[发明专利]一种题目推送方法、存储介质、及应用系统

说明书

本发明公开了一种题目推送方法、存储介质、及应用系统，其中题目推送方法包括以下步骤：(S1)设置至少一第一数据库和至少一第二数据库；(S2)接收用户发起的题目推送请求，所述题目推送请求包括用户ID信息和至少一题目练习范围；(S3)根据用户ID信息和题目练习范围，在第一数据库中获取与用户ID信息和题目练习范围同时对应的用户能力指标；(S4)根据获取到的用户能力指标，在第二数据库中确定与该用户能力指标对应难度的题组，并将该题组推送给该用户。本发明实现了个性化地题目推送，并且能够适应学习能力提高的动态过程。

技术领域

本发明涉及在线教育领域，更详而言之涉及一种题目推送方法、存储该方法的计算机可读存储介质、及应用该介质的题目推送系统。

背景技术

随着计算机技术和网络的快速发展，基于互联网的在线教育得以广泛应用。用户可以通过在线的教育学习系统，进行在线学习、在线做题、在线考试等，方便学生进行个性化的学习和评测。

众所周知，不同的学生对于知识的理解能力是不同的，应该根据每个学生的个性、特长、兴趣、爱好等进行因材施教，激发学生自主学习的兴趣，才能达到更好的教学效果。但是在传统的教学模式中，通常以班级为最小教学单位，很难做到对每一位学生进行针对性和个性化地教学，一刀切的课堂教学模式让越来越多的学生受到挫折，越来越多有独立思考能力和创新精神的学生受到压制。

另外，在传统的教学模式中，不同的学生需要接受相同难度的题目进行练习或考试。这种模式造成学习能力较差的学生对于难度较大的题目根本无从下手，不利于学习的积累和进步；反之对学习能力较强的学生来说，难度较低的题目无法反映出学生真实水平，不利于进一步地提升，造成时间和精力的浪费。因此，只有当题目的难度与学生的能力相匹配时，学生才能通过做题练习获得进一步地能力提升。

个性化教学尊重每一位学生的个体学习能力和兴趣爱好，根据每一位学生的学习情况进行定制化和个性化的学习辅导，以达到更好的教学效果，基于互联网的在线教育是一个非常适合提供个性化教学的平台。

但是，现有的个性化教育系统还存在着一些缺陷，目前通常利用以下几种理论模型来进行个性化教学：

1.基于“项目反应理论(IRT)”的学习者建模

基于项目反应理论(IRT)模型，通过在学生的答题正确率和是否掌握该项知识点之间建立一个函数关系式，以此来对学生的学习能力进行评测，因此该模型关注的是学生能力和对知识点的掌握程度。但是IRT模型有一个重要的前提假设，学生对不同题目的作答反应是相互独立的，相互之间没有影响。显然这个假设在学生的实际学习过程中是无法成立的，学生的能力水平是一个动态的指标，会随着学习时间和答题量的增长而提升。

2.基于贝叶斯的知识追踪模型

贝叶斯网络一般用于表示不同变量之间的相互依赖关系，该模型对于参数进行估计、调整的成本和代价都很高，往往还依赖大量的历史数据。

3.基于深度学习神经网络的知识点追踪模型

以上几种模型，都需要大量的历史数据，对于没有历史数据的学生或者历史数据不多的学生，无法做到精准的个性化教学，从而会导致学生陷入题海战术。

针对现有技术中的上述问题，目前尚未提出有效的解决方案。

发明内容

本发明的目的在于提供一种题目推送方法、存储介质、及应用系统，在一定程度上解决了上述问题，实现了针对不同的学生进行个性化地题目推送，并且能够适应学习能力提高的动态过程，避免学生陷入题海战术，有效提高学习效率。

依本发明的一个方面，本发明提供一种题目推送方法，其包括以下步骤：