一种个性化线上教育方法及系统与流程

1.本技术属于线上教育技术领域，尤其涉及一种个性化线上教育方法及系统。


背景技术：

2.线上教育是指通过互联网进行教学，使用电脑或手机完成上课、练习、考试等教学环节。 线上教育的特点包括：学习不受时空限制，学习资源利用最大化，学习互动形式多样化，学习过程个性化，教学管理网络化等。
3.现有的线上教育往往会为用户设置标准的学习流程，如最初的学习，学习后的测试，在每个章节完成后进行章节测试等，但是，标准的学习流程往往不能是用于不同的用户，现有的线上教育中缺少为用户设置个性化复习流程，导致学习效果较差。


技术实现要素：

4.本技术提供的一种个性化线上教育方法，本方案通过第一模型输出成绩预测结果，如需要复习，则输出包括多个知识点组合的复习计划，能够为用户设置有针对性的个性化复习计划，提升学习效果。
5.第一方面，本技术实施例提供了一种个性化线上教育方法，所述方法的步骤包括：获取初次学习一个知识点后的第一测试结果和完成一个知识单元的第二测试结果，基于第一测试结果构建第一测试图像，基于第二测试结果构建第二测试图像，所述第一测试图像和第二测试图像均设置有对应每个知识点的区域；将所述第一测试图像和第二测试图像合并为学习成果图像；将所述学习成果图像输入到预设的第一模型中，所述第一模型输出成绩预测结果，基于所述成绩预测结果判定是否进行复习；若判定结果为需要复习，则基于预设的知识点关联关系，从学习成果图中获取相关联的知识点区域的像素值，基于每种知识点的关联组合的像素值构建对应个数的关联组合向量；将所述多个所述关联组合向量输入到预设的第二模型中，所述第二模型输出待复习的知识点关联组合，基于待复习的知识点关联组合输出复习计划。
6.采用上述方案，本方案首先能够将初次学习的第一测试图像和每完成一个知识点的第二测试图像进行合并，综合得到考量掌握程度的学习成果图像，再通过第一模型输出成绩预测结果，判定是否需要复习，如需要复习，则考虑到了知识点的关联关系，通过第二模型判定需要复习的知识点组合，从而输出包括多个知识点组合的复习计划，能够为用户设置有针对性的个性化复习计划，提升学习效果。
7.在本发明的一些实施方式中，在基于第一测试结果构建第一测试图像，基于第二测试结果构建第二测试图像的步骤包括：获取所述第一测试结果或第二测试结果中每个知识点对应试题的结果和作答时间；
基于试题的结果和作答时间计算该试题的掌握度参数；基于每个知识点中全部试题的掌握度参数确定知识点的掌握度，基于知识点的掌握度确定在所述第一测试图像或第二测试图像中该知识点对应区域的像素值。
8.采用上述方案，本方案通过每个试题的结果和作答时间确定试题的掌握度参数，并基于每个知识点中全部试题的掌握度参数，确定知识点的掌握度，并构建第一测试图像和第二测试图像。
9.在本发明的一些实施方式中，在基于试题的结果和作答时间计算该试题的掌握度参数的步骤包括：判定试题结果，若试题结果为错误，则该试题的掌握度参数为0；若试题结果为正确，则确定该试题的作答时间所处的时间范围，基于该试题的作答时间所处的时间范围确定该试题的掌握度参数。
10.采用上述方案，若答题错误，则直接说明测试者并未掌握该试题，直接判定掌握度为0，若结果正确，则进一步判定作答时间，作答时间越长，说明掌握度越低，通过预设的对照表确定不同的时间范围对应的掌握度参数，提高每个试题掌握度的确定准确性。
11.在本发明的一些实施方式中，在基于每个知识点中全部试题的掌握度参数确定知识点的掌握度的步骤中，每个试题预设有不同的权重参数，计算多个试题掌握度参数的加权平均值作为该知识点的掌握度参数。
12.采用上述方案，每个知识点均预设有不同的权重参数，通过计算加权平均值的方式，结合全部试题，精确计算每个知识点的掌握度参数。
13.在本发明的一些实施方式中，在将所述第一测试图像和第二测试图像合并为学习成果图像的步骤中，获取所述第一测试图像和第二测试图像中对应知识点的区域的像素值，计算该知识点在两张图像中像素值的平均值，作为所述学习成果图中该知识点对应区域的像素值。
14.采用上述方案，本方案综合考虑到了两次学习的成绩，结合两次成绩确定学习成果，并构建为学习成果图，通过学习成果图综合展现测试者的学习成果。
