SPOC教学模式个性化试题推荐方法、装置、电子设备及介质制造方法及图纸

本公开涉及一种SPOC教学模式个性化试题推荐方法、装置、电子设备及计算机可读介质。该方法包括：基于用户的用户标识获取学习计划和答题信息；基于所述学习计划获取知识点矩阵；根据所述答题信息生成试题向量和答题结果向量；将所述试题向量、所述答题结果向量输入知识追踪模型生成试题预测信息，其中，所述知识追踪模型基于深度神经网络模型训练生成；基于所述试题预测信息和所述知识点矩阵生成试题推荐信息。本公开涉及的SPOC教学模式个性化试题推荐方法、装置、电子设备及计算机可读介质，能够快速准确的对用户的答题情况和知识掌握情况进行预测，从而为用户推荐待学习的试题信息，提高用户学习效率、促进用户学习积极性。促进用户学习积极性。促进用户学习积极性。

【技术实现步骤摘要】
SPOC教学模式个性化试题推荐方法、装置、电子设备及介质


[0001]本公开涉及计算机信息处理领域，具体而言，涉及一种SPOC教学模式个性化试题推荐方法、装置、电子设备及计算机可读介质。

技术介绍

[0002]随着网络技术的发展，以网络技术为支撑的在线课堂与在线教学平台得到发展。MOOC在线教学平台提供学生更自由的学习环境，但是自由度过大造成的缺陷也十分明显。
[0003]由于自由的学习环境，网课平台上每一门课都不具备传统课堂常有的课程预备知识要求以及学习路线，这会导致部分学生无法适应，学习质量明显下降。SPOC在线教学平台不仅保有MOOC线上教学的便捷，还开拓师生交流新方式，在促进教学质量的同时也提高学术的学习乐趣。现今依托着大数据技术，可以构建起以人工智能为基础的在线教育个性化服务系统。不过，依托互联网的在线教育系统，特别是针对高校学生和研究生的教学系统，由于科目数量个、繁多且知识点复杂，其学习内容高度依赖线下一线教学人员设计课程，最终课程架构与学科体系的水平高度依赖于相关人员的教学技术水平，且高校之间的校际课程设计差别造成最终的评价反馈系统有所差异，不利于教育资源共享与联盟办学的推进。并且现存的基于大数据的分析系统或多或少存在预测精度上的问题。
[0004]因此，需要一种新的SPOC教学模式个性化试题推荐方法、装置、电子设备及计算机可读介质。
[0005]在所述
技术介绍
部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
>
技术实现思路

