[发明专利]一种基于网络和数据分析的在线学习系统及测试题推荐方法

权利要求书

1.一种基于网络和数据分析的在线学习系统推荐测试题的方法，其特征在于，具体步骤如下：

1)收集测试题以及测试题对应的正确答案和知识点教学视频，对每道测试题进行编号，其编号格式为A_i＝{W_i,X_i,Y_i,Z_i}，(i＝1,2,...,n)；其中，A_i代表第i道测试题，W_i代表第i道测试题的年级编号信息，X_i代表第i道测试题的知识点编号信息，Y_i代表第i道测试题的难度编号信息，难度越高难度编号信息越大，Z_i,代表第i道测试题的识别编号信息；

2)根据测试学生预选的年级信息，随机给出该年级的第一批若干测试题E₁＝{A₁,A₂...A_i}，(i＝1,2,...,n)，统计第一批测试题的正确试题编号R_A_i＝{W_i,X_i,Y_i,Z_i}和错误试题编号W_A_i＝{W_i,X_i,Y_i,Z_i}(i＝1,2,...,n)，根据错误试题编号给出对应的正确答案，根据错误试题的知识点编号X_i给出该知识点的教学视频；

3)统计上一批测试题E_k-1＝{A₁,A₂...A_i}(i＝1,2,...,n)的正确率和错误试题的编号分布，根据预设教学目标Ω，预设教学目标Ω为测试学生下一批次测试题的预设正确率，在历史答题集合E_History中筛选参考集合E_target；

4)采用神经网络算法，推荐给出下一批若干测试题，并转向步骤3)；

步骤3)中所述在历史答题集合E_History中筛选参考集合E_target的具体方法为：

3-1)在历史答题集合E_History中选取与上一批测试题E_k-1＝{A₁,A₂...A_i}年级编号信息W_i相同的数据构建第一历史答题批次集合E_History1；

3-2)在第一历史答题批次集合E_History1中选取与上一批次测试题E_k-1＝{A₁,A₂...A_i}知识点编号信息X_i,重合的数据构建第二历史答题批次集合E_History2；

3-3)在第二历史答题批次集合E_History2中选取，与上一批次测试题E_k-1＝{A₁,A₂...A_i}难度的均值以及方差在预设偏差r₁和r₂范围内的数据，构建第三历史答题批次集合E_History3；

其中，为上一批次测试题的均值，Y_i为上一批次测试题的难度编号信息，S²为上一批次测试题的方差；

3-4)在第三历史答题批次集合E_History3中选取，正确率与上一批次测试题E_k-1＝{A₁,A₂...A_i}正确率在预设偏差r₂范围内的数据，构建第四历史答题批次集合E_History4；

3-5)获取第四历史答题批次集合E_History4的下一批次测试题正确率，选取下一批次测试题正确率与预设教学目标Ω重合的测试题批次，构建参考集合E_target；

步骤1)中所述测试题A_i有两个以上的知识点，则在整理过程中按时间靠后的学习时间编号；

步骤1)中所述第i道测试题的难度编号信息Y_i由专家库预计，再根据正确率统计进行调整，其调整方法为：对相同年级编号信息W_i和知识点编号信息X_i的测试题的正确率进行统计，正确率越高难度编号越低，正确率越低难度编号越高；

步骤4)中所述推荐给出下一批若干测试题的具体方法如下：

4-1)获取参考集合E_target的正确率和方差；

4-2)将正确率和方差作为神经网络模型的输入，难度均值作为模型的输出，取前60％的数据集作为训练集，后40％的数据集作为测试集，构建单隐层的神经网络模型；

4-3)根据预设教学目标Ω给定下一批试题预计正确率以及方差范围，将其输入到神经网络模型中，获得测试题对应的难度均值；根据测试学生的年级以及模型输出的难度均值和方差，结合参考集合中出现过的知识点，通过完全匹配随机生成的方法查找出试题库中合适的下一批测试题。