一种习题智能推送方法
文献发布时间:2023-06-19 10:27:30
技术领域
本发明涉及计算机教学领域,特别涉及一种习题智能推送方法。
背景技术
传统学生课下学习方式基本以完成老师布置的作业为准,但是老师布置的作业是针对全班学生的无差别作业,并且采用题海战术使得知识点的训练没有针对性,往往导致学习效率不高,还会使学生产生厌学情绪。
随着计算机技术的不断发展,大数据、智能分析等技术开始应用于教学,在传统的教育领域,已逐渐开展新一代的教育信息化升级探索。在习题推送方面通常有两种解决方案:一是根据习题库中习题的正确率,为学生选择正确率适中的题目,此方案的缺点在于题库中的习题正确率是所有的学生针对某道题的正确率,并非学生个人的正确率,缺乏针对性。二是根据用户当前的学习内容,推送该学习内容中包含的知识点对应的标准习题,接收用户答题结果,据此确定用户需要重点练习的知识点,从而推送用户需要重点练习的知识点对应的习题,此方案的缺点在于虽然有针对性的给各个学生推送题目,但是缺乏对学生之前知识点的巩固。
发明内容
本发明提供了一种根据学生学习进度及成绩等因素,针对性地为学生推送习题任务的方法,为学生节省了时间、精力,让学生能对自己薄弱的知识点进行针对性的学习并且阶段性巩固复习。
具体方法包括下列步骤:
建立学科各章节习题库;
判断用户是否有所述习题库中习题的历史答题记录;
若有历史答题记录,则捞取所述历史答题记录,提取其中每道习题的样本数据,利用spark-ML朴素贝叶斯分类算法对所述样本数据进行训练,得到训练模型;
根据用户学习进度选取当前学习章节至前Y个章节范围内的知识点所对应的N道习题;
使用所述训练模型预测用户解答被选取的N道习题的正确率;
筛选其中预测正确率最靠近特定正确率值的M道习题;最终从所述M道习题中随机筛选X道习题生成用户本次习题任务;
若无历史答题记录,则直接根据用户学习进度获取当前学习章节至前Y个章节范围内的知识点所对应的N道习题,从所述N道习题中随机筛选X道习题推送给用户练习。
进一步的,所述样本数据包含知识点、难度、类型和答题结果。
进一步的,选取所述N道习题使用的是权重判断法,越靠近当前学习进度的习题权重越大。
进一步的,作为优选,所述特定正确率值为50%。
通过本发明提供的习题智能推送方法进行学习,用户可以获取难度适中的习题,并且在潜移默化中阶段性的复习前期学习的知识点,在温故知新中提高学习成绩和学习兴趣。
附图说明
图1为本发明较佳实施例智能推送习题的方法的流程图。
具体实施方式
以下结合附图给出本发明的具体实施方式,但本发明不限于以下的实施方式。根据下面说明和权利要求书,本发明的优点和特征将更清楚。
在本实施例中,说明书中所述Y=20,N=2000,M=200,X=20。
建立学科各章节习题库,保证该习题库内各章节习题数量充足以便用于加权筛选;判断用户是否有所述习题库中习题判断用户是否有历史答题记录。
若有历史答题记录,则捞取所述历史答题记录,提取其中每道习题的知识点、难度、类型和答题结果作为样本数据,利用spark-ML朴素贝叶斯算法对所述样本数据进行训练,得到训练模型。
采用spark-ML朴素贝叶斯分类算法,其模型主要是计算每个类别的先验概率 、各类别下各个特征属性的条件概率,其分布式实现方法是:对样本进行聚合操作,统计所有标签出现的次数、对应特征之和;对(label, features)格式样本采用combineByKey聚合函数,对同一标签数据进行聚合统计操作。通过聚合操作后,可以通过聚合结果计算先验概率、条件概率,得到朴素贝叶斯分类模型。对于预测,根据模型的先验概率、条件概率,计算每个样本属于每个类别的概率,最后取最大项作为样本的类别。通过分析历史习题的样本数据的特征得到训练模型,能比较精确的预测习题的正确概率。
根据用户学习进度选取当前学习章节至前Y=20个章节范围内的知识点所对应的N =2000道习题,选取这2000道习题的方法是权重法,越靠近当前学习进度的章节习题权重越 大,例如将当前章节定义为章节20,则第一顺位的前一章节定义为章节19,以此类推,则从 章节20往前第i节对应的章节习题选取权重为
若无历史答题记录,则直接根据用户学习进度获取当前学习章节至前20个章节范围内的知识点所对应的N=2000道习题,选取这2000道习题同样应用前述权重法,最后从这2000道习题中随机筛选X=20道习题推送给用户练习。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
- 一种习题智能推送方法
- 一种习题的智能推送方法、系统及终端设备