15.在本发明的一些实施方式中，所述成绩预测结果包括多个结果等级，在基于所述成绩预测结果判定是否进行复习的步骤中，判定所述成绩预测结果是否低于阈值等级，若低于阈值等级，则判定需要复习；若不低于阈值等级，则判定不需要复习。
16.采用上述方案，当成绩预测结果高于阈值等级，说明测试者对于全部知识点的掌握度已经足够，不需要复习，若低于阈值等级，则判定需要复习。
17.在本发明的一些实施方式中，每个知识点能够存在多个关联关系，所述基于预设的知识点关联关系，从学习成果图中获取相关联的知识点区域的像素值，基于每种知识点的关联组合的像素值构建对应个数的关联组合向量的步骤包括，获取当前全部知识点之间全部的关联组合；将知识点在所述学习成果图中对应的像素值作为关联组合向量中每个维度的向量参数，构建对应每种关联组合的关联组合向量。
18.采用上述方案，每个知识点可以存在多种关联组合，将不同的关联组合通过关联组合向量的方式进行表达，并最终通过第二模型选择一个关联组合向量，提高个性化复习选择效率。
19.在本发明的一些实施方式中，所述第二模型输出待复习的知识点关联组合，基于待复习的知识点关联组合输出复习计划的步骤包括：获取待复习的知识点，从所述第二测试结果对应的测试题库中获取预设个数的关于待复习的知识点的第一复习试题；将所述第一复习试题输出为复习计划。
20.在本发明的一些实施方式中，所述方法的步骤还包括：获取所述第一复习试题的第一复习结果，基于第一复习结果中每个知识点对应试题的结果和作答时间，重新确定所述复习计划中所涉及的知识点在所述第二测试图像中对应区域的像素值，重新构建第二测试图像；基于重新构建的第二测试图像和第一测试图像重新构建学习成果图；将重新构建的学习成果图重新输入到第一模型中，所述第一模型输出成绩预测结果，基于所述成绩预测结果判定是否进行复习；若判定结果为需要复习，则基于第二模型重新输出待复习的知识点的关联组合，重新构建复习计划；并基于复习计划的第一复习结果重新判定是否需要继续复习，若判定结果为需要复习，则重新制定复习计划，直到基于所述成绩预测结果判定不需要复习。
21.采用上述方案，本方案能够基于复习之后的复习结果重置所述第二测试图像，基于第二测试图像重新判定是否需要继续复习，若成绩预测结果仍然不合格，则继续复习；且在本方案中每次复习仅需要复习一种关联组合的知识点，提高复习的针对性，降低单次复习的复习压力。
22.第二方面，本技术实施例提供了一种个性化线上教育系统，其特征在于，所述系统包括：测试图像构建模块，用于获取初次学习一个知识点后的第一测试结果和完成一个知识单元的第二测试结果，基于第一测试结果构建第一测试图像，基于第二测试结果构建第二测试图像，所述第一测试图像和第二测试图像均设置有对应每个知识点的区域；图像合并模块，用于将所述第一测试图像和第二测试图像合并为学习成果图像；成果判定模块，将所述学习成果图像输入到预设的第一模型中，所述第一模型输出成绩预测结果，基于所述成绩预测结果判定是否进行复习；关联组合获取模块，若判定结果为需要复习，则基于预设的知识点关联关系，用于从学习成果图中获取相关联的知识点区域的像素值，基于每种知识点的关联组合的像素值构建对应个数的关联组合向量；复习计划获取模块，将多个所述关联组合向量输入到预设的第二模型中，所述第二模型输出待复习的知识点关联组合，基于待复习的知识点关联组合输出复习计划。
23.本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出并获得。
24.本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
25.附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。
26.在附图中：图1是所述个性化线上教育方法一种实施方式的流程示意图；图2是所述个性化线上教育方法另一种实施方式的流程示意图；图3是本技术实施例提供的电子设备的结构示意图。
具体实施方式
27.为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
28.在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
