一种习题分析处理方法、装置及存储介质与流程

1.本发明涉及互联网教育服务领域，具体涉及一种习题分析处理方法、装置及存储介质。


背景技术：

2.现有的智慧纸笔系统能够同步获取学生手写的作业内容，老师能够用其进行同步课堂教学。但是对于课后作业，此类系统对数据库依赖较大，例如广东的教辅数据库就无法在东北适用，而重新组织录入教辅对应的解析，工作量较大，费时费力，很多还没有教辅电子数据库的省份通常会选择现成纸质教辅。否则智慧纸笔系统，只有纸笔同屏功能可使用，无法对学生课后作业起到良性指导效果。
3.同时现有的教辅，部分习题只有答案或者关键步骤的解析，解析不完整。同时学生查看解析时通常能第一时间看到答案，而非相关的解析提示，很多学生为了完成作业可能会选择直接翻阅解析。
4.对于数理化三个科目而言，基础的知识点时相通，不论哪个地区都能够使用一套基础知识库进行适配。对于具体的习题，很多学生由于基础不够牢固，无法进行解题，如果给出题目相关的知识点，就能有效降低习题的难度帮助学生，并不需要直接给出答题解析或答案。故市面上急需一种能够将普通纸质教辅分析处理成带答案解析的处理方法。


