CN114676903A - 一种基于时间感知和认知诊断的在线预测方法及系统 - Google Patents
一种基于时间感知和认知诊断的在线预测方法及系统 Download PDFInfo
- Publication number
- CN114676903A CN114676903A CN202210275120.7A CN202210275120A CN114676903A CN 114676903 A CN114676903 A CN 114676903A CN 202210275120 A CN202210275120 A CN 202210275120A CN 114676903 A CN114676903 A CN 114676903A
- Authority
- CN
- China
- Prior art keywords
- student
- knowledge
- test
- question
- students
- 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.)
- Pending
Links
- 230000008447 perception Effects 0.000 title claims abstract description 52
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 44
- 238000003745 diagnosis Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 116
- 239000013598 vector Substances 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 230000004044 response Effects 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 241000288105 Grus Species 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 238000006116 polymerization reaction Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2237—Vectors, bitmaps or matrices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于时间感知和认知诊断的在线预测方法及系统,其方法包括:S1:获取学生历史做题记录序列,构建知识点的嵌入矩阵Eq和学生作答结果的嵌入矩阵Er;S2:根据所述学生历史做题记录序列,结合Eq和Er,构建知识点对应的嵌入eq以及作答结果对应的嵌入向量er;S3:将eq和er输入基于时间感知和认知诊断的在线预测网络,预测学生答对当前试题的概率,其中,所述基于时间感知和认知诊断的在线预测网络包括:基于时间感知的知识状态提取模块和基于认知诊断的作答预测模块;S4:基于所述学生答对当前试题的概率,调整试题难度,选取符合条件的试题进行推送。本发明提供的方法,实现对每个学生的知识状态的建模,从而实现对学生未来作答情况的预测。
Description
技术领域
本发明涉及知识追踪和智能教学领域,具体涉及一种基于时间感知和认知诊断的在线预测方法及系统。
背景技术
最近,随着互联网技术的高速发展,在线教育随之得到了广泛的推广,同时,教育领域通过引入人工智能的技术,使得在线的教学系统成为了智能教学系统(ITS)。ITS区别于传统的线下教育方式,它不需要专门的先验知识和专家的教育经验,该系统可以为每个学生提供最贴切学生的学习状态的个性化学习计划和试题推荐,专注于学生尚未掌握的知识或者经过长时间遗忘的知识,从而能够极大的提高学生的学习效率。在该系统中,如何高效的跟踪每个学生的知识掌握程度;如何根据每个学生的学习历史记录去实现对每个学生知识状态的精准建模是至关重要的。如何解决上述问题越来越受到人们的关注,知识追踪(Knowledge Tracing)模型致力于解决上述问题,它是模拟学习者知识掌握情况的一个典型模型,由Atkinson于1972年首次提出。在精准对学生状态的前提下,构建一个高性能的知识追踪模型,ITS可以对每个学生的当前状态进行分析,从而可以为学生提供更加合适的学习计划和安排,并且可以同时为学生推送相关的教学视频讲解和习题测试练习等等一系列后续策略。
