一种基于知识点掌握度的智能出题方法及系统与流程

1.本发明涉及在线教育技术领域，具体涉及一种基于知识点掌握度的智能出题方法及系统。


背景技术：

2.随着互联网技术及人工智能技术的蓬勃发展，人工智能技术在教育领域开始显示其强大的能力，越来越多的问题可以用人工智能的技术来解决。在线教育以其学习时间灵活性，教学资源丰富等特点，已经成为当下十分热门的学习方式。在线教育快速发展的同时，伴随而来的问题也越来越突出。练习题作为学生巩固课堂所学知识的一大重要媒介，根据学生的个人情况科学智能的为学生提供针对性的练习题，可以极大的帮助学生提高学习效率，达到事倍功半的效果。
3.目前对于智能出题方向的研究主要集中在三个方面：
4.第一，基于协同过滤技术的智能推荐方法。此类方法的主要做法是根据用户的历史行为判断用户对一件事情是否感兴趣，例如用户a经常观看某类视频，那么可以说明该用户对此类视频感兴趣。依据此信息，通过协同过滤方法基于该用户的这一行为进行近邻搜索，以此推荐出该用户感兴趣的视频。但是针对学生通过练习题来巩固学习成果的情况，往往需要考虑该学生对于知识点的掌握情况，如果推荐给学生他已经掌握的习题或是知识点，那么该学生在近期针对此道练习题的练习是无效的。
5.第二，基于统计方法或深度学习方法的认知诊断方法。此类方法通常会将题目知识点矩阵，学生的做题行为等作为输入，让模型预测学生对于未来某个题目的掌握情况。其中，不论是基于统计学习的项目反应理论和概化理论等，还是基于深度学习方法的neuralcd、dkt等方法，均可以在一定程度上对学生的学习情况进行建模。
6.第三，基于知识图谱的题目推荐方法。基于知识图谱的方法通常使用知识点信息，题目信息，学生做题情况等来构建知识图谱。此类方法包含若干节点和边，以三元组的形式存储知识，例如“节点1：刑法。节点2：盗窃罪。边12：包含”。通过此种形式来表示任意两种信息间的关系。知识图谱对于解决冷启动，提升推荐效果等方面有着优秀的能力，已经广泛存在于大量的推荐系统中。有很多方法将错题信息融入与知识图谱中，通过错题映射相应的知识点，从而推荐题目，并获得了不错的效果。但是基于知识图谱的智能推荐方法需要对知识点等信息进行充分的挖掘来构建图谱，这会导致图谱的信息复杂，规模巨大，消耗大量资源。
7.尽管上述方法在智能出题方面都有着不错的效果。但是学生对于一个知识点的掌握情况往往受到时间因素、题目难易程度等多方面的影响。其次，即使通过模型发现了学生的薄弱知识点，那么该知识点相关的题目是否需要推荐给学生还需要考虑到历史上题目的考频，当年考纲的变化等因素。在各类考试中，像考研、考公务员、司法考试和会计考试等，都会有考频很低的知识点，或难度极难的题目，对于绝大多数学生来说，针对此类题目练习的收益往往很小。
8.综上，针对智能出题，不仅需要考虑知识点与题目间的关联关系，学生的知识点掌握情况，还需要题目的难度、考频等问题，才可以为学生提供个性化的题目推荐。


技术实现要素：

9.针对现有技术中的缺陷，本发明提供一种基于知识点掌握度的智能出题方法及系统。
10.一方面，一种基于知识点掌握度的智能出题方法，所述方法包括以下步骤：
11.步骤1，根据个人知识点掌握图与基准知识点掌握图，确定用户对各个知识点的掌握程度和薄弱程度；
12.步骤2，根据掌握程度、薄弱程度和距离考试天数，从题目集合中确定出第一目标题目集合；
13.步骤3，根据题目评估指标对第一目标题目集合中的题目进行排序，得到第二目标题目集合，将所述第二目标题目集合推送给用户，所述题目评估指标包括难度、重要程度、考频。
14.优选地，步骤1中，根据个人知识点掌握图与基准知识点掌握图，确定用户对各个知识点的掌握程度和薄弱程度之前包括以下步骤：
15.步骤01，获取用户的历史考试信息和历史做题信息，基于所述历史考试信息和历史做题信息构建基准知识点掌握图，其中，所述基准知识点掌握图包括掌握星级、各个掌握星级对应的所有分数段以及各个分数段所对应的基准做题量和基准正确率；
16.步骤02，获取用户的实时做题信息，根据所述实时做题信息构建个人知识点掌握图，其中，所述个人知识点掌握图包括各个知识点对应的掌握程度以及各个掌握程度对应的做题量与正确率。
