一種答題分數的預測方法、系統、終端及伺服器與流程

2023-10-05 14:30:24

本發明涉及答題能力測評技術領域，特別涉及一種答題分數的預測方法、系統、終端及伺服器。

背景技術：

考試是現代生活中每個人都經歷過的一個過程，應試者往往會在考試之前對自己的能力進行模擬測試，而一個在線模擬測試系統成為了一個很重要的發展方向。在線模擬測試系統的題庫會累計大量的用戶做題數據，如何基於用戶的做題數據對用戶的考試成績給出儘量準確的預測是一個很有趣也很有實用價值的問題。現有技術中在線模擬測試的評分系統是基於用戶的答題數據計算用戶的正確率，並將用戶的正確率與考試的總分相乘，得到測試的分數。

在實現本發明的過程中，發明人發現至少存在如下問題：首先，現有技術中的正確率不能準確的反應有用戶的全部能力。因為用戶對一門考試有自己的理解，因此在對該門考試進行複習時，對多個考點的側重點就不同，所以在不同考點顯然就會有不同的正確率，而一個精確的模型應該考慮到用戶在不同考點的能力差異。其次，現有技術中的正確率並不能有效考慮的題目的難易程度。簡單說一個考生做難題有80％的正確率和一個考生做簡單題有80％的正確率，這兩個考生水平顯然是不同的。因此，在計算預測分數時，應當考慮難題和簡單題在考試中佔的權重。

技術實現要素：

本發明的目的是提供一種答題分數的預測方法、系統、終端及伺服器，通過採集用戶的答題數據，並從答題數據中獲取與每個知識類型對應的每個難度係數下的答對題目個數以及總題目個數，計算出答題正確率。通過預先設定的能力值映射表，將答題正確率映射為能力值。再將得到的能力值以及難度係數通過項目反映理論的模型計算出每個難度係數下的得分概率，基於得到的每個難度係數下的得分概率以及每個難度係數下的權重，計算得到每個知識類型的得分概率。再根據每個知識類型的得分概率以及每個知識類型的權重，計算得到總的得分概率。將總的得分概率與試題總分數做乘積得到預測答題分數。這樣得到的預測答題分數就是在考慮到不同知識類型的正確率不同，以及不同難度係數的權重不同，不同知識類型的權重不同。能夠更為精準的預測用戶的考試得分。

根據本發明實施例的一個方面：一種答題分數的預測方法，包括：當接收到某個用戶的預測分計算請求後，採集該用戶的答題數據；基於答題數據，獲取與每個知識類型對應的每個難度係數下的答對題目個數以及總題目個數；基於與每個知識類型對應的每個難度係數下的答對題目個數以及總題目個數計算與每個知識類型對應的每個難度係數的答題正確率；根據預設的能力值映射表，將每個答題正確率映射為一個能力值θ；基於每個能力值θ以及與每個能力值θ對應的難度係數值b，計算與每個知識類型對應的每個難度係數下的得分概率P難度；基於與每個知識類型對應的每個難度係數下得分概率P難度以及與每個知識類型對應的每個難度係數下的權重，計算每個知識類型的得分概率P考點；基於每個知識類型的得分概率P考點以及每個知識類型的權重，計算總得分概率P總；基於總得分概率P總以及試題總分數，預測答題分數。

進一步，所述計算與每個知識類型對應的每個難度係數下的得分概率P難度的方法為：根據項目反應理論的模型計算與每個知識類型對應的每個難度係數下的得分概率P難度。

進一步，計算與每個知識類型對應的每個難度係數下的權重方法為：獲取資料庫中每個知識類型下與每個難度係數對應的題目數；基於與每個知識類型對應的每個難度係數下的題目數，計算資料庫中的所有難度係數的題目總數；基於與每個知識類型對應的每個難度係數下的題目數以及所有難度係數的題目總數，計算與每個知識類型對應的每個難度係數的權重。