在早期阶段,大多传统的方法都是基于项目反应理论(IRT),IRT是用来分析考试成绩或者问卷调查数据的数学模型。这些模型的目标是来确定潜在的心理特征(latenttrait)是否可以通过测试题被反应出来,以及测试题和被测试者之间的互动关系。广泛应用在心理和教育测量领域。这些方法致力于学习出共同因素去归纳学生观察后的结果,随着模型的不断优化发展,一些认知诊断模型浮出水面,例如DINA(Deterministic Input,Noisy And gate)模型,DINA模型考虑了“失误”和“猜测”等因素,即学生掌握练习考察的所有知识点时,可能会因为“失误”而答错,当学生没有掌握练习考察的所有知识点时,也可能通过“猜测”而答对练习。
后续的发展主要集中在利用隐马尔可夫(Markov)链来提取学生的状态,并预测他对于下一个问题的表现,其主要是根据他之前的记录,其中参数主要是基于人工预设定的方式来实现,(Bayesian Knowledge Tracing)BKT是最常用的一个模型,Corbett和Anderson,1995年将BKT引入智能教育领域,应用于ITS。BKT采用实时反馈的用户交互建模,将学习者的潜在知识状态建模为一组二元变量,每个变量代表是否理解某个知识,随着学生不断地练习,对于知识点的掌握也会有动态的变化,BKT通过利用隐马尔可夫模型(HMM)来维护代表知识点熟练度的二元变量{掌握该知识点,没掌握该知识点},原始的BKT模型假设学生一旦学会了技能,就永远不会被遗忘。
在最近的发展中,因为得益于数据库管理技术和大数据的发展,将神经网络方法应用于知识追踪已成为一种趋势。基于深度神经网络的方法由于其对序列数据建模的强大能力而越发凸显出其优越的性能,基于深度学习的方法势在必行。
最早将深度学习方法应用在知识追踪领域的是深度知识追踪(Deep KnowledgeTracing,DKT),DKT采用了长短期记忆(LSTM)网络去追踪每个学生的知识状态的变化情况,这种循环神经网络最大的优势在于能利用更多的早期的信息,该方法考虑到学生当前的状态本质上是他历史交互过的试题的一种内在体现,通过LSTM精准的提取学生的历史记录信息,可以有效地对当前的学生状态进行建模。此外,也有一些基于记忆网络的方法出现,例如,动态知识跟踪的键值记忆网络(Dynamic Key-Value Memory Networks for KnowledgeTracing),因为记忆网络的存储特性,使得网络可以更加明显的反映出学生的状态之间的细微区别,从而能够感知一些细微的变化过程。
最近,基于注意力的方法在处理顺序数据方面取得了很大进展,例如自注意力知识追踪(Self-Attentive Knowledge Tracing,SAKT),这些模型关注于目标题目和学生历史作答过的试题间的相似度比较,从而在学生的历史序列中提取主要的交互信息,摒弃低关联性的历史试题,有效的降低了无关信息的干扰,提高了模型的预测精度。
但是,上述的方法中大多忽视了时间因素对于学生知识状态的影响。但实际上,记忆会随着时间逐步衰减,曾经掌握的知识点也会随着时间的推移而逐渐遗忘,因此,如何在对学生状态建模时合理利用时间因素,以实现对每个学生知识状态更加精准的追踪和预测成为一个亟待解决的问题。
发明内容
为了解决上述技术问题,本发明提供一种基于时间感知和认知诊断的在线预测方法及系统。
本发明技术解决方案为:一种基于时间感知和认知诊断的在线预测方法,包括:
步骤S1:获取学生历史做题记录序列,并根据所述学生历史做题记录序列中试题ID从试题库中获取所述试题对应的知识点,由此构建知识点的嵌入矩阵和学生作答结果的嵌入矩阵其中,Eq的第i行表示着知识点i的嵌入向量,Er的2行分别代表作答结果正确或错误,De表示嵌入矩阵的维度,N表示知识点个数;
步骤S2:根据所述学生历史做题记录序列,结合Eq和Er,构建学生历史做题记录中所涉及的知识点对应的嵌入向量序列qT为学生历史记录中第T道试题,为学生历史记录中第T道试题的嵌入向量,以及学生历史做题记录中对试题的作答结果对应的嵌入向量序列rT为学生历史记录中第T道试题的作答结果,为学生历史记录中第T道试题的作答情况向量,T表示所述学生历史做题记录序列的长度;
步骤S3:将eq和er输入基于时间感知和认知诊断的在线预测网络,预测学生答对当前试题的概率,其中,所述基于时间感知和认知诊断的在线预测网络包括:基于时间感知的知识状态提取模块和基于认知诊断的作答预测模块;
步骤S4:基于所述学生答对当前试题的概率,调整试题难度,选取符合条件的试题进行推送。
本发明与现有技术相比,具有以下优点:
本发明公开了一种基于时间感知和认知诊断的在线预测方法,使用高性能的知识追踪模型,引入了基于时间感知的知识状态提取模块,综合考虑了在时间因素影响下,学生历史作答试题的遗忘特性,从而对学生的知识状态实现精准建模。通过引入多维度的基于认知诊断的作答预测模块,可以精准判断出当前学生知识状态和目标试题之间的关联性,从而实现对学生作答情况的准确预测;并且根据预测结果来实现个性化推荐,能够为学生提供更加符合需求的试题和视频推送,从而极大的提升了智能教学系统的智能化水平。
附图说明
图1为本发明实施例中一种基于时间感知和认知诊断的在线预测方法的流程图;
图2为本发明实施例中基于时间感知和认知诊断的在线预测网络结构示意图;
图3为本发明实施例中一种基于时间感知和认知诊断的在线预测系统的结构框图。
具体实施方式
本发明提供了一种基于时间感知和认知诊断的在线预测方法,实现对每个学生的知识状态的建模,从而实现对学生未来作答情况的预测。
为了使本发明的目的、技术方案及优点更加清楚,以下通过具体实施,并结合附图,对本发明进一步详细说明。
实施例一
如图1所示,本发明实施例提供的一种基于时间感知和认知诊断的在线预测方法,包括下述步骤:
步骤S1:获取学生历史做题记录序列,并根据学生历史做题记录序列中试题ID从试题库中获取试题对应的知识点,由此构建知识点的嵌入矩阵和学生作答结果的嵌入矩阵其中,Eq的第i行表示着知识点i的嵌入向量,Er的2行分别代表作答结果正确或错误,De表示嵌入矩阵的维度,N表示知识点个数;
本发明实施例构建试题数据库,用于存储试题ID、试题的文本信息、试题的候选答案信息、试题难度系数、试题考察的知识点、试题题型等信息,基于试题数据库,构建知识点的嵌入矩阵Eq。
本发明实施例构建学生历史做题记录数据库,用于存储学生ID、试题ID、学生对于每道试题作答的对错情况、作答开始和结束的时间戳、作答用时等学生历史做题情况的信息,基于学生历史做题记录数据库,构建学生作答结果的嵌入矩阵Er。
通过学生历史做题记录数据库以及试题数据库获取试题所对应的知识点,获取学生历史做题记录序列,包括知识点和作答情况。根据该序列构建知识点的嵌入矩阵 和学生作答结果的嵌入矩阵其中,Eq的第i行表示着知识点i的嵌入向量,Er的2行分别代表作答结果正确或错误,De表示嵌入矩阵的维度,N表示知识点个数。
步骤S2:根据所述学生历史做题记录序列,结合Eq和Er,构建学生历史做题记录中所涉及的知识点对应的嵌入向量序列qT为学生历史记录中第T道试题,为学生历史记录中第T道试题的嵌入向量,以及学生历史做题记录中对试题的作答结果对应的嵌入向量序列rT为学生历史记录中第T道试题的作答结果,为学生历史记录中第T道试题的作答情况向量,T表示所述学生历史做题记录序列的长度;
举例来说,假设学生历史做题记录序列为:{9:1;9:1;12:0;9:0;8:1},其中,{9,12,8}表示着学生作答过的试题对应的知识点ID,{0,1}分别代表学生答错或者答对这二种不同情况。根据学生历史作答试题序列{9,9,12,9,8},分别抽取步骤S1中构建的知识点的嵌入矩阵的第{9,9,12,9,8}行向量构建出对应的嵌入向量序列根据学生历史作答试题的作答情况序列{1,1,0,0,1},分别抽取步骤S1中构建的作答结果的嵌入矩阵的第{1,1,2,2,1}行向量构建出对应的嵌入向量序列
步骤S3:将eq和er输入基于时间感知和认知诊断的在线预测网络,预测学生答对当前试题的概率,其中,基于时间感知和认知诊断的在线预测网络包括:基于时间感知的知识状态提取模块和基于认知诊断的作答预测模块;
步骤S4:基于学生答对当前试题的概率,调整试题难度,选取符合条件的试题进行推送。
在经过上述步骤S2后,生成基于时间感知和认知诊断的在线预测网络的输入向量eq和er,本发明实施例采用带有门控单元的循环神经网络(GRU)去提取学生知识状态的动态变化。本发明实施例采用GRU代替传统的长短期记忆网络(LSTM),因为GRU相较于LSTM有着更少的参数量并且可以有效缓解在网络训练中出现的梯度消失的问题。
如图2所示,在一个实施例中,上述步骤S3中基于时间感知的知识状态提取模块,具体包括:
步骤S301:将eq和er输入基于时间感知的知识状态提取模块,利用有门控单元的循环神经网络GRU提取学生知识状态,其中,GRUq用于提取在历史作答的试题间知识点的关联性,GRUr用于追踪学生对知识点的掌握情况的动态变化,如公式(1)和(2)所示:
步骤S302:将eq和er与S301的输出h′q和h′r进行聚合,如公式(3)和(4)所示:
hq=hq+eqWq (3)
hr=hr+erWr (4)
其中,Wq,Wr分别为映射矩阵;
本步骤中,分别将eq和er与GRU的输出h′q和h′r进行聚合,以确保底层的特征之间语义细节不会随着网络的加深而丢失;
