一种基于人工智能的错因推测方法、系统及可储存介质与流程

1.本发明涉及智能教育的技术领域，尤其涉及一种基于人工智能的错因推测方法、系统及可储存介质。


背景技术：

2.当前，随着人工智能技术的兴起，k12教育(小学、初中、高中教育)教学也在向智能教育方向发展，人机共教，是当前k12中小学教学的发展趋势。人机共教，是指人工智能与机器智能相结合，部分场景使用机器智能，部分场景使用人工智能进行教育教学的下一代教学方式。当前，人机共教处于初期阶段，特征是机器智能仅用于提供一些数据分析，教师在机器提供分析的基础上，开展教育教学，可以说，机器智能仅仅是辅助性质的。但从发展趋势来讲，随着技术的迭代与教师们对各类机器智能应用能力的逐步提升，人工智能会从面面俱到向仅抓主要线下教学场景，机器智能从教学参谋向部分线上场景独立学习导引发展，即机器智能比重会越来越高，在学生日常学习过程中发挥更大作用。
3.当中小学生答题完毕后，教师需要批阅，并将正误情况导入到成绩分析类软件系统，在此基础上进行数字化的分析，以开展“精准教学”。随着信息技术在教育教学过程中的导入，线上线下融合已经成为一种常态，学生通过学习平台进行在线学习也成为一种常态。现有的学习平台对错因的采集和分析分为两种：第一种为软件平台提供一些通用的错因项供学生自行选择匹配的错因；第二种为采用自主文字输入错因的方式，对输入文字进行语义分析获取错因。上述两种错因推测方法分析粒度较粗，无法应用于对少数几个学生错因的精准分析，无法做到因材施教。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述学生错因推测中现有存在问题，提出了本发明。
6.因此，本发明解决的技术问题是：无法对单个或者几个学生的错因进行精准分析，不能进行高精准的施教。
7.为解决上述技术问题，第一方面，本发明提供了一种基于人工智能的错因推测方法，应用于基于人工智能的错因推测系统，所述方法包括：人工设定答题错因建立错因特征库，所述人工设定包括管理员设定学科通用错因和教师标注题目个体错因；输入学生作答库，根据所述错因特征库利用机器学习，预测学生错因并输出结果；学生对所述输出结果进行选择，并将所述选择记录在错因特征库中；所述机器学习的过程包括：判断学生同章节题目错答次数；所述错答次数小于阈值时，实施盲推策略输出错因并进行机器学习；所述错答次数小于阈值时，实施个性化推荐策略输出错因。
8.作为本发明所述的基于人工智能的错因推测方法的一种优选方案，其中：所述教
师标注题目个体错因根据题目考察范围将题目分成三个层次，分层次进行错因标注：对于中等及以下题目，使用学科通用错因；中等偏上的题目，标明题目所涉及的知识点以及出错原因；难题，标明题目所涉及的知识点、出错原因并添加思维、方法的错因标注。
9.作为本发明所述的基于人工智能的错因推测方法的一种优选方案，其中：所述将学生作答库输入所述错因特征库中之前，将学生学力划分为4个层次：所述学力在总体学生中占比前10％为拔尖；前10％～35％为上游；35％～75％为中游；最后25％为下游。
10.作为本发明所述的基于人工智能的错因推测方法的一种优选方案，其中：所述阈值针对不同学龄学生有不同取值，小学生的错答次数阈值设定为3～5次；初中生错答次数阈值设定为5～7次；高中生错答次数阈值设定为7～10次。
11.作为本发明所述的基于人工智能的错因推测方法的一种优选方案，其中：所述盲推策略包括，选取本人10～20天内同等难度题采纳比例最高的3至5个错因，采纳优先度为：5；根据学生的所述学力层次，选择10～20天内与本人同等层次其他学生同等难度题采纳比例最高的3至5个错因，采纳优先度为：4；根据学生的所述学力层次，选择与本人同等层次其他学生同等难度题采纳比例最高的3至5个错因，采纳优先度：3；选择近期同等难度题选择采纳比例最高的3至5个错因，采纳优先度：2；从所述错因特征库中选择采纳比例最高的3至5个错因，采纳优先度：1；按权重合并后输出最优的3至5个错因。
12.作为本发明所述的基于人工智能的错因推测方法的一种优选方案，其中：个性化推荐策略包括，选择本人同章节同难度其他题的错因2至3个，采纳优先度为：5；选择同层次其他学生最大错因2至3个，采纳优先度为：4；选择同层次其他学生同章节同难度题的最大错因2至3个，采纳优先度为：3；选择同层次其他学生同难度题的错因2至3个，采纳优先度：2；从所述错因特征库中选择2至3个错因，采纳优先度：1；按权重合并后输出最优的3至5个错因。
13.作为本发明所述的基于人工智能的错因推测方法的一种优选方案，其中：所述按权重合为合并重复项后按错因项推荐权重值顺序排列，所述错因项推荐权重值的计算方法为：
