CN110991645A - 一种基于知识模型的自适应学习方法、系统及存储介质 - Google Patents
一种基于知识模型的自适应学习方法、系统及存储介质 Download PDFInfo
- Publication number
- CN110991645A CN110991645A CN201911131140.1A CN201911131140A CN110991645A CN 110991645 A CN110991645 A CN 110991645A CN 201911131140 A CN201911131140 A CN 201911131140A CN 110991645 A CN110991645 A CN 110991645A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- learner
- learning
- model
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000002372 labelling Methods 0.000 claims abstract description 38
- 230000003044 adaptive effect Effects 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 29
- 239000000463 material Substances 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 239000008358 core component Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Abstract
本发明公开了一种基于知识模型的自适应学习方法、系统及存储介质,所述方法包括:采集初始学习数据并存储至学习资源数据库后,进行本体术语提取和标注,通过本体编辑器构建知识模型;根据学习者在学习系统中的前测结果,初始化学习者的知识空间;实时更新录入学习者的学习过程状态数据,通过DKT算法对学习过程状态数据进行多知识点的DKT模型建模,反馈学习者各知识点的掌握状态,动态更新学习者的知识空间;自适应引擎根据学习者的知识空间与知识模型进行比对,匹配学习者对应的学习路径,推送学习路径链接至学习者。本发明通过基于知识模型的深度学习跟踪DKT,有效进行多知识点建模,精准掌握和更新学习者最新的知识状态,匹配对应的学习路径。
Description
技术领域
本发明涉及教育信息化技术领域,具体涉及一种基于知识模型的自适应学习方法、系统及存储介质。
背景技术
随着互联网和大数据时代的到来,传统的教育方式越来越难以满足学生日益增长的个性化学习需求。自适应在线学习由于其因材施教和使用方便等特点,开始逐渐被广泛使用。自适应学习的重要组成部分是学生能力评估和学习资源推荐,这些都需要基于一个结构化的教育领域知识体系。因此,构建一个教育知识图谱以支持自适应学习成为当前迫切需要解决的问题。
在对现有技术的研究与实践过程中,本发明的发明人发现,现有技术中的知识图谱结构的构建一般采用静态模型,并且利用IRT或BKT知识点追踪法进行知识状态的评估。但是,采用静态模型构建知识图谱无法表现知识点之间的关联性和动态发展特性,并且,IRT和BKT技术是假定用户一旦掌握某一知识点就不会遗忘,并没有考虑到用户对知识点的遗忘性,导致用户在以后做到属于该知识点的题目时往往就会表现很好,而现实中却会发生遗忘该知识点的情况,造成预测准确率低和不能精准掌握学习者最新的知识状态的缺陷,从而无法为学习者匹配适应的学习路径。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于知识模型的自适应学习方法、系统及存储介质,能够通过构建知识模型获取知识点间关系,精准掌握学习者的知识状态,为学习者匹配对应的学习路径。
为解决上述问题,本发明的一个实施例提供一种基于知识模型的自适应学习方法,至少包括如下步骤:
采集初始学习数据并存储至学习资源数据库中,在对所述初始学习数据进行本体术语提取和标注后,通过本体编辑器构建知识模型;
根据学习者在学习系统中的前测结果,初始化学习者的知识空间;
实时更新录入学习者的学习过程状态数据,通过DKT算法对学习者的学习过程状态数据进行多知识点的DKT模型建模,反馈学习者各知识点的掌握状态,动态更新学习者的知识空间;
自适应引擎根据所述学习者的知识空间与知识模型进行比对,匹配学习者对应的学习路径,推送学习路径链接至学习者。
进一步地,所述基于知识模型的自适应学习方法,还包括:
根据所述学习路径调取对应的学习资源数据至学习者,在学习者根据所述学习路径学习过程中,实时更新学习者当前的知识空间;
重复根据学习者当前的知识空间与知识模型进行比对,自适应匹配学习者新的学习路径,完成知识状态的闭环更新。
进一步地,所述DKT模型建模,还包括自动编码器训练和LSTM训练,其中,
所述自动编码器训练,具体为:获取学习者所有答题数据,抽取学习者ID、测试题目、答题次数和答题时间作为训练样本并构建一个自动编码器,对样本数据进行独热编码处理后,输入独热编码处理的样本数据进行训练;
所述LSTM训练,具体为:获取学习者所有答题数据,抽取学习者ID、测试题目、知识点和答题结果作为特征列,获取自动编码器输出的训练数据,通过tensorflow实现LSTM并输入样本数据进行训练,训练完成后导出DKT模型并部署至tensorflow serving,当学习者答题时,通过tensorflow serving进行模型的实时在线调用,从隐层返回学生知识点掌握状态,输出层返回知识点下次答题正确概率。
进一步地,所述反馈学习者各知识点的掌握状态,动态更新学习者的知识空间,具体为:
通过DKT模型获取学习者当前的每个知识点的答题正确概率;
采用概率关联规则挖掘技术来识别关系获取知识点之间的隐含关系;
根据所述知识点之间的隐含关系,判断学习者对知识点的掌握状态,实时动态更新学习者的知识空间。
进一步地,所述自适应引擎根据所述学习者的知识空间与知识模型进行比对,匹配学习者对应的学习路径,具体为:
在检测当前知识点的掌握状态为未掌握时,回溯该知识点的所有前继知识点及其掌握状态,若前继知识点的掌握状态为未全部掌握,则推荐前继知识点学习资源至学习者;若前继知识点的掌握状态为全部掌握,则推送当前知识点的学习资源至学习者;
在检测当前知识点的掌握状态为已掌握时,推导该知识点的所有后继知识点,并查找每一后继知识点的所有前继知识点的掌握状态,若存在未掌握的前继知识点,则推送该后继知识点的所有未掌握前继知识点的学习资源;反之,则推送该后继知识点的学习资源。
进一步地,所述标注包括自动标注和手动标注,其中,
所述自动标注,具体为:在本体编辑器构建知识模型过程中,使用Jena框架实现本体术语的层级关系;
所述手动标注,具体为:整理提取得到的本体术语的属性关系和相关关系,通过Jena框架导入本体编辑器中。
进一步地,所述通过本体编辑器构建知识模型,具体为:
分析各要素之间的层级关系及属性,对所述属性进行语义标注;
将知识点作为搜索关键词,采用语义搜索和全文搜索技术搜索该知识点对应的试题及媒体材料库;
建立各知识点与试题、媒体材料库之间的物理关系和逻辑关联,完成知识模型的初步构建。
本发明的另一个实施例提供了一种基于知识模型的自适应学习系统,包括:
资源数据库模块,用于采集初始学习数据并存储至学习资源数据库中,并根据学习路径调取对应的学习资源数据至学习者;
知识模型模块,用于对所述初始学习数据进行本体术语提取和标注后,通过本体编辑器构建知识模型;
学习者模型模块,用于根据学习者在学习系统中的前测结果,初始化学习者的知识空间,实时更新录入学习者的学习过程状态数据,通过DKT算法对学习者的学习过程状态数据进行多知识点的DKT模型建模,反馈学习者各知识点的掌握状态,动态更新学习者的知识空间;
自适应模块,用于根据所述学习者的知识空间与知识模型进行比对,匹配学习者对应的学习路径,推送学习路径链接至学习者。
近一步地,所述自适应模块,还用于在学习者根据所述学习路径学习过程中,实时更新学习者当前的知识空间;重复根据学习者当前的知识空间与知识模型进行比对,自适应匹配学习者新的学习路径,完成知识状态的闭环更新。
本发明的一个实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于知识模型的自适应学习方法。
实施本发明实施例,具有如下有益效果:
本发明实施例提供的一种基于知识模型的自适应学习方法、系统及存储介质,所述方法包括:采集初始学习数据并存储至学习资源数据库中,在对所述初始学习数据进行本体术语提取和标注后,通过本体编辑器构建知识模型;根据学习者在学习系统中的前测结果,初始化学习者的知识空间;实时更新录入学习者的学习过程状态数据,通过DKT算法对学习者的学习过程状态数据进行多知识点的DKT模型建模,反馈学习者各知识点的掌握状态,动态更新学习者的知识空间;自适应引擎根据所述学习者的知识空间与知识模型进行比对,匹配学习者对应的学习路径,推送学习路径链接至学习者。本发明通过基于知识模型的深度学习跟踪DKT,有效进行多知识点建模,精准掌握和更新学习者最新的知识状态;通过知识模型构建知识点间的关系,体现知识点间的关联性和动态发展性;通过学习者最新的知识状态与知识模型比对,匹配最适合学习者的学习路径,在学习者根据学习路径学习的过程中,同步更新学习者的知识空间和学习路径,提高自适应学习的效率和精准性。
附图说明
图1为本发明实施例提供的一种基于知识模型的自适应学习方法的流程示意图;
图2为本发明实施例提供的另一种基于知识模型的自适应学习方法的流程示意图;
图3为本发明实施例提供的DKT模型的结构示意图;
图4为本发明实施例提供的动态更新知识空间的流程示意图;
图5为本发明实施例提供的构建知识模型的流程示意图;
图6为本发明实施例提供的一种基于知识模型的自适应学习系统的结构示意图;
图7为本发明实施例提供的另一种基于知识模型的自适应学习系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
首先介绍本发明可以提供的应用场景,如基于知识模型的知识追踪,实现自适应学习路径及内容推荐。
本发明第一实施例:
请参阅图1-5。
如图1所示,本实施例提供的一种基于知识模型的自适应学习方法,至少包括如下步骤:
S101、采集初始学习数据并存储至学习资源数据库中,在对所述初始学习数据进行本体术语提取和标注后,通过本体编辑器构建知识模型;
具体的,对于步骤S101,采集初始学习数据,包括各领域的课程教育目标、学习资源、课程结构、教学策略和练习测试题库等,预先由学科专家对学科教学大纲及教材进行本体术语的提取,根据国家颁发课程标准,对学习资源进行本体术语提取和标注。在对本体术语进行标注还分为系统自动标注和手动标注两种方式,可针对不同情景切换更有效率的标注方式,提高灵活性和工作效率。根据采集的初始学习数据,在录入每个元知识点之间的联系和顺序后,根据提取和标注后的本体术语以及元知识点之间的联系和顺序,使用本体编辑器Protégé构建有向的知识模型,构建完成后生成OWL文件以三元组的形式存储至学习系统中。
其中,知识模型是关于领域知识的知识,是自适应学习系统的核心组件,其内容涵盖课程教育目标、学习资源、课程结构、教学策略、练习测试题库等。本实施例将知识点、教材版本、学习资源、测试试题作为领域模型的核心要素,然后利用本体技术实现领域模型的构建。
S102、根据学习者在学习系统中的前测结果,初始化学习者的知识空间;