虽然GRU在处理序列数据上有着固有的优势,但是它依旧有一些缺陷:
1、在对长序列的预测中表现较差,早期交互过的特征信息会随着网络的迭代逐渐消失,因此容易造成语义细节的丢失。
2、忽视了在整个历史序列中的时间因素,不同的时间间隔下学生做过的试题有着不同程度的遗忘,现有方法通常忽略了这一点,随着时间的推进,早期掌握的知识点也会随着时间遗忘。通常来说,学生的学习周期大多为一个学期,时间跨度越大,越容易遗忘的特性则更被突显出来。
本发明实施例通过设计带有时间感知机制的局部编码器,以解决上述问题。
步骤S303:使用上述2个隐含状态之和来表示提取后学生的知识状态,如公式(5)所示:
h=hq+hr (5)
步骤S304:设计时间感知机制的局部编码器,根据时间间隔的不同进行自适应聚合每一步下的知识状态,如公式(6)和(7)所示:
其中,c是具有时间感知的学生知识状态,时间感知参数ατ,k代表了学生作答的第τ道的试题信息对于当前第k道题的状态衰减权重系数,hτ为学生作答的第τ道的试题的知识状态;β为一个可学习的参数;tk,tτ分别代表了在历史记录中学生在完成第k,τ道试题的时间戳。
本发明通过引入时间感知机制,使得网络更加关注于学生短期内做过的试题信息,同时弱化那些很久之前作答的试题信息,并且根据这些历史记录中的时间距离当前状态的时间差来进行自适应的调整每个作答过的试题对于当前学生状态的权重和影响。
此外,如何有效的提取目标试题和当前学生知识状态间的隐含关系,对于预测学生的作答结果是至关重要的。通常来说,学生最后的作答结果受到多方面因素影响,对于任何一个试题,它考察的知识点是多方面的,多维度的,当学生在作答的过程中,被考察的知识能力也是多方面的,任何一个方面的能力的薄弱都可能造成作答的错误。同样,学生的能力状态也是由多种知识状态组成的混合空间构成,其中的每个知识的掌握程度也会有所不同,在对特定的试题进行作答时,自身掌握的无关知识则对最终的对错影响较小,而与试题具有高关联性的则会对最终的作答结果起到关键性的作用。因此,本发明实施例构造的多维度基于认知诊断的作答预测模块可以很好的提取这种试题与学生状态之间的关联性,从而实现对学生作答情况的精准预测。
在一个实施例中,上述步骤S3中基于认知诊断的作答预测模块,具体包括:
步骤S311:将具有时间感知的学生知识状态c和试题的隐状态hq映射到不同的维度下,如公式(8)和(9)所示:
步骤S312:构建诊断模块,获取每个子状态之间隐藏关联性,如公式(10)所示:
其中,si为第i维度下的诊断得分;⊙为元素级别的乘法运算;MLP为多层感知机;
本发明实施例中使用了一个3层的多层感知机来计算最后的诊断得分。
步骤S313:将每个维度下的诊断得分与子状态相乘,从而实现对每个子状态的权重的自适应调整,如公式(11)所示:
其中,hd为经过自适应调整后针对当前目标试题的学生知识状态;
步骤S314:利用前馈网络FFN,使得学生知识状态hd更加平滑;利用残差连接和层标准化LN,保证网络的稳定性,如公式(12)和(13)所示:
o=LN(hd+FFN(hd)) (12)
FFN(hd)=(ReLU(hdW1+b1))W2+b2 (13)
其中,o为最终的输出的学生知识状态,ReLU为修正线性单元激活函数,W1和W2为系数权重矩阵,b1和b2为偏置向量;层标准化LN函数为:其中,u和σ分别为输入x的均值和方差,γ和β分别为可学习的尺度和偏移参数;
步骤S315:使用全连接层生成学生答对目标试题的概率r′,如公式(14)所示:
r′=σ(FCN([o,eq])) (14)
其中,σ为sigmoid激活函数,FCN为全连接函数,[·,·]表示合并操作,eq为目标试题对应的知识点嵌入向量。
在一个实施例中,上述步骤S4:基于学生答对当前试题的概率,调整试题难度,选取符合条件的试题进行推送,具体包括:
根据步骤S3预测得到学生对当前试题的作答情况,可以得到学生对于当前试题的知识点的掌握程度:
1、在学生作答正确的情况下,有理由认为学生对于当前知识点有了较好的掌握情况,为了有效提高学生的能力水平,可适当提高接下来推荐的试题的难度系数,通过读取学生的具体信息,例如学生的年级,学习科目,学习单元等,在数据库进行筛选出与学生自身条件符合的试题集后,剔除低于当前试题难度的试题,在剩下的试题集合中,采用随机采样的方式,随机选取符合要求的试题来进行最后的试题推送。
2、在学生作答错误的情况下,认为学生对当前试题并未能很好的掌握或者当前试题的难度系数较大,需要提供配套的视频讲解来帮助学生更好的理解试题,同样通过对数据库的筛选,生成符合要求的数据集,剔除高难度试题,推送较低难度试题,同时,选择出与当前试题相似度最高的知识点视频讲解,实现试题和视频双重的精准推送。
