本发明属于计算机应用技术领域，具体涉及一种小规模移动端课堂教学系统中的习题个性化匹配方法。
背景技术：
互联网的飞速发展，一方面使得信息呈现爆炸式增长，人们对信息的需求越来越多样化。另一方面也为教育的发展提供了新的平台，催生出在线教育这样一种新的产业形态。
高校教育信息化也得到了巨大的提升。“互联网+”这一模式正进入各行各业，在线教学行业也是如此。随着社会的大力发展和无线网络的全面普及，以及“互联网+”的推进，在线教学课堂应运而生。在线教学课堂就是通过“互联网+教育”，运用更优质的学习资源，利用智能终端工具进行信息推送、记录学习轨迹、进行学习成果评价；通过互动设备建立学习社群，使教学者和学习者之间以及学习者与学习者之间能够有效地互动；同时建立平台，为教师的教学社群提供支持，使教学者可以共同研究教学内容、学习方式、教学方式、学习资源和学习工具。在线教学课堂教学模式对高校的长期发展具有重要的战略意义。在校园教学的过程里，在线教学课堂已经越来越普及于高校教学中，各类课堂教学平台已广泛应用于教师的教学过程中。
目前，教师们可以使用课堂教学平台完成课前点名、课中习题测试、课后作业等事项，大大减轻了教学压力、提高了教学效率。然而，简单的课堂教学平台已经渐渐不能满足信息化教学的高速发展。我们正步入大数据时代，传统的教学模式已无法适应数据的爆炸增长，大数据其对学习情况精确的诊断、个性化学习方案的分析以及智能学习方案的决策都给教育带来了全新的发展。本文提出的小规模移动端课堂教学系统中的习题个性化匹配方法正是大数据教育下的产物，它将大数据与高校课堂教育相结合，给课堂教学以一种全新的方式，是教育方式的一场变革。
在小规模移动端课堂教学系统应用过程中，存在分阶段向学生推送练习习题的需求。一般而言，在学生刚开始使用该系统时，需要一个适应学习的过程，主要练习的是基础习题；而随着学习的深入，需要针对错题(对应薄弱的知识点)进行强化；最后需要进行难点攻关，练习一些普遍容易出错的高难度习题。然而，如何根据这种学习模式设置习题的个性化匹配方法，目前仍然没有简单可行的技术出现。
技术实现要素：
本发明的目的是克服现有技术的不足，提供一种移动端课堂教学系统中的习题个性化匹配方法。
移动端课堂教学系统中的习题个性化匹配方法，其包括如下步骤：
1)收集历年用户在习题库中随机练习所保存的习题测试正误情况数据，并将其导入数据库作为移动端课堂教学系统的习题匹配模型的初始数据源；同时，在移动端课堂教学系统后续使用过程中，习题匹配模型不断记录该用户以及与该用户隶属同一班级的其他所有用户在习题练习过程中各道习题的正误情况，并实时更新至数据库中；
2)在用户初始使用移动端课堂教学系统的第一阶段，习题匹配模型根据初始数据源计算每道习题的错误率，然后从错误率低于第一阈值的习题集之中选择若干道习题推送给用户端；
3)在用户完成第一阶段进入第二阶段时，习题匹配模型基于根据初始数据源计算得到的每道习题的错误率，从错误率高于第一阈值但低于第二阈值的习题集之中，选择若干道习题推送给用户端；同时，采用相似题聚类算法，计算与该用户当前或历史做错的习题相似的其他习题，并从相似习题集中至少选择一道最相似的习题推送给用户端；
4)在用户完成第二阶段进入第三阶段时，习题匹配模型选取与该用户隶属同一班级的所有用户在习题练习过程中错误率最高的若干道习题，并将其推送至用户端。
本发明将被管理的小规模教学系统历年所产生的教学数据看作习题匹配模型的数据源，通过数据模型分析建立班级个性化学习模型。习题个性化匹配过程中将一个完整的学习周期分为三个阶段，每个阶段采用不同的匹配算法。习题个性化匹配模型可以为每一个班级建立班级个性化学习模型，帮助教师根据模型内容精准化的对每一个不同的班级实施针对性教学。
作为优选，所述的移动端课堂教学系统是以移动终端为依托，以云服务器为后台的教学系统。
作为优选，所述的第一阶段、第二阶段和第三阶段之间的切换，是由用户已练习的习题道数达到预设阈值道数或者用户已练习天数达到预设阈值天数来触发的。
作为优选，所述的最相似的习题的推送是根据用户端接收到的推送请求触发的。
作为优选，所述的相似题聚类算法如下：
将任意两道题之间的相关性系数预置为相同数值，然后基于所述的初始数据源分析单个用户的习题测试正误情况数据，若该用户在测试过程中两道题同时出错，则对该两道题的相关性系数做加1处理；遍历历年所有用户的习题测试正误情况数据，得到任意两道题之间的相关性系数，两道题之间的相关性与相关性系数呈正比。