[0006]有鉴于此，本公开提供一种SPOC教学模式个性化试题推荐方法、装置、电子设备及计算机可读介质，能够快速准确的对用户的答题情况和知识掌握情况进行预测，从而为用户推荐待学习的试题信息，提高用户学习效率、促进用户学习积极性。
[0007]本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
[0008]根据本公开的一方面，提出一种SPOC教学模式个性化试题推荐方法，该方法包括：基于用户的用户标识获取学习计划和答题信息；基于所述学习计划获取知识点矩阵；根据所述答题信息生成试题向量和答题结果向量；将所述试题向量、所述答题结果向量输入知识追踪模型生成试题预测信息，其中，所述知识追踪模型基于深度神经网络模型训练生成；基于所述试题预测信息和所述知识点矩阵生成试题推荐信息。
[0009]在本公开的一种示例性实施例中，还包括：通过多个历史用户的历史学习计划和多个历史答题信息对深度神经网络模型进行训练；在训练过程中，在所述深度神经网络的损失函数满足预设策略时，生成所述知识追踪模型。
[0010]在本公开的一种示例性实施例中，通过多个历史用户的历史学习计划和多个历史
答题信息对深度神经网络模型进行训练，包括：基于所述历史学习计划获取知识点矩阵；根据所述多个历史答题信息生成多个历史试题向量和其对应的多个历史答题结果向量；通过所述多个历史答题结果生成所述多个历史试题向量的标签；基于带有标签的多个历史试题向量、所述历史知识点矩阵对所述深度神经网络模型进行训练，所述深度神经网络模型中包括待训练的知识点掌握程度参数、效用参数、试题难度参数。
[0011]在本公开的一种示例性实施例中，在所述深度神经网络的损失函数满足预设策略时，生成所述知识追踪模型，包括：通过交叉熵、Q系数、变化系数、知识点掌握程度参数生成所述损失函数；其中，Q系数、变化系数用于表示所述知识点矩阵中多个知识点之间的相关性。
[0012]在本公开的一种示例性实施例中，通过多个历史用户的历史学习计划和多个历史答题信息对深度神经网络模型进行训练，包括：通过多个历史用户的历史学习计划和多个历史答题信息对带有注意力机制的所述深度神经网络模型进行训练；或通过多个历史用户的历史学习计划和多个历史答题信息对带长短期记忆人工神经网络的所述深度神经网络模型进行训练。
[0013]在本公开的一种示例性实施例中，还包括：根据学习计划中的试题和知识点之间的关联关系生成所述知识点矩阵。
[0014]在本公开的一种示例性实施例中，根据所述答题信息生成试题向量和答题结果向量，包括：基于所述答题信息中所述用户在历史时间中的答题顺序生成所述试题向量；基于所述试题向量和其对应的答题结果生成所述答题结果向量。
[0015]在本公开的一种示例性实施例中，所述试题预测信息包括答题预测值；基于所述试题预测信息和所述知识点矩阵生成试题推荐信息，包括：基于所述学习计划为所述用户推荐第一试题；基于所述知识追踪模型和所述第一试题的答题结果实时生成第二试题的答题预测值；在所述答题预测值大于阈值时，根据所述第三试题生成所述试题推荐信息。
[0016]在本公开的一种示例性实施例中，所述试题预测信息包括答题预测向量；基于所述试题预测信息和所述知识点矩阵生成试题推荐信息，包括：基于所述学习计划为所述用户推荐多个试题；获取多个试题的多个答题结果；基于所述知识追踪模型和所述多个试题、多个答题结果生成答题预测向量；基于所述答题预测向量生成所述试题推荐信息。
[0017]在本公开的一种示例性实施例中，所述试题预测信息包括知识点掌握程度值；基于所述试题预测信息和所述知识点矩阵生成试题推荐信息，包括：基于所述知识点掌握程度值和所述学习计划生成所述试题推荐信息。
[0018]根据本公开的一方面，提出一种SPOC教学模式个性化试题推荐装置，该装置包括：信息模块，用于基于用户的用户标识获取学习计划和答题信息；矩阵模块，用于基于所述学习计划获取知识点矩阵；向量模块，用于根据所述答题信息生成试题向量和答题结果向量；计算模块，用于将所述试题向量、所述答题结果向量输入知识追踪模型生成试题预测信息，其中，所述知识追踪模型基于深度神经网络模型训练生成；推荐模块，用于基于所述试题预测信息和所述知识点矩阵生成试题推荐信息。
[0019]在本公开的一种示例性实施例中，还包括：模型训练模块，用于通过多个历史用户的历史学习计划和多个历史答题信息对深度神经网络模型进行训练；在训练过程中，在所述深度神经网络的损失函数满足预设策略时，生成所述知识追踪模型。
[0020]根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。
[0021]根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。
[0022]根据本公开的SPOC教学模式个性化试题推荐方法、装置、电子设备及计算机可读介质，基于用户的用户标识获取学习计划和答题信息；基于所述学习计划获取知识点矩阵；根据所述答题信息生成试题向量和答题结果向量；将所述试题向量、所述答题结果向量输入知识追踪模型生成试题预测信息，其中，所述知识追踪模型基于深度神经网络模型训练生成；基于所述试题预测信息和所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种SPOC教学模式个性化试题推荐方法，其特征在于，包括：基于用户的用户标识获取学习计划和答题信息；基于所述学习计划获取知识点矩阵；根据所述答题信息生成试题向量和答题结果向量；将所述试题向量、所述答题结果向量输入知识追踪模型生成试题预测信息，其中，所述知识追踪模型基于深度神经网络模型训练生成；基于所述试题预测信息和所述知识点矩阵生成试题推荐信息。2.如权利要求1所述的方法，其特征在于，还包括：通过多个历史用户的历史学习计划和多个历史答题信息对深度神经网络模型进行训练；在训练过程中，在所述深度神经网络的损失函数满足预设策略时，生成所述知识追踪模型。3.如权利要求2所述的方法，其特征在于，通过多个历史用户的历史学习计划和多个历史答题信息对深度神经网络模型进行训练，包括：基于所述历史学习计划获取知识点矩阵；根据所述多个历史答题信息生成多个历史试题向量和其对应的多个历史答题结果向量；通过所述多个历史答题结果生成所述多个历史试题向量的标签；基于带有标签的多个历史试题向量、所述历史知识点矩阵对所述深度神经网络模型进行训练，所述深度神经网络模型中包括待训练的知识点掌握程度参数、效用参数、试题难度参数。4.如权利要求2所述的方法，其特征在于，在所述深度神经网络的损失函数满足预设策略时，生成所述知识追踪模型，包括：通过交叉熵、Q系数、变化系数、知识点掌握程度参数生成所述损失函数；其中，Q系数、变化系数用于表示所述知识点矩阵中多个知识点之间的相关性。5.如权利要求2所述的方法，其特征在于，通过多个历史用户的历史学习计划和多个历史答题信息对深度神经网络模型进行训练，包括：通过多个历史用户的历史学习计划和多个历史答题信息对带有注意力机制的所述深度神经网络模型进行训练；或通过多个历史用户的历史学习计划和多个历史答题信息对带长短期记忆人工神经网络的所述深度神经网络模型进行训练。6.如权利要求1所述的方法，其特征在于，还包括：根据学习计划中的试题和知识点之间的关联关系生成所述知识点矩阵。7.如权利要求1所述的方法，其特征在于，根据所述答题信息生成试题向量和答题结果向量，包括：基于所述答题信息中所述用户在历史时间中的答题顺序生成所述试题向量；基于所述试题向量和其对应的答题结果生成所述答...

【专利技术属性】
技术研发人员：傅鹏，王顺风，梁焯楠，史晗，刘子恒，杨晓江，张静，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：