29.需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
30.一般而言，现有的线上教育中缺少为用户设置个性化复习流程，导致学习效果较差。
31.因此，为了给用户设置有针对性的个性化复习计划，本技术提供了一种个性化线上教育方法及系统。
32.图1是本技术一实施例提供的一种个性化线上教育方法的流程示意图。
33.如图1所示，本技术实施例提供了一种个性化线上教育方法，所述方法的步骤包括：步骤s100，获取初次学习一个知识点后的第一测试结果和完成一个知识单元的第二测试结果，基于第一测试结果构建第一测试图像，基于第二测试结果构建第二测试图像，所述第一测试图像和第二测试图像均设置有对应每个知识点的区域；在具体实施过程中，所述第一测试结果为初次完成学习一个知识点后进行的测试；所述第二测试结果为每个知识单元学习完成后进行的测试，每个所述知识单元包括至少一个知识点。
34.步骤s200，将所述第一测试图像和第二测试图像合并为学习成果图像；在具体实施过程中，所述第一测试图像和第二测试图像大小相等，所述第一测试图像和第二测试图像中均包括对应每个知识点的图像区域，且在两个图像中每个知识点的图像区域相互对应，在将所述第一测试图像和第二测试图像合并为学习成果图像的步骤
中，对应每个知识点的区域进行合并。
35.步骤s300，将所述学习成果图像输入到预设的第一模型中，所述第一模型输出成绩预测结果，基于所述成绩预测结果判定是否进行复习；在具体实施过程中，所述第一模型为预先完成训练的卷积神经网络模型，所述第一模型中设置有分类器，通过所述分类器确定所述学习成果图像的成绩预测结果，所述成绩预测的结果包括多个等级，若低于阈值等级，则需要复习。
36.步骤s400，若判定结果为需要复习，则基于预设的知识点关联关系，从学习成果图中获取相关联的知识点区域的像素值，基于每种知识点的关联组合的像素值构建对应个数的关联组合向量；所述知识点的关联关系可以举例为，关于知识点一的关联组合包括，知识点一、二、三；知识点一、二、七；知识点一、三、五；则关于知识点一的关联组合向量包括三个。
37.步骤s500，将所述多个所述关联组合向量输入到预设的第二模型中，所述第二模型输出待复习的知识点关联组合，基于待复习的知识点关联组合输出复习计划。
38.在具体实施过程中，所述第二模型为预设的决策树模型，通过预设的决策树从多个关联组合向量中选出当前最需要复习的知识点组合，本方案考虑到了知识点之间的关联关系，通过对关联组合的知识点进行复习，提升复习效果。
39.采用上述方案，本方案首先能够将初次学习的第一测试图像和每完成一个知识点的第二测试图像进行合并，综合得到考量掌握程度的学习成果图像，再通过第一模型输出成绩预测结果，判定是否需要复习，如需要复习，则考虑到了知识点的关联关系，通过第二模型判定需要复习的知识点组合，从而输出包括多个知识点组合的复习计划，能够为用户设置有针对性的个性化复习计划，提升学习效果。
40.在本发明的一些实施方式中，在基于第一测试结果构建第一测试图像，基于第二测试结果构建第二测试图像的步骤包括：获取所述第一测试结果或第二测试结果中每个知识点对应试题的结果和作答时间；基于试题的结果和作答时间计算该试题的掌握度参数；基于每个知识点中全部试题的掌握度参数确定知识点的掌握度，基于知识点的掌握度确定在所述第一测试图像或第二测试图像中该知识点对应区域的像素值。
41.采用上述方案，本方案通过每个试题的结果和作答时间确定试题的掌握度参数，并基于每个知识点中全部试题的掌握度参数，确定知识点的掌握度，并构建第一测试图像和第二测试图像。
42.在本发明的一些实施方式中，在基于试题的结果和作答时间计算该试题的掌握度参数的步骤包括：判定试题结果，若试题结果为错误，则该试题的掌握度参数为0；若试题结果为正确，则确定该试题的作答时间所处的时间范围，基于该试题的作答时间所处的时间范围确定该试题的掌握度参数。
43.在具体实施过程中，预设有关于时间范围和掌握度参数的对照表，通过对照表确定作答时间对应的掌握度参数。
44.采用上述方案，若答题错误，则直接说明测试者并未掌握该试题，直接判定掌握度
为0，若结果正确，则进一步判定作答时间，作答时间越长，说明掌握度越低，通过预设的对照表确定不同的时间范围对应的掌握度参数，提高每个试题掌握度的确定准确性。