進一步，計算每個知識類型的權重方法為：獲取資料庫中每個知識類型的題目數；基於每個知識類型的題目數，計算資料庫中所有知識類型的題目總數；基於每個知識類型的題目數以及所有知識類型的題目總數，計算每個知識類型的權重。

根據本發明實施例的另一個方面，一種答題分數的預測系統，包括：採集模塊：用於當接收到某個用戶的預測分計算請求後，採集該用戶的答題數據；第一獲取模塊：用於基於答題數據，獲取與每個知識類型對應的每個難度係數下的答對題目個數以及總題目個數；正確率計算模塊：用於基於與每個知識類型對應的每個難度係數下的答對題目個數以及總題目個數計算與每個知識類型對應的每個難度係數的答題正確率；映射模塊：用於根據預設的能力值映射表，將每個答題正確率映射為一個能力值θ；第一概率計算模塊：用於基於每個能力值θ以及與每個能力值θ對應的難度係數值b，計算與每個知識類型對應的每個難度係數下的得分概率P難度；第二概率計算模塊：用於基於與每個知識類型對應的每個難度係數下得分概率P難度以及與每個知識類型對應的每個難度係數下的權重，計算每個知識類型的得分概率P考點；第三概率計算模塊：用於基於每個知識類型的得分概率P考點以及每個知識類型的權重，計算總得分概率P總；預測模塊：用於基於總得分概率P總以及試題總分數，預測答題分數。

進一步，所述第一概率計算模塊：根據項目反應理論的模型計算與每個知識類型對應的每個難度係數下的得分概率P難度。

進一步，所述系統還包括：第二獲取模塊：用於獲取資料庫中每個知識類型下與每個難度係數對應的題目數；第一統計模塊：用於基於與每個知識類型對應的每個難度係數下的題目數，計算資料庫中的所有難度係數的題目總數；第一權重計算模塊：用於基於與每個知識類型對應的每個難度係數下的題目數以及所有難度係數的題目總數，計算與每個知識類型對應的每個難度係數的權重。

進一步，所述系統還包括：第三獲取模塊：用於獲取資料庫中每個知識類型的題目數；第二統計模塊：用於基於每個知識類型的題目數，計算資料庫中所有知識類型的題目總數；第二權重計算模塊：用於基於每個知識類型的題目數以及所有知識類型的題目總數，計算每個知識類型的權重。

根據本發明實施例的又一個方面，一種終端，包括上述模塊的答題分數的預測系統。

根據本發明實施例的又一個方面，一種伺服器，包括上述模塊的答題分數的預測系統。

本發明實施例通過計算每個難度係數下的權重以及每個知識類型的權重。將兩種權重計算入預測答題分數。當採集到用戶的答題數據時，獲取與每個知識類型對應的每個難度係數下的答對題目個數以及總題目個數，計算出答題正確率。將正確率通過預設的能力值映射表映射為能力值，利用能力值與難度係數計算出每個難度係數下的得分概率，將每個難度係數下的得分概率根據每個難度係數下的權重重新分配得到每個知識類型的權重，將每個知識類型下的得分概率根據每個知識類型的權重重新分配得到總的得分概率。將總的得分概率與試題總分數做乘積得到預測答題分數。將每個難度係數下的權重以及每個知識類型的權重帶入到預測答題分數的過程中，能夠有效的考慮不同知識類型正確率不同，不同難度係數的權重不同，不同知識類型的權重不同，能夠根據用戶複習的側重點、答題的習慣，更為精準的預測用戶的考試得分。

附圖說明

圖1是本發明第一實施例提供的一種答題分數的預測方法的流程圖；

圖2是本發明第二實施例提供的一種答題分數的預測方法的流程圖；

圖3是本發明第三實施例提供的一種答題分數的預測方法的流程圖；

圖4是本發明第一實施例提供的一種答題分數的預測系統的模塊關係示意圖。

具體實施方式

為使本發明的目的、技術方案和優點更加清楚明了，下面結合具體實施方式並參照附圖，對本發明進一步詳細說明。應該理解，這些描述只是示例性的，而並非要限制本發明的範圍。此外，在以下說明中，省略了對公知結構和技術的描述，以避免不必要地混淆本發明的概念。

本發明的目的是提供一種答題分數的預測方法、系統、終端及伺服器。通過採集用戶的答題數據，並從答題數據中獲取與每個知識類型對應的每個難度係數下的答對題目個數以及總題目個數，計算出答題正確率。通過預先設定的能力值映射表，將答題正確率映射為能力值。再將得到的能力值以及難度係數通過項目反映理論的模型計算出每個難度係數下的得分概率，基於得到的每個難度係數下的得分概率以及每個難度係數下的權重，計算得到每個知識類型的得分概率。再根據每個知識類型的得分概率以及每個知識類型的權重，計算得到總的得分概率。將總的得分概率與試題總分數做乘積得到預測答題分數。這樣得到的預測答題分數就是在考慮到不同知識類型的正確率不同，以及不同難度係數的權重不同，不同知識類型的權重不同。能夠更為精準的預測用戶的考試得分。

本發明是以用戶一套測試的答題數據為基礎，再加以與每個知識類型對應的每個難度係數下的權重以及每個知識類型的權重，合理的分析該用戶的平均答題成績以及答題水平，而不是單單的依靠對錯，而不考慮題目的難易程度。

請參閱圖1，圖1是本發明第一實施例提供的一種答題分數的預測方法的流程圖。如圖1所示本發明第一實施例可以包括以下步驟S100至步驟S800：

步驟S100：當接收到某個用戶的預測分計算請求後，採集該用戶的答題數據。

具體的，用戶在答題結束之後，需要對自己的答題的情況進行預測，預測自己的分數。答題分數的預測系統設置在終端時，終端會對用戶通過外設的滑鼠、鍵盤、話筒等輸入的答題數據進行採集。答題分數的預測系統設置在伺服器時，首先終端會對用戶通過外設的滑鼠、鍵盤、話筒等輸入的答題數據進行採集，並將採集到的答題數據發送給伺服器。可以通過有線、無線兩種傳輸方式進行發送。採集到的答題數據為：用戶對與每個知識類型對應的每個難度係數下的題目的解答內容。

步驟S200：基於答題數據，獲取與每個知識類型對應的每個難度係數下的答對題目個數以及總題目個數。

具體的，基於採集到的用戶答題數據，判斷答題數據的正誤。進一步獲取與每個知識類型對應的每個難度係數下的答對題目個數，即一科考試中會有不同的知識類型，而不同的知識類型下又會有不同的難度係數，統計一科考試中每一類知識類型下每一種難度係數下答對題目的個數。然後再對與每個知識類型對應的每個難度係數下總題目個數進行獲取。這裡的知識類型可以為知識點、考點等。例如：物理考試中的力學、電學、電磁場、相對論這些都屬於不同的知識類型。而難度係數也就是難度等級，可以用正整數進行表示，數字越大難度越大，難度係數越高。

步驟S300：基於與每個知識類型對應的每個難度係數下的答對題目個數以及總題目個數計算與每個知識類型對應的每個難度係數的答題正確率。

具體的，根據獲取到的與每個知識類型對應的每個難度係數下的答對題目個數以及與每個知識類型對應的每個難度係數下的總題目個數，可以計算出與每個知識類型對應的每個難度係數的答題正確率。例如，與每個知識類型對應的每個難度係數下的答對題目個數除以與每個知識類型對應的每個難度係數下的總題目個數，得到與每個知識類型對應的每個難度係數的答題正確率。本發明不限定計算答題正確率的方式，上述只是舉例進行說明。

步驟S400：根據預設的能力值映射表，將每個答題正確率映射為一個能力值θ。

具體的，根據預先設置的能力值映射表，將答題正確率映射為能力值θ。例如：能力值映射表可以將答題正確率的一個範圍映射為一個數值，這個數值就是一個能力值θ，可已經將0-40％的答題正確率映射為能力值1，40％-60％的答題正確率映射為能力值2，60％-80％的答題正確率映射為能力值3，80％-90％的答題正確率映射為能力值4，90％-100％的答題正確率映射為能力值5，根據計算得到的答題正確率，將不同的答題正確映射為不同的能力值。

步驟S500：基於每個能力值θ以及與每個能力值θ對應的難度係數值b，計算與每個知識類型對應的每個難度係數下的得分概率P難度。

具體的，已知每個能力值θ以及與每個能力值θ對應的難度係數值b，根據項目反應理論的模型計算得分概率P難度。項目反應理論(Item Response Theory,IRT)，又稱題目反應理論、潛在特質理論(Item Response Theory)是一系列心理統計學模型的總稱。IRT是用來分析考試成績或者問卷調查數據的數學模型，如下式：

θ為能力值，b為每個能力值θ對應的難度係數，e為自然常數e＝2.718281828459。將上述θ、b、e代入項目反應理論的模型的到每個難度係數下的得分概率P難度。

步驟S600：基於與每個知識類型對應的每個難度係數下得分概率P難度以及與每個知識類型對應的每個難度係數下的權重，計算每個知識類型的得分概率P考點。

具體的，將每個難度係數下得分概率P難度乘以與每個知識類型對應的每個難度係數下的權重後依次相加，得到每個知識類型的得分概率P考點。也就是根據每個知識類型下每個難度係數的得分概率P難度以及一科考試中每個知識類型下每個難度係數的權重，來得到每個知識類型的得分概率P考點，本發明不限定計算每個知識類型的得分概率P考點的方式，上述方式只是舉例說明。

步驟S700：基於每個知識類型的得分概率P考點以及每個知識類型的權重，計算總得分概率P總。

具體的，將每個知識類型的得分概率P考點乘以每個知識類型的權重後依次相加，得到總得分概率P總。也就是根據每個知識類型的得分概率P考點以及一科考試中每個知識類型的權重，來得到總得分概率P總，本發明不限定計算總得分概率P總的方式，上述方式只是舉例說明。

步驟S800：基於總得分概率P總以及試題總分數，預測答題分數。

具體的，根據計算的到的總得分概率P總以及本次測試的試題總分數，計算得到預測答題分數，以供顯示。

請參閱圖2，圖2是本發明第二實施例提供的一種答題分數的預測方法的流程圖。如圖2所示本發明第二實施例可以包括以下步驟S601至步驟S603：

步驟S601：獲取資料庫中每個知識類型下與每個難度係數對應的題目數。

具體的，根據資料庫中題目總數、資料庫中所有題目的知識類型和難度係數，計算每個知識類型每個難度係數的題目數。在資料庫中的題目錄入的過程中，與題目一起錄入的還有每一道題目包含的知識類型，以及每個知識類型的難度係數。統計資料庫中所有題目的信息，並進行分類，按照每個知識類型下與每個難度係數進行分類，並統計各自的題目數，以達到獲取資料庫中每個知識類型下與每個難度係數對應的題目數的目的。

步驟S602：基於與每個知識類型對應的每個難度係數下的題目數，計算資料庫中的所有難度係數的題目總數。

具體的，將統計得到的與每個知識類型對應的每個難度係數下的題目數相加，得到所有難度係數的題目總數。本步驟統計的不是題庫中所有題目的數量，而是根據所有題目，按照每個知識類型下的每個難讀係數進行分類，並統計各自的題目數。將統計得到的各自的題目數相加得到的所有難度係數的題目總數。因為每道題目可能會包含不同的知識類型，而不同的知識類型包含的難度係數也可能不同。因此，統計的不僅僅是題庫中所有題目的總數量。

步驟S603：基於與每個知識類型對應的每個難度係數下的題目數以及所有難度係數的題目總數，計算與每個知識類型對應的每個難度係數的權重。

具體的，根據與每個知識類型對應的每個難度係數下的題目數佔所有難度係數的題目總數的比例，分配相應的權重。

請參閱圖3，圖3是本發明第三實施例提供的一種答題分數的預測方法的流程圖。如圖3所示本發明第三實施例可以包括以下步驟S701至步驟S703：

步驟S701：獲取資料庫中每個知識類型的題目數。

具體的，根據資料庫中題目總數、資料庫中所有題目的知識類型，計算每個知識類型的題目數。在資料庫中的題目錄入的過程中，與題目一起錄入的還有每一道題目包含的知識類型，以及每個知識類型的難度係數。統計資料庫中所有題目的信息，並進行分類，按照每個知識類型進行分類，並統計各自的題目數，以達到獲取資料庫中每個知識類型的題目數的目的。

步驟S702：基於每個知識類型的題目數，計算資料庫中所有知識類型的題目總數。

具體的，將統計得到的每個知識類型的題目數相加，得到所有知識類型的題目總數。本步驟統計的不是題庫中所有題目的數量，而是根據所有題目，按照每個知識類型進行分類，並統計各自的題目數。將統計得到的各自的題目數相加得到的所有知識類型的題目總數。因為每道題目可能會包含不同的知識類型。因此，統計的不僅僅是題庫中所有題目的總數量。

步驟S703：基於每個知識類型的題目數以及所有知識類型的題目總數，計算每個知識類型的權重。

具體的，根據與每個知識類型的題目數佔所有知識類型的題目總數的比例，分配相應的權重。

請參閱圖4，圖4是本發明第一實施例提供的一種答題分數的預測系統的模塊關係示意圖。

如圖4所示，採集模塊100：用於當接收到某個用戶的預測分計算請求後，採集該用戶的答題數據；第一獲取模塊200：用於基於答題數據，獲取與每個知識類型對應的每個難度係數下的答對題目個數以及總題目個數；正確率計算模塊300：用於基於與每個知識類型對應的每個難度係數下的答對題目個數以及總題目個數計算與每個知識類型對應的每個難度係數的答題正確率；映射模塊400：用於根據預設的能力值映射表，將每個答題正確率映射為一個能力值θ；第一概率計算模塊500：用於基於每個能力值θ以及與每個能力值θ對應的難度係數值b，計算與每個知識類型對應的每個難度係數下的得分概率P難度；第二概率計算模塊600：用於基於與每個知識類型對應的每個難度係數下得分概率P難度以及與每個知識類型對應的每個難度係數下的權重，計算每個知識類型的得分概率P考點；第三概率計算模塊700：用於基於每個知識類型的得分概率P考點以及每個知識類型的權重，計算總得分概率P總；預測模塊800：用於基於總得分概率P總以及試題總分數，預測答題分數。第二獲取模塊900：用於獲取資料庫中每個知識類型下與每個難度係數對應的題目數；第一統計模塊1000：用於基於與每個知識類型對應的每個難度係數下的題目數，計算資料庫中的所有難度係數的題目總數；第一權重計算模塊1100：用於基於與每個知識類型對應的每個難度係數下的題目數以及所有知識類型的題目總數，計算與每個知識類型對應的每個難度係數的權重。第三獲取模塊1200：用於獲取資料庫中每個知識類型的題目數；第二統計模塊1300：用於基於每個知識類型的題目數，計算資料庫中所有知識類型的題目總數；第二權重計算模塊1400：用於基於每個知識類型的題目數以及所有知識類型的題目總數，計算每個知識類型的權重。

具體的，本發明是以用戶一套測試的答題數據為基礎，再加以與每個知識類型對應的每個難度係數下的權重以及每個知識類型的權重，合理的分析該用戶的平均答題成績以及答題水平，而不是單單的依靠對錯，而不考慮題目的難易程度。

用戶在答題結束之後，需要對自己的答題的情況進行預測，預測自己的分數。採集模塊100首先會採集用戶的大體數據，當採集模塊100設置在終端時，採集模塊100會對用戶通過外設的滑鼠、鍵盤、話筒等輸入的答題數據進行採集。採集模塊100設置在伺服器時，首先終端會對用戶通過外設的滑鼠、鍵盤、話筒等輸入的答題數據進行採集，並將採集到的答題數據發送給採集模塊100。採集模塊100接收到答題數據之後，將答題數據傳輸給第一獲取模塊200。

第一獲取模塊200基於採集到的用戶答題數據，判斷答題數據的正誤。進一步獲取與每個知識類型對應的每個難度係數下的答對題目個數，即一科考試中會有不同的知識類型，而不同的知識類型下又會有不同的難度係數，統計一科考試中每一類知識類型下每一種難度係數下答對題目的個數。然後再對與每個知識類型對應的每個難度係數下總題目個數進行獲取。這裡的知識類型可以為知識點、考點等。例如：物理考試中的力學、電學、電磁場、相對論這些都屬於不同的知識類型。而難度係數也就是難度等級，可以用正整數進行表示，數字越大難度越大，難度係數越高，並將獲取到的與每個知識類型對應的每個難度係數下的答對題目個數以及總題目個數發送給正確率計算模塊300。

正確率計算模塊300根據獲取到的與每個知識類型對應的每個難度係數下的答對題目個數以及與每個知識類型對應的每個難度係數下的總題目個數，可以計算出與每個知識類型對應的每個難度係數的答題正確率。例如，與每個知識類型對應的每個難度係數下的答對題目個數除以與每個知識類型對應的每個難度係數下的總題目個數，得到與每個知識類型對應的每個難度係數的答題正確率。本發明不限定計算答題正確率的方式，上述只是舉例進行說明。正確率計算模塊300將計算得到的每個難度係數的答題正確率發送給映射模塊400。

映射模塊400根據預先設置的能力值映射表，將答題正確率映射為能力值θ。例如：能力值映射表可以將答題正確率的一個範圍映射為一個數值，這個數值就是一個能力值θ，可已經將0-40％的答題正確率映射為能力值1，40％-60％的答題正確率映射為能力值2，60％-80％的答題正確率映射為能力值3，80％-90％的答題正確率映射為能力值4，90％-100％的答題正確率映射為能力值5，根據計算得到的答題正確率，將不同的答題正確映射為不同的能力值。映射模塊400將映射的能力值θ發送給第一概率計算模塊500。

第一概率計算模塊500將已知每個能力值θ以及與每個能力值θ對應的難度係數值b，根據項目反應理論的模型計算得分概率，如下式：

θ為能力值，b為每個能力值θ對應的難度係數，e為自然常數e＝2.718281828459。將上述θ、b、e代入項目反應理論的模型的到每個難度係數下的得分概率P難度。第一概率計算模塊500將計算得到的每個難度係數下的得分概率P難度發送給第二概率計算模塊600。

第二概率計算模塊600根據每個知識類型下每個難度係數的得分概率P難度以及一科考試中每個知識類型下每個難度係數的權重，計算得到每個知識類型的得分概率P考點，並將計算得到的每個知識類型的得分概率P考點發送給第三概率計算模塊700。

第三概率計算模塊700根據每個知識類型的得分概率P考點以及一科考試中每個知識類型的權重，計算得到總得分概率P總，並將總得分概率P總發送給預測模塊800。預測模塊800根據計算的到的總得分概率P總以及本次測試的試題總分數，計算得到預測答題分數，以供顯示。

在預測答題分數之前，第二獲取模塊900根據資料庫中題目總數、資料庫中所有題目的知識類型和難度係數，獲取每個知識類型每個難度係數的題目數。在資料庫中的題目錄入的過程中，與題目一起錄入的還有每一道題目包含的知識類型，以及每個知識類型的難度係數。獲取資料庫中所有題目的信息，按照每個知識類型下與每個難度係數進行分類，並獲取各自的題目數。將獲取到的每個知識類型下與每個難度係數對應的題目數發送給第一統計模塊1000和第一權重計算模塊1100。第一統計模塊1000將獲取得到的與每個知識類型對應的每個難度係數下的題目數相加，得到所有難度係數的題目總數。第一統計模塊1000統計的不是題庫中所有題目的數量，而是根據所有題目，按照每個知識類型下的每個難讀係數進行分類，並統計各自的題目數。將統計得到的各自的題目數相加得到的所有難度係數的題目總數。因為每道題目可能會包含不同的知識類型，而不同的知識類型包含的難度係數也可能不同。因此，統計的不僅僅是題庫中所有題目的總數量。將統計得到的資料庫中所有知識類型的題目總數發送給第一權重計算模塊1100。第一權重計算模塊1100根據與每個知識類型對應的每個難度係數下的題目數佔所有難度係數的題目總數的比例，分配相應的權重。

在預測答題分數之前，第三獲取模塊1200根據資料庫中題目總數、資料庫中所有題目的知識類型，獲取每個知識類型的題目數。在資料庫中的題目錄入的過程中，與題目一起錄入的還有每一道題目包含的知識類型，以及每個知識類型的難度係數。第三獲取模塊1200獲取資料庫中所有題目的信息，按照每個知識類型進行分類，並獲取各自的題目數。將獲取的每個知識類型的題目數發送給第二統計模塊1300和第二權重計算模塊1400。第二統計模塊1300將統計得到的每個知識類型的題目數相加，得到所有知識類型的題目總數。第二統計模塊1300統計的不是題庫中所有題目的數量，而是根據所有題目，按照每個知識類型進行分類，並統計各自的題目數。因為每道題目可能會包含不同的知識類型。因此，統計的不僅僅是題庫中所有題目的總數量。將統計得到的所有知識類型的題目總數發送給第二權重計算模塊1400。第二權重計算模塊1400根據與每個知識類型的題目數佔所有知識類型的題目總數的比例，分配相應的權重。

本發明實施例還提供了一種終端，所述終端用於承載上述任一答題分數的預測系統的模塊，還用於運行任一上述答題分數的預測方法。

本發明實施例還提供了一種伺服器，所述伺服器用於承載上述任一答題分數的預測系統的模塊，還用於運行任一上述答題分數的預測方法。

本發明實施例通過計算每個難度係數下的權重以及每個知識類型的權重。將兩種權重計算入預測答題分數。當採集到用戶的答題數據時，獲取與每個知識類型對應的每個難度係數下的答對題目個數以及總題目個數，計算出答題正確率。將正確率通過預設的能力值映射表映射為能力值，利用能力值與難度係數計算出每個難度係數下的得分概率，將每個難度係數下的得分概率根據每個難度係數下的權重重新分配得到每個知識類型的權重，將每個知識類型下的得分概率根據每個知識類型的權重重新分配得到總的得分概率。將總的得分概率與試題總分數做乘積得到預測答題分數。將每個難度係數下的權重以及每個知識類型的權重帶入到預測答題分數的過程中，能夠有效的考慮不同知識類型正確率不同，不同難度係數的權重不同，不同知識類型的權重不同，能夠根據用戶複習的側重點、答題的習慣，更為精準的預測用戶的考試得分。

本發明實施例方法中的步驟可以根據實際需要進行順序調整、合併和刪減。本發明實施例系統中的模塊可以根據實際需要進行合併、劃分和刪減。

應當理解的是，本發明的上述具體實施方式僅僅用於示例性說明或解釋本發明的原理，而不構成對本發明的限制。因此，在不偏離本發明的精神和範圍的情況下所做的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。此外，本發明所附權利要求旨在涵蓋落入所附權利要求範圍和邊界、或者這種範圍和邊界的等同形式內的全部變化和修改例。