技术实现要素：

5.针对上述问题，本发明旨在提供一种能主动筛选匹配合适学生推送信息、并智能生成提示信息和答案解析的习题分析处理方法、装置及存储介质。
6.为实现该技术目的，本发明的方案是：一种习题分析处理方法，所述方法包括：
7.提取模块获取习题对应的文字信息、答案和符号信息，根据文字信息和符号信息在已有题库和基础知识库进行检索，若未检索到该习题则继续下一步；
8.通过检索文字信息和符号信息中的关键词，确认该习题对应的科目和关联章节，同时为该习题设置身份码id；
9.通过分析模块识别文字信息和符号信息对应的相关待考察的公式、知识点和技巧点，将上述内容制作成选择性表格；
10.通过推送模块选择出适合的学生，将选择性表格发布给指定学生填写，同时记录获取学生的答题内容，最后通过生成模块获得习题解析。
11.作为优选，所述科目为数学、或者物理、或者化学；所述基础知识库包含有基础定义、公式、化学式和化学物质的特性。
12.作为优选，获取学生往期科目成绩数据，通过推送模块向指定学生推送选择性表格并获取学生的答题内容，若该学生选择性表格打开率或填写率低于阈值，则降低对该学生的推送频率；
13.将获取的选择性表格和答题内容通过生成模块分析处理，筛选出选择性表格与题
目实际关联的内容作为提示信息，剔除答案错误及步骤缺失的答题内容，将答案正确和答题步骤完整的答题内容上传作为解析进行展示，并进行推荐排序。
14.作为优选，学生能够选择查看解析时，优先看到对应的提示信息，如果提示信息不足以帮助学生理解题目，学生还能查看上传的答题内容，学生能在答题内容上选择标注核心步骤；
15.答题内容能够按照查看点击量重新排序。
16.作为优选，所述选择性表格包括列出项目、关联性判断、重点性判断和薄弱点判断，学生通过关联性判断勾选出与该题目有关联的列出项目，通过重点性判断勾选出至少一项该题目的重点考察点，通过薄弱点判断勾选出学生未熟练掌握的列出项目。
17.作为优选，获取对应年级学生往期科目成绩数据，将指定科目平均成绩排名在10-30％的学生作为推送目标，随机挑选习题作为训练任务发送给推送目标；
18.记录推送目标的答题信息，所述答题信息包括打开训练任务的打开率、选择性表格的完成率、完成时间、答案正确率、答题步骤完整率及综合积极性，将推送目标的答题信息输入至推荐模型，得到推送目标愿意参与该习题的综合积极性作为推荐模型的输出结果，所述推送目标愿意参与的习题由推送目标的答题信息基于机器学习方法训练生成，预测推送目标愿意参与的习题及综合积极性；
19.继续获取推送目标的答题信息作为推荐模型的训练样本，推荐模型通过神经网络方法预测出下一道推送目标愿意参与的习题，并预测综合积极性；利用多次综合积极性之间的差值，以及优化算法对各种题型、章节的题目权重进行反复修正，直至所述预测综合积极性与实际答题过程中的综合积极性之间的差值在预设误差范围内，即获得推荐模型。
20.作为优选，当推送目标参与的次数达到指定值、且综合积极性超过阈值后，则在每次推送时附带触发事件模块；
21.当学生完成指定习题后，触发事件模块会筛选出至少两位其他也完成习题的推送目标，学生能在选择性表格的完成率、完成时间、答案正确率、答题步骤完整率及综合积极性中选择一项或者多项评价参数，然后学生能查看一位的对比结果数据并获得指定积分；
22.推荐模型根据学生选择评价参数，并调整该项评价参数对于综合积极性计算权重的校正值；
23.综合积极性为qi为评价参数第i次习题中的得分，k
i-1
为评价参数第i-1次习题中对应的计算权重，c
i-1
为第i-1次习题中校正值。
24.一种习题分析处理装置，包括：
25.推送模块，用于根据学生往期科目成绩数据筛选指定学生，并给学生推送选择性表格；
26.提取模块，用于获取习题对应的文字信息、答案和符号信息，同时为该习题设置身份码id；
27.分析模块，用于识别文字信息和符号信息对应的相关待考察的公式、知识点和技巧点，将上述内容制作成选择性表格；
28.生成模块，用于筛选出选择性表格与题目实际关联的内容作为提示信息，剔除答
案错误及步骤缺失的答题内容，将答案正确和答题步骤完整的答题内容上传作为解析进行展示。
29.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述的方法。
30.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述的方法。
31.本发明的有益效果，本技术的习题分析处理方法能够主动邀请学生参与，由系统确认该习题对应的章节和科目并设置身份码id，方便下次其他学生匹配检索，无需重复分析处理；由分析模块识别文字信息和符号信息自动生成选择性表格，由于采用表格形式，参与的学生填写难度低，填写效率高，只需要额外增加很少的时间就能参与，该表格能够快速理清该题目对应的知识点，并通过提示信息进行展示，方便后续查阅解析的学生查看。本方法能够极大提升学生的参与感，让一部分优秀且愿意分享的学生作为参与者提供其答题内容，参与过程几乎不会额外增加学习负担；同时给其他查看解析的学生更多选择，学生可以只看提示信息辅助解题，也可以从多个学生答题内容中选择，获得不同的解题方法。
附图说明
32.图1为本发明实施例一的流程图；
33.图2为本发明实施例二的流程图。
具体实施方式
34.下面结合附图和具体实施例对本发明做进一步详细说明。下面所列举的具体实施例为是示例性的而非限制性的，以下具体实施例中的术语“包括”和“具有”以及它们的常规变形表达方式，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。凡是依据本技术的技术实质对以下具体实施例所作的任何细微修改、等同替换和改进，均应包含在本技术技术方案的保护范围之内。
35.实施例一
36.一种习题分析处理方法，如图1，具体步骤如下：
37.s101、提取模块获取习题对应的文字信息、答案和符号信息，通过检索文字信息和符号信息中的关键词，确认该习题对应的科目和关联章节，同时为该习题设置身份码id；
38.s102、通过分析模块识制获取选择性表格；所述选择性表格包括列出项目、关联性判断、重点性判断和薄弱点判断，学生通过关联性判断勾选出与该题目有关联的列出项目，通过重点性判断勾选出至少一项该题目的重点考察点，通过薄弱点判断勾选出学生未熟练掌握的列出项目。
39.s103、通过推送模块选择出适合的学生，将选择性表格发布给指定学生填写，同时记录获取学生的答题内容，最后通过生成模块获得习题解析。