45.在本发明的一些实施方式中，在基于每个知识点中全部试题的掌握度参数确定知识点的掌握度的步骤中，每个试题预设有不同的权重参数，计算多个试题掌握度参数的加权平均值作为该知识点的掌握度参数。
46.在具体实施过程中，在构建所述第一测试图像和第二测试图像的步骤中，基于通过第一测试结果计算得到的每个知识点的掌握度参数，确定第一测试图像中该知识点对应区域的像素值；基于通过第二测试结果计算得到的每个知识点的掌握度参数，确定第二测试图像中该知识点对应区域的像素值。
47.具体的，可以直接将掌握度参数的数值作为像素值的数值。
48.采用上述方案，每个知识点均预设有不同的权重参数，通过计算加权平均值的方式，结合全部试题，精确计算每个知识点的掌握度参数。
49.在本发明的一些实施方式中，在将所述第一测试图像和第二测试图像合并为学习成果图像的步骤中，获取所述第一测试图像和第二测试图像中对应知识点的区域的像素值，计算该知识点在两张图像中像素值的平均值，作为所述学习成果图中该知识点对应区域的像素值。
50.采用上述方案，本方案综合考虑到了两次学习的成绩，结合两次成绩确定学习成果，并构建为学习成果图，通过学习成果图综合展现测试者的学习成果。
51.在本发明的一些实施方式中，所述成绩预测结果包括多个结果等级，在基于所述成绩预测结果判定是否进行复习的步骤中，判定所述成绩预测结果是否低于阈值等级，若低于阈值等级，则判定需要复习；若不低于阈值等级，则判定不需要复习。
52.采用上述方案，当成绩预测结果高于阈值等级，说明测试者对于全部知识点的掌握度已经足够，不需要复习，若低于阈值等级，则判定需要复习。
53.在本发明的一些实施方式中，每个知识点能够存在多个关联关系，所述基于预设的知识点关联关系，从学习成果图中获取相关联的知识点区域的像素值，基于每种知识点的关联组合的像素值构建对应个数的关联组合向量的步骤包括，获取当前全部知识点之间全部的关联组合；将知识点在所述学习成果图中对应的像素值作为关联组合向量中每个维度的向量参数，构建对应每种关联组合的关联组合向量。
54.采用上述方案，每个知识点可以存在多种关联组合，将不同的关联组合通过关联组合向量的方式进行表达，并最终通过第二模型选择一个关联组合向量，提高个性化复习选择效率。
55.在本发明的一些实施方式中，所述第二模型输出待复习的知识点关联组合，基于待复习的知识点关联组合输出复习计划的步骤包括：获取待复习的知识点，从所述第二测试结果对应的测试题库中获取预设个数的关于待复习的知识点的第一复习试题；将所述第一复习试题输出为复习计划。
56.在具体实施过程中，所述待复习的知识点为第二模型选择的关联组合向量中对应的知识点关联组合中的知识点。
57.如图2所示，在本发明的一些实施方式中，所述方法的步骤还包括：步骤s600，获取所述第一复习试题的第一复习结果，基于第一复习结果中每个知识点对应试题的结果和作答时间，重新确定所述复习计划中所涉及的知识点在所述第二测试图像中对应区域的像素值，重新构建第二测试图像；在重新构建第二测试图像的步骤中，将所述复习计划中所涉及的知识点在原所述第二测试图像中对应区域的像素值替换为根据第一复习结果计算出的该知识点对应区域的像素值。
58.步骤s700，基于重新构建的第二测试图像和第一测试图像重新构建学习成果图；所述基于重新构建的第二测试图像和第一测试图像重新构建学习成果图与通过原第一测试图像和第二测试图像构建学习成果图的步骤相同。
59.采用上述方案，本发明中的第一测试图像用于记录学习者在学习过程中的第一印象，学习者对于知识的第一印象往往决定学习者对于该知识的喜爱度和适应程度，因此，本方案在重新构建学习成果图的过程中，保留学习者在学习过程中的第一印象，不对第一测试图像进行重构；且由于第二测试图像用于记录后续学习过程，本方案对进行代表后续学习第二测试图像进行重构，使学习成果图始终保持由学习过程中的第一印象和后续学习构成，保证学习成果图的准确性。
60.步骤s800，将重新构建的学习成果图重新输入到第一模型中，所述第一模型输出成绩预测结果，基于所述成绩预测结果判定是否进行复习；步骤s900，若判定结果为需要复习，则基于第二模型重新输出待复习的知识点的关联组合，重新构建复习计划；本方案采用循环判断的方式，每次复习后均重新判定是否需要继续复习，在保证学习效率的前提下，降低每次复习的工作量。