17.优选地，步骤1中，根据个人知识点掌握图与基准知识点掌握图，确定用户对各个知识点的薄弱程度的公式为：
[0018][0019]
式中，deg ree(k)表示知识点k的薄弱程度，xk表示知识点k的做题量，表示知识点k的基准做题量，yk表示知识点k的正确率，表示知识点k的基准正确率。
[0020]
优选地，步骤2中，根据掌握程度、薄弱程度和距离考试天数，从题目集合中确定出第一目标题目集合的方法包括以下步骤：
[0021]
步骤21，根据掌握程度和距离考试天数，确定推荐知识点的数量，根据薄弱程度确定推荐知识点关联的题目数量；
[0022]
步骤22，获取各个推荐知识点对应的题目集合，根据推荐知识点的数量及其关联的题目数量，从题目集合中确定出第一目标题目集合。
[0023]
优选地，步骤21中，根据掌握程度和距离考试天数，确定推荐知识点的数量的公式为：
[0024]
[0025]
式中，n表示推荐知识点的数量，表示可推荐知识点的数量，t表示距离考试天数，其中，可推荐知识点数量根据星级确定，星级根据个人知识掌握图中所有知识点的掌握程度确定。
[0026]
优选地，步骤21中，根据薄弱程度确定推荐知识点关联的题目数量的公式为：
[0027]
kn＝n*deg ree(kk)
[0028]
式中，kn表示推荐知识点关联的题目数量。
[0029]
优选地，步骤22中，获取各个推荐知识点对应的题目集合，根据推荐知识点关联的题目数量，从题目集合中确定出第一目标题目集合的方法包括以下步骤：
[0030]
步骤201，获取各个推荐知识点对应的题目集合；
[0031]
步骤202，获取各个题目包含的知识点数量以及用户对各个知识点的掌握程度，将掌握程度满足预设等级的知识点作为掌握知识点，根据各个题目中掌握知识点的数量对题目集合中的题目进行排序，得到初始题目集合；
[0032]
步骤203，从初始题目集合中确定出第一题目集合。另一方面，一种基于知识点掌握度的智能出题系统，包括：
[0033]
知识检测模块，用于根据个人知识点掌握图与基准知识点掌握图，确定用户对各个知识点的掌握程度和薄弱程度；
[0034]
题目召回模块，用于根据掌握程度、薄弱程度和距离考试天数，从题目集合中确定出第一目标题目集合；
[0035]
题目推送模块，用于根据题目评估指标对第一目标题目集合中的题目进行排序，得到第二目标题目集合，将所述第二目标题目集合推送给用户。
[0036]
本发明的有益效果体现在：本发明实施例提供了一种基于知识点掌握度的智能出题方法及系统，基于学生知识点掌握情况构建了个人知识点掌握图和基准知识点掌握图，根据个人知识点掌握图和基础知识点掌握图确定了学生的知识点薄弱程度和掌握程度，通过知识点薄弱程度、掌握程度以及考试天数向学生推荐题目，还考虑了题目的难度、重要程度考频等因素对待推荐题目进行精排，为学生提供了个性化的题目推送服务，大大提高了出题效率与做题效果。
附图说明
[0037]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
[0038]
图1为本发明实施例一所提供的一种基于知识掌握度的智能出题方法的流程图；
[0039]
图2为本发明实施例二所提供的一种基于知识掌握度的智能出题系统的系统框图。
具体实施方式
[0040]
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
[0041]
需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
[0042]
实施例一
[0043]
参考图1，图1为本发明实施例所提供的一种基于知识点掌握度的智能出题方法的流程图，所述方法包括以下步骤：
[0044]
步骤1，根据个人知识点掌握图与基准知识点掌握图，确定用户对各个知识点的掌握程度和薄弱程度；
[0045]
步骤2，根据掌握程度、薄弱程度和距离考试天数，从题目集合中确定出第一目标题目集合；
[0046]
步骤3，根据题目评估指标对第一目标题目集合中的题目进行排序，得到第二目标题目集合，将所述第二目标题目集合推送给用户，所述题目评估指标包括难度、重要程度和考频。