14.ecsin＝rrn
×
earn
15.其中：ecsi为error cause suggest index，错因项推荐权重指数；rr为right ratio，权重系数；ear为error cause accept ratio，错因项采纳率。
16.作为本发明所述的基于人工智能的错因推测方法的一种优选方案，其中：学生对所述输出结果选择后，采集该学生选取的错因及行为数据记录至所述错因特征库中。
17.第二方面，提供了一种基于人工智能的错因推测系统，所述系统包括：处理器，网络模块以及存储器；其中，所述处理器和所述存储器通过所述网络模块通信，所述处理器从所述存储器中读取计算机程序并运行。
18.其中：所述处理器包括：错答次数判断模块：用于判断学生同章题目的错答次数是否超出阈值；盲推模块：用于预测错答次数未超过阈值情况下的错因；个性化推荐模块：用于预测错答次数超过阈值情况下的错因；按权重合模块：用于分析重合所述盲推模块和个性化推荐模块的重复错因，并计算错因项推荐权重值进行降序排列，生成3～5个最优错因；选择模块：学生从所述按权重合模块生成的生成3～5个最优错因中进行错因选择。
19.第三方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指
令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述基于人工智能的错因推测方法。
20.本发明的有益效果：本技术实施例提供的基于人工智能的错因推测方法、系统及可储存介质，将人工和机器学习相结合，并根据学生本人搭建错因库，使得单个学生的错因分析更精准，并且学生选择错因时，选项经过选取，数量不多且均为熟悉选项，降低学生错因标注的复杂性，提高了效率；多个学生的精准错因数据能够形成更加精准的学生集体画像，实现因材施教。
附图说明
21.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。其中：
22.图1为本技术实施例所述的一种基于人工智能的错因推测系统的框图；
23.图2为本技术实施例所述的一种基于人工智能的错因推测方法的流程示意图；
24.图3为本技术实施例所述的一种基于人工智能的错因推测方法的机器学习过程流程示意图；
25.图4为本技术实施例所述的一种基于人工智能的错因推测系统处理器的方框流程图。
具体实施方式
26.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
27.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
28.其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
29.本发明结合示意图进行详细描述，在详述本发明实施例时，所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
30.同时在本发明的描述中，相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
31.本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，
也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
32.图1出示了本技术实施例所提供的一种基于人工智能的错因推测系统的框图。本技术实施例中的基于人工智能的错因推测系统可以为具有数据存储、传输和处理功能的服务端，如图1所示，基于人工智能的错因推测系统100包括：
33.存储器110，处理器120以及网络模块130。
34.存储器110、处理器120和网络模块130之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器110中存储处理器120处理过程中产生的数据，处理器120通过运行存储在存储器110内的软件程序以及模块，从而执行各种功能应用。
35.其中，存储器110可以是，但不限于，随机存取存储器(random access memory，ramd)，只读存储器(read only memory，romd，可编程只读存储器(programmable read-0nlymemory，promd)，可擦除只读存储器(erasable programmable read-0nly memory，epromnd，电可擦除只读存储器electric erasable programmable read-0nly memory，eepromd等。其中，存储器110用于存储程序和处理器120的处理数据，处理器120在接收到执行指令后,执行程序。
