CN112818100B - 一种融合题目难度的知识追踪方法及系统 - Google Patents
一种融合题目难度的知识追踪方法及系统 Download PDFInfo
- Publication number
- CN112818100B CN112818100B CN202110128081.3A CN202110128081A CN112818100B CN 112818100 B CN112818100 B CN 112818100B CN 202110128081 A CN202110128081 A CN 202110128081A CN 112818100 B CN112818100 B CN 112818100B
- Authority
- CN
- China
- Prior art keywords
- learner
- difficulty
- question
- concept
- answer
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 230000002452 interceptive effect Effects 0.000 claims abstract description 12
- 230000003993 interaction Effects 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 2
- 230000015541 sensory perception of touch Effects 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/383—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Educational Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Library & Information Science (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Entrepreneurship & Innovation (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种融合题目难度的知识追踪方法及系统。该方法包括步骤:获取t时刻学习者回答的题目qt、答案rt和学习者在回答该问题时的交互信息;获取概念矩阵Mk和t时刻的概念掌握矩阵根据交互信息计算题目难度dt;获得题目qt与第i个概念的相关度wt(i);计算获得学习者对题目qt相关的概念的总体掌握程度kst;输出学习者回答题目qt的预测正确率prt以及题目qt对学习者的预测难度pdt;训练预测模型,训练目标是最小化预测正确率prt和答案rt间的差异以及预测难度pdt和题目难度dt间的差异;更新下一个时间步长的概念掌握矩阵本发明在预测学习者正确率的同时,还预测题目对学习者的难度,增强了模型在学习者知识掌握状态方面的表示。
Description
技术领域
本发明属于知识追踪技术领域,更具体地,涉及一种融合题目难度的知识追踪方法及系统。
背景技术
知识追踪(Knowledge Tracing)的目的是表示学习者的知识掌握状态。而当前的知识追踪模型主要根据学习者历史的题目回答记录,建模学习者的知识学习过程,预测学习者未来回答题目的表现。其输入一般是学习者的题目回答记录,输出是学习者正确回答下一题目的概率。
可以看出,当前的知识追踪模型将“学习者正确回答下一题目的概率”视为学习者的知识掌握状态。显然,仅仅使用“学习者正确回答下一题目的概率”作为学习者的知识掌握状态并不完善,它仅能对学习者的表现进行结果预测,而没有对学习者回答题目的过程进行判断。本发明引入题目难度表示,使知识追踪模型在预测学习者表现的同时,预测题目对学习者的难度,增强当前知识追踪模型在表示学习者知识掌握状态的表示。
知识追踪领域有多个经典的模型,例如深度知识跟踪模型(Deep KnowledgeTracing,DKT)、卷积知识追踪模型(Convolutional Knowledge Tracing,CKT)、动态关键值记忆网络知识追踪模型(Dynamic Key-Value Memory Networks,DKVMN)。
其中,DKVMN模型在引入题目难度方面进行了初步的探索,但是其直接使用题目的嵌入表示kt作为题目难度的表示。第一,这样较为粗糙,并没有客观反映出题目的难度。即学习者花费的时间、使用的帮助、尝试的次数等都无法反映出来。第二,DKVMN仅在模型的中间过程使用了题目难度的表示,模型并没有给出题目难度的预测结果。
发明内容
