一种学情诊断方法、装置、设备和存储介质制造方法及图纸

本公开涉及一种学情诊断方法、装置、设备和存储介质。本公开提供的学情诊断方法包括：获取诊断试题的试题信息和目标对象针对诊断试题的作答数据；根据试题信息和作答数据，生成诊断试题对应的目标知识点的知识点难度等级矩阵；基于知识点难度等级矩阵和知识点区分度矩阵，通过构建的等级反应模型预测目标对象对目标知识点的掌握情况，得到知识点能力值，其中，知识点区分度矩阵是根据所述诊断试题确定的。本公开提供的学情诊断方法，能够快速准确的都得到诊断结果。确的都得到诊断结果。确的都得到诊断结果。

【技术实现步骤摘要】
一种学情诊断方法、装置、设备和存储介质


[0001]本公开涉及数据处理
，尤其涉及一种学情诊断方法、装置、设备和存储介质。

技术介绍

[0002]目前，在教育行业，教育测量是智慧教育领域常见的一个应用场景，例如，通过对学生的作答数据等学情数据进行统计分析或建模，量化学生的能力，从而精准的对每一个学生进行个性化学情诊断，学情诊断即诊断学生的学习情况。基于诊断结果可以找到学生薄弱知识点，以便于后续针对性的进行教学和练习巩固。
[0003]但是，现有的学情诊断方法都需要依赖大量的学情数据，针对小样本或是单样本的学情数据，无法进行有效应用，诊断结果的准确性无法保证。