具体的,对于步骤S102,学习者注册并登陆本系统,进行对应学科的前测,根据前测结果,系统初始化学习者的知识空间;
S103、实时更新录入学习者的学习过程状态数据,通过DKT算法对学习者的学习过程状态数据进行多知识点的DKT模型建模,反馈学习者各知识点的掌握状态,动态更新学习者的知识空间;
具体的,对于步骤S103,学习者登入学习系统进行学习和测试,在学习过程中,根据学习者的学习和测试数据,通过DKT算法实现对学习者的多知识点建模,得到学习者当前的学习掌握状态,例如对每个知识点的掌握状态、答题时间、答题正确率等数据。如图3所示,DKT模型按照时间顺序展开,序列x1,x2,x3...对应了t1,t2,t3...时刻学生答题信息的编码,x′1,x′2,x′3…对应输入序列x1,x2,x3的外部特征(答题次数、答题时间),隐层状态h0,h1,h2…对应了各个时刻学生的知识点掌握情况,模型的输出序列y1,y2,y3…对应了各时刻学生回答题库中的所有习题回答正确的概率,当学习者答题时,系统通过tensorflowserving进行模型的实时在线调用,从隐层返回学生知识点掌握状态,输出层返回知识点下次答题正确概率,精准得到用户的学习掌握状态,动态更新学习者的知识空间。
S104、自适应引擎根据所述学习者的知识空间与知识模型进行比对,匹配学习者对应的学习路径,推送学习路径链接至学习者。
具体的,对于步骤S104,当学习者在本系统学习时,从DKT将返回各知识点的掌握状态,构成学习者的知识空间;将知识空间与知识模型的知识结构进行比较,匹配对应的学习路径。当知识点状态未掌握时,系统首先找出其所有前继知识点,如未掌握则推荐前继知识点资源;如前继知识点已掌握,则推送当前知识点资源;当知识点状态为掌握时,系统找出其后继知识点,并查找该后继知识点的所有前继知识点是否已掌握,如未掌握,则推送该后继知识点的未掌握前继知识点,如已掌握,则推送该后继知识点对应学习资源。
在优选的实施例中,所述基于知识模型的自适应学习方法,还包括:
根据所述学习路径调取对应的学习资源数据至学习者,在学习者根据所述学习路径学习过程中,实时更新学习者当前的知识空间;
重复根据学习者当前的知识空间与知识模型进行比对,自适应匹配学习者新的学习路径,完成知识状态的闭环更新。
具体的,在学习者对系统推荐内容进行学习和练习过程中,更新学习者的知识空间,再重复根据学习者当前的知识空间与知识模型进行比对,匹配新的学习路径,形成知识状态更新的闭环。
如图2所示,本实施例还提供了另一种基于知识模型的自适应学习方法,具体步骤如下;学生登录学习系统进行内容学习和测试,根据学习记录和测试数据,生成知识状态记录和知识水平测试记录,根据知识状态记录和知识水平测试记录生成学习数据,将学生信息、学习数据和根据学科知识模型数据库中的知识结构,构建学生模型,并根据其中的知识状态信息进行关联知识点挖掘,更新学科模型;根据学习资源数据库中的学习资源构建知识模型,将学生模型中的当前知识状态与知识模型的机构进行匹配,确立学生的学习路径并推送对应的学习资源。
在优选的实施例中,所述DKT模型建模,还包括自动编码器训练和LSTM训练,其中,
所述自动编码器训练,具体为:获取学习者所有答题数据,抽取学习者ID、测试题目、答题次数和答题时间作为训练样本并构建一个自动编码器,对样本数据进行独热编码处理后,输入独热编码处理的样本数据进行训练;
所述LSTM训练,具体为:获取学习者所有答题数据,抽取学习者ID、测试题目、知识点和答题结果作为特征列,获取自动编码器输出的训练数据,通过tensorflow实现LSTM并输入样本数据进行训练,训练完成后导出DKT模型并部署至tensorflow serving,当学习者答题时,通过tensorflow serving进行模型的实时在线调用,从隐层返回学生知识点掌握状态,输出层返回知识点下次答题正确概率。
具体的,本DKT模型分为两部分:自动编码器和LSTM,自动编码器主要输出外部特征与输入序列嵌合作为LSTM的输入;模型训练同样分为两部分:自动编码器训练,LSTM训练,由于自动编码器为LSTM的输入部分,所以需要前置训练,训练结果即可作为LSTM的输入。其中,自动编码器训练步骤如下:获取本系统学习者所有答题数据,抽取学习者ID,题目,答题次数,答题时间作为训练样本,实现一个自动编码器,对样本数据进行独热编码处理,输入处理后的数据进行训练。LSTM训练具体步骤如下:获取本系统学习者所有答题数据,抽取学习者ID,题目,知识点,答题结果作为特征列,获取自动编码器的输出,通过tensorflow实现LSTM,输入样本数据进行训练,训练完毕后导出模型,部署至tensorflowserving,当学习者答题时,系统通过tensorflow serving进行模型的实时在线调用,从隐层返回学生知识点掌握状态,输出层返回知识点下次答题正确概率。
在优选的实施例中,所述反馈学习者各知识点的掌握状态,动态更新学习者的知识空间,具体为:
通过DKT模型获取学习者当前的每个知识点的答题正确概率;
采用概率关联规则挖掘技术来识别关系获取知识点之间的隐含关系;
根据所述知识点之间的隐含关系,判断学习者对知识点的掌握状态,实时动态更新学习者的知识空间。
具体的,如图4所示,通过DKT获取当前所有学习者的所有知识点答对概率;通过概率关联规则挖掘技术来识别关系获取知识点间的隐含关系。从先决条件关系的角度来看,如果概念Si是概念Sj的先决条件,那么不掌握Si的学习者很可能不掌握Sj,而掌握Sj的学习者很可能掌握Si,得出
计算支持度supp和置信度conf两个关键指标,定义两个关键参数minsupp和minconf,代入上述公式中,可得:
在优选的实施例中,所述自适应引擎根据所述学习者的知识空间与知识模型进行比对,匹配学习者对应的学习路径,具体为:
在检测当前知识点的掌握状态为未掌握时,回溯该知识点的所有前继知识点及其掌握状态,若前继知识点的掌握状态为未全部掌握,则推荐前继知识点学习资源至学习者;若前继知识点的掌握状态为全部掌握,则推送当前知识点的学习资源至学习者;
在检测当前知识点的掌握状态为已掌握时,推导该知识点的所有后继知识点,并查找每一后继知识点的所有前继知识点的掌握状态,若存在未掌握的前继知识点,则推送该后继知识点的所有未掌握前继知识点的学习资源;反之,则推送该后继知识点的学习资源。
在优选的实施例中,所述标注包括自动标注和手动标注,其中,
所述自动标注,具体为:在本体编辑器构建知识模型过程中,使用Jena框架实现本体术语的层级关系;
所述手动标注,具体为:整理提取得到的本体术语的属性关系和相关关系,通过Jena框架导入本体编辑器中。
具体的,在对本体术语进行标注还分为系统自动标注和手动标注两种方式,在使用Protégé对本体进行构建过程中,使用Jena框架实现本体的层级关系;属性关系和相关关系由学科专家整理后通过Jena框架导入Protégé,针对不同情景切换更有效率的标注方式,提高灵活性和工作效率。
在优选的实施例中,所述通过本体编辑器构建知识模型,具体为:
分析各要素之间的层级关系及属性,对所述属性进行语义标注;
将知识点作为搜索关键词,采用语义搜索和全文搜索技术搜索该知识点对应的试题及媒体材料库;
建立各知识点与试题、媒体材料库之间的物理关系和逻辑关联,完成知识模型的初步构建。
具体的,如图5所示,在模型构建时分析出各要素之间的层级关系(上下位、成员、前后继)、属性关系、相关关系),并分析要素的属性(难度系数、媒体类型等)且进行语义标注。将知识点作为搜索关键词,采用语义搜索、全文搜索技术搜索其对应的试题、媒体材料库(图片、视频、文本),建立知识点与试题、媒体材料库之间的物理和逻辑关联。
本实施例提供的一种基于知识模型的自适应学习方法,包括:采集初始学习数据并存储至学习资源数据库中,在对所述初始学习数据进行本体术语提取和标注后,通过本体编辑器构建知识模型;根据学习者在学习系统中的前测结果,初始化学习者的知识空间;实时更新录入学习者的学习过程状态数据,通过DKT算法对学习者的学习过程状态数据进行多知识点的DKT模型建模,反馈学习者各知识点的掌握状态,动态更新学习者的知识空间;自适应引擎根据所述学习者的知识空间与知识模型进行比对,匹配学习者对应的学习路径,推送学习路径链接至学习者。本发明通过基于知识模型的深度学习跟踪DKT,有效进行多知识点建模,精准掌握和更新学习者最新的知识状态;通过知识模型构建知识点间的关系,体现知识点间的关联性和动态发展性;通过学习者最新的知识状态与知识模型比对,匹配最适合学习者的学习路径,在学习者根据学习路径学习的过程中,同步更新学习者的知识空间和学习路径,提高自适应学习的效率和精准性。
本发明第二实施例
请参阅图6-7。
如图6所示,本发明的一个实施例还提供了一种基于知识模型的自适应学习系统,包括:
资源数据库模块100,用于采集初始学习数据并存储至学习资源数据库中,并根据学习路径调取对应的学习资源数据至学习者;
知识模型模块200,用于对所述初始学习数据进行本体术语提取和标注后,通过本体编辑器构建知识模型;
具体的,对于资源数据库模块100和知识模型模块200,采集初始学习数据,包括各领域的课程教育目标、学习资源、课程结构、教学策略和练习测试题库等,预先由学科专家对学科教学大纲及教材进行本体术语的提取,根据国家颁发课程标准对学习资源进行本体术语提取和标注。在对本体术语进行标注还分为系统自动标注和手动标注两种方式,可针对不同情景切换更有效率的标注方式,提高灵活性和工作效率。根据采集的初始学习数据,在录入每个元知识点之间的联系和顺序后,根据提取和标注后的本体术语以及元知识点之间的联系和顺序,使用本体编辑器Protégé构建有向的学科知识模型,构建完成后生成OWL文件以三元组的形式存储至学习系统中。其中,知识模型是关于领域知识的知识,是自适应学习系统的核心组件,其内容涵盖课程教育目标、学习资源、课程结构、教学策略、练习测试题库等。本实施例将知识点、教材版本、学习资源、测试试题作为领域模型的核心要素,然后利用本体技术实现领域模型的构建。
学习者模型模块300,用于根据学习者在学习系统中的前测结果,初始化学习者的知识空间,实时更新录入学习者的学习过程状态数据,通过DKT算法对学习者的学习过程状态数据进行多知识点的DKT模型建模,反馈学习者各知识点的掌握状态,动态更新学习者的知识空间;
具体的,对于学习者模型模块300,学习者注册并登陆本系统,进行对应学科的前测,根据前测结果,系统初始化学习者的知识空间;学习者登入学习系统进行学习和测试,在学习过程中,根据学习者的学习和测试数据,通过DKT算法实现对学习者的多知识点建模,得到学习者当前的学习掌握状态,例如对每个知识点的掌握状态、答题时间、答题正确率等数据。如图3所示,DKT模型按照时间顺序展开,序列x1,x2,x3...对应了t1,t2,t3...时刻学生答题信息的编码,x′1,x′2,x′3…对应输入序列x1,x2,x3的外部特征(答题次数、答题时间),隐层状态h0,h1,h2…对应了各个时刻学生的知识点掌握情况,模型的输出序列y1,y2,y3…对应了各时刻学生回答题库中的所有习题回答正确的概率,当学习者答题时,系统通过tensorflow serving进行模型的实时在线调用,从隐层返回学生知识点掌握状态,输出层返回知识点下次答题正确概率,精准得到用户的学习掌握状态,动态更新学习者的知识空间。
自适应模块400,用于根据所述学习者的知识空间与知识模型进行比对,匹配学习者对应的学习路径,推送学习路径链接至学习者。