此外,每当学生在系统中完成一道试题的作答,对应的学生历史做题记录数据库写入一条新的交互信息,同时意味着学生的知识状态也随之发生变化,更新当前学生的知识状态提取模块,并实时的反馈给后续的作答预测模块。
本发明公开了一种基于时间感知和认知诊断的在线预测方法,使用高性能的知识追踪模型,引入了基于时间感知的知识状态提取模块,综合考虑了在时间因素影响下,学生历史作答试题的遗忘特性,从而对学生的知识状态实现精准建模。通过引入多维度的基于认知诊断的作答预测模块,可以精准判断出当前学生知识状态和目标试题之间的关联性,从而实现对学生作答情况的准确预测;并且根据预测结果来实现个性化推荐,能够为学生提供更加符合需求的试题和视频推送,从而极大的提升了智能教学系统的智能化水平。
实施例二
如图3所示,本发明实施例提供了一种基于时间感知和认知诊断的在线预测系统,包括下述模块:
构建知识点嵌入矩阵和作答结果的嵌入矩阵模块51,用于根据学生做题的历史记录,获取学生历史做题记录序列,并根据所述学生历史做题记录序列中试题ID从试题库中获取所述试题对应的知识点,由此构建知识点的嵌入矩阵和学生作答结果的嵌入矩阵其中,Eq的第i行表示着知识点i的嵌入向量,Er的2行分别代表作答结果正确或错误,De表示嵌入矩阵的维度,N表示知识点个数;
获取知识点嵌入向量和作答结果的嵌入向量模块52,用于根据所述学生历史做题记录序列,结合Eq和Er,构建学生历史做题记录中所涉及的知识点对应的嵌入向量序列qT为学生历史记录中第T道试题,为学生历史记录中第T道试题的嵌入向量,以及学生历史做题记录中对试题的作答结果对应的嵌入向量序列rT为学生历史记录中第T道试题的作答结果,为学生历史记录中第T道试题的作答情况向量,T表示所述学生历史做题记录序列的长度;
预测学生作答结果模块53,用于将eq和er输入基于时间感知和认知诊断的在线预测网络,预测学生答对当前试题的概率,其中,所述基于时间感知和认知诊断的在线预测网络包括:基于时间感知的知识状态提取模块和基于认知诊断的作答预测模块;
试题推送模块54:基于所述学生答对当前试题的概率,调整试题难度,选取符合条件的试题进行推送。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (4)
1.一种基于时间感知和认知诊断的在线预测方法,其特征在于,包括:
步骤S1:获取学生历史做题记录序列,并根据所述学生历史做题记录序列中试题ID从试题库中获取所述试题对应的知识点,由此构建知识点的嵌入矩阵和学生作答结果的嵌入矩阵其中,Eq的第i行表示着知识点i的嵌入向量,Er的2行分别代表作答结果正确或错误,De表示嵌入矩阵的维度,N表示知识点个数;
步骤S2:根据所述学生历史做题记录序列,结合Eq和Er,构建学生历史做题记录中所涉及的知识点对应的嵌入向量序列qT为学生历史记录中第T道试题,为学生历史记录中第T道试题的嵌入向量,以及学生历史做题记录中对试题的作答结果对应的嵌入向量序列rT为学生历史记录中第T道试题的作答结果,为学生历史记录中第T道试题的作答情况向量,T表示所述学生历史做题记录序列的长度;
步骤S3:将eq和er输入基于时间感知和认知诊断的在线预测网络,预测学生答对当前试题的概率,其中,所述基于时间感知和认知诊断的在线预测网络包括:基于时间感知的知识状态提取模块和基于认知诊断的作答预测模块;
步骤S4:基于所述学生答对当前试题的概率,调整试题难度,选取符合条件的试题进行推送。
2.根据权利要求1所述的基于时间感知和认知诊断的在线预测方法,其特征在于,所述步骤S3中基于时间感知的知识状态提取模块,具体包括:
步骤S301:将eq和er输入所述基于时间感知的知识状态提取模块,利用有门控单元的循环神经网络GRU提取学生知识状态,其中,GRUq用于提取在历史作答的试题间知识点的关联性,GRUr用于追踪学生对知识点的掌握情况的动态变化,如公式(1)和(2)所示:
步骤S302:将eq和er与S301的输出h′q和h′r进行聚合,如公式(3)和(4)所示:
hq=h′q+eqWq (3)
hr=h′r+erWr (4)
其中,Wq,Wr分别为映射矩阵;
步骤S303:使用上述2个隐含状态之和来表示提取后学生的知识状态,如公式(5)所示:
h=hq+hr (5)
步骤S304:设计时间感知机制的局部编码器,根据时间间隔的不同进行自适应聚合每一步下的知识状态,如公式(6)和(7)所示:
其中,c是具有时间感知的学生知识状态,时间感知参数ατ,k代表了学生作答的第τ道的试题信息对于当前第k道题的状态衰减权重系数;hτ为学生作答的第τ道的试题的知识状态;β为一个可学习的参数;tk,tτ分别代表了在历史记录中学生在完成第k,τ道试题的时间戳。
3.根据权利要求1所述的基于时间感知和认知诊断的在线预测方法,其特征在于,所述步骤S3中基于认知诊断的作答预测模块,具体包括:
步骤S311:将所述具有时间感知的学生知识状态c和试题的隐状态hq映射到不同的维度下,如公式(8)和(9)所示:
步骤S312:构建诊断模块,获取每个所述子状态之间隐藏关联性,如公式(10)所示:
其中,si为第i维度下的诊断得分;⊙为元素级别的乘法运算;MLP为多层感知机;
步骤S313:将每个维度下的所述诊断得分与所述子状态相乘,从而实现对每个所述子状态的权重的自适应调整,如公式(11)所示:
其中,hd为经过自适应调整后针对当前目标试题的学生知识状态;
步骤S314:利用前馈网络FFN,使得所述学生知识状态hd更加平滑;利用残差连接和层标准化LN,保证网络的稳定性,如公式(12)和(13)所示:
o=LN(hd+FFN(hd)) (12)
FFN(hd)=(ReLU(hdW1+b1))W2+b2 (13)
其中,o为最终的输出的学生知识状态,ReLU为修正线性单元激活函数,W1和W2为系数权重矩阵,b1和b2为偏置向量;层标准化LN函数为:其中,u和σ分别为输入x的均值和方差,γ和β分别为可学习的尺度和偏移参数;
步骤S315:使用全连接层生成学生答对所述目标试题的概率r′,如公式(14)所示:
r′=σ(FCN([o,eq])) (14)
其中,σ为sigmoid激活函数,FCN为全连接函数,[·,·]表示合并操作,eq为所述目标试题对应的知识点嵌入向量。
4.一种基于时间感知和认知诊断的在线预测系统,其特征在于,包括下述模块:
构建知识点嵌入矩阵和作答结果的嵌入矩阵模块,用于根据学生做题的历史记录,获取学生历史做题记录序列,并根据所述学生历史做题记录序列中试题ID从试题库中获取所述试题对应的知识点,由此构建知识点的嵌入矩阵和学生作答结果的嵌入矩阵其中,Eq的第i行表示着知识点i的嵌入向量,Er的2行分别代表作答结果正确或错误,De表示嵌入矩阵的维度,N表示知识点个数;
获取知识点嵌入向量和作答结果的嵌入向量序列模块,用于根据所述学生历史做题记录序列,结合Eq和Er,构建学生历史做题记录中所涉及的知识点对应的嵌入向量序列qT为学生历史记录中第T道试题,为学生历史记录中第T道试题的嵌入向量,以及学生历史做题记录中对试题的作答结果对应的嵌入向量序列rT为学生历史记录中第T道试题的作答结果,为学生历史记录中第T道试题的作答情况向量,T表示所述学生历史做题记录序列的长度;
预测学生作答结果模块,用于将eq和er输入基于时间感知和认知诊断的在线预测网络,预测学生答对当前试题的概率,其中,所述基于时间感知和认知诊断的在线预测网络包括:基于时间感知的知识状态提取模块和基于认知诊断的作答预测模块;
试题推送模块:基于所述学生答对当前试题的概率,调整试题难度,选取符合条件的试题进行推送。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210275120.7A CN114676903A (zh) | 2022-03-21 | 2022-03-21 | 一种基于时间感知和认知诊断的在线预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210275120.7A CN114676903A (zh) | 2022-03-21 | 2022-03-21 | 一种基于时间感知和认知诊断的在线预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114676903A true CN114676903A (zh) | 2022-06-28 |
Family
ID=82074922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210275120.7A Pending CN114676903A (zh) | 2022-03-21 | 2022-03-21 | 一种基于时间感知和认知诊断的在线预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114676903A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541538A (zh) * | 2023-07-06 | 2023-08-04 | 广东信聚丰科技股份有限公司 | 基于大数据的智慧学习知识点挖掘方法及系统 |
