基于知识树和历史成绩的考试成绩预测方法及系统技术方案

本发明专利技术涉及智能教育技术，公开了基于知识树和历史成绩的考试成绩预测方法及系统，其知识树的构建，通过考试大纲构建知识树；题库映射图集的构建，通过步骤1构建的知识树，构建知识与题库之间的映射图集；考卷知识分布统计模型的形成，形成知识树与考卷之间的关联，并提取任一考卷的知识占比，从而形成考卷知识分布统计模型；考试成绩的预测，根据考卷知识分布统计模型，及用户得分比例预测模型，预测考试成绩。本发明专利技术除采集学生在线学习的行为数据以外，还能够分析学生的知识弱项及该弱项在考试中的占比，实现更加精准的学生成绩预测。实现更加精准的学生成绩预测。实现更加精准的学生成绩预测。

【技术实现步骤摘要】
基于知识树和历史成绩的考试成绩预测方法及系统


[0001]本专利技术涉及智能教育技术，尤其涉及了基于知识树和历史成绩的考试成绩预测方法及系统。

技术介绍

[0002]近年来，人工智能技术影响着各行各业的业务数据分析。在线教育领域中，对于在线平台的学生，其学习状态与学习效率正相关，而用户的交互行为又与学习状态正相关。因此，理论上可以由用户的交互行为和日常学习基础预测用户考试成绩。目前，存在类似专利技术专利通过行为数据预测考试成绩相关的结果。
[0003]如现有技术1，CN108985522A采集学生上网时长、宿舍内时长、消费金额通过多元线性回归预测学生挂科风险，但该方法采集的数据和算法模型较为单一。
[0004]现有技术2，专利CN111260514A采集了学生的出勤率、图书馆借阅次数、学习时长，围绕这些数据构建非线性行为特征、提取数据差异性，并使用机器学习方法预测学生挂科风险。但该忽略了不同学生个体间的学习习惯、基础和天赋差异。
[0005]现有技术3，专利CN112149884A采集了有课堂测试结果、出席情况、作业完成的结果、有网上作业完成结果、在线视频观看时间、网上考试次数、在线测试结果、论坛中帖子的数量和作业评审次数，计算信息熵及熵权重，并采用逻辑回归预测学生挂科风险。该方法所用的行为数据较全面，但并没有分析学生的知识弱项及弱项可能造成的挂科影响，精准度不足。

