进入学习阶段的知识点中最终能力值较大的知识点个数与知识点总个数的比率。
基于上述分析结果,本发明可以获得用户的学习前学生水平的计算公式为:
level2=β*master_rate_current+(1-β)*level1
level1=master_rate_history+improve_space
improve_space=(1-master_rate_history)*(α*improve_rate+(1-α)*capture_rate)
其中,level2表示学习前学生水平,level1表示先测以前学生水平,master_rate_history表示历史先测知识点掌握率,master_rate_current表示本课次先测知识点掌握率,improve_space表示历史知识点提升率,capture_rate表示历史知识点攻克率,α、β表示权重,权重可取值为0-1之间的数值。improve_space用于表示学生的提升度,可由知识点薄弱率与知识点提升率和攻克率的加权和的乘积得到。该方案以学生先测知识点掌握率为基准,结合学生在学习阶段学薄弱知识点的两方面表现情况(提升率和攻克率)建立学生水平模型。
在获取用户的历史学习数据和先测学习数据,本发明方法还对异常数据进行剔除处理,异常数据包括能力值与掌握与否不匹配的数据。获得学习前学生水平的过程如图2所示:
在准备阶段,首先获得用户的历史学习数据和先测学习数据,判断是否有异常或错误数据,若是,则进行排查并剔除,若否,则进行学习能力提升与否(is-improve)、先测掌握与否(pre-is-master)、学习攻克与否(learn-is-master)等维度的映射,如图3所示;根据上述维度的数据,分析获得每个学生的掌握率、提升率和攻克率;计算先测以前学生水平,并进一步计算获得学习前学生水平。
表1
如表2所示为本实施例实验中具体课次先测开始前和学习开始前的学生水平比较结果。
实施例2
参考图1所示,本实施例提供的学生能力水平定位自适应学习方法中,采集的历史学习数据还包括用户在校考试成绩数据,所述分析结果包括考试成绩排名百分位数。则根据所述分析结果获得用户的学习前学生水平的计算公式为:
level4=λ*master_rate_current+(1-λ)*level3
level3=θ*exam+(1-θ)*level1
level1=master_rate_history+improve_space
improve_space=(1-master_rate_history)*(α*improve_rate+(1-α)*capture_rate)
其中,level4表示学习前学生水平,master_rate_history表示历史先测知识点掌握率,master_rate_current表示本课次先测知识点掌握率,improve_space表示历史知识点提升率,capture_rate表示历史知识点攻克率,exam表示考试成绩排名百分位数(表示超过了百分之几的学生),α、λ、θ表示权重,权重可取值为0-1之间的数值。
本实施例的水平定位加入了对学生在校成绩的考虑,进一步提高了定位准确性,提高学习效率。
实施例3
本实施例与实施例1相对应,提供一种学生能力水平定位自适应学习计算机系统,包括:
采集模块,用于获取用户的历史学习数据和先测学习数据;
分析模块,用于分析所述历史学习数据和先测学习数据,获取分析结果,所述分析结果包括历史先测知识点掌握率、本课次先测知识点掌握率、历史知识点提升率和历史知识点攻克率;
计算模块,用于根据所述分析结果获得用户的学习前学生水平;
规划模块,用于基于所述学习前学生水平产生用户的学习路线;
推送模块,用于基于所述学习路线推送学习内容。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。