61.步骤s1000，直到基于所述成绩预测结果判定不需要复习。
62.采用上述方案，本方案能够基于复习之后的复习结果重置所述第二测试图像，基于第二测试图像重新判定是否需要继续复习，若成绩预测结果仍然不合格，则继续复习；且在本方案中每次复习仅需要复习一种关联组合的知识点，提高复习的针对性，降低单次复习的复习压力。
63.第二方面，本技术实施例提供了一种个性化线上教育系统，其特征在于，所述系统包括：测试图像构建模块，用于获取初次学习一个知识点后的第一测试结果和完成一个知识单元的第二测试结果，基于第一测试结果构建第一测试图像，基于第二测试结果构建第二测试图像，所述第一测试图像和第二测试图像均设置有对应每个知识点的区域；图像合并模块，用于将所述第一测试图像和第二测试图像合并为学习成果图像；成果判定模块，将所述学习成果图像输入到预设的第一模型中，所述第一模型输出成绩预测结果，基于所述成绩预测结果判定是否进行复习；关联组合获取模块，若判定结果为需要复习，则基于预设的知识点关联关系，用于从学习成果图中获取相关联的知识点区域的像素值，基于每种知识点的关联组合的像素值构建对应个数的关联组合向量；复习计划获取模块，将多个所述关联组合向量输入到预设的第二模型中，所述第
二模型输出待复习的知识点关联组合，基于待复习的知识点关联组合输出复习计划。
64.第三方面，本技术实施例提供了一种个性化线上教育装置，该装置包括计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置实现所述个性化线上教育方法所实现的步骤。
65.第四方面，本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现上述个性化线上教育方法。
66.图3是本技术一实施例提供的电子设备的结构示意图。
67.如图3所示，本技术实施例提供了一种电子设备，设备包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现上述个性化线上教育方法。
68.电子设备可以包括处理器1201以及存储有计算机程序指令的存储器1202。
69.具体地，上述处理器1201可以包括中央处理器（cpu），或者特定集成电路（application specific integrated circuit ，asic），或者可以被配置成实施本技术实施例的一个或多个集成电路。
70.存储器1202可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器1202可包括硬盘驱动器（hard disk drive，hdd）、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线（universal serial bus，usb）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器1202可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器1202可在综合网关容灾设备的内部或外部。在特定实施例中，存储器1202是非易失性固态存储器。
71.存储器可包括只读存储器（rom），随机存取存储器（ram），磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形（非暂态）计算机可读存储介质（例如，存储器设备），并且当该软件被执行（例如，由一个或多个处理器）时，其可操作来执行参考根据本公开的一方面的方法所描述的操作。
72.处理器1201通过读取并执行存储器1202中存储的计算机程序指令，以实现上述实施例中的任意一种电池热失控参数的确定方法。
73.在一个示例中，电子设备还可包括通信接口1203和总线1210。其中，如图3所示，处理器1201、存储器1202、通信接口1203通过总线1210连接并完成相互间的通信。
74.通信接口1203，主要用于实现本技术实施例中各模块、装置、单元和/或设备之间的通信。