40.本技术的习题分析处理方法能够主动邀请学生参与，由系统确认该习题对应的章节和科目并设置身份码id，方便下次其他学生匹配检索，无需重复分析处理；由分析模块识
别文字信息和符号信息自动生成选择性表格，由于采用表格形式，参与的学生填写难度低，填写效率高，只需要额外增加很少的时间就能参与，该表格能够快速理清该题目对应的知识点，并通过提示信息进行展示，方便后续查阅解析的学生查看。
41.实施例二
42.s201、提取模块获取习题对应的文字信息、答案和符号信息，通过检索文字信息和符号信息中的关键词(一般教辅是有最终答案，但是解析过程通常会简略或者不清楚)，确认该习题对应的科目和关联章节，通过分析模块识制获取选择性表格；
43.s202、获取学生往期科目成绩数据，通过推送模块从该科目成绩前30％的学生中筛选出至少5名参与者(由于各个班级学习进度不同，学生做题顺序不同，选择较早使用该题目进行练习的学生作为参与者)，向参与者推送选择性表格，获取参与者的答题内容和选择性表格填写情况(参与者可以主动添加破题技巧)；
44.若该学生选择性表格打开率或填写率低于阈值，则降低对该学生的推送频率；
45.s203、将获取的选择性表格和答题内容通过生成模块分析处理，筛选出选择性表格与题目实际关联的内容作为提示信息，后续作答的学生可以查阅提示信息获取对应知识点(例如基础公式，或者基础定理，或者破题技巧)；
46.生成模块剔除答案错误及步骤缺失的答题内容，将答案正确和答题步骤完整的答题内容上传作为解析进行展示(当一个题目有多种解法时，合并相同或近似的答题内容)，优先展示答题步骤完成清晰的，并根据往期该学生解析点击率进行推荐排序。
47.s204、学生能够选择查看解析时，优先看到对应的提示信息；
48.当提示信息不足以帮助学生理解题目，学生还能查看上传的答题内容，学生能在答题内容上选择标注核心步骤(如果发现答题内容中有纰漏也可以标注指出)。
49.前期为了获得足够多的训练样本。在获取对应年级学生往期科目成绩数据后，将指定科目平均成绩排名在10-30％的学生作为推送目标，随机挑选习题作为训练任务发送给推送目标；
50.记录推送目标的答题信息，所述答题信息包括打开训练任务的打开率、选择性表格的完成率、完成时间、答案正确率、答题步骤完整率及综合积极性，将推送目标的答题信息输入至推荐模型，得到推送目标愿意参与该习题的综合积极性作为推荐模型的输出结果，所述推送目标愿意参与的习题由推送目标的答题信息基于机器学习方法训练生成，预测推送目标愿意参与的习题及综合积极性；例如a学生在物理力学学的比较扎实，比较愿意参与力学的答题；b学生电磁学比较扎实，愿意参与电磁学的答题；c学生比较马虎，基础题经常出错，但是逻辑思维强，愿意做问答题。
51.继续获取推送目标的答题信息作为推荐模型的训练样本，推荐模型通过神经网络方法预测出下一道推送目标愿意参与的习题，并预测综合积极性；利用多次综合积极性之间的差值，以及优化算法对各种题型、章节的题目权重进行反复修正，直至所述预测综合积极性与实际答题过程中的综合积极性之间的差值在预设误差范围内，即获得推荐模型。
52.为了进一步对推送模型进行校正，了解学生的选择性表格的完成率、完成时间、答案正确率、答题步骤完整率对参与综合积极性的影响。当推送目标参与的次数达到指定值、且综合积极性超过阈值后，则在每次推送时附带触发事件模块；
53.当学生完成指定习题后，触发事件模块会筛选出至少两位其他也完成习题的推送
目标，学生能在选择性表格的完成率、完成时间、答案正确率、答题步骤完整率及综合积极性中选择一项或者多项评价参数，然后学生能查看一位的对比结果数据并获得指定积分；通过随机对比能够更好的确认该学生对不同评价参数的重视程度。
54.推荐模型根据学生选择评价参数，并调整该项评价参数对于综合积极性计算权重的校正值。所述综合积极性是通过完成率、完成时间、答案正确率、答题步骤完整率及对应的权重值计算获得；综合积极性为qi为评价参数第i次习题中的得分，k
i-1
为评价参数第i-1次习题中对应的计算权重，c
i-1
为第i-1次习题中校正值。
55.本方法能够极大提升学生的参与感，让一部分优秀且愿意分享的学生作为参与者提供其答题内容，参与过程几乎不会额外增加学习负担；同时给其他查看解析的学生更多选择，学生可以只看提示信息辅助解题，也可以从多个学生答题内容中选择，获得不同的解题方法。
56.一种习题分析处理装置，包括：推送模块，用于根据学生往期科目成绩数据筛选指定学生，并给学生推送选择性表格；
57.提取模块，用于获取习题对应的文字信息、答案和符号信息，同时为该习题设置身份码id；例如采用智能笔和点阵纸配合，在学生书写作答时，学生的答题内容能够通过智能笔上的摄像头识别并同步到服务器上。
58.分析模块，用于识别文字信息和符号信息对应的相关待考察的公式、知识点和技巧点，将上述内容制作成选择性表格；
59.生成模块，用于筛选出选择性表格与题目实际关联的内容作为提示信息，剔除答案错误及步骤缺失的答题内容，将答案正确和答题步骤完整的答题内容上传作为解析进行展示。
60.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述的方法。
61.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述的方法。
62.在本技术的具体实施例中，各个过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
63.在本技术各实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
64.上述功能单元可以软件形式实现并作为独立的产品销售或使用时，可以存储在一个计算机设备可获取的存储器中。故本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分，可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干请求用以使得一台计算机设备执本技术的各个实施例上述方法的部分或全部步骤。
65.以上所述，仅为本发明的较佳实施例，并不用以限制本发明，凡是依据本发明的技
术实质对以上实施例所作的任何细微修改、等同替换和改进，均应包含在本发明技术方案的保护范围之内。