作为优选，在第二阶段，习题匹配模型在推送习题的多次推送过程中，除了推送错误率低于第一阈值的习题之外，还不断增加错误率高于所述第二阈值的习题比例。
本发明为智能化为学生推送习题提出了一种小规模移动端课堂教学系统中的习题个性化匹配方法。针对当代课堂教学设备管理需求，采用分段式推送和相似题聚类算法，实现了习题智能化推送的目的。本发明将学生分为三个阶段提供不同的习题智能化推送方法，大大提高了教师的教学效率，满足了新一代小规模课堂在线教学的需求。
附图说明
图1是数据库数据导出流程图；
图2是相似题聚类算法结果在教学平台系统中的具体呈现方式图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。
本发明中小规模移动端课堂教学系统是以移动终端为依托包括以安卓与ios系统为基础的各类手机平板设备，以云服务器为后台的简易便携个性化教学系统，应用于高校教师小规模课堂教学。其中内置有习题训练模块，模块中内置有习题库，可以以试卷的方式智能地向学生推送习题进行训练。习题的推送有两种模式，一种为随机推送，另一种为分阶段推送。随机推送模式下，每次从习题库中选取一定数量的习题，推送给学生进行测试训练，并记录每个学生对每道习题的测试结果、正误情况，该数据由于具有样本随机性，因此可以用于统计分析。另一种分阶段推送模式即本发明的主要改进，主要用于满足个性化的智能的习题推送需求。下面详细阐述该方法的实现：
小规模移动端课堂教学系统中的习题个性化匹配方法包括如下步骤：
1)建立数据库，存储该小规模教学系统的历年学生在随机推送模式下获得的习题测试正误情况数据，作为移动端课堂教学系统的习题匹配模型的初始数据源，以通过数据模型分析建立班级个性化学习模型。该数据源的样本量应足够大，以满足统计分析的要求。
同时，在移动端课堂教学系统后续使用过程中，习题匹配模型不断记录该所有使用该系统的用户的信息以及习题测试结果数据，并实时记录于数据库中。习题个性化匹配过程中将一个完整的学习周期分为三个阶段，每个阶段采用不同的匹配算法。
2)第一阶段的学生为初学者，无做题记录。因此以用户初始使用移动端课堂教学系统开始作为第一阶段。习题匹配模型根据初始数据源计算习题库中每道习题的错误率，然后将其按照错误率从低到高分为多个难度梯度。在第一阶段从错误率低于第一阈值的习题集之中选择若干道习题作为最易题，推送给用户端。由此，通过将初次接受本课程学习的学生归类为第一阶段，模型可以为学生推送历年低错误率习题，帮助学生掌握课程基础知识，达到快速入门的效果。
3)在学生完成第一阶段进入第二阶段时，习题匹配模型基于根据初始数据源计算得到的每道习题的错误率，从错误率高于第一阈值但低于第二阈值的习题集之中，选择若干道习题作为中等题推送给用户端。相比于第一阶段，此时推送的习题难度开始提升。而且在该阶段中，随着学习的不断深入，习题匹配模型在推送习题的后续推送过程中，除了推送错误率低于第一阈值的习题之外，还不断逐次增加错误率高于第二阈值的习题(即更难的习题)比例。
另外，由于数据库中已经保存了该学生在习题测试过程中的正误情况，可以初步了解到该学生的错误试题分布情况。因此此时需要采用相似题聚类算法，计算并找出与该用户当前或历史做错的习题相似的其他习题，并从相似习题集中至少选择一道最相似的习题推送给用户端。通过为学生推送错题相似题，可以帮助学生强化学习自己未很好掌握的知识，帮助学生补齐知识点短板。但与错误习题相似的习题推送，可以是系统自动推送，也可以在错误习题下方设置按钮供用户主动点击，然后根据用户请求进行推送。
4)在用户完成第二阶段进入第三阶段时，习题匹配模型选取与该用户隶属同一班级的所有用户在习题练习过程中错误率最高的若干道习题，并将其推送至用户端。进入第三阶段的学生，已经对做了大量习题并针对知识点短板进行了补充，因此本阶段的学生已对课程所有基础知识点有了很好的掌握，此时模型为学生推送本班本学期的高错误率题，帮助学生对课程知识点有更好更深的理解。
在上述实现方式中，不同阶段的切换可以采用多种方式来实现：
一种是通过设置已练习习题的阈值，当学生已练习一定数量的习题后，即可进入下一模式。另一种是通过设置时间段的形式，可以将一个学期设置若干个时间节点，当到达某一时间节点时，进入下一阶段。当然，也可以通过由教师等管理人员根据学生的情况人工进行调整。
