音乐基础知识自适应测评方法、装置、设备及存储介质 |
|||||||
申请号 | CN202310660037.6 | 申请日 | 2023-06-05 | 公开(公告)号 | CN117095578A | 公开(公告)日 | 2023-11-21 |
申请人 | 平安科技(深圳)有限公司; | 发明人 | 奚悦; 潘芸倩; 吴伟杰; 黄莹; 张晓永; 王耀; 谭韬; 陈又新; | ||||
摘要 | 本 发明 涉及 人工智能 技术,揭露了一种音乐 基础 知识自适应测评方法,包括:根据考级级别从预设题库中选择预设数量的试题进行测试,得到初步作答情况;综合历史作答情况及初步作答情况,得到更新作答情况;根据更新作答情况,分析用户已答题对应题目类型的能 力 估计值;根据习题难度、习题猜测度及能力估计值,利用项目反应理论的测量模型,预测所有未答题目的回答正确率;根据预设 阈值 及所述回答正确率,确定用户的下一道题目,直至完成规定数量的题目,得到考级作答情况;分析考级作答情况,得到音乐基础知识考级测评结果。本发明还提出一种音乐基础知识自适应测评装置、 电子 设备以及存储介质。本发明可以提高音乐基础知识测评的效率及准确率。 | ||||||
权利要求 | 1.一种音乐基础知识自适应测评方法,其特征在于,所述方法包括: |
||||||
说明书全文 | 音乐基础知识自适应测评方法、装置、设备及存储介质技术领域背景技术[0002] 随着生活水平的提高,学习音乐的人越来越多,音乐基础知识考级数量也日益增加,且音乐基础知识较为零散,怎样快速准确的进行音乐基础知识的测评具有很重要的现实意义。 [0003] 当前音乐基础知识的测评的常识题采用笔试模式进行,音准题采用听力考试的模式,再采用人工或机器阅卷的方式,跟唱音谱题等需要发声的题,需考官提前选定题目一对一进行交流测评,最后由考官给出评分,当前这种测评方式即耗费人力,又不能避免主观认识的带入,耗费的测评时间过长;且学习者的水平是动态变化的,无法实现动态跟踪、帮助学习者在每个阶段保持最优的学习路径。 [0004] 综上所述,当前音乐基础知识测评的效率及准确率不高。 发明内容[0005] 本发明提供一种音乐基础知识自适应测评方法、装置及计算机可读存储介质,其主要目的在于解决解决音乐基础知识测评的效率及准确率较低的问题。 [0006] 为实现上述目的,本发明提供的一种音乐基础知识自适应测评方法,包括: [0007] 获取用户的基本信息,根据所述基本信息选择音乐基础知识考级级别; [0008] 根据所述考级级别从预设题库中选择预设数量的试题进行测试,得到初步作答情况; [0009] 获取所述用户的历史作答情况,综合所述历史作答情况及所述初步作答情况,得到更新作答情况; [0010] 根据所述更新作答情况,分析所述用户已答题对应题目类型的能力估计值; [0011] 获取所述预设题库中题目的习题难度及习题猜测度,根据所述习题难度、所述习题猜测度及所述能力估计值,利用项目反应理论的测量模型,预测所述用户在各个题目类型中所有未答题目的回答正确率; [0012] 根据预设阈值及所述回答正确率,确定所述所有未答题目的推荐分数,将所述推荐分数最高的未答题目作为所述用户的下一道题目,并将所述下一道题目的作答情况更新到所述更新作答情况中,返回所述根据所述更新作答情况,分析所述用户已答题对应题目类型的能力估计值的步骤,适应性推荐下一道题目,直至完成规定数量的题目,得到考级作答情况; [0013] 分析所述考级作答情况,得到音乐基础知识考级测评结果。 [0014] 可选地,所述根据所述更新作答情况,分析所述用户已答题对应题目类型的能力估计值,包括: [0015] 根据所述更新作答情况,统计各个题目类型的做题结果、获取已答题的难易度、统计所述已答题的做题时长及计算所述预设题库中所有题目的区分度; [0016] 根据所述做题结果、所述难易度及所述做题时长对所述已答题赋予题目权重; [0017] 根据所述题目权重及所述做题结果,利用贝叶斯期望后验参数估计法计算所述用户已答题对应题目类型的能力估计值。 [0018] 可选地,所述根据所述题目权重及所述做题结果,利用贝叶斯期望后验估计法计算所述用户已答题对应题目类型的能力估计值,包括: [0019] 根据所述做题结果计算出初步估计值; [0020] 利用预设项目反应原理模型计算出所述用户的答对应题目类型中任一题目的概率; [0021] 统计所述用户的已做题数量,根据所述初步估计值、所述区分度、所述难易度、所述已做题数量及所述答对应题目类型中任一题目的概率,利用贝叶斯期望后验估计法计算所述用户已答题对应题目类型的能力估计值。 [0022] 可选地,所述根据所述习题难度、所述习题猜测度及所述能力估计值,利用项目反应理论的测量模型,预测所述用户在各个题目类型中所有未答题目的回答正确率,包括: [0023] 根据所述习题难度、所述习题猜测度及所述能力估计值,利用如下项目反应理论的测量模型,预测所述用户在各个题目类型中所有未答题目的回答正确率: [0024] [0025] 其中,i表示第i个未答题目;pi(θ)表示第i个未答题目的回答正确率;θ表示所述能力估计值;ci表示第i个未答题的习题猜测度;yi表示第i个未答题的区分度;xi表示第i个未答题的难易度;d表示常数。 [0026] 可选地,所述分析所述考级作答情况,得到音乐基础知识考级测评结果,包括: [0027] 根据所述考级作答情况与所述预设题库中预设答案进行匹配,得到音乐基础知识考级测评分数; [0028] 根据所述考级作答情况,分析所述用户的音准识别、节奏识别、符号认识、音程听辨及乐器尝试维度的维度得分,根据所述维度得分绘制维度雷达图; [0029] 利用泊松分布公式计算所述用户在各个预设用户画像维度的先验分布值; [0030] 根据所述已做题数量、所述先验分布值、所述区分度及所述难易度,利用贝叶斯期望后验估计法计算所述用户在各个预设用户画像维度的匹配估计值; [0031] 计算所述匹配估计值的标准差,将所述标准值最接近预设用户画像收敛阈值的维度作为用户画像目标维度; [0032] 提取所述考级作答情况及所述基本信息中的关键词,根据所述关键词及所述用户画像目标维度构建用户画像; [0033] 综合所述音乐基础知识考级测评分数、所述维度雷达图及所述用户画像,得到音乐基础知识考级测评结果。 [0034] 可选地,所述根据所述考级级别从预设题库中选择预设数量的试题进行测试,得到初步作答情况,包括: [0035] 对预设题库按照音乐基础知识特性进行分类,得到题目类型; [0036] 根据所述考级级别,随机从所述预设题库的各个题目类型中选出预设数量的不重复试题进行测试,得到初步作答情况。 [0037] 可选地,所述对预设题库按照音乐基础知识特性进行分类,得到题目类型,包括: [0038] 对所述预设题库中题目进行分词及量化处理,得到题目向量序列; [0039] 利用预训练完成的Bert模型中Embedding层提取所述题目向量序列的嵌入向量及位置向量; [0040] 利用所述预训练完成的Bert模型中Transformer层的自注意力机制调整所述嵌入向量及所述位置向量的权重,得到带权重的嵌入向量及位置向量; [0041] 利用所述预训练完成的Bert模型中Transformer层对所述带权重的嵌入向量及位置向量进行矩阵运算,得到注意力文本向量; [0042] 利用所述预训练完成的Bert模型中全连接层将所述注意力文本向量进行分类,得到所述预设题库中题目的题目类型。 [0043] 为了解决上述问题,本发明还提供一种音乐基础知识自适应测评装置,所述装置包括: [0044] 初步测试模块,用于获取用户的基本信息,根据所述基本信息选择音乐基础知识考级级别;根据所述考级级别从预设题库中选择预设数量的试题进行测试,得到初步作答情况; [0045] 能力估计模块,用于获取所述用户的历史作答情况,综合所述历史作答情况及所述初步作答情况,得到更新作答情况;根据所述更新作答情况,分析所述用户已答题对应题目类型的能力估计值; [0046] 回答正确率预测模块,用于获取所述预设题库中题目的习题难度及习题猜测度,根据所述习题难度、所述习题猜测度及所述能力估计值,利用项目反应理论的测量模型,预测所述用户在各个题目类型中所有未答题目的回答正确率; [0047] 题目推荐模块,用于根据预设阈值及所述回答正确率,确定所述所有未答题目的推荐分数,将所述推荐分数最高的未答题目作为所述用户的下一道题目,并将所述下一道题目的作答情况更新到所述更新作答情况中,返回所述根据所述更新作答情况,分析所述用户已答题对应题目类型的能力估计值的步骤,适应性推荐下一道题目,直至完成规定数量的题目,得到考级作答情况; [0048] 考级测评模块,用于分析所述考级作答情况,得到音乐基础知识考级测评结果。 [0049] 为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括: [0050] 至少一个处理器;以及, [0051] 与所述至少一个处理器通信连接的存储器;其中, [0052] 所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的音乐基础知识自适应测评方法。 [0053] 为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的音乐基础知识自适应测评方法。 [0054] 本发明实施例通过根据所述考级级别从预设题库中选择预设数量的试题进行测试,得到初步作答情况,获取所述用户的历史作答情况,综合所述历史作答情况及所述初步作答情况,得到更新作答情况,可以不断更新所述用户的作答情况,得到所述用户最新的音乐基础知识考级的情况,实时精准定位测评效果最好的题目,有利于提高音乐基础知识测评的准确度,进一步地,根据所述更新作答情况,分析所述用户已答题对应题目类型的能力估计值,能够评估所述用户在对应题目类型的能力水平,有利于自适应的根据能力估计值推荐题目;最后,根据所述习题难度、所述习题猜测度及所述能力估计值,利用项目反应理论的测量模型,预测所述用户在各个题目类型中所有未答题目的回答正确率,根据预设阈值及所述回答正确率,确定所述所有未答题目的推荐分数,将所述推荐分数最高的未答题目作为所述用户的下一道题目,分析所述考级作答情况,得到音乐基础知识考级测评结果,根据用户当前已答题目的情况,自适应推荐当前最能影响定级水平的题目,且无需人工根据试题选择,有利于提高音乐基础知识测评的效率及准确率。因此本发明提出的音乐基础知识自适应测评方法、装置、电子设备及计算机可读存储介质,可以解决音乐基础知识测评的效率及准确率较低的问题。附图说明 [0055] 图1为本发明一实施例提供的音乐基础知识自适应测评方法的流程示意图; [0056] 图2为图1所示音乐基础知识自适应测评方法中其中一个步骤的详细实施流程示意图; [0057] 图3为图1所示音乐基础知识自适应测评方法中其中另一个步骤的详细实施流程示意图; [0058] 图4为本发明一实施例提供的音乐基础知识自适应测评装置的功能模块图; [0059] 图5为本发明一实施例提供的实现所述音乐基础知识自适应测评方法的电子设备的结构示意图。 [0060] 本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。 具体实施方式[0061] 应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。 [0062] 本申请实施例提供一种音乐基础知识自适应测评方法。所述音乐基础知识自适应测评方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述音乐基础知识自适应测评方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。 [0063] 参照图1所示,为本发明一实施例提供的音乐基础知识自适应测评方法的流程示意图。在本实施例中,所述音乐基础知识自适应测评方法包括: [0064] S1、获取用户的基本信息,根据所述基本信息选择音乐基础知识考级级别。 [0065] 本发明实施例中,所述用户的基本信息包含用户姓名、准考证号、已考级级别,待考级级别,还可以包括用户是否在备考音乐基础知识、学习乐器的时长及种类、音乐教育投入成本等咨询类信息。 [0066] 本发明实施例中,根据所述基本信息中待考级级别选择音乐基础知识考级级别。 [0067] S2、根据所述考级级别从预设题库中选择预设数量的试题进行测试,得到初步作答情况。 [0068] 本发明实施例中,可以随机从每种题目类型的题库中选出3个不重复试题进行测试,得到初步作答情况。 [0069] 本发明实施例中,所述预设题库中包含题目及题目对应的答案。 [0070] 本发明事实例中,所述初步作答情况包括:已答题目的习题难度、做题结果及做题时长等信息。 [0071] 详细地,所述S2包括: [0072] 对预设题库按照音乐基础知识特性进行分类,得到题目类型; [0073] 根据所述考级级别,随机从所述预设题库的各个题目类型中选出预设数量的不重复试题进行测试,得到初步作答情况。 [0074] 本发明实施例中,所述题目类型包括音准题、音乐常识题、跟唱音谱题。 [0075] 进一步地,所述对预设题库按照音乐基础知识特性进行分类,得到题目类型,包括: [0076] 对所述预设题库中题目进行分词及量化处理,得到题目向量序列; [0077] 利用预训练完成的Bert模型中Embedding层提取所述题目向量序列的嵌入向量及位置向量; [0078] 利用所述预训练完成的Bert模型中Transformer层的自注意力机制调整所述嵌入向量及所述位置向量的权重,得到带权重的嵌入向量及位置向量; [0079] 利用所述预训练完成的Bert模型中Transformer层对所述带权重的嵌入向量及位置向量进行矩阵运算,得到注意力文本向量; [0080] 利用所述预训练完成的Bert模型中全连接层将所述注意力文本向量进行分类,得到所述预设题库中题目的题目类型。 [0081] 本发明实施例中,所述预训练完成的Bert(BidirectionalEncoder Representations from Transformer,双向编码器)模型包含Embedding层、Transformer层及全连接层,其中所述全连接层数与所述题目类型的种数相同,为3层。 [0082] 本发明实施例中,从预设题库中选择预设数量的试题进行测试,得到初步作答情况,可以根据初步作答情况,判断所述用户的能力情况,根据所述能力情况自适应的从预设题库中选择合适的题目进行测试。 [0083] S3、获取所述用户的历史作答情况,综合所述历史作答情况及所述初步作答情况,得到更新作答情况。 [0084] 本发明实施中,当当前音乐基础知识考级系统中存在当前用户当前级别的做题记录时,将所述历史作答情况与所述初步作答情况进行融合,得到更新作答情况,可以不断更新所述用户的作答情况,得到所述用户最新的音乐基础知识考级的情况,实时精准定位测评效果最好的题目,有利于提高音乐基础知识测评的准确度。 [0085] S4、根据所述更新作答情况,分析所述用户已答题对应题目类型的能力估计值。 [0086] 详细地,参阅图2所示,所述S4包括: [0087] S41、根据所述更新作答情况,统计各个题目类型的做题结果、获取已答题的难易度、统计所述已答题的做题时长及计算所述预设题库中所有题目的区分度; [0088] S42、根据所述做题结果、所述难易度及所述做题时长对所述已答题赋予题目权重; [0089] S43、根据所述题目权重及所述做题结果,利用贝叶斯期望后验参数估计法计算所述用户已答题对应题目类型的能力估计值。 [0090] 本发明实施例中所述做题结果为用户做题分数(正确为1,错误为0),包括每个已做题的得分及所有已做题的得分之和。 [0091] 本发明实施例中,所述难易度可以为根据经验得到的题目的难易程度。 [0092] 本发明实施例中,可以根据所述已答题目中答对的题目对应题目类型的平均等级、所述已答题目中答错的题目对应题目类型的平均等级、所有题目类型的等级标准差及所述已答题目中答对的题目被试占总被试人数比率,计算得到所述已答题的区分度,所述区分度表现的为题目等级的区分程度。 [0093] 详细地,所述S43,包括: [0094] 据所述做题结果计算出初步估计值; [0095] 本发明实施例中,可以利用下述公式计算初步估计值: [0096] [0097] 利用预设项目反应原理模型计算出所述用户的答对应题目类型中任一题目的概率; [0098] 统计所述用户的已做题数量,根据所述初步估计值、所述区分度、所述难易度、所述已做题数量及所述答对应题目类型中任一题目的概率,利用贝叶斯期望后验估计法计算所述用户已答题对应题目类型的能力估计值。 [0099] 本发明实施例中,可以利用下述公式计算所述用户已答题对应题目类型的能力估计值: [0100] [0101] 其中,θ0表示所述初步估计值;L表示所述已做题数量;i表示第i个所述已做题;θL‑1表示所述θL的上一次能力估计值; 表示所述答对应题目类型中任一题目的概率; xi表示第i个已答题的难易度;yi表示第i个已答题的区分度。 [0102] 本发明实施例中,所述根据所述更新作答情况,分析所述用户已答题对应题目类型的能力估计值,能够评估所述用户在对应题目类型的能力水平,有利于自适应的根据能力估计值推荐题目。 [0103] S5、获取所述预设题库中题目的习题难度及习题猜测度,根据所述习题难度、所述习题猜测度及所述能力估计值,利用项目反应理论的测量模型,预测所述用户在各个题目类型中所有未答题目的回答正确率。 [0104] 本发明实施例中,所述习题猜测度为能力很低的受试者答对某试题的机率,所述习题猜测度的范围介于0至1之间。 [0105] 详细地,S5中所述根据所述习题难度、所述习题猜测度及所述能力估计值,利用项目反应理论的测量模型,预测所述用户在各个题目类型中所有未答题目的回答正确率,包括: [0106] 根据所述习题难度、所述习题猜测度及所述能力估计值,利用如下项目反应理论的测量模型,预测所述用户在各个题目类型中所有未答题目的回答正确率: [0107] [0108] 其中,i表示第i个未答题目;pi(θ)表示第i个未答题目的回答正确率;θ表示所述能力估计值;ci表示第i个未答题的习题猜测度;yi表示第i个未答题的区分度;xi表示第i个未答题的难易度;d表示常数。 [0109] 本发明实施例中,d表示常数1.702。 [0110] 本发明实施例中,根据所述习题难度、所述习题猜测度及所述能力估计值,利用项目反应理论的测量模型,预测所述用户在各个题目类型中所有未答题目的回答正确率,能够更好的将用户跟题目进行匹配,更能反应用户的定级水平,有利于提升音乐基础知识测评准确率。 [0111] S6、根据预设阈值及所述回答正确率,确定所述所有未答题目的推荐分数,将所述推荐分数最高的未答题目作为所述用户的下一道题目,并将所述下一道题目的作答情况更新到所述更新作答情况中。 [0112] 本发明实施例中,所述回答正确率越接近所述预设阈值时,对应未答题目的推荐分数越高,将所述推荐分数最高的未答题目作为所述用户的下一道题目。 [0113] 本发明实施例中,根据用户当前已答题目的情况,自适应推荐当前最能影响定级水平的题目,且无需人工根据试题选择,有利于提高音乐基础知识测评的效率及准确率。 [0114] S7、判断所述用户的已做题数量是否达到规定数量。 [0115] 本发明实施例中,所述规定数量为音乐基础知识考级的规定的题目数量。 [0116] 当所述用户的已做题数量未达到规定数量时,返回所述S4的步骤,直至完成规定数量的题目; [0117] 当所述用户的已做题数量达到规定数量时,S8、得到考级作答情况。 [0118] S9、分析所述考级作答情况,得到音乐基础知识考级测评结果。 [0119] 详细地,参阅图3所示,所述S9包括: [0120] S91、根据所述考级作答情况与所述预设题库中预设答案进行匹配,得到音乐基础知识考级测评分数; [0121] S92、根据所述考级作答情况,分析所述用户的音准识别、节奏识别、符号认识、音程听辨及乐器尝试维度的维度得分,根据所述维度得分绘制维度雷达图; [0122] S93、利用泊松分布公式计算所述用户在各个预设用户画像维度的先验分布值; [0123] S94、根据所述已做题数量、所述先验分布值、所述区分度及所述难易度,利用贝叶斯期望后验估计法计算所述用户在各个预设用户画像维度的匹配估计值; [0124] S95、计算所述匹配估计值的标准差,将所述标准值最接近预设用户画像收敛阈值的维度作为用户画像目标维度; [0125] S96、提取所述考级作答情况及所述基本信息中的关键词,根据所述关键词及所述用户画像目标维度构建用户画像; [0126] S97、综合所述音乐基础知识考级测评分数、所述维度雷达图及所述用户画像,得到音乐基础知识考级测评结果。 [0127] 本发明实施例中,所述泊松分布公式是一种统计与概率学里统计离散概率分布的函数。 [0128] 本发明实施例中,所述用户画像可以包含用户的乐器学习种类与年限、音乐基础知识水平等维度的信息,可以助力相关机构/代理人进行乐器、理财产品、保险产品销售等场景,实现营收增长。 [0129] 本发明实施例通过根据所述考级级别从预设题库中选择预设数量的试题进行测试,得到初步作答情况,获取所述用户的历史作答情况,综合所述历史作答情况及所述初步作答情况,得到更新作答情况,可以不断更新所述用户的作答情况,得到所述用户最新的音乐基础知识考级的情况,实时精准定位测评效果最好的题目,有利于提高音乐基础知识测评的准确度,进一步地,根据所述更新作答情况,分析所述用户已答题对应题目类型的能力估计值,能够评估所述用户在对应题目类型的能力水平,有利于自适应的根据能力估计值推荐题目;最后,根据所述习题难度、所述习题猜测度及所述能力估计值,利用项目反应理论的测量模型,预测所述用户在各个题目类型中所有未答题目的回答正确率,根据预设阈值及所述回答正确率,确定所述所有未答题目的推荐分数,将所述推荐分数最高的未答题目作为所述用户的下一道题目,分析所述考级作答情况,得到音乐基础知识考级测评结果,根据用户当前已答题目的情况,自适应推荐当前最能影响定级水平的题目,且无需人工根据试题选择,有利于提高音乐基础知识测评的效率及准确率。