针对现有技术的至少一个缺陷或改进需求,本发明提供了一种融合题目难度的知识追踪方法及系统,使知识追踪模型在预测学习者表现的同时,预测题目对学习者的难度,增强当前知识追踪模型在表示学习者知识掌握状态的表示。
为实现上述目的,按照本发明的第一方面,提供了一种融合题目难度的知识追踪方法,包括步骤:
获取t时刻学习者回答的题目qt、对该题目回答的答案rt和学习者在回答该问题时的交互信息;
获取概念矩阵Mk和概念掌握矩阵Mk用于表示学习者要回答的所有题目中涉及到的所有概念,/>用于表示t时刻学习者对每个概念的掌握程度;
根据交互信息计算题目难度dt;
将题目qt转换成题目嵌入向量vq,将题目嵌入向量vq和概念矩阵Mk输入到预测模型,获得题目qt与第i个概念的相关度wt(i);
计算获得学习者对题目qt相关的概念的总体掌握程度kst;
将总体掌握程度kst和相关度wt(i)输入到预测模型,获得学习者回答题目qt的预测正确率prt以及题目qt对学习者的预测难度pdt;
训练预测模型,训练的目标是最小化预测正确率prt和答案rt间的差异以及预测难度pdt和题目难度dt间的差异之和。
优选的,所述交互信息包括学习者回答题目qt所用的时间ot、学习者回答题目qt尝试的总次数at和学习者回答题目qt使用提示的总次数ht。
优选的,还包括步骤:根据题目qt、答案rt和交互信息对掌握程度矩阵进行更新,/>用于表示t时刻之后下一个时间步学习者对每个概念的掌握程度。
优选的,所述对掌握程度矩阵进行更新包括步骤:
将题目qt和交互信息转换为嵌入向量vqoah,根据向量vqoah计算得到向量qdt,向量qdt的计算公式为:
qdt=tanh(DTvqoah+b2)
其中DT是变换矩阵,b2是偏置矩阵;
根据题目qt和交互信息更新后的学习者对第i个概念的掌握程度的计算公式为:
将题目qt和答案rt转换为嵌入向量vqr,根据向量vqr计算得到向量qrt,向量qrt的计算公式为:
qrt=Sigmoid(RTvqr+b3)
其中DT是变换矩阵,b3是偏置矩阵;
根据题目qt和答案rt更新后的学习者对第i个概念的掌握程度的计算公式为:
优选的,所述根据交互信息计算题目难度dt的计算公式为:
dt=N(ot)*N(at)*N(ht)
N(ot)表示将时间ot归一化处理后的值,N(at)表示将总次数at归一化处理后的值,N(ht)表示将总次数ht归一化处理后的值。
优选的,wt(i)的计算公式为:
其中,T表示矩阵转置,Mk(i)是概念矩阵Mk中第i个概念的表示。
优选的,kst的计算公式为:
其中N为所有概念的总数量。
优选的,预测正确率prt以及题目qt对学习者的预测难度pdt的计算公式为:
[prt,pdt]=Sigmoid(Wtkst+b1)
其中
按照本发明的第二方面,提供了一种融合题目难度的知识追踪方法,包括步骤:
获取学习者要回答的题目,将要回答的题目输入到训练好的预测模型,输出学习者回答该题目的预测正确率以及该题目对学习者的预测难度,所述预测模型的训练采用上述任一项所述的方法得到。
按照本发明的第三方面,提供了一种融合题目难度的知识追踪系统,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
总体而言,本发明与现有技术相比,具有有益效果:
(1)使知识追踪模型在预测学习者正确率的同时,预测题目对学习者的难度,增强当前知识追踪模型在学习者知识掌握状态方面的表示,进而可以提升知识追踪技术在各项应用中的价值。
(2)在预测正确率和题目难度时,创造性地提出根据历史数据中的题目、答案和回答时交互信息来进行预测,能够提升预测的精确度。
(3)在对表示学习者记忆状态的概念掌握程度矩阵进行更新时,根据题目、答案和交互信息三者进行更新,即同时考虑了题目难度对概念掌握程度矩阵的作用,以及题目答案正确与否对概念掌握程度矩阵的作用。
附图说明
图1是本发明实施例的融合题目难度的知识追踪方法的原理示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明实施例的一种融合题目难度的知识追踪方法,包括步骤:
S1,获取t时刻学习者回答的题目qt、对该题目回答的答案rt和学习者在回答该问题时的交互信息。
知识追踪是根据学习者的历史记录,建模学习者的知识学习过程,预测学习者未来回答题目的表现。
将历史记录中t时刻学习者所要回答的题目记作qt,学习者对题目qt给出的答案记作rt。交互信息是学生回答题目时的产生的交互信息,可以根据需要灵活定义要采集的交互信息类型,例如可以包括:学习者回答qt所用的时间,记作ot,学习者回答qt尝试的总次数,记作at,学习者回答qt使用提示的总次数,记作ht。
以下实施例中以交互信息包括(ot,at,ht)作为示例说明。模型的输入为qt,ot,at,ht,输出为p(rt|qt)。