[0047]
本发明实施例提供的一种基于知识点掌握度的智能出题方法，考虑了学生对知识点的掌握程度、薄弱程度和考试天数，还考虑了题目的难度、重要程度考频等因素，对学生进行个性化的题目推送，大大提高了出题效率与做题效果。
[0048]
在本发明实施例中，步骤1中，根据个人知识点掌握图与基准知识点掌握图，确定用户对各个知识点的掌握程度和薄弱程度之前包括以下步骤：
[0049]
步骤01，获取用户的历史考试信息和历史做题信息，基于所述历史考试信息和历史做题信息构建基准知识点掌握图，其中，所述基准知识点掌握图包括掌握星级、各个掌握星级对应的所有分数段以及各个分数段所对应的基准做题量和基准正确率；
[0050]
具体的，统计数据库中学生的历史做题信息和考试信息构建基准过考知识点掌握图b；根据各个考试的过线标准，对各个分数进行段进行划分并将各个分数段划分为不同的掌握星级，包括a星级、b星级、c星级和d星级。
[0051]
以司法考试的客观题考试为例，180分是过线的标准。基于此，以10分为一个阶段，划分出8个分数段，分别是“《150分、150-159分、160-169分、170-179分、180-189分、190-199分、200-209分以及》210分”，将8个分数段从低到高合并为4个星级区间，“《150分，150-159分合并为a星区间、160-169分、170-179分合并为b星区间、180-189分、190-199分合并为c星区间、200-209分以及》210分合并为d分区间”。基于此，a星和b星属于为过考状态，c星表示勉强过考，d星表示可以冲刺高分。依据上述的星级划分方式，统计数据库中学生的历史信息，分别针对每个知识点计算相应的星级区间。不同区间中的不同分数段下面又将分别计算做题量和正确率，最终形成一张过考基准知识点掌握图，以结构化方式存储。以表1为例，对过考基准知识点掌握图进行详细解释。
[0052]
表1过考基准知识点掌握图
[0053][0054]
表1中以知识点“盗窃罪”为例。每个分数段下面均有该分数段对应的过考基准做题量以及过考基准正确率。例如“150-159分”分数段中表示，从历史学生的学习情况来看，如果想要在考试中拿到150分，那么盗窃罪这一知识点的做题量需要达到110题，正确率需要达到58.8％，可见在该正确率下距离过考的目标(180分)相差甚远。对于位于此分数段的学生来说，更应该将学习的重点放在打好基础，而非突破难题，此时的题目推荐就应偏重于基础题目，基于这样的一张知识点掌握图，可以为题目推荐提供直观且有效的依据。在基于错题的推荐方法中，这一点将会导致严重的错误，如果学生由于一时兴起做了一道难题，并且做错，那么基于错题的推荐方法将会有很大的概率再此推荐出相似难度的题目，这对于此阶段的学生来说毫无意义。
[0055]
通过构建基准知识点掌握图，方便对学生个人知识点掌握情况进行分析。
[0056]
步骤02，获取用户的实时做题信息，根据所述实时做题信息构建个人知识点掌握图，其中，所述个人知识点掌握图包括各个知识点对应的掌握程度以及各个掌握程度对应的做题量与正确率；
[0057]
过考基准知识点掌握图描述了通过考试所需的知识点基本掌握程度。与过考基准知识点掌握图类似，将依据每位学生从报名起始至今的实时做题量及正确率，针对每一个知识点生成实时的学生个人知识点掌握图，个人知识点掌握图描述了学生从开始学习以来，对于每个知识点的掌握情况，以表2为例，对学生知识点掌握图进行详细描述。
[0058]
表2个人知识点掌握图
[0059][0060]
表2以知识点“盗窃罪”为例。个人知识点掌握图分为“abcd”四个掌握程度阶段，分别对应上述的“abcd”四个星级区间，掌握程度从a-d依次上升，d表示掌握程度最高。由表2可以看出，该学生对于“盗窃罪”这一知识点的掌握程度只达到了a星，与过考基准知识点掌握图相比，其做题量和正确率均未满足150-159分数段的基准。“abcd”四个掌握星级也对应
学生的星级，对于所有刚开始学习的学生，大家都是a星级，当做题量和正确率满足b级的要求后，学生的等级也随之升级为b星级，例如，学生星级当前星级为a星级，当学生的个人知识度掌握图中80％知识点的掌握程度达到b星级时，学生的星级则升级为b星级。