因此本发明提出的音乐基础知识自适应测评方法,可以解决音乐基础知识测评的效率及准确率较低的问题。 [0130] 如图4所示,是本发明一实施例提供的音乐基础知识自适应测评装置的功能模块图。 [0131] 本发明所述音乐基础知识自适应测评装置100可以安装于电子设备中。根据实现的功能,所述音乐基础知识自适应测评装置100可以包括初步测试模块101、能力估计模块102、回答正确率预测模块103、题目推荐模块104及考级测评模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。 [0132] 在本实施例中,关于各模块/单元的功能如下: [0133] 所述初步测试模块101,用于获取用户的基本信息,根据所述基本信息选择音乐基础知识考级级别;根据所述考级级别从预设题库中选择预设数量的试题进行测试,得到初步作答情况; [0134] 所述能力估计模块102,用于获取所述用户的历史作答情况,综合所述历史作答情况及所述初步作答情况,得到更新作答情况;根据所述更新作答情况,分析所述用户已答题对应题目类型的能力估计值; [0135] 所述回答正确率预测模块103,用于获取所述预设题库中题目的习题难度及习题猜测度,根据所述习题难度、所述习题猜测度及所述能力估计值,利用项目反应理论的测量模型,预测所述用户在各个题目类型中所有未答题目的回答正确率; [0136] 所述题目推荐模块104,用于根据预设阈值及所述回答正确率,确定所述所有未答题目的推荐分数,将所述推荐分数最高的未答题目作为所述用户的下一道题目,并将所述下一道题目的作答情况更新到所述更新作答情况中,返回所述根据所述更新作答情况,分析所述用户已答题对应题目类型的能力估计值的步骤,适应性推荐下一道题目,直至完成规定数量的题目,得到考级作答情况; [0137] 所述考级测评模块105,用于分析所述考级作答情况,得到音乐基础知识考级测评结果。 [0138] 详细地,本发明实施例中所述音乐基础知识自适应测评装置100中所述的各模块在使用时采用与上述图1至图3中所述的音乐基础知识自适应测评方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。 [0139] 如图5所示,是本发明一实施例提供的实现音乐基础知识自适应测评方法的电子设备的结构示意图。 [0141] 其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行音乐基础知识自适应测评程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。 [0142] 所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如音乐基础知识自适应测评程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。 [0143] 所述通信总线12可以是外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。 [0144] 所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI‑FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light‑Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。 [0145] 图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。 [0146] 例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi‑Fi模块等,在此不再赘述。 [0148] 所述电子设备1中的所述存储器11存储的音乐基础知识自适应测评程序是多个指令的组合,在所述处理器10中运行时,可以实现: [0149] 获取用户的基本信息,根据所述基本信息选择音乐基础知识考级级别; [0150] 根据所述考级级别从预设题库中选择预设数量的试题进行测试,得到初步作答情况; [0151] 获取所述用户的历史作答情况,综合所述历史作答情况及所述初步作答情况,得到更新作答情况; [0152] 根据所述更新作答情况,分析所述用户已答题对应题目类型的能力估计值; [0153] 获取所述预设题库中题目的习题难度及习题猜测度,根据所述习题难度、所述习题猜测度及所述能力估计值,利用项目反应理论的测量模型,预测所述用户在各个题目类型中所有未答题目的回答正确率; [0154] 根据预设阈值及所述回答正确率,确定所述所有未答题目的推荐分数,将所述推荐分数最高的未答题目作为所述用户的下一道题目,并将所述下一道题目的作答情况更新到所述更新作答情况中,返回所述根据所述更新作答情况,分析所述用户已答题对应题目类型的能力估计值的步骤,适应性推荐下一道题目,直至完成规定数量的题目,得到考级作答情况; [0155] 分析所述考级作答情况,得到音乐基础知识考级测评结果。 [0156] 具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。 [0157] 进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的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可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read‑Only Memory)。 [0158] 本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现: [0159] 获取用户的基本信息,根据所述基本信息选择音乐基础知识考级级别; [0160] 根据所述考级级别从预设题库中选择预设数量的试题进行测试,得到初步作答情况; [0161] 获取所述用户的历史作答情况,综合所述历史作答情况及所述初步作答情况,得到更新作答情况; [0162] 根据所述更新作答情况,分析所述用户已答题对应题目类型的能力估计值; [0163] 获取所述预设题库中题目的习题难度及习题猜测度,根据所述习题难度、所述习题猜测度及所述能力估计值,利用项目反应理论的测量模型,预测所述用户在各个题目类型中所有未答题目的回答正确率; [0164] 根据预设阈值及所述回答正确率,确定所述所有未答题目的推荐分数,将所述推荐分数最高的未答题目作为所述用户的下一道题目,并将所述下一道题目的作答情况更新到所述更新作答情况中,返回所述根据所述更新作答情况,分析所述用户已答题对应题目类型的能力估计值的步骤,适应性推荐下一道题目,直至完成规定数量的题目,得到考级作答情况; [0165] 分析所述考级作答情况,得到音乐基础知识考级测评结果。 [0166] 在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。 [0167] 所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。 [0168] 另外,在本发明各个实施例中的各功能模块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,也可以采用硬件加软件功能模块的形式实现。 [0169] 对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。 [0170] 因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。 [0171] 本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。 [0172] 本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。 [0173] 此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。 [0174] 最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。 |