75.总线1210包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口（agp）或其他图形总线、增强工业标准架构（eisa）总线、前端总线（fsb）、超传输（ht）互连、工业标准架构（isa）总线、无限带宽互连、低引脚数（lpc）总线、存储器总线、微信道架构（mca）总线、外围组件互连（pci）总线、pci-express（pci-x）总线、串行高级技术附件（sata）总线、视频电子标准协会局部（vlb）总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线1210可包括一个或多个总线。尽管本技术实施例描述和示出了特定的总线，但本技术考虑任何合适的总线或互连。
76.需要明确的是，本技术并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本技术的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本技术的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
77.以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（asic）、适当的固件、插件、功能卡等等。当以软件方式实现时，本技术的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom（erom）、软盘、cd-rom、光盘、硬盘、光纤介质、射频（rf）链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
78.还需要说明的是，本技术中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本技术不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
79.上面参考根据本公开的实施例的方法、系统、装置和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
80.以上所述，仅为本技术的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本技术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技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。

技术特征：
1.一种个性化线上教育方法，其特征在于，所述方法的步骤包括：获取初次学习一个知识点后的第一测试结果和完成一个知识单元的第二测试结果，基于第一测试结果构建第一测试图像，基于第二测试结果构建第二测试图像，所述第一测试图像和第二测试图像均设置有对应每个知识点的区域；将所述第一测试图像和第二测试图像合并为学习成果图像；将所述学习成果图像输入到预设的第一模型中，所述第一模型输出成绩预测结果，基于所述成绩预测结果判定是否进行复习；若判定结果为需要复习，则基于预设的知识点关联关系，从学习成果图中获取相关联的知识点区域的像素值，基于每种知识点的关联组合的像素值构建对应个数的关联组合向量；将多个所述关联组合向量输入到预设的第二模型中，所述第二模型输出待复习的知识点关联组合，基于待复习的知识点关联组合输出复习计划。2.根据权利要求1所述的个性化线上教育方法，其特征在于，在基于第一测试结果构建第一测试图像，基于第二测试结果构建第二测试图像的步骤包括：获取所述第一测试结果或第二测试结果中每个知识点对应试题的结果和作答时间；基于试题的结果和作答时间计算该试题的掌握度参数；基于每个知识点中全部试题的掌握度参数确定知识点的掌握度，基于知识点的掌握度确定在所述第一测试图像或第二测试图像中该知识点对应区域的像素值。3.根据权利要求2所述的个性化线上教育方法，其特征在于，在基于试题的结果和作答时间计算该试题的掌握度参数的步骤包括：判定试题结果，若试题结果为错误，则该试题的掌握度参数为0；若试题结果为正确，则确定该试题的作答时间所处的时间范围，基于该试题的作答时间所处的时间范围确定该试题的掌握度参数。4.