[0061]
基于上述描述，学生对于某一知识点的掌握程度由该知识点对应的做题量和正确率共同决定，在本发明实施例中，使用过考基准知识点掌握图和个人知识点掌握图共同计算学生对于某一知识点的薄弱程度，具体公式如下：
[0062][0063]
式中，deg ree(k)表示知识点k的薄弱程度，xk表示知识点k的做题量，表示知识点k的基准做题量，yk表示知识点k的正确率，表示知识点k的基准正确率。
[0064]
通过上述公式可以发现，知识点薄弱程度与做题量和正确率均有关系，如果一名学生做了大量的题，但是正确率不高，说明对于该知识点涉及的知识掌握是不充分的；反之，如果一名学生做题量很少，但是正确率很高，有可能该学生只是把相同的几道题目做了很多次，而并非是知识点掌握充分。依据个人知识点掌握图，当学生的知识点做题量和正确率均满足当前星级的要求，即可升级为下一星级，不同星级对应的题目难度等均有区别。
[0065]
在本发明实施例中，步骤2中，根据掌握程度、薄弱程度和距离考试天数，从题目集合中确定出第一目标题目集合的方法包括以下步骤：
[0066]
步骤21，根据掌握程度和距离考试天数，确定推荐知识点的数量，根据薄弱程度确定推荐知识点关联的题目数量；
[0067]
步骤22，获取各个推荐知识点对应的题目集合，根据推荐知识点的数量及其关联的题目数量，从题目集合中确定出第一目标题目集合。
[0068]
当确定了学生关于每个知识点的薄弱程度，就需要确定每一次出题过程中，需要涉及的知识点数量。推荐知识点的数量受到知识点薄弱程度，距离考试的天数等因素的影响。对于类似与“考研、司法考试、会计考试”等类型的考试，学生的基础目标是通过分数线，所以每次推荐的知识点也与过线相关。从上述基准过考知识点图中可知，“ab”两个星级均在过线星级以下，所以针对还未进入“c”级别的学生，星级处于“ab”的知识点都是需要为学生推荐的知识点；当80％的知识点都达到“c”级别时，星级处于“abc”的知识点作为学生推荐的知识点。
[0069]
具体的，根据掌握程度和距离考试天数，确定推荐知识点的数量的公式如下：
[0070][0071]
式中，n表示推荐知识点的数量，表示可推荐知识点的数量，t表示距离考试天数，其中，可推荐知识点数量根据星级确定；
[0072]
由上述公式可以得出以下两方面结论。第一，当距离考试日期较远的时候，这个时候需要进行大量的练习来巩固基础。同时需要提高学生做题所涉及知识点的多样性。第二，随着考试日期渐近，需要重点攻克某些尚未掌握的知识点。
[0073]
由于一道习题可能会包含多个知识点，同时，一个知识点也可能被多道题目包含，所以当确定了每次推荐知识点的数量后，需要依据知识点的薄弱程度确定推荐的每个知识
点需要关联多少题目；
[0074]
具体的，确定推荐知识点关联的题目数量的公式如下：
[0075]
kn＝n*degree(k)
[0076]
式中，kn表示推荐知识点关联的题目数量。
[0077]
假设现需为学生s推荐n＝20个知识点，学生s的知识点掌握程度达到b星级，处于b星的知识点集合为k＝{k1,k2,
…kk
}，知识点集合k中每个知识点的薄弱程度为w＝{0.8，0.2，...，0.1}。依据上述公式，知识点k1需要关联的题目数量为20
×
0.8＝16个。可见知识点薄弱程度越高，表明该知识点掌握程度越低，需要更多的题目来进行练习。
[0078]
在本发明实施例中，步骤22中，获取各个推荐知识点对应的题目集合，根据推荐知识点关联的题目数量，从题目集合中确定出第一目标题目集合的方法包括以下步骤：
[0079]
步骤201，获取各个推荐知识点对应的题目集合；
[0080]
步骤202，获取各个题目包含的知识点数量以及用户对各个知识点的掌握程度，将掌握程度满足预设等级的知识点作为掌握知识点，根据各个题目中掌握知识点的数量对题目集合中的题目进行排序，得到初始题目集合；
[0081]
步骤203，从初始题目集合中确定出第一题目集合。
[0082]