36.网络模块130用于通过网络建立处理器120与其他通信终端设备之间的通信连接,实现网络信号及数据的收发操作。上述网络信号可包括无线信号或者有线信号。
37.可以理解，图1所示的结构仅为示意，基于人工智能的错因推测系统100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其合并实现。
38.本技术实施例还提供了一种计算机可存储介质,计算机可存储介质存储有计算机程序,计算机程序在运行时实现上述的方法。
39.参照图2～3，为申请本实施例提供的一种基于人工智能的错因推测方法的示意图。方法有关的流程所定义的方法步骤应用于基于人工智能的错因推测系统100，可以由处理器120实现，由图2～3可知，该方法包括以下步骤s1～s3：
40.s1：人工设定答题错因建立错因特征库，所述人工设定包括管理员设定学科通用错因和教师标注题目个体错因。
41.管理员设定学科通用错因，为系统管理员按学科对学生可能的答错原因进行人工的设定，一般来说，一门学科一般都存在现成错因，管理员可以直接使用，此种通用错因一般是3至10个汉字的简单描述，如：计算错误、没有看清题目等等。
42.教师标注题目个体错因，在学前教育至高中教育阶段，题目难度一般分成三个层次，70％为中等及以下难度题目，考察范围为知识记忆型或简单理解型，涉及的知识点一般不超过三个；20％为中等偏上题，考察范围为深度理解或实际应用题，考察的知识点也会较多；10％为难题，主要考察学生对多个知识点的综合运用能力，对思维层次会有要求，针对上述情况，教师在进行错因标注时，应对不同的层次使用不同的错因标注手段：
43.对于中等及以下题目，使用学科通用错因；
44.中等偏上的题目，标明题目所涉及的知识点并在知识点的基础上标明学生出错的主要原因；
45.难题，除了使用中等偏上题目的标注手段外还需额外添加思维、方法等方面的错因标注。
46.s2：将学生作答库输入所述错因特征库中，利用机器学习预测学生错因并输出结果。
47.在学生输入作答库进行错因预测之前，需要先根据学生学历对学生进行初步划分，划分为四个层次：学力在总体学生中占比前10％为拔尖；前10％～35％为上游；35％～75％为中游；最后25％为下游；其中对学生进行层次划分的算法策略根据数据来源可以有多种，如按过往成绩分层、按学生在线学习行为数据分层、教师手动指定分层等，可以采用其中一种或多种数据进行分析，在此不作赘述。
48.学生学历划分完成后，参照图3，输入学生作答库，计算本学生同章节题目的错答次数总次数，并对错答次数进行阈值判断，根据判断结果选取合适的错因推测策略；其中不同年级的学生错答次数的阈值不同，在此将小学生的错答次数阈值设定为3～5次；初中生错答次数阈值设定为5～7次；高中生错答次数阈值设定为7～10次。
49.进一步的是，不同情况下的错因推测策略包括：
50.(1)当错答次数小于阈值时，实施盲推策略输出错因并进行机器学习。
51.在进行盲推前需要进行一个盲推预处理：计算题目的正确率，预测题目难度(中等及以下、中等偏上、难)。
52.预处理完成后，进入盲推策略进行错因选择：
53.选取本人10～20天内同等难度题采纳比例最高的3至5个错因，采纳优先度为：5；
54.根据学生的所述学力层次(拔尖、上游、中游、下游)，选择10～20天内与本人同等层次其他学生同等难度题采纳比例最高的3至5个错因，采纳优先度为：4；
55.根据学生的所述学力层次，选择与本人同等层次其他学生同等难度题采纳比例最高的3至5个错因，采纳优先度：3；
56.选择近期同等难度题选择采纳比例最高的3至5个错因，采纳优先度：2；
57.从所述错因特征库中选择采纳比例最高的3至5个错因，采纳优先度：1；
58.通过上述策略可以得到15～25个备选错因，其中部分为重复项，因此还需要进行合并，然后合并重复项后按错因项推荐权重值顺序排列，选择其中的3-5项，其中错因项推荐权重值的计算方法为：
59.ecsin＝rrn
×
earn
60.其中：ecsi为error cause suggest index，错因项推荐权重指数；rr为right ratio，权重系数；ear为error cause accept ratio，错因项采纳率。
61.权重系数为优先度的权重系数，各级的系数如下表所示：
62.优先度权重系数(示例)备注5100％最优先推荐给学生选择470％ 350％ 230％ 110％ 63.(2)所述错答次数小于阈值时，实施个性化推荐策略输出错因。