具体的,对于自适应模块400,当学习者在本系统学习时,从DKT将返回各知识点的掌握状态,构成学习者的知识空间;将知识空间与知识模型的知识结构进行比较,匹配对应的学习路径。当知识点状态未掌握时,系统首先找出其所有前继知识点,如未掌握则推荐前继知识点资源;如前继知识点已掌握,则推送当前知识点资源;当知识点状态为掌握时,系统找出其后继知识点,并查找该后继知识点的所有前继知识点是否已掌握,如未掌握,则推送该后继知识点的未掌握前继知识点,如已掌握,则推送该后继知识点对应学习资源。
在优选的实施例中,所述自适应模块400,还用于在学习者根据所述学习路径学习过程中,实时更新学习者当前的知识空间;重复根据学习者当前的知识空间与知识模型进行比对,自适应匹配学习者新的学习路径,完成知识状态的闭环更新。
具体的,在学习者对系统推荐内容进行学习和练习过程中,更新学习者的知识空间,再重复根据学习者当前的知识空间与知识模型进行比对,匹配新的学习路径,形成知识状态更新的闭环。
如7所示,本实施例还提供了另一种基于知识模型的自适应学习系统。
本实施例提供的一种基于知识模型的自适应学习系统,包括:资源数据库模块,用于采集初始学习数据并存储至学习资源数据库中,并根据学习路径调取对应的学习资源数据至学习者;知识模型模块,用于对所述初始学习数据进行本体术语提取和标注后,通过本体编辑器构建知识模型;学习者模型模块,用于根据学习者在学习系统中的前测结果,初始化学习者的知识空间,实时更新录入学习者的学习过程状态数据,通过DKT算法对学习者的学习过程状态数据进行多知识点的DKT模型建模,反馈学习者各知识点的掌握状态,动态更新学习者的知识空间;自适应模块,用于根据所述学习者的知识空间与知识模型进行比对,匹配学习者对应的学习路径,推送学习路径链接至学习者。本发明通过基于知识模型的深度学习跟踪DKT,有效进行多知识点建模,精准掌握和更新学习者最新的知识状态;通过知识模型构建知识点间的关系,体现知识点间的关联性和动态发展性;通过学习者最新的知识状态与知识模型比对,匹配最适合学习者的学习路径,在学习者根据学习路径学习的过程中,同步更新学习者的知识空间和学习路径,提高自适应学习的效率和精准性。
本发明的另一个实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于知识模型的自适应学习方法。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,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,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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模块,即可以位于一个地方,或者也可以分布到多个模块上。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。
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模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和变形,这些改进和变形也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
Claims (10)
1.一种基于知识模型的自适应学习方法,其特征在于,至少包括如下步骤:
采集初始学习数据并存储至学习资源数据库中,在对所述初始学习数据进行本体术语提取和标注后,通过本体编辑器构建知识模型;
根据学习者在学习系统中的前测结果,初始化学习者的知识空间;
实时更新录入学习者的学习过程状态数据,通过DKT算法对学习者的学习过程状态数据进行多知识点的DKT模型建模,反馈学习者各知识点的掌握状态,动态更新学习者的知识空间;
自适应引擎根据所述学习者的知识空间与知识模型进行比对,匹配学习者对应的学习路径,推送学习路径链接至学习者。
2.根据权利要求1所述的基于知识模型的自适应学习方法,其特征在于,还包括:
根据所述学习路径调取对应的学习资源数据至学习者,在学习者根据所述学习路径学习过程中,实时更新学习者当前的知识空间;
重复根据学习者当前的知识空间与知识模型进行比对,自适应匹配学习者新的学习路径,完成知识状态的闭环更新。
3.根据权利要求1所述的基于知识模型的自适应学习方法,其特征在于,所述DKT模型建模,还包括自动编码器训练和LSTM训练,其中,
所述自动编码器训练,具体为:获取学习者所有答题数据,抽取学习者ID、测试题目、答题次数和答题时间作为训练样本并构建一个自动编码器,对样本数据进行独热编码处理后,输入独热编码处理的样本数据进行训练;
所述LSTM训练,具体为:获取学习者所有答题数据,抽取学习者ID、测试题目、知识点和答题结果作为特征列,获取自动编码器输出的训练数据,通过tensorflow实现LSTM并输入样本数据进行训练,训练完成后导出DKT模型并部署至tensorflow serving,当学习者答题时,通过tensorflow serving进行模型的实时在线调用,从隐层返回学生知识点掌握状态,输出层返回知识点下次答题正确概率。
4.根据权利要求1所述的基于知识模型的自适应学习方法,其特征在于,所述反馈学习者各知识点的掌握状态,动态更新学习者的知识空间,具体为:
通过DKT模型获取学习者当前的每个知识点的答题正确概率;
采用概率关联规则挖掘技术来识别关系获取知识点之间的隐含关系;
根据所述知识点之间的隐含关系,判断学习者对知识点的掌握状态,实时动态更新学习者的知识空间。
5.根据权利要求1所述的基于知识模型的自适应学习方法,其特征在于,所述自适应引擎根据所述学习者的知识空间与知识模型进行比对,匹配学习者对应的学习路径,具体为:
在检测当前知识点的掌握状态为未掌握时,回溯该知识点的所有前继知识点及其掌握状态,若前继知识点的掌握状态为未全部掌握,则推荐前继知识点学习资源至学习者;若前继知识点的掌握状态为全部掌握,则推送当前知识点的学习资源至学习者;
在检测当前知识点的掌握状态为已掌握时,推导该知识点的所有后继知识点,并查找每一后继知识点的所有前继知识点的掌握状态,若存在未掌握的前继知识点,则推送该后继知识点的所有未掌握前继知识点的学习资源;反之,则推送该后继知识点的学习资源。
6.根据权利要求1所述的基于知识模型的自适应学习方法,其特征在于,所述标注包括自动标注和手动标注,其中,
所述自动标注,具体为:在本体编辑器构建知识模型过程中,使用Jena框架实现本体术语的层级关系;
所述手动标注,具体为:整理提取得到的本体术语的属性关系和相关关系,通过Jena框架导入本体编辑器中。
7.根据权利要求1所述的基于知识模型的自适应学习方法,其特征在于,所述通过本体编辑器构建知识模型,具体为:
分析各要素之间的层级关系及属性,对所述属性进行语义标注;
将知识点作为搜索关键词,采用语义搜索和全文搜索技术搜索该知识点对应的试题及媒体材料库;
建立各知识点与试题、媒体材料库之间的物理关系和逻辑关联,完成知识模型的初步构建。
8.一种基于知识模型的自适应学习系统,其特征在于,包括:
资源数据库模块,用于采集初始学习数据并存储至学习资源数据库中,并根据学习路径调取对应的学习资源数据至学习者;
知识模型模块,用于对所述初始学习数据进行本体术语提取和标注后,通过本体编辑器构建知识模型;
学习者模型模块,用于根据学习者在学习系统中的前测结果,初始化学习者的知识空间,实时更新录入学习者的学习过程状态数据,通过DKT算法对学习者的学习过程状态数据进行多知识点的DKT模型建模,反馈学习者各知识点的掌握状态,动态更新学习者的知识空间;
自适应模块,用于根据所述学习者的知识空间与知识模型进行比对,匹配学习者对应的学习路径,推送学习路径链接至学习者。
9.根据权利要求8所述的基于知识模型的自适应学习系统,其特征在于,所述自适应模块,还用于在学习者根据所述学习路径学习过程中,实时更新学习者当前的知识空间;重复根据学习者当前的知识空间与知识模型进行比对,自适应匹配学习者新的学习路径,完成知识状态的闭环更新。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7任一项所述的基于知识模型的自适应学习方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911131140.1A CN110991645B (zh) | 2019-11-18 | 2019-11-18 | 一种基于知识模型的自适应学习方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911131140.1A CN110991645B (zh) | 2019-11-18 | 2019-11-18 | 一种基于知识模型的自适应学习方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991645A true CN110991645A (zh) | 2020-04-10 |
CN110991645B CN110991645B (zh) | 2024-03-29 |
Family
ID=70084841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911131140.1A Active CN110991645B (zh) | 2019-11-18 | 2019-11-18 | 一种基于知识模型的自适应学习方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991645B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798138A (zh) * | 2020-07-07 | 2020-10-20 | 广州视源电子科技股份有限公司 | 数据处理方法、计算机存储介质及相关设备 |
CN111813918A (zh) * | 2020-06-18 | 2020-10-23 | 国网上海市电力公司 | 一种科技资源推荐处理方法及装置 |
CN111832727A (zh) * | 2020-07-17 | 2020-10-27 | 海南大学 | 跨数据、信息、知识模态与量纲的本质识别方法及组件 |
CN111914162A (zh) * | 2020-06-01 | 2020-11-10 | 西安理工大学 | 一种基于知识图谱的个性化学习方案引导方法 |
CN111930960A (zh) * | 2020-07-30 | 2020-11-13 | 国家电网有限公司 | 一种基于知识图谱技术的光传送网知识的测试方法 |
CN112036569A (zh) * | 2020-07-30 | 2020-12-04 | 第四范式(北京)技术有限公司 | 知识内容的标注方法、装置、计算机装置和可读存储介质 |
CN112116092A (zh) * | 2020-08-11 | 2020-12-22 | 浙江师范大学 | 可解释性知识水平追踪方法、系统和存储介质 |
CN112131427A (zh) * | 2020-09-29 | 2020-12-25 | 北京爱论答科技有限公司 | 一种练习套题的获取方法及系统 |
CN112348363A (zh) * | 2020-11-06 | 2021-02-09 | 北京爱论答科技有限公司 | 一种学习数据整合方法及装置 |
CN112527821A (zh) * | 2020-12-09 | 2021-03-19 | 大连东软教育科技集团有限公司 | 一种学生布鲁姆掌握度评估方法、系统及存储介质 |