技术实现思路

[0004]为了解决上述技术问题，本公开提供了一种学情诊断方法、装置、设备和存储介质，能够快速准确的得到诊断结果。
[0005]根据本公开的一方面，提供了一种学情诊断方法，包括：
[0006]获取诊断试题的试题信息和目标对象针对所述诊断试题的作答数据；
[0007]根据所述试题信息和所述作答数据，生成所述诊断试题对应的目标知识点的知识点难度等级矩阵；
[0008]基于所述知识点难度等级矩阵和知识点区分度矩阵，通过构建的等级反应模型预测所述目标对象对所述目标知识点的掌握情况，得到知识点能力值，其中，所述知识点区分度矩阵是根据所述诊断试题确定的。
[0009]根据本公开的另一方面，提供了一种学情诊断装置，包括：
[0010]获取模块，用于获取诊断试题的试题信息和目标对象针对所述诊断试题的作答数据；
[0011]生成模块，用于根据所述试题信息和所述作答数据，生成所述诊断试题对应的目标知识点的知识点难度等级矩阵；
[0012]预测模块，用于基于所述知识点难度等级矩阵和知识点区分度矩阵，通过构建的等级反应模型预测所述目标对象对所述目标知识点的掌握情况，得到知识点能力值，其中，所述知识点区分度矩阵是根据所述诊断试题确定的。
[0013]根据本公开的另一方面，提供了一种电子设备，所述电子设备包括：处理器；以及存储程序的存储器，其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据上述学情诊断方法。
[0014]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行根据学情诊断方法。
[0015]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算
机程序在被处理器执行时实现上述学情诊断方法。
[0016]本公开实施例提供的技术方案与现有技术相比具有如下优点：
[0017]本公开提供的学情诊断方法包括：获取诊断试题的试题信息和目标对象针对诊断试题的作答数据；根据试题信息和作答数据，生成诊断试题对应的目标知识点的知识点难度等级矩阵；基于知识点难度等级矩阵和知识点区分度矩阵，通过构建的等级反应模型预测目标对象对目标知识点的掌握情况，得到知识点能力值，其中，知识点区分度矩阵是根据所述诊断试题确定的。本公开提供的学情诊断方法，能够快速准确的都得到诊断结果。
附图说明
[0018]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0019]为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0020]图1为本公开实施例提供的学情诊断方法的流程图；
[0021]图2为本公开实施例提供的学情诊断方法的流程图；
[0022]图3为本公开实施例提供的学情诊断方法的流程图；
[0023]图4为本公开实施例提供的学情诊断方法的流程图；
[0024]图5为本公开实施例提供的学情诊断装置的结构示意图；
[0025]图6为本公开实施例提供的电子设备的结构示意图。
具体实施方式
[0026]为了能够更清楚地理解本公开的上述目的、特征和优点，下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0027]应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
[0028]本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0029]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0030]本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性
的目的，而并不是用于对这些消息或信息的范围进行限制。
[0031]在对本公开进行详细说明之前，优先对涉及到的术语进行解释，其中：
[0032]CTT(Classical Test Theory，经典测量理论)：也称真分数理论，是最早实现数学形式化的测量理论，一般通过总体试卷的正确率去评价学生的能力。
[0033]IRT(Item Response Theory，项目反应理论)：建立在学生能力和作答正确率的关系上的一种题目反应理论，是心理统计学模型的统称。
[0034]GRM(The Grade Response Model，等级反应模型)：IRT模型要求输入的试题得分只能是0和1，当得分有多个或连续值，需要将得分转换成得分等级，然后对每个得分等级计算试题能力值，即为等级反应模型。
[0035]BKT(Bayesian knowledge Tracing，贝叶斯知识追踪)：利用贝叶斯网络对学生知识点按照一定顺序进行知识追踪和诊断的方法。
[0036]DKT(Deep Knowledge Tracing，深度知识追踪)：一种基于多层LSTM循环神经网络进行学生知识点追踪和诊断的方法。
[0037]EKT(Exercise
‑
aware Knowledge Tracing，题目感知的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种学情诊断方法，其特征在于，包括：获取诊断试题的试题信息和目标对象针对所述诊断试题的作答数据；根据所述试题信息和所述作答数据，生成所述诊断试题对应的目标知识点的知识点难度等级矩阵；基于所述知识点难度等级矩阵和知识点区分度矩阵，通过构建的等级反应模型预测所述目标对象对所述目标知识点的掌握情况，得到知识点能力值，其中，所述知识点区分度矩阵是根据所述诊断试题确定的。2.根据权利要求1所述的方法，其特征在于，所述试题信息包括第一试题难度，所述根据所述试题信息和所述作答数据，生成所述诊断试题对应的目标知识点的知识点难度等级矩阵，包括：按照第一映射规则将所述第一试题难度映射为第二试题难度；基于第一预设阈值将所述作答数据中诊断试题得分映射成得分等级；根据所述第二试题难度和所述得分等级，生成所述诊断试题对应的目标知识点的知识点难度等级矩阵。3.根据权利要求2所述的方法，其特征在于，所述根据所述第二试题难度和所述得分等级，生成所述诊断试题对应的目标知识点的知识点难度等级矩阵，包括：按照第二映射规则将所述得分等级映射为第三试题难度；根据所述第二试题难度和所述第三试题难度得到试题难度等级；根据所述试题难度等级，构建所述诊断试题对应的目标知识点的知识点难度等级矩阵。4.根据权利要求1所述的方法，其特征在于，所述基于所述知识点难度等级矩阵和知识点区分度矩阵，通过构建的等级反应模型预测所述目标对象对所述目标知识点的掌握情况，得到知识点能力值，包括：获取所述目标对象对应的模拟能力值和权重值；根据所述模拟能力值、所述知识点难度等级矩阵和知识点区分度矩阵，通过构建的等级反应模型预测所述目标对象对所述目标知识点的掌握情况，得到所述目标知识点同得分等级相关的概率；根据所述目标知识点同得分等级相关的概率、所述模拟能力值和所述权重值，得到知识点能力值。5.根据权利要求...

【专利技术属性】
技术研发人员：赵宽，丁林林，陈晓倩，么士宇，
申请(专利权)人：北京世纪好未来教育科技有限公司，
类型：发明
国别省市：