根据权利要求2所述的个性化线上教育方法，其特征在于，在基于每个知识点中全部试题的掌握度参数确定知识点的掌握度的步骤中，每个试题预设有不同的权重参数，计算多个试题掌握度参数的加权平均值作为该知识点的掌握度参数。5.根据权利要求1所述的个性化线上教育方法，其特征在于，在将所述第一测试图像和第二测试图像合并为学习成果图像的步骤中，获取所述第一测试图像和第二测试图像中对应知识点的区域的像素值，计算该知识点在两张图像中像素值的平均值，作为所述学习成果图中该知识点对应区域的像素值。6.根据权利要求1所述的个性化线上教育方法，其特征在于，所述成绩预测结果包括多个结果等级，在基于所述成绩预测结果判定是否进行复习的步骤中，判定所述成绩预测结果是否低于阈值等级，若低于阈值等级，则判定需要复习；若不低于阈值等级，则判定不需要复习。7.根据权利要求1所述的个性化线上教育方法，其特征在于，每个知识点能够存在多个关联关系，所述基于预设的知识点关联关系，从学习成果图中获取相关联的知识点区域的像素值，基于每种知识点的关联组合的像素值构建对应个数的关联组合向量的步骤包括，获取当前全部知识点之间全部的关联组合；将知识点在所述学习成果图中对应的像素值作为关联组合向量中每个维度的向量参
数，构建对应每种关联组合的关联组合向量。8.根据权利要求1-7任一项所述的个性化线上教育方法，其特征在于，所述第二模型输出待复习的知识点关联组合，基于待复习的知识点关联组合输出复习计划的步骤包括：获取待复习的知识点，从所述第二测试结果对应的测试题库中获取预设个数的关于待复习的知识点的第一复习试题；将所述第一复习试题输出为复习计划。9.根据权利要求8所述的个性化线上教育方法，其特征在于，所述方法的步骤还包括：获取所述第一复习试题的第一复习结果，基于第一复习结果中每个知识点对应试题的结果和作答时间，重新确定所述复习计划中所涉及的知识点在所述第二测试图像中对应区域的像素值，重新构建第二测试图像；基于重新构建的第二测试图像和第一测试图像重新构建学习成果图；将重新构建的学习成果图重新输入到第一模型中，所述第一模型输出成绩预测结果，基于所述成绩预测结果判定是否进行复习；若判定结果为需要复习，则基于第二模型重新输出待复习的知识点的关联组合，重新构建复习计划；并基于复习计划的第一复习结果重新判定是否需要继续复习，若判定结果为需要复习，则重新制定复习计划，直到基于所述成绩预测结果判定不需要复习。10.一种个性化线上教育系统，其特征在于，所述系统包括：测试图像构建模块，用于获取初次学习一个知识点后的第一测试结果和完成一个知识单元的第二测试结果，基于第一测试结果构建第一测试图像，基于第二测试结果构建第二测试图像，所述第一测试图像和第二测试图像均设置有对应每个知识点的区域；图像合并模块，用于将所述第一测试图像和第二测试图像合并为学习成果图像；成果判定模块，将所述学习成果图像输入到预设的第一模型中，所述第一模型输出成绩预测结果，基于所述成绩预测结果判定是否进行复习；关联组合获取模块，若判定结果为需要复习，则基于预设的知识点关联关系，用于从学习成果图中获取相关联的知识点区域的像素值，基于每种知识点的关联组合的像素值构建对应个数的关联组合向量；复习计划获取模块，将多个所述关联组合向量输入到预设的第二模型中，所述第二模型输出待复习的知识点关联组合，基于待复习的知识点关联组合输出复习计划。

技术总结
本发明提供一种个性化线上教育方法及系统，所述方法的步骤包括：获取初次学习一个知识点后的第一测试结果和完成一个知识单元的第二测试结果，构建第一测试图像和第二测试图像，所述第一测试图像和第二测试图像均设置有对应每个知识点的区域；将所述第一测试图像和第二测试图像合并为学习成果图像；并输入到预设的第一模型中，输出成绩预测结果，基于成绩预测结果判定是否进行复习；若需要复习，则从学习成果图中获取相关联的知识点区域的像素值，基于每种知识点的关联组合的像素值构建对应个数的关联组合向量；将多个所述关联组合向量输入到预设的第二模型中，第二模型输出待复习的知识点关联组合，基于待复习的知识点关联组合输出复习计划。组合输出复习计划。组合输出复习计划。


技术研发人员：李燕玲
受保护的技术使用者：沈阳威振网络科技文化有限公司
技术研发日：2023.07.30
技术公布日：2023/10/8