S2,获取概念矩阵Mk和概念掌握矩阵Mk用于表示学习者要回答的所有题目中涉及到的所有概念,/>用于表示t时刻学习者对每个概念的掌握程度。
假设,学习者要回答的题目总数记作Q;所有题目中涉及到的概念记作{c1,c2,…,cn},存储于矩阵中,概念的表示不会随着时间而改变。t时刻学习者对每个概念的掌握程度记作{s1,s2,…,sn},存储于矩阵/>中,概念的掌握程度会随着时间而改变。
S3,定义题目难度,根据交互信息计算题目难度dt。
问答题目过程所用的总时间ot、尝试的总次数at、以及使用提示的总次数ht均与题目的难度正相关。分别对ot,at,ht进行归一化(Normalization)处理,使它们处于区间[0,1]之间。将题目的难度定义如下:
dt=N(ot)*N(at)*N(ht)
N(ot)表示将时间ot归一化处理后的值,N(at)表示将总次数at归一化处理后的值,N(ht)表示将总次数ht归一化处理后的值。
题目难度的定义并非固定的,可以根据需要灵活调整。
S4,相关权重定义,计算相关权重。
题目qt中可能与多个概念相关,为了表示与每个概念的相关度,需要定义相关权重。题目qt由嵌入(embedding)矩阵嵌入得到嵌入向量/>其中Q为所有题目的数量。W实际上是神经网络的一层的表示,W是通过学习确定的。计算如下:
其中wt(i)表示题目qt与概念i的相关度,Mk(i)是概念矩阵Mk中第i个概念的表示。
S5,计算获得学习者对题目qt相关的概念的总体掌握程度kst。
当学习者回答题目qt时,学习者对与qt相关的每个概念的总体掌握情况(KnowledgeState)由kst表示如下:
其中,表示t时刻学习者对第i个概念的掌握内容。
S6,将总体掌握程度kst和相关度wt(i)输入到预测模型,获得学习者回答题目qt的预测正确率prt以及题目qt对学习者的预测难度pdt。
使用一个全连接层输出学习者的表现prt以及题目qt对学习者的难度pdt,如下:
[prt,pdt]=Sigmoid(Wtkst+b1)
其中prt表示模型预测的学习者正确回答题目qt的概率,pdt表示模型预测的题目qt对学习者的难度,b1都是训练确定的参数。
S7,训练预测模型,训练的目标是最小化预测正确率prt和答案rt间的差异以及预测难度pdt和题目难度dt间的差异之和。
优选的,损失函数为:
S8.题目难度作用过程。
学习者回答qt所用的时间ot,学习者回答qt尝试的总次数at,学习者回答qt使用提示的总次数ht组成的元组(qt,ot,at,ht)会对概念的掌握程度矩阵产生作用。
由嵌入矩阵嵌入得到向量vqoah,然后由此得到向量qdt如下:
qdt=tanh(DTvqaah+b2)
其中DT是变换矩阵,b2是偏置矩阵,DT和b2都是训练确定的参数。
题目难度对概念的掌握程度矩阵产生作用,从而影响下一个时间步的掌握程度矩阵/>如下:
S9.题目答案作用过程。元组(qt,rt)由嵌入矩阵嵌入得到vqr,然后由此得到题目答案向量qrt如下:
qrt=Sigmoid(RTvqr+b3)
其中RT是变换矩阵,b3是偏置矩阵,RT和b3是训练确定的参数。
学习者题目答案正确与否将对概念的掌握程度矩阵产生作用,从而影响下一个时间步的掌握程度矩阵/>如下:
采用上述知识追踪方法获取的预测模型进行知识追踪,获取学习者要回答的下一个题目,将要回答的下一个题目输入到训练好的预测模型,输出学习者回答该题目的预测正确率以及该题目对学习者的预测难度。在六个benchmark数据集上,本发明实施例(DFKT)与三个现有模型(DKT、DKVMN、SAKT)的实验结果对比如下表所示。
本实施例还提供了一种融合题目难度的知识追踪系统,其包括至少一个处理器、以及至少一个存储器,其中,存储器中存储有计算机程序,当计算机程序被处理器执行时,使得处理器执行上述实施例任一知识追踪方法的步骤,此处不再赘述;本实施例中,处理器和存储器的类型不作具体限制,例如:处理器可以是微处理器、数字信息处理器、片上可编程逻辑系统等;存储器可以是易失性存储器、非易失性存储器或者它们的组合等。
必须说明的是,上述任一实施例中,方法并不必然按照序号顺序依次执行,只要从执行逻辑中不能推定必然按某一顺序执行,则意味着可以以其他任何可能的顺序执行。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种融合题目难度的知识追踪方法,其特征在于,包括步骤:
获取t时刻学习者回答的题目qt、对该题目回答的答案rt和学习者在回答该问题时的交互信息;
获取概念矩阵Mk和概念掌握矩阵Mk用于表示学习者要回答的所有题目中涉及到的所有概念,/>用于表示t时刻学习者对每个概念的掌握程度;
根据交互信息计算题目难度dt;
将题目qt转换成题目嵌入向量vq,将题目嵌入向量vq和概念矩阵Mk输入到预测模型,获得题目qt与第i个概念的相关度wt(i);
计算获得学习者对题目qt相关的概念的总体掌握程度kst;