当确定了每次推荐中的知识点数量以及每个知识点关联的题目数量后，就可以对每个知识点关联的题目集合进行初次的召回(也就是确定待推荐的题目)。以知识点“盗窃罪”为例，数据库中与“盗窃罪”相关的题目集合为q＝{q1，...，qm}，需要从题目集合q中选出部分题目推送给学生。此时需要注意的是，不可以直接将集合q作为推荐的集合，因为每道题目会包含不同的知识点，学生对不同知识点的掌握程度不同，仍然需要通过s2中得到的学生个人知识点掌握图对题目集合q进行过滤。以题目q1为例，以过线星级c为上界，查询题目q1所关联的除了“盗窃罪”之外的所有知识点，这些知识点的掌握程度是否满足c星级。同一道题目中所涉及的知识点的掌握程度达到c星级的数量越多，说明学生距离完全掌握这道题目的的距离越近，优先针对此题目进行练习的收益越大；相反，如果学生对于一道题目只掌握了其中的一个知识点，说明其他知识点可能还未学习，或其他知识点难度较大，此时学生做这道题目出错的概率很大，针对此题目进行练习的收益越小。依据上述方法，对题目集合q中的每道题目都进行上述搜索，按照未掌握知识点的数量进行升序排列，学生针对排名越靠前的题目进行练习，收益越大，从而得到第一题目集合。
[0083]
当获取第一题目集合后，依据题目的重要程度、考频和难度三个题目评估指标对题目集合进行精排。重要程度指标是由专业的教研人员对每到题目进行了重要程度的标注；考频是通过对历年考试真题进行统计分析，计算得出每个题目，知识点的出题频率；难度依据历史学生的做题信息，计算每个题目，知识点的正确率得到难度指标。对于第一题目集合，如果难题很多，那么对于知识点掌握程度位于a级的学生来说，无疑是很困难的，会导致学生丧失信心；如果简单题较多，对于学习成绩较好的学生来说，起不到提升的作用；如果大部分推荐题目的考频很低，那学生针对这一次推荐题目的练习大概率是无效的。
[0084]
下面将详细描述精排过程。重要程度指标共三个程度：重要题目、次要题目、不推送题目。考频按照题目出题频率从低到高分为四个等级“fa、fb、fc、fd”。难度按照题目的难度从易到难分为四个等级“ha、hb、hc、hd”。针对知识点掌握程度和难度，表3对处于不同知识点掌握星级的学生定义了题目难度的比例。
[0085]
表3知识点掌握程度对应题目难度划分比例
[0086] hahbhchda星4411b星2431c星2332d星1243
[0087]
表3描述的是当学生处于不同星级下，每次推荐的题目中，题目难度的比例。当学生处于a星级时，说明此时学生对于知识点的掌握程度较低，所以推荐题目中较简单的题目数量较多，比例为80％。当学生的星级上升到b级时，简单类型题目的比例降低。此时题目推荐的目标仍以过线为准。当学生的星级满足c级时，说明此时学生已经有很大概率可以通过考试，可以适量的增加一点难度较高的题目。经过难度排序后，再对候选题目分别按照重要程度和考频分别降序排序，得到精排后的题目集合作为目标题目集合推荐给用户，从而实现个性化智能出题。
[0088]
实施例二
[0089]
参考图2，本发明实施例提供了一种基于知识点掌握度的智能出题系统，包括：
[0090]
知识检测模块，用于根据个人知识点掌握图与基准知识点掌握图，确定用户对各个知识点的掌握程度和薄弱程度；
[0091]
题目召回模块，用于根据掌握程度、薄弱程度和距离考试天数，从题目集合中确定出第一目标题目集合；
[0092]
题目推送模块，用于根据题目评估指标对第一目标题目集合中的题目进行排序，得到第二目标题目集合，将所述第二目标题目集合推送给用户。
[0093]
应当理解地，为了更好地更新与调用基准知识点掌握图和个人知识点掌握图，还包括缓存模块，通缓存模块缓存基准知识点掌握图和个人知识点掌握图，并实时更新。
[0094]
进一步的，为了更好地实现题目的可视化，还包括智能出题模块，用于可视化展示目标题目集合。
[0095]
本发明实施例所提供的一种基于知识点掌握度的智能出题系统与上述实施例所提供的一种基于知识点掌握度的智能出题方法处于相同的发明构思，关于本发明实施例中各个模块更加具体的工作原理可参考上述实施例，在本发明实施例中不做赘述。
[0096]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。