技术实现思路

[0006]本专利技术针对现有技术中采集的数据和算法模型较为单一；忽略了不同学生个体间的学习习惯、基础和天赋差异；没有分析学生的知识弱项及弱项可能造成的挂科影响，精准度不足的问题，提供了基于知识树和历史成绩的考试成绩预测方法及系统。
[0007]为了解决上述技术问题，本专利技术通过下述技术方案得以解决：
[0008]基于知识树和历史成绩的考试成绩预测方法，其方法包括：
[0009]步骤1，知识树的构建，通过考试大纲构建知识树；
[0010]步骤2，题库映射图集的构建，通过步骤1构建的知识树，构建知识与题库之间的映射图集；
[0011]步骤3，考卷知识分布统计模型的形成，形成知识树与考卷之间的关联，并提取任一考卷的知识占比，从而形成考卷知识分布统计模型；
[0012]步骤4，考试成绩的预测，根据考卷知识分布统计模型，及用户得分比例预测模型，预测考试成绩。
[0013]作为优选：知识树的构建包括，
[0014]步骤1.1，以考试的科目为根节点R，依据考试大纲获取分级知识点；
[0015]步骤1.2，考试大纲的第一子节点编号，通过队列数据类型整理并编号，考试大纲
的第一子节点为考试的章，其中，第一子节点编号为R
→
{1,2,
…
,M}，M为总的第一子节点个数；
[0016]步骤1.3，考试大纲的第二子节点编号，将第一子节点作为父节点，父节点下的节为第二子节点，并通过对流数据类型整理编号，第二子节点的编号为m
→
{1,2,
…
,N},其中，m∈{1,2,
…
,M}；
[0017]步骤1.4，知识树的形成，将考试第一子节点编号与考试第二子节点编号相连，组成知识结构树R
→
m
→
n,m∈{1,2,
…
,M},n∈{1,2,
…
,N}；
[0018]步骤1.5，知识树T和知识点队列的形成，将当前子节点作为父节点，对其下所有知识点重复步骤1.3到1.4，直到没有考试大纲的子章节，得到知识树T和知识点队列{k1,k2,
…
,k
L
}。
[0019]作为优选：题库映射图集的构建包括，
[0020]步骤2.1，以题库中的每一道题目q
j
,其中，j∈{1,2,
…
,J}和每一个知识点k
l
，其中，l∈{1,2,
…
,L}为顶点，根据每一道题目q
j
涉及到的每一个知识点k
l
建立边其权值为1，组成题库与知识点的映射图G
k
，G
k
(q/k,V
q,k
)；
[0021]步骤2.2，以题库中每一道题目q
j
和知识点的节n，其中，n∈{1,2,
…
,N}为顶点，按照知识点和节n的所属关系合并知识点与题库映射图的边，组成节题库映射图G
n
(q/k,V
q,n
)；节题库映射图边V
q,n
的权值为节n下所有知识点与题目q
j
的连接边权值之和；
[0022]步骤2.3，以G
n
(q/n,V
q,n
)为基础，以节n的父章为目标，构建上一级映射图；重复步骤2.2，直到完成章与题库的映射图G
m
(q/m,V
q,m
)；
[0023]步骤2.4，汇集所有映射图，组成映射图集G，G＝{G
k
,G
n
,G
m
}。
[0024]作为优选：考卷知识分布统计模型的形成包括，
[0025]步骤3.1，对于考卷集合E，其中，E＝{e
i
,i∈{1,2,
…
,I}}，e
i
为考卷样本；
[0026]步骤3.2，根据知识树T的知识点层k和题库映射图集G
k
，计算考卷样本e
i
的分数分布为知识点k
l
在考卷样本e
i
中的分数占比；
[0027][0028]步骤3.3，沿知识树T向上一级n和对应题库映射图集G
n
，计算考卷样本e
i
的分数分布为章节n在样本e
i
中的分数占比，具体计算方式为：
[0029][0030]作为优选：考卷知识分布统计模型的形成还包括，
[0031]继续沿知识树T向上一级，重复步骤3.3，直到根节点，将每一层分数分布向量前后拼接组成考卷样本e
i
的整体分数分布特征向量长度为L+N+M；
[0032]计算考卷集合E中所有考卷样本的分数分布特征矩阵D，即
[0033][0034]在分数分布特征矩阵D沿考卷样本维度，采用多维高斯核密度估计构建知识分数占比评估模型集GDE，模型可以输出某种知识分数占比分布X出现的概率P(X|GDE)。
[0035]作为优选：考试成绩的预测包括：
[0036]步骤4.1，采集单个用户的考卷结果集R，其中，R＝{r
i
,i∈{1,2,
…
,I}}，基于题库映射图集G，知识树T提取每一个考试结果r
i
中的各知识点和章节的得分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于知识树和历史成绩的考试成绩预测方法，其方法包括：步骤1，知识树的构建，通过考试大纲构建知识树；步骤2，题库映射图集的构建，通过步骤1构建的知识树，构建知识与题库之间的映射图集；步骤3，考卷知识分布统计模型的形成，形成知识树与考卷之间的关联，并提取任一考卷的知识占比，从而形成考卷知识分布统计模型；步骤4，考试成绩的预测，根据考卷知识分布统计模型，及用户得分比例预测模型，预测考试成绩。2.根据权利要求1所述的基于知识树和历史成绩的考试成绩预测方法，其特征在于：知识树的构建包括，步骤1.1，以考试的科目为根节点R，依据考试大纲获取分级知识点；步骤1.2，考试大纲的第一子节点编号，通过队列数据类型整理并编号，考试大纲的第一子节点为考试的章，其中，第一子节点编号为R
→
{1,2,
…
,M}，M为总的第一子节点个数；步骤1.3，考试大纲的第二子节点编号，将第一子节点作为父节点，父节点下的节为第二子节点，并通过对流数据类型整理编号，第二子节点的编号为m
→
{1,2,
…
,N},其中，m∈{1,2,
…
,M}；步骤1.4，知识树的形成，将考试第一子节点编号与考试第二子节点编号相连，组成知识结构树R
→
m
→
n,m∈{1,2,
…
,M},n∈{1,2,
…
,N}；步骤1.5，知识树T和知识点队列的形成，将当前子节点作为父节点，对其下所有知识点重复步骤1.3到1.4，直到没有考试大纲的子章节，得到知识树T和知识点队列{k1,k2,
…
,k
L
}。3.根据权利要求1所述的基于知识树和历史成绩的考试成绩预测方法，其特征在于：题库映射图集的构建包括，步骤2.1，以题库中的每一道题目q
j
,其中，j∈{1,2,
…
,J}和每一个知识点k
l
，其中，l∈{1,2,
…
,L}为顶点，根据每一道题目q
j
涉及到的每一个知识点k
l
建立边其权值为1，组成题库与知识点的映射图G
k
，G
k
(q/k,V
q,k
)；步骤2.2，以题库中每一道题目q
j
和知识点的节n，其中，n∈{1,2,
…
,N}为顶点，按照知识点和节n的所属关系合并知识点与题库映射图的边，组成节题库映射图G
n
(q/k,V
q,n
)；节题库映射图边V
q,n
的权值为节n下所有知识点与题目q
j
的连接边权值之和；步骤2.3，以G
n
(q/n,V
q,n
)为基础，以节n的父章为目标，构建上一级映射图；重复步骤2.2，直到完成章与题库的映射图G
m
(q/m,V
q,m
)；步骤2.4，汇集所有映射图，组成映射图集G，G＝{G
k
,G
n
,G
m
}。4.根据权利要求1所述的基于知识树和历史成绩的考试成绩预测方法，其特征在于：考卷知识分布统计模型的形成包括，步骤3....

【专利技术属性】
技术研发人员：胡利荣，尤堃，张跃华，伍华樑，
申请(专利权)人：浙江飞图影像科技有限公司，
类型：发明
国别省市：