将总体掌握程度kst和相关度wt(i)输入到预测模型,获得学习者回答题目qt的预测正确率prt以及题目qt对学习者的预测难度pdt;
训练预测模型,训练的目标是最小化预测正确率prt和答案rt间的差异以及预测难度pdt和题目难度dt间的差异之和。
2.如权利要求1所述的一种融合题目难度的知识追踪方法,其特征在于,所述交互信息包括学习者回答题目qt所用的时间ot、学习者回答题目qt尝试的总次数at和学习者回答题目qt使用提示的总次数ht。
3.如权利要求1或2所述的一种融合题目难度的知识追踪方法,其特征在于,还包括步骤:根据题目qt、答案rt和交互信息对掌握程度矩阵进行更新,/>用于表示t时刻之后下一个时间步学习者对每个概念的掌握程度。
4.如权利要求3所述的一种融合题目难度的知识追踪方法,其特征在于,所述对掌握程度矩阵进行更新包括步骤:
将题目qt和交互信息转换为嵌入向量vqoah,根据向量vqoah计算得到向量qdt,向量qdt的计算公式为:
qdt=tanh(DTvqoah+b2)
其中DT是变换矩阵,b2是偏置矩阵;
根据题目qt和交互信息更新后的学习者对第i个概念的掌握程度的计算公式为:
将题目qt和答案rt转换为嵌入向量vqr,根据向量vqr计算得到向量qrt,向量qrt的计算公式为:
qrt=Sigmoid(RTvqr+b3)
其中RT是变换矩阵,b3是偏置矩阵;
根据题目qt和答案rt更新后的学习者对第i个概念的掌握程度的计算公式为:
5.如权利要求2所述的一种融合题目难度的知识追踪方法,其特征在于,所述根据交互信息计算题目难度dt的计算公式为:
dt=N(ot)*N(at)*N(ht)
N(ot)表示将时间ot归一化处理后的值,N(at)表示将总次数at归一化处理后的值,N(ht)表示将总次数ht归一化处理后的值。
6.如权利要求1所述的一种融合题目难度的知识追踪方法,其特征在于,wt(i)的计算公式为:
其中,T表示矩阵转置,Mk(i)是概念矩阵Mk中第i个概念的表示。
7.如权利要求1所述的一种融合题目难度的知识追踪方法,其特征在于,kst的计算公式为:
其中N为所有概念的总数量。
8.如权利要求1所述的一种融合题目难度的知识追踪方法,其特征在于,预测正确率prt以及题目qt对学习者的预测难度pdt的计算公式为:
[prt,pdt]=Sigmoid(Wtkst+b1)
其中
9.一种融合题目难度的知识追踪方法,其特征在于,包括步骤:
获取学习者要回答的题目,将要回答的题目输入到训练好的预测模型,输出学习者回答该题目的预测正确率以及该题目对学习者的预测难度,所述预测模型的训练采用如权利要求1至8任一项所述的方法得到。
10.一种融合题目难度的知识追踪系统,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110128081.3A CN112818100B (zh) | 2021-01-29 | 2021-01-29 | 一种融合题目难度的知识追踪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110128081.3A CN112818100B (zh) | 2021-01-29 | 2021-01-29 | 一种融合题目难度的知识追踪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112818100A CN112818100A (zh) | 2021-05-18 |
CN112818100B true CN112818100B (zh) | 2023-12-22 |
Family
ID=75858372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110128081.3A Active CN112818100B (zh) | 2021-01-29 | 2021-01-29 | 一种融合题目难度的知识追踪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818100B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344053B (zh) * | 2021-05-29 | 2022-08-12 | 华中师范大学 | 一种基于试题异构图表征与学习者嵌入的知识追踪方法 |