CN113239699A (zh) * | 2021-04-15 | 2021-08-10 | 北京师范大学 | 一种融合多特征的深度知识追踪方法及系统 |
CN113268611A (zh) * | 2021-06-24 | 2021-08-17 | 北京邮电大学 | 一种基于深度知识跟踪与强化学习的学习路径优化方法 |
CN114492848A (zh) * | 2022-01-13 | 2022-05-13 | 成都合源美智教育科技有限公司 | 一种兼容多学习模型的自适应学习系统、方法及应用 |
CN115129895A (zh) * | 2022-07-05 | 2022-09-30 | 武汉达芬奇教育科技有限公司 | 一种自适应学习系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020103777A1 (en) * | 2000-12-13 | 2002-08-01 | Guonan Zhang | Computer based knowledge system |
CN101105853A (zh) * | 2007-08-16 | 2008-01-16 | 上海交通大学 | 网络教学中基于非零起点的个性化导学系统 |
CN108228674A (zh) * | 2016-12-22 | 2018-06-29 | 上海谦问万答吧云计算科技有限公司 | 一种基于dkt的信息处理方法及装置 |
CN110009956A (zh) * | 2019-04-22 | 2019-07-12 | 上海乂学教育科技有限公司 | 英语语法自适应学习方法及学习装置 |
CN110032651A (zh) * | 2019-04-18 | 2019-07-19 | 江苏师范大学 | 一种基于知识图谱的个性化学习特征模型的建构方法 |
CN110197452A (zh) * | 2019-06-11 | 2019-09-03 | 合肥明信软件技术有限公司 | 一种基于人工智能技术的智适应在线学习与考试平台 |
CN110377814A (zh) * | 2019-05-31 | 2019-10-25 | 平安国际智慧城市科技股份有限公司 | 题目推荐方法、装置及介质 |
CN110399541A (zh) * | 2019-05-31 | 2019-11-01 | 平安国际智慧城市科技股份有限公司 | 基于深度学习的题目推荐方法、装置及存储介质 |
-
2019
- 2019-11-18 CN CN201911131140.1A patent/CN110991645B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020103777A1 (en) * | 2000-12-13 | 2002-08-01 | Guonan Zhang | Computer based knowledge system |
CN101105853A (zh) * | 2007-08-16 | 2008-01-16 | 上海交通大学 | 网络教学中基于非零起点的个性化导学系统 |
CN108228674A (zh) * | 2016-12-22 | 2018-06-29 | 上海谦问万答吧云计算科技有限公司 | 一种基于dkt的信息处理方法及装置 |
CN110032651A (zh) * | 2019-04-18 | 2019-07-19 | 江苏师范大学 | 一种基于知识图谱的个性化学习特征模型的建构方法 |
CN110009956A (zh) * | 2019-04-22 | 2019-07-12 | 上海乂学教育科技有限公司 | 英语语法自适应学习方法及学习装置 |
CN110377814A (zh) * | 2019-05-31 | 2019-10-25 | 平安国际智慧城市科技股份有限公司 | 题目推荐方法、装置及介质 |
CN110399541A (zh) * | 2019-05-31 | 2019-11-01 | 平安国际智慧城市科技股份有限公司 | 基于深度学习的题目推荐方法、装置及存储介质 |
CN110197452A (zh) * | 2019-06-11 | 2019-09-03 | 合肥明信软件技术有限公司 | 一种基于人工智能技术的智适应在线学习与考试平台 |
Non-Patent Citations (1)
Title |
---|
郭佳盛: "基于深度学习的自适应学习的学生模型研究", no. 7, pages 21 - 33 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914162A (zh) * | 2020-06-01 | 2020-11-10 | 西安理工大学 | 一种基于知识图谱的个性化学习方案引导方法 |
CN111813918A (zh) * | 2020-06-18 | 2020-10-23 | 国网上海市电力公司 | 一种科技资源推荐处理方法及装置 |
CN111798138A (zh) * | 2020-07-07 | 2020-10-20 | 广州视源电子科技股份有限公司 | 数据处理方法、计算机存储介质及相关设备 |
CN111832727B (zh) * | 2020-07-17 | 2021-10-08 | 海南大学 | 跨数据、信息、知识模态与量纲的本质识别方法及组件 |
CN111832727A (zh) * | 2020-07-17 | 2020-10-27 | 海南大学 | 跨数据、信息、知识模态与量纲的本质识别方法及组件 |
CN111930960A (zh) * | 2020-07-30 | 2020-11-13 | 国家电网有限公司 | 一种基于知识图谱技术的光传送网知识的测试方法 |