另外，相似题聚类算法可以采用k-means聚类算法或者语义识别等方式来实现。但本发明中，考虑到习题中可能存在大量的公式等无法识别的文字，常规的聚类算法难以实现该相似性匹配功能，因此采用另一种相似性算法，其实现方法为：
将任意两道题之间的相关性系数预置为相同数值，然后基于前述的初始数据源分析单个用户的习题测试正误情况数据，若该用户在测试过程中两道题同时出错，则对该两道题的相关性系数做加1处理；遍历历年所有用户的习题测试正误情况数据，得到任意两道题之间的相关性系数，两道题之间的相关性与相关性系数呈正比。当接到请求需要推送与某一习题最相关的习题时，即可取出与该习题的相关性系数最大的另一习题，推送至用户端。
下面基于该方法，结合实施例来详细阐述本发明的具体实现方式。其中主要的实现方式如前所述，不再赘述，仅结合附图来展示部分细节和效果。
实施例
接下来以我们所开发的c语言教学平台为例，具体介绍小规模移动端课堂教学系统中的习题个性化匹配方法的实施方式：
我们将被管理的c语言教学平台看作习题个性化匹配模型的数据来源，如图1所示，通过选择具有完整数据记录的班级，将系统历史数据库中多年存储的随机推送模式下学生的习题测试数据导出，用于建立数据库，进行后续的习题个性化匹配。
由于教学周为18周，模型将前三周的学生分为第一阶段，三到十五周的学生分为第二阶段，十五到十八周的学生分为第三阶段，根据阶段的不同自动导入习题个性化匹配模型对应的三个模块中。
习题个性化匹配方法将初次接受本课程学习的学生归类为第一阶段。如表1所示，模型中的统计模块将统计所有题目的正确率，将正确率进行排序从而将题目分为最易题、中等题、次难题和最难题四个部分，在第一阶段中模型为学生推送历年试题中的最易题，帮助学生掌握课程基础知识，达到快速入门的效果。
表1习题按正确率分级情况
第三周，学生已完成一定数量的习题训练，即进入第二阶段，此时开始向学生推送表1中的中等题，增加难度。并在模型推送中等难度相似题的同时，根据学生答题情况逐渐增加次难题与最难题的比例，达到智能化推送知识点薄弱题的目的。另外，在此过程中，可设置错题记录页面，并在该页面的每道错题下方设置“尝试做相似题”的按钮，如图2所示。当学生点击该按钮时，通过相似题聚类算法，计算与该道习题相似的其他习题，并从相似习题集中选择一道或多道相似习题推送给用户端。
本实施例中，相似题聚类算法原理如下：一个学生在一张试卷上错了两个题，则这两道题目之间的相关性加一，单个学生必然会存在偶然性，但100个以上相同或不同年级的在校学生都同时错了这两个题，那么模型就认为，这两个题目考查的是同一个知识点，据此模型将其归为同一类。当收集的数量足够大时，习题个性化匹配模型完全可以测试出任意两道题目之间的相关性，为学生化推送错题高相关度的题目。本实施例中相似题聚类算法的实现方式为：一开始，将任意两道题之间的相关性系数均预置为0，然后基于前述随机推送模式下获得的初始数据源分析单个用户的习题测试正误情况数据，若该用户在一次习题测试中两道题同时出错，则对该两道题的相关性系数做加1处理；遍历所有用户的习题测试正误情况数据，得到任意两道题之间的相关性系数。然后选择相关性系数最大的一道作为最相关习题，相关性系数越小，相关性越低。
我们最终通过习题个性化匹配模型得出了不同试题之间的相关性。如图四，当学生做错某道题目时，模型将为学生推送其相关度最高的题目，达到智能化为学生推送知识点薄弱题的目的。
习题个性化匹配方法将期末阶段的学生分为第三阶段，算法模型通过weka和spssstatistics对学生的习题练习结果进行研究，通过收集全班本学期错题情况，每收集一个错误信息对目标题权重值进行加一处理，得出全班试题错误率排行榜，同时为学生推送最难题，达到攻坚复习的效果。
本发明为智能化为学生推送习题提出了一种小规模移动端课堂教学系统中的习题个性化匹配方法。针对当代课堂教学设备管理需求，实现了习题智能化推送的目的。本发明将学生分为三个阶段提供不同的习题智能化推送方法，大大提高了教师的教学效率，满足了新一代小规模课堂在线教学的需求。
虽然通过实施例描绘了本发明，本领域普通技术人员知道，本发明有许多变形和变化而不脱离本发明的精神，希望所附的权利要求包括这些变形和变化而不脱离本发明的精神。