CN114781710B (zh) * | 2022-04-12 | 2022-12-23 | 云南师范大学 | 一种综合学习过程及题目知识点难度特征的知识追踪方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807469A (zh) * | 2019-09-19 | 2020-02-18 | 华中师范大学 | 融合长短时记忆与贝叶斯网络的知识追踪方法及系统 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150170536A1 (en) * | 2013-12-18 | 2015-06-18 | William Marsh Rice University | Time-Varying Learning and Content Analytics Via Sparse Factor Analysis |
-
2021
- 2021-01-29 CN CN202110128081.3A patent/CN112818100B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807469A (zh) * | 2019-09-19 | 2020-02-18 | 华中师范大学 | 融合长短时记忆与贝叶斯网络的知识追踪方法及系统 |
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 |
Non-Patent Citations (1)
Title |
---|
一种结合深度知识追踪的个性化习题推荐方法;马骁睿;徐圆;朱群雄;;小型微型计算机系统(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112818100A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582694B (zh) | 一种学习评估方法及装置 | |
CN110019151B (zh) | 数据库性能调整方法、装置、设备、系统及存储介质 | |
CN110807469B (zh) | 融合长短时记忆与贝叶斯网络的知识追踪方法及系统 | |
CN108257052B (zh) | 一种在线学生知识评估方法及其系统 | |
US8447720B1 (en) | Adaptive case-based reasoning system using dynamic method for knowledge acquisition | |
CN112818100B (zh) | 一种融合题目难度的知识追踪方法及系统 | |
CN110941723A (zh) | 一种知识图谱的构建方法、系统及存储介质 | |
CN113190688B (zh) | 基于逻辑推理和图卷积的复杂网络链接预测方法及系统 | |
CN111126552A (zh) | 一种智能学习内容推送方法及系统 | |
CN113871020B (zh) | 一种基于ai机器学习的急危重症诊后健康管理方法及系统 | |
CN111339285B (zh) | 基于bp神经网络的企业简历筛选方法和系统 | |
CN114385801A (zh) | 一种基于分层细化lstm网络的知识追踪方法及系统 | |
CN114429212A (zh) | 智能学习知识能力跟踪方法、电子设备及存储介质 | |
CN115510286A (zh) | 一种基于图卷积网络的多关系认知诊断方法 | |
CN115310520A (zh) | 融合多特征的深度知识追踪方法及习题推荐方法 | |
CN113283488B (zh) | 一种基于学习行为的认知诊断方法及系统 | |
CN112766513B (zh) | 一种记忆协同的知识追踪方法及系统 | |
CN115809322A (zh) | 一种基于gpt3的问答系统文本生成方法及装置 | |
CN113626572B (zh) | 一种学习过程一致性的预测方法和相关设备 | |
CN113239699B (zh) | 一种融合多特征的深度知识追踪方法及系统 | |
CN115827968A (zh) | 一种基于知识图谱推荐的个性化知识追踪方法 | |
CN111783473B (zh) | 医疗问答中最佳答案的识别方法、装置和计算机设备 | |
CN117743699B (zh) | 一种基于dkt与汤普森采样算法的习题推荐方法及系统 | |
Maniktala et al. | Enhancing a student productivity model for adaptive problem-solving assistance | |
Diao et al. | Precise modeling of learning process based on multiple behavioral features for knowledge tracing |
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 |