64.当题目的错答总次数超过阈值，则系统应已建立较为完备的错因特征库，机器进入错因个性化推荐阶段。
65.个性化推荐策略包括，
66.选择本人同章节同难度其他题的错因2至3个，采纳优先度为：5；
67.选择同层次其他学生最大错因2至3个，采纳优先度为：4；
68.选择同层次其他学生同章节同难度题的最大错因2至3个，采纳优先度为：3；
69.选择同层次其他学生同难度题的错因2至3个，采纳优先度：2；
70.从所述错因特征库中选择2至3个错因，采纳优先度：1；
71.将所获得的结果按上述盲目策略的处理方法合并重复项后按错因项推荐权重值顺序排列，选取最有可能的3～5个提供给学生选择错因标注。
72.s3：学生对所述输出结果进行选择，并将所述选择记录在错因特征库中。
73.学生从推选出的3～5个错因中选择错因进行标注，另外机器还需要随即采集学生的错因标注时采用的错因及行为数据，并将采集到的信息数据记录至该学生的错因特征库，即得到当前学生的精准错因特征库。
74.例如，将一名学生代码为xs201805132006的初中学生的作答库进行输入，所获得的学生错因特征库的基本数据结构为：
[0075][0076]
[0077]
此为学生学科的错因特征库，不同的学生，错因一般不一致；同样的学生，在不同的学科(如数学和物理)不同的章节也会有不同的错因，例如上述学生的学科章节错因特征库基本数据结构为：
[0078][0079]
在当前学生下次进行错因推测时，机器学习可从当前学生的精准错因特征库抓取之前的错因，提高推测的准确性。
[0080]
本技术实施例结合人工标注和机器学习，对学生错因进行预测，在学生仅从3到5个错因中进行旋转，降低了错因标注的复杂度，提高了学生们标注的主动性；另外学生看到的错因选项，包含自己经历过的错因，减少了猜测错因含义的时间，提高了标注的效率；并且机器学习过程难易度下降及效率提高，将能够提高错因有效标注的数量，单个学生的学习画像更加精准；可以获得大量学生的准确错因数据，将能够形成更加精准的学生群体画像，在算得了学生个体画像及班级组群体精准画像后，能够做到因材施教和个性化学习。
[0081]
另外，虽然本技术中选取了具体错答次数的阈值以及10～20天内的错因选取，但是在实际工作中可以针对学生不同的学习状况进行针对性调整。
[0082]
参照图4，基于上述同样的发明构思，处理器120包括：错答次数判断模块121、盲推模块122、个性化推荐模块123、按权重合模块124以及选择模块125；
[0083]
错答次数判断模块121用于：判断学生同章题目的错答次数是否超出阈值；
[0084]
盲推模块122用于：当所述错答次数判断模块121判断没有超过阈值时，获取存储器110中的错因库利用盲推算法策略生成错因；
[0085]
个性化推荐模块123用于：当所述错答次数判断模块121判断超过阈值时，获取存储器110中的错因库利用个性化推荐算法策略生成错因；
[0086]
按权重合模块124用于：收集所述盲推模块122和个性化推荐模块123生成的错因，合并其中重复项并计算错因项推荐权重值进行降序排列，生成3～5个最优错因；
[0087]
选择模块125用于：学生对所述按权重合模块124生成的错因进行选择错因标注，并将结果和学生的行为数据输入至存储器110。
[0088]
在本技术实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可
以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
[0089]
另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
[0090]
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机，基于人工智能的错因推测系统100，或者网络设备等)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom,read-0nly.memory)、随机存取存储器(ram,randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括
‑‑
系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一....”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0091]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。