CN117973527A (zh) * | 2024-04-02 | 2024-05-03 | 云南师范大学 | 一种基于gru捕捉问题上下文特征的知识追踪方法 |
-
2022
- 2022-03-21 CN CN202210275120.7A patent/CN114676903A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541538A (zh) * | 2023-07-06 | 2023-08-04 | 广东信聚丰科技股份有限公司 | 基于大数据的智慧学习知识点挖掘方法及系统 |
CN116541538B (zh) * | 2023-07-06 | 2023-09-01 | 广东信聚丰科技股份有限公司 | 基于大数据的智慧学习知识点挖掘方法及系统 |
CN117973527A (zh) * | 2024-04-02 | 2024-05-03 | 云南师范大学 | 一种基于gru捕捉问题上下文特征的知识追踪方法 |
CN117973527B (zh) * | 2024-04-02 | 2024-06-07 | 云南师范大学 | 一种基于gru捕捉问题上下文特征的知识追踪方法 |
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 | |
CN110428010B (zh) | 知识追踪方法 | |
Ramírez-Noriega et al. | Evaluation module based on Bayesian networks to Intelligent Tutoring Systems | |
CN113610235B (zh) | 一种基于深度知识追踪的适应性学习支持装置及方法 | |
CN110941723A (zh) | 一种知识图谱的构建方法、系统及存储介质 | |
CN114676903A (zh) | 一种基于时间感知和认知诊断的在线预测方法及系统 | |
CN113360635B (zh) | 一种基于自注意和预训练机制的智能教学方法及系统 | |
CN112116092A (zh) | 可解释性知识水平追踪方法、系统和存储介质 | |
CN115545160B (zh) | 一种多学习行为协同的知识追踪方法及系统 | |
CN112800323A (zh) | 一种基于深度学习的智能教学系统 | |
CN114021722A (zh) | 一种融合认知刻画的注意力知识追踪方法 | |
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 | |
CN117473041A (zh) | 一种基于认知策略的编程知识追踪方法 | |
CN114493944A (zh) | 学习路径的确定方法、装置、设备及存储介质 | |
Ma et al. | Dtkt: An improved deep temporal convolutional network for knowledge tracing | |
Zhao | A Study on Data-Driven Teaching Decision Optimization of Distance Education Platforms. | |
CN116166998B (zh) | 一种联合全局和局部特征的学生表现预测方法 | |
CN116705294A (zh) | 一种基于记忆网络的可解释动态认知诊断方法 | |
CN114997461B (zh) | 一种联合学习与遗忘的时间敏感的答题正确性预测方法 | |
Zhang et al. | Neural Attentive Knowledge Tracing Model for Student Performance Prediction | |
CN115795015A (zh) | 一种试题难度增强的综合知识追踪方法 | |
CN115205072A (zh) | 一种面向长周期测评的认知诊断方法 | |
Yue et al. | Augmenting interpretable knowledge tracing by ability attribute and attention mechanism | |
Ruvolo et al. | Building a more effective teaching robot using apprenticeship learning |
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 |