阅读说明：本技术 一种基于大数据的个性化自适应网上学习方法 (Personalized self-adaptive online learning method based on big data ) 是由 张元平 于 2019-08-06 设计创作，主要内容包括：本发明提出的一种基于大数据的个性化自适应网上学习方法,包括：用户网上做题数据进行跟踪,并根据用户做题记录划分学习板块；根据用户做题数据,计算用户各学习板块的错题率,并根据各学习板块的错题率向用户推荐习题。本发明中,以单个用户为单位,实现了对每一个用户的针对性指导,有利于实现每一个用户的最佳最适宜的学习方法,从而通过因材施教,保证每一用户的学习效率和学习效果。(The invention provides a personalized self-adaptive online learning method based on big data, which comprises the following steps: tracking the data of the user doing questions on the internet, and dividing learning boards according to the records of the user doing questions; and calculating the wrong question rate of each learning plate of the user according to the question making data of the user, and recommending the exercises to the user according to the wrong question rate of each learning plate. In the invention, the single user is taken as a unit, the targeted guidance of each user is realized, and the optimal and most suitable learning method of each user is favorably realized, so that the learning efficiency and the learning effect of each user are ensured by the aid of the teaching according to the factors.)

一种基于大数据的个性化自适应网上学习方法

技术领域

本发明涉及网上学习技术领域，尤其涉及一种基于大数据的个性化自适应网上学习方法。

背景技术

随着信息科技的不断创新和飞速发展，网络技术的更新日新月异，由此产生的海量数据越来越受到重视，大数据时代也已经到来。近年来，数据挖掘、数据分析以及基于数据的内容推荐系统在各行各业得到广泛的应用。在教育领域，如何使学生轻松学，老师轻松教成为越来越多人关注的问题。作为大数据在教育领域的应用，个性化的自适应学习成为一个典型应用案例。

近年来数据挖掘工作广泛展开，但是关于学习者的在线学习个性化推荐的研究工作仍不够充分。目前的学习效果评估方法都是进行简单等级划分，应用更精确的大数据分析预测的方法较少，没有充分考虑到学习者的个性特征(例如学习能力、学习效率、对学习内容变化的敏感程度等)对学习效果的影响。

发明内容

基于背景技术存在的技术问题，本发明提出了一种基于大数据的个性化自适应网上学习方法。

本发明提出的一种基于大数据的个性化自适应网上学习方法，包括：

对用户网上做题数据进行跟踪，并根据用户做题记录划分学习板块；

根据用户做题数据，计算用户各学习板块的错题率，并根据各学习板块的错题率向用户推荐习题。

优选的，具体包括以下步骤：

S1、以各科目的每一章节为一个最小题库，每一个最小题库内存储有对应章节的习题，且最小题库内的习题根据难易程度划分为多个题集；

S2、获取用于评估的用户做题数据，统计用户做题数据中各科目错题率；

S3、通过各科目错题率进行阈值对比，获取用户薄弱科目；

S4、根据用于评估的用户做题数据，统计用户薄弱科目中各章节错题率；

S5、通过各章节错题率进行阈值对比，获取用户薄弱科目中的薄弱章节；

S6、根据用户薄弱科目以及用户薄弱科目中的用户薄弱章节，从各最小题库中选择习题形成练习对象并推荐给用户。

优选的，还包括步骤SA：设置多种练习对象形式，每一种练习对象形式均设有对应的题型组成比例；步骤S1中，每一个题集还根据习题形式划分为多个题型；

步骤S6中，根据用户选择的练习对象形式，从各最小题库中选择习题形成练习对象并推荐给用户。

优选的，练习对象形式包括由各章节内容及各题型组成的试卷模式、单一章节内容及各题型组成的章节练习模式和单一章节单一题型的重点练习模式。

优选的，还包括步骤SB：设置平均阈值，并设置与最小题库中难易程度相对应的多个错题率阈值；

步骤S3中，获取错题率大于平均阈值的科目作为用户的薄弱科目；步骤S5中，获取错题率大于平均阈值的章节作为用户的薄弱章节；

步骤S6具体为：根据用户选择的练习对象形式以及科目中各章节的错题率从各错题率对应的题集中选择习题组成练习对象并推送给用户。

优选的，步骤S6中，最新生成的练习对象中的习题均为用于评估的用户做题数据中不存在的习题。

优选的，步骤S2中，用于评估的用户做题数据为预设评估周期内用户的做题数据；或者，预设题量的用户的做题数据。

优选的，预设评估周期和预设题量均由用户设置。

本发明提出的一种基于大数据的个性化自适应网上学习方法，实现了通过做题数据的总结对用户学习进度进行实时跟进，并且通过错题率，实时总结用户学习上的薄弱环节，从而针对用户薄弱环节进行习题推荐。如此，本发明实现了根据做题数据对用户学习情况的全面了解，并通过习题推荐向用户指明学习方向，并提供了有效的学习提高手段。

且，本发明中，以单个用户为单位，实现了对每一个用户的针对性指导，有利于实现每一个用户的最佳最适宜的学习方法，从而通过因材施教，保证每一用户的学习效率和学习效果。

附图说明

图1为本发明提出的一种基于大数据的个性化自适应网上学习方法流程图。

具体实施方式

参照图1，本发明提出的一种基于大数据的个性化自适应网上学习方法，包括：

对用户网上做题数据进行跟踪，并根据用户做题记录划分学习板块。

根据用户做题数据，计算用户各学习板块的错题率，并根据各学习板块的错题率向用户推荐习题。

如此，本实施方式中，实现了通过做题数据的总结对用户学习进度进行实时跟进，并且通过错题率，实时总结用户学习上的薄弱环节，从而针对用户薄弱环节进行习题推荐。如此，本实施方式，实现了根据做题数据对用户学习情况的全面了解，并通过习题推荐向用户指明学习方向，并提供了有效的学习提高手段。

且，本实施中，以单个用户为单位，实现了对每一个用户的针对性指导，有利于实现每一个用户的最佳最适宜的学习方法，从而通过因材施教，保证每一用户的学习效率和学习效果。

本实施方式中的基于大数据的个性化自适应网上学习方法，具体包括以下步骤：

S1、以各科目的每一章节为一个最小题库，每一个最小题库内存储有对应章节的习题，且最小题库内的习题根据难易程度划分为多个题集。

本步骤中，题集的设置，为根据用户需求提供不同难度的习题奠定了基础。

S2、获取用于评估的用户做题数据，统计用户做题数据中各科目错题率。

具体的，本步骤中，用于评估的用户做题数据为预设评估周期内用户的做题数据，例如以一个月为一个预设评估周期，则每三个月根据用户最近三个月内的用户做题数据统计各科目错题率，实现时间上的周期性对用户学习情况进行评估检测。具体的，预设评估周期可由用户自主设置，或者根据不同用户的学习情况进行针对性设置，例如薄弱科目多、错题率高的用户可采用较短的预设评估周期例如两周；薄弱科目少、错题率低的用户可采用较长的预设评估周期例如两个月。如此，对于学习较差的用户，可通过缩短预设评估周期，使其对学习进度情况明确掌握，及时调整；对于学习好的用户，可避免冗余的习题练习，提高其学习质量。

具体实施时，本步骤中还可将用于评估的用户做题数据设置为预设题量的用户的做题数据。例如，可设置，用户每完成500道题，则根据最近500道题的做题数据统计各科目错题率。具体的预设题量可由用户自主设置，或者根据不同用户的学习情况进行针对性设置，例如薄弱科目多、错题率高的用户可采用较较少的预设题量如100道题；薄弱科目少、错题率低的用户可采用较多的预设题量如300道题。

如此，本实施方式中，实现了根据用户学习基础和学习能力进行学习统计，为根据用户学习基础和学习能力进行学习指导奠定了基础。如此，通过充分考虑每一个用户的个体学习特征，有利于进一步提高自主学习效果。

S3、通过各科目错题率进行阈值对比，获取用户薄弱科目。

具体的，本实施方式中，还包括步骤设置平均阈值，并设置与最小题库中难易程度相对应的多个错题率阈值。

如此，步骤S3中，获取错题率大于平均阈值的科目作为用户的薄弱科目。

即，本实施方式在步骤S2中，首先根据预设评估周期或者预设题量获取用于评估的用户做题数据，然后根据科目将这些用户做题数据进行分类，获取每一个科目下的用户做题数据，并进一步获取每一个科目对应的错题率；然后将各科目的错题率分别与平均阈值进行对比，获取错题率大于平均阈值的科目作为用户的薄弱科目。

S4、根据用于评估的用户做题数据，统计用户薄弱科目中各章节错题率。

S5、通过各章节错题率进行阈值对比，获取用户薄弱科目中的薄弱章节。

具体的，本实施方式中，将用于做题数据根据科目分类后，再退每一科目的做题数据根据科目章节进行分类，然后获取科目下各章节对应的错题率，并获取大于平均阈值的错题率对应的章节为用户的薄弱章节。

S6、根据用户薄弱科目以及用户薄弱科目中的用户薄弱章节，从各最小题库中选择习题形成练习对象并推荐给用户。

途次，本实施方式中，针对薄弱科目，以章节为单位从最小题库中选择对应的习题组成练习对象推荐给用户，实现了以章节为单位帮助用户对薄弱科目进行重点明确的针对性练习以提高学习效果的目的。如此，本实施方式中，将练习重点划分到章节，提高了用户学习效率和学习效果。

具体的，本实施方式中，还包括步骤SA：设置多种练习对象形式，每一种练习对象形式均设有对应的题型组成比例。步骤S1中，每一个题集还根据习题形式划分为多个题型，以便从各题集中选择各题型的习题以组成练习对象。

具体的，本实施方式中，练习对象形式包括由各章节内容及各题型组成的试卷模式、单一章节内容及各题型组成的章节练习模式和单一章节单一题型的重点练习模式。

具体的，试卷模式的每一份练习对象均包含对应科目中各章节内容各题型的题目，具体的试卷模式的每一份练习对象包括该科目下每一个最小题库中的习题，并包含各种题型。

章节练习模式的每一份练习对象从同一个最小题库中选题，并包含所有题型。

重点练习模式的每一份练习对象由从同一个最小题库中选择的多个同一类型的习题组成。

本实施方式的步骤S6中，根据用户选择的练习对象形式，从各最小题库中选择习题形成练习对象并推荐给用户。即，用户可根据需求选择试卷模式、、章节练习模式或者重点练习模式，已针对性进行提高。

具体的，本实施方式中，步骤S6具体为：根据用户选择的练习对象形式以及科目中各章节的错题率从各错题率对应的题集中选择习题组成练习对象并推送给用户。如此，即保证了根据用户选择的练习对象形式组成练习对象，适应用户主观需求；又实现了根据用户学习情况针对性选择试题，以提高习题练习效率和自主学习效果。

具体的，本实施方式的步骤S6中，最新生成的练习对象中的习题均为用于评估的用户做题数据中不存在的习题，已通过避免重复习题，进一步提高习题练习效果；同时，方便通过做题数据监测用户学习提高情况的精确。

以上所述，仅为本发明涉及的较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。