CN112036569A (zh) * | 2020-07-30 | 2020-12-04 | 第四范式(北京)技术有限公司 | 知识内容的标注方法、装置、计算机装置和可读存储介质 |
CN112116092A (zh) * | 2020-08-11 | 2020-12-22 | 浙江师范大学 | 可解释性知识水平追踪方法、系统和存储介质 |
CN112131427A (zh) * | 2020-09-29 | 2020-12-25 | 北京爱论答科技有限公司 | 一种练习套题的获取方法及系统 |
CN112131427B (zh) * | 2020-09-29 | 2023-11-03 | 北京爱论答科技有限公司 | 一种练习套题的获取方法及系统 |
CN112348363A (zh) * | 2020-11-06 | 2021-02-09 | 北京爱论答科技有限公司 | 一种学习数据整合方法及装置 |
CN112527821A (zh) * | 2020-12-09 | 2021-03-19 | 大连东软教育科技集团有限公司 | 一种学生布鲁姆掌握度评估方法、系统及存储介质 |
CN113239699A (zh) * | 2021-04-15 | 2021-08-10 | 北京师范大学 | 一种融合多特征的深度知识追踪方法及系统 |
CN113239699B (zh) * | 2021-04-15 | 2023-11-07 | 北京师范大学 | 一种融合多特征的深度知识追踪方法及系统 |
CN113268611A (zh) * | 2021-06-24 | 2021-08-17 | 北京邮电大学 | 一种基于深度知识跟踪与强化学习的学习路径优化方法 |
CN114492848A (zh) * | 2022-01-13 | 2022-05-13 | 成都合源美智教育科技有限公司 | 一种兼容多学习模型的自适应学习系统、方法及应用 |
CN115129895A (zh) * | 2022-07-05 | 2022-09-30 | 武汉达芬奇教育科技有限公司 | 一种自适应学习系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110991645B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991645B (zh) | 一种基于知识模型的自适应学习方法、系统及存储介质 | |
CN110941723A (zh) | 一种知识图谱的构建方法、系统及存储介质 | |
US11631338B2 (en) | Deep knowledge tracing with transformers | |
CN111475627B (zh) | 解答推导题目的检查方法、装置、电子设备及存储介质 | |
CN112148890A (zh) | 基于网络群体智能的教学知识点图谱系统 | |
CN114254127A (zh) | 学生能力画像方法、学习资源推荐方法及装置 | |
CN112685550B (zh) | 智能问答方法、装置、服务器及计算机可读存储介质 | |
CN117252047B (zh) | 基于数字孪生的教学信息处理方法及系统 | |
CN113886567A (zh) | 一种基于知识图谱的教学方法及系统 | |
CN114385801A (zh) | 一种基于分层细化lstm网络的知识追踪方法及系统 | |
CN112988844B (zh) | 一种基于学生练习序列的知识概念表示学习方法 | |
Almelhes | A review of artificial intelligence adoption in second-language learning | |
CN115238036A (zh) | 一种基于图注意力网络和文本信息的认知诊断方法及装置 | |
CN113283488B (zh) | 一种基于学习行为的认知诊断方法及系统 | |
CN109800880B (zh) | 基于动态学习风格信息的自适应学习特征提取系统及应用 | |
CN114491050A (zh) | 一种基于认知诊断的学习能力评估方法及系统 | |
CN114925610A (zh) | 一种学习者知识结构与水平建模方法、系统、设备及终端 | |
CN112860983B (zh) | 一种学习内容推送的方法、系统、设备及可读存储介质 | |
CN112231373A (zh) | 知识点数据的处理方法、装置、设备和计算机可读介质 | |
Valero-Leal et al. | A SHAP-Inspired Method for Computing Interaction Contribution in Deep Knowledge Tracing | |
CN117390091B (zh) | 一种教育元宇宙中的知识追踪方法及终端 | |
Zhang et al. | Using problem similarity-and orderbased weighting to model learner performance in introductory computer science problems | |
CN114155124B (zh) | 一种试题资源推荐方法及系统 | |
CN113139037B (zh) | 文本处理方法、装置、设备以及存储介质 | |
王丹志 et al. | KG-based memory recommendation algorithm for learning path |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |