CN114936315A - 自适应推题的方法及其相关产品 - Google Patents

自适应推题的方法及其相关产品 Download PDF

Info

Publication number
CN114936315A
CN114936315A CN202210364860.8A CN202210364860A CN114936315A CN 114936315 A CN114936315 A CN 114936315A CN 202210364860 A CN202210364860 A CN 202210364860A CN 114936315 A CN114936315 A CN 114936315A
Authority
CN
China
Prior art keywords
question
topic
value
user
knowledge point
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
Application number
CN202210364860.8A
Other languages
English (en)
Inventor
黄佳玉
李翌昕
林辉
段亦涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Netease Youdao Information Technology Beijing Co Ltd
Original Assignee
Netease Youdao Information Technology Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Netease Youdao Information Technology Beijing Co Ltd filed Critical Netease Youdao Information Technology Beijing Co Ltd
Priority to CN202210364860.8A priority Critical patent/CN114936315A/zh
Publication of CN114936315A publication Critical patent/CN114936315A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
    • G09B7/04—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student characterised by modifying the teaching programme in response to a wrong answer, e.g. repeating the question, supplying a further explanation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Manipulator (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明的实施方式提供了一种自适应推题的方法及相关产品。其中，该方法包括：获取用户的作答记录，其中所述作答记录至少包括与所述用户相关联的题目的题目标识和题目作答正误；利用预训练的深度学习模型对经预处理的所述题目标识和/或题目作答正误进行训练，以得到推题参数，其中所述推题参数包括所述用户在所述题目对应的知识点上的能力值、所述题目的题目难度值和所述题目的作答正误概率；以及基于所述推题参数和推题策略确定向用户推送的最优题目。通过本发明的方案，能够综合多种推题参数为用户推荐最优题目，以有效提高推题效果，满足用户的实际使用需求。

Description

自适应推题的方法及其相关产品
技术领域
本发明的实施方式涉及信息处理技术领域，更具体地，本发明的实施方式涉及自适应推题的方法、执行前述方法的设备和计算机可读存储介质。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述可包括可以探究的概念，但不一定是之前已经想到或者已经探究的概念。因此，除非在此指出，否则在本部分中描述的内容对于本申请的说明书和权利要求书而言不是现有技术，并且并不因为包括在本部分中就承认是现有技术。
相对所有学生的学习内容与学习途径是统一方式的传统学习方式，自适应学习更多的会考虑学习者自身情况，可以通过与学习者互动为每个学习者定制不同的学习方式或学习途径。如何在有限的时间内，根据每个学生的特性为每位学生提供个性化的学习路径以使学生获得最大的提升，显得十分具有研究价值。
随着学习环境的改变，在线教育引起了极大的关注。与传统教育相比，在线教育平台提供了智能辅导的机会。随着互联网教育的快速发展，智能辅导系统(IntelligentTutoring System，ITS)和大规模开放在线课程(Massive Open Online Courses，MOOC)等平台越来越受欢迎，它们为学生提供了自主学习以及辅助教学的可能性。然而，虽然在线教育系统提供了便利，但学习平台上的学生数量远远超过了教师的数量，因此很难提供自学服务和个性化的指导。为此，相关技术中，可以利用人工智能技术提供类似教师的教学服务。具体来说，该教学服务可以根据学生的学习记录，准确分析学生的学习状况，然后为学生提供个性化的指导服务。其中，知识跟踪是个性化指导中的一个关键问题，其特点是自动化和个性化，其任务是根据学生的历史学习轨迹，长期跟踪学生的知识掌握程度，从而准确预测学生在未来学习中的表现，以提供相应的学习指导。在这个过程中，知识掌握水平被用来描述学生的知识掌握程度，可以综合学生的能力值和题目的难度值等因素对学生进行题目推荐。其中，所使用的题目难度值是人为标记难度，该标记难度值无法客观反应题目的真实难度，且在推题过程中所考虑的影响因素较少，最终导致题目推送效果较差。
发明内容
已知的向用户推题的推题效果不理想，这是非常令人烦恼的过程。
为此，非常需要一种改进的自适应推题的方案及其相关产品，能够综合多种推题参数为用户推荐最优题目，以有效提高推题效果，满足用户的实际使用需求。
在本上下文中，本发明的实施方式期望提供一种自适应推题的方案及其相关产品。
在本发明实施方式的第一方面中，提供了一种自适应推题的方法，包括：获取用户的作答记录，其中所述作答记录至少包括与所述用户相关联的题目的题目标识和题目作答正误；利用预训练的深度学习模型对经预处理的所述题目标识和/或题目作答正误进行训练，以得到推题参数，其中所述推题参数包括所述用户在所述题目对应的知识点上的能力值、所述题目的题目难度值和所述题目的作答正误概率；以及基于所述推题参数和推题策略确定向用户推送的最优题目。
在本发明的一个实施例中，利用预训练的深度学习模型对经预处理后的所述题目标识和/或题目作答正误进行训练包括：利用所述深度学习模型对所述题目的题目标识和所述题目作答正误进行处理，以预测所述用户在所述题目对应的知识点上的能力值；利用所述深度学习模型对所述题目的题目标识进行处理，以预测所述题目的题目难度值；以及根据预测出的能力值和题目难度值，预测所述题目的作答正误概率。
在本发明的另一个实施例中，其中所述深度学习模型包括表示题目与知识点对应状态的内部内存矩阵、表示知识点掌握状态的外部内存矩阵以及支持知识点的现实含义与所述深度学习模型中的知识点标识信息映射的知识点编码矩阵，其中，针对每个题目，预测所述用户在所述题目对应的知识点上的能力值包括：利用所述内部内存矩阵和所述知识点编码矩阵对所述题目的题目标识进行处理，以得到表示所述题目对应知识点的现实含义的相关权重；对所述外部内存矩阵进行更新处理，以得到更新后的外部内存矩阵；以及基于所述相关权重、所述更新后的外部内存矩阵以及所述知识点编码矩阵，确定所述用户在所述题目对应的知识点上的能力值。
在本发明的又一个实施例中，利用所述内部内存矩阵和所述知识点编码矩阵对所述题目的题目标识进行处理包括：获取所述题目的题目标识的嵌入向量；利用所述内部内存矩阵对所述嵌入向量进行内积计算，以得到表示所述题目的知识点的相关权重信息；以及利用所述知识点编码矩阵对所述题目的知识点的相关权重信息进行显式映射，以得到所述题目对应实际知识点的相关权重。
在本发明的再一个实施例中，其中，所述作答记录按照用户做题先后顺序排列，对所述外部内存矩阵进行更新处理包括：在所述作答记录的序列的每个时间戳上，向所述外部内存矩阵输入一关于题目标识和题目作答正误的联合嵌入向量；以及基于所述联合嵌入向量确定更新权重值，以根据所述更新权重值对所述外部内存矩阵进行更新。
在本发明的一个实施例中，预测所述题目的题目难度值包括：获取所述题目的题目标识的嵌入向量；以及基于全连接网络对所述嵌入向量进行处理，以得到所述题目难度值。
在本发明的另一个实施例中，根据预测出的能力值和题目难度值，预测所述题目的作答正误概率包括：利用项目反应理论的两参数模型对预测出的能力值和题目难度值进行计算，以得到计算结果；利用激活函数对所述计算结果进行转换，以得到所述题目的作答正误概率；将所述题目的作答正误概率与分类阈值进行比较；以及响应于所述题目的作答正误概率大于或者等于所述分类阈值，输出做题正确的预测结果，或者响应于所述题目作答正误概率小于所述分类阈值，输出做题错误的预测结果。
在本发明的又一个实施例中，基于所述推题参数和推题策略确定向用户推送的最优题目包括：根据所述能力值和所述题目难度值确定推题范围；根据对所述推题范围中每道题目的作答正误概率，计算每道题目的能力值变化期望；以及从所述推题范围中筛选出能力值变化期望最高的题目，并确定其为所述最优题目。
在本发明的再一个实施例中，其中根据所述能力值和所述题目难度值确定推题范围包括：分别对所述能力值和所述题目难度值进行正态分布拟合，以得到拟合结果；以及根据拟合结果从数据库中筛选题目难度值与能力值相匹配的题目作为所述推题范围。
在本发明的一个实施例中，根据对所述推题范围中每道题目的作答正误概率，计算每道题目的能力值变化期望包括：计算所述推题范围中的每道题目在作答正确情况下和作答错误情况下的能力值变化；以及利用所述每道题目在作答正确情况下的能力值变化、在作答错误情况下的能力变化以及作答正确概率，确定每道题目的能力值变化期望。
在本发明的另一个实施例中，其中根据以下公式确定每道题目的能力值变化期望：E＝σ(c)·Δability++[1-σ(c)]·Δability-；其中，E表示每道题目的能力值变化期望，σ(c)表示作答正确概率，Δability+与Δability- 分别表示在作答正确情况下和作答错误情况下的能力值变化。
在本发明的又一个实施例中，还包括：响应于获取到用户关于所述最优题目的作答记录，利用所述深度学习模型对所述关于所述最优题目的作答记录进行处理，以得到用户在所述最优题目对应知识点上的能力值；以及根据用户在所述最优题目对应知识点上的能力值生成学习报告和/或更新所述数据库记录的数据。
在本发明实施方式的第二方面中，提供了一种设备，包括：处理器；以及存储器，其存储有自适应推题的计算机指令，当所述计算机指令由所述处理器运行时，使得所述设备执行根据前文以及下文多个实施例所述的方法。
在本发明实施方式的第三方面中，提供了一种计算机可读存储介质，包含自适应推题的程序指令，当所述程序指令由处理器执行时，使得所述设备执行根据前文以及下文多个实施例所述的方法。
根据本发明实施方式的自适应推题的方案及其相关产品，可以利用用户的作答记录预测出推题参数，以基于推题参数来真实客观地反应用户的知识掌握水平，并根据推题参数和推题策略确定向用户推送的最优题目，使得用户可以在有限时间内通过最优题目的练习得到最大程度上的提升，从而有效提高推题效果。
在本发明的一些实施例中，不同于现有技术中题目难度值依赖人工标记，本发明的方案可以通过题目标识来预测题目难度值，使得所预测出的题目难度值能够客观反映题目的真实难度，从而为后续最优题目的精准确定提供前提保障。
在本发明的另一些实施例中，在预测能力值过程中引入知识点编码矩阵，利用知识点编码矩阵实现知识点的现实含义与模型中表示知识点的多维矩阵之间的映射，从而解决了知识点对应的问题，使得模型中每个知识点含义清晰，对后续相关分析产生指导性意义。
此外，在本发明的又一些实施例中，还可以计算出作对或做错题目后的能力变化值以及能力值变化期望，以基于能力值变化期望来精准确定最优题目。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
图1示意性地示出了适于实现本发明实施方式的示例性计算系统100的框图；
图2示意性地示出了根据本发明一个实施例的自适应推题的方法流程图；
图3示意性地示出了根据本发明实施例的自适应推题的框架结构图；
图4示意性地示出了根据本发明另一个实施例的自适应推题的方法流程图；
图5示意性地示出了根据本发明实施例的深度学习模型的架构图；
图6A示意性地示出了根据本发明实施例的题目难度值的正态分布示意图；
图6B示意性地示出了根据本发明实施例的学习能力值的正态分布示意图；以及
图7示意性地示出了根据本发明实施例的设备的示意框图。
在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
图1示出了适于实现本发明实施方式的示例性计算系统100的框图。如图1所示，计算系统100可以包括：中央处理单元(CPU)101、随机存取存储器(RAM)102、只读存储器(ROM)103、系统总线 104、硬盘控制器105、键盘控制器106、串行接口控制器107、并行接口控制器108、显示控制器109、硬盘110、键盘111、串行外部设备112、并行外部设备113和显示器114。这些设备中，与系统总线104耦合的有CPU 101、RAM 102、ROM 103、硬盘控制器105、键盘控制器106、串行控制器107、并行控制器108和显示控制器109。硬盘110与硬盘控制器105耦合，键盘111与键盘控制器106耦合，串行外部设备112与串行接口控制器107耦合，并行外部设备113 与并行接口控制器108耦合，以及显示器114与显示控制器109耦合。应当理解，图1所述的结构框图仅仅是为了示例的目的，而不是对本发明范围的限制。在某些情况下，可以根据具体情况增加或减少某些设备。
本领域技术技术人员知道，本发明的实施方式可以实现为一种系统、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式，本文一般称为“电路”、“模块”“单元”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举示例)例如可以包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络(包括局域网(LAN)或广域网(WAN)) 连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
下面将参照本发明实施例的方法的流程图和设备(或系统)的框图描述本发明的实施方式。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，这些计算机程序指令通过计算机或其它可编程数据处理装置执行，产生了实现流程图和/或框图中的方框中规定的功能/操作的装置。
也可以把这些计算机程序指令存储在能使得计算机或其它可编程数据处理装置以特定方式工作的计算机可读介质中，这样，存储在计算机可读介质中的指令就产生出一个包括实现流程图和/或框图中的方框中规定的功能/操作的指令装置的产品。
也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其它可编程装置上执行的指令能够提供实现流程图和/或框图中的方框中规定的功能/操作的过程。
根据本发明的实施方式，提出了一种自适应推题的方法及其相关产品。此外，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
发明概述
本发明人发现，现有推题方法为用户推荐的题目难以满足用户练习需求，推题效果不理想。例如，现有推题方法在选择与学生能力值相当难度的题目时，其无法对题目难度进行预测，所依据的题目的难度值为标记难度，而标记难度值无法客观反应题目的真实难度。另外，在推题过程中考虑的因素也仅限于学生的能力值和所标记的难度值等，显得比较简单和武断。由于考虑的因素太少，使得对题目的做题情况的预测结果经常与实际结果不一致，从而导致推送效果不好。此外，还无法获知学生能力增长与下降的具体情况。
基于此，发明人发现可以利用预训练的深度学习模型所预测出的多种推题参数来确定向用户推送的最优题目。具体地，可以通过能力值、题目的题目难度值和作答正误概率等推题参数和推题策略确定最优题目，确保所推荐的题目能够满足用户练习需求，使得用户可以在有限时间内通过最优题目的练习得到最大程度上的提升，从而有效提高推题效果。
在介绍了本发明的基本原理之后，下面具体介绍本发明的各种非限制性实施方式。
示例性方法
下面参考图2来描述根据本发明示例性实施方式的自适应推题的方法。需要注意的是，本发明的实施方式可以应用于适用的任何场景。
图2示意性地示出了根据本发明一个实施例的自适应推题的方法200流程图。如图2所示，在步骤S201处，可以获取用户的作答记录。在一些实施例中，可以在数据库中存储不同用户的作答记录，并从数据库中直接调取任一用户的作答记录。在一些实施场景中，前述的作答记录可以包括与用户相关联的题目的题目标识(例如题目 ID)和题目作答正误。需要说明的是，这里对作答记录的获取过程和具体内容的描述仅是示例性说明，本发明的方案并不受此限制。例如，用户的作答记录也可以保存在外部设备中(例如一些具有存储和通信功能的智能设备)，根据需求与外部设备交互获取即可。而作答记录还可以包括题目作答顺序、作答时长等做题过程中的行为信息等。
接着，在步骤S202处，可以利用预训练的深度学习模型对经预处理的题目标识和/或题目作答正误进行训练，以得到推题参数。其中，推题参数可以包括用户在题目对应的知识点上的能力值、题目的题目难度值和题目的作答正误概率。发明人经过研究发现能力值、题目难度值以及作答正误概率关系着用户是否能够正确作对题目，也即这些因素能够反映出用户对知识点的掌握水平。利用深度学习模型来准确预测出能力值、题目的题目难度值和题目的作答正误概率等推题参数，使得推题参数可以真实反映用户的知识掌握水平，从而为后续精准确定最优题目提供前提保障。
接着，在步骤S203处，可以基于推题参数和推题策略确定向用户推送的最优题目。由此，通过能力值、题目的题目难度值和作答正误概率等推题参数和推题策略确定最优题目，可以确保所推荐的题目能够满足用户练习需求，使得用户可以在有限时间内通过最优题目的练习得到最大程度上的提升，从而有效提高推题效果。
进一步地，在一些实施例中，前述推题参数的具体预测过程涉及可以利用深度学习模型对题目的题目标识和题目作答正误进行处理，以得到预测用户在题目对应的知识点上的能力值。以及可以利用深度学习模型对所述题目的题目标识进行处理，以预测题目的题目难度值。然后，可以根据预测出的能力值和题目难度值预测题目的作答正误概率。在一些实施场景中，前述的深度学习模型可以理解为知识追踪模型和项目反映理论相结合的兼具深度学习模型优点与解释性的一种算法。例如，该深度学习模型可以包括表示题目与知识点对应状态的内部内存矩阵、表示知识点掌握状态的外部内存矩阵以及支持知识点的现实含义与深度学习模型中的知识点标识信息映射的知识点编码矩阵。可以理解的是，这里对推题参数的预测过程的描述仅是示例性说明，本发明的方案并不受此限制。
在实际应用中，可以利用前述的内部内存矩阵和知识点编码矩阵对题目的题目标识进行处理，以得到表示题目对应知识点的现实含义的相关权重。接着，可以对外部内存矩阵进行更新处理，以得到更新后的外部内存矩阵。以及还可以基于前述的相关权重、更新后的外部内存矩阵以及知识点编码矩阵，来确定用户在所述题目对应的知识点上的能力值。
其中，对题目的题目标识进行处理可以涉及获取题目的题目标识的嵌入向量。然后利用内部内存矩阵对嵌入向量进行内积计算，以得到表示题目的知识点的相关权重信息。接着，可以利用知识点编码矩阵对题目的知识点的相关权重信息进行显式映射，以得到题目对应实际知识点的相关权重。进一步地，对于外部内存矩阵进行更新处理具体涉及可以在作答记录的序列的每个时间戳上，向外部内存矩阵输入一关于题目标识和题目作答正误的联合嵌入向量，以及基于该联合嵌入向量确定更新权重值以根据更新权重值对外部内存矩阵进行更新。可以理解的是，这里对能力值的预测过程的相关描述仅是示例性说明，本发明的方案并不受此限制。
进一步地，在一些实施例中，对题目难度值的预测过程，具体可以涉及获取题目的题目标识的嵌入向量，以及可以基于全连接网络对该嵌入向量进行处理以得到题目难度值。其中，嵌入向量可以理解为包含知识点数量和题目标识(例如题目ID)的向量。而全连接网络是一种基础的神经网络模型，具有较强的非线性拟合能力。本发明的方案可以利用全连接网络对嵌入向量进行处理以实现对题目难度值精准预测。
进一步地，在一些实施例中，对于题目的作答正误概率的预测，可以涉及利用项目反应理论的两参数模型对预测出的能力值和题目难度值进行计算以得到计算结果。例如，该两参数模型可以表示为公式p1＝k×能力值–题目难度值，其中p1表示计算结果，k可以根据实际应用需求调整(例如k＝3)。接着，可以利用激活函数对计算结果进行转换，以得到题目的作答正误概率。例如，可以利用sigmoid 对计算结果进行转换以得到(0，1)之间的值，即为题目的作答正误概率。然后，可以将题目的作答正误概率与分类阈值进行比较。其中，响应于题目的作答正误概率大于或者等于分类阈值，输出做题正确的预测结果。或者响应于题目作答正误概率小于分类阈值，输出做题错误的预测结果。其中，分类阈值可以根据具体应用场景调整，例如可以取值0.5。需要说明的是，这里对作答正误概率的预测过程细节性描述仅是示例性说明。
进一步地，在预测出能力值和题目难度值之后，可以根据能力值和题目难度值确定推题范围。接着，可以根据对推题范围中每道题目的作答正误概率，计算每道题目的能力值变化期望。以及可以从推题范围中筛选出能力值变化期望最高的题目，并确定其为最优题目。其中，在一些实施例中，可以分别对能力值和题目难度值进行正态分布拟合以得到拟合结果，以及根据拟合结果从数据库中筛选题目难度值与能力值相匹配的题目作为推题范围。进一步，在一些实施例中，可以计算前述推题范围中的每道题目在作答正确情况下和作答错误情况下的能力值变化，以及可以利用每道题目在作答正确情况下的能力值变化、在作答错误情况下的能力变化以及作答正确概率，确定每道题目的能力值变化期望。由此可以看出，整个推题过程充分利用到预测出的能力值、题目难度值、作答正误概率以及能力值变化期望等多个参数来确定所推荐的题目，以从多个方面来充分反映用户对相应知识点的掌握水平，使得所确定的题目能够最大程度上贴合用户练习需求，从而提升推题效果。
进一步地，在一些实施例中，响应于获取到用户关于前述的最优题目的作答记录(例如可以包括作答时间、作答时长、题目ID、题目作答正误等)，可以利用前述的深度学习模型对该作答记录进行处理，以得到用户在最优题目对应知识点上的能力值。接着，可以根据用户在最优题目对应知识点上的能力值生成学习报告和/或更新数据库记录的数据。由此，可以根据需求实时计算出用户在某知识点上的能力值，并生成学习报告或对数据库中数据进行更新，以满足不同使用需求。
图3示意性地示出了根据本发明实施例的自适应推题的框架300 结构图。需要说明的是，框架300可以理解为是方法200的一种可行的具体实现形式。因此，前文结合图2的相关细节性描述同样也适用于下文。
如图3所示，实现自适应推题的框架300可以包括答题接口、推题接口和数据库。其中，答题接口可以根据用户当前的作答记录提供一个用户在该题对应知识点上的能力值(例如输入用户ID、作答记录等信息，输出在对应知识点上的能力值)，并用于生成学习报告。而推题接口可以根据给定的知识点，在该知识点对应题目中选择最合适的题目进行推荐以用于练习(例如输入用户ID、知识点ID等信息，输出推荐的题目ID(也即最优题目ID))。在一些实施例中，数据库可以由mongdb实现，可以保存用户的历史作答记录和保护每个用户的知识点信息和对应的能力值。具体在存储不同用户的相关信息时，可以将用户ID和相关信息(例如作答记录、知识点ID、知识点能力值以及推荐的题目ID等)进行关联存储。
图4示意性地示出了根据本发明另一个实施例的自适应推题的方法400流程图。需要说明的是，方法400可以理解为是基于图3 中框架的具体应用过程。因此，前文结合图3的描述同样也适用于下文。
如图4所示，在步骤S401处，用户在自适应练习时，可以调用推题接口。具体地，可以响应于用户的练习需求(例如检测到练习过程中的一些交互操作)来调用该推题接口。接着，在步骤S402处，可以在调用推题接口时，根据数据库中该学生的历史作答记录以及推题策略，选择最合适的题目(即可前文的最优题目)，将本次推荐的题目返回给用户。接着，在步骤S403处，推荐题目推荐给用户后，用户进行作答，同时用户的作答信息(包括做答正误，作答时长等行为信息)通过答题接口传入数据库。接着，在步骤S404处，答题接口可以将学生的作答记录计入数据库，同时根据模型计算出的学生能力值，更新学生在每个知识点的能力。
在一些实施例中，前述的答题接口和推题接口中均可以使用深度学习模型。如前文所述，该深度学习模型为知识追踪(Knowledge Tracing)模型与项目反应理论(ItemResponse Theory)相结合的兼具深度学习模型优点与解释性的一种算法。在实际应用中，可以对历史作答记录数据进行预处理(例如对作答记录中的题目标识、知识点等进行唯一索引值的映射处理)，然后按照一定比例(例如3：1：1) 将预处理好的数据集中的数据分为训练集，验证集和测试集。并通过搭建包括输入层、隐含层、输出层的多层感知器神经网络，生成神经网络模型。然后，将训练数据输入神经网络模型对神经网络模型进行训练，使用交叉熵的损失函数及Adam优化算法，得到适用于自适应推题的深度学习模型。在一些实施场景中，该深度学习模型可以采用改良的记忆增强神经网络(Memory-Augmented NeuralNetworks， MANN)，或者循环神经网络(Rerrent Neural Network,RNN)或者长短期记忆网络(Long Short Term Mermory network，LSTM)等其他可达到时序预测的模型。
图5示出了该深度学习模型的一种可行的结构。如图5所示，该深度学习模型包括表示题目与知识点对应状态的内部内存矩阵(图 5中表示为M)、表示知识点掌握状态的外部内存矩阵(图5中表示为Mt)以及支持知识点的现实含义与深度学习模型中的知识点标识信息映射的知识点编码矩阵(图5中表示为One-hot编码矩阵)。其中，深度学习模型的输入可以为每个用户的作答记录序列，而作答记录序列是由作答记录按照做题先后的时间顺序排列而成。其中，每一条作答记录可以包括题目ID(映射为唯一的索引值)、知识点ID(映射为唯一的索引值)、作答正误情况(学生是否作答正确的二进制值) 等。深度学习模型的输出为用户对于序列中最后一道题的作答正误概率的预测。
进一步地，前述的内部内存矩阵可以表示为知识点状态矩阵M，其为N×dk的矩阵。其中，N为知识点数量，dk为题目ID的嵌入向量的维度。该内部内存矩阵表示的是每道题目的知识点对应情况，是个在训练与预测过程中不变的静态矩阵。
进一步地，前述的外部内存矩阵为用户的知识点掌握状态，可以表示为Mt。Mt是一个N×dv矩阵，其中N是知识点数量，dv是题目 ID与作答正误的联合嵌入向量的维度。N维中的每个dv，表示了学生对特定知识点的掌握情况，是个在训练和预测过程中变化的动态矩阵。
进一步地，知识点编码矩阵不是记忆增强神经网络中的通用部分，其引入主要是为了解决知识点对应的问题。一般记忆增强神经网络中，知识点的数量N是固定的，但具体每个知识点的含义是模糊的不可解释的，而实际场景中每个知识点是有明确含义的(例如勾股定理、二次方程、立体几何)，可以对后续学生的学情分析产生指导性意义的。为了将现实中的N个知识点与模型中表示知识点的N维矩阵进行映射，本发明的方案提出了一个知识点One-hot编码矩阵(所谓One-hot即为某个维度是1，其余维度是0的向量组成的矩阵)，其可以作用于内部内存矩阵与后续计算学生每个知识点上能力值的过程中。在该方式下，内部内存矩阵所表示的知识点状态只有输入题目对应的知识点进行更新，用户在所有知识点上的能力值也只有输入题目对应的知识点进行更新，从而达到了现实知识点映射的目的。
在一些实施例中，该深度学习模型的具体预测过程可以涉及：
(1)当深度学习模型收到一个输入题目qt时，首先得到题目qt 的嵌入向量，然后通过计算嵌入向量和每个内存位置之间的内积，并进行softmax激活而进一步计算，得到表示该题目知识点信息的相关权重。同时可以通过一个One-hot矩阵，将该知识点信息进行显式映射，得到题目对应现实知识点的相关权重。(2)对于用户练习序列，在序列上的每个时间戳t，输入是一个(qt，rt)的联合嵌入向量，其中每个qt是一道题目，rt是一个表示学生是否正确回答练习的二进制值，这个联合嵌入向量可以被用来计算更新权重值来更新外部内存矩阵。(3)通过得到的相关权重与更新后的外部内存矩阵，来计算得到一个加权和矩阵。此加权和矩阵通过一个全连接网与知识点 One-hot矩阵以映射到现实知识点，并得到学生在该知识点上的能力值。同时题目ID的嵌入向量通过全连接网络得到题目难度值。(4) 根据IRT两参数的计算公式(例如p1＝k×能力值–题目难度值)，通过能力值与题目难度值进行计算，并通过sigmoid转换得到(0，1) 之间的值，即为学生作答正确的概率。再通过一个固定的分类阈值(例如0.5)给到分类结果(如该值大于0.5，则输出预测结果为作答正确，否则输出预测结果为作答错误)。
在完成作答正误概率的预测之后，可以对于给定的知识点与用户现有在该知识点上的能力值，在数据库中筛选对应知识点的题目，并且选择难度与能力值匹配的题目作为推题范围。具体地，可以分别对能力值和题目难度值进行正态分布拟合以得到拟合结果，然后根据拟合结果从数据库中筛选题目难度值与能力值相匹配的题目作为推题范围。其中，能力值的正态拟合是指针对某个知识点的能力值进行拟合，而题目难度值的正态拟合是指与该知识点相关的多个题目的难度值进行正态拟合。图6A和图6B分别示出了一种题目难度值与能力值的拟合结果。如图6A所示，题目难度的拟合结果两极分化比较严重，呈现双峰，总体均值0.6048。如图6B所示，能力值的拟合结果基本服从正态分布，均值0.4941，标准差0.1513。在实际应用中，可以计算能力值在正态分布中的分位数p2，选取题目难处值处于预定范围的题目作为题目范围。例如，可以计算能力值在正态分布N(0.4941,0.1513)中的分位数，取题目难度值处于预定范围为[p2-10％, p2+10％]的题目为题目范围。需要说明的是，这里对预定范围的描述仅是示例性说明，具体可根据设计需求进行调整，本发明的方案并不受此限制。
本发明的推题策略可以理解为选取推题范围中对该用户的能力值提升最多的那道题目作为最优题目。具体地，可以对推题范围中的每道题目分别进行两次模型预测(分别假设做对/做错)，然后分别计算做对/做错情况下的能力值变化。接着，可以根据做对该题的概率计算得到能力值变化的期望，最终选取期望最高的那道题目。
具体地，可以根据以下公式来结算能力值变化期望以及在作答正确情况下和作答错误情况下的能力值变化：
E＝σ(c)·Δability++[1-σ(c)]·Δability-
Δability+＝abilityt-abilityt-1,ifσ(c)≥0.5
Δability-＝abilityt-abilityt-1,ifσ(c)＜0.5
其中，E表示每道题目的能力值变化期望，σ(c)表示作答正确概率，Δability+与Δability-分别表示在作答正确情况下和作答错误情况下的能力值变化。
基于此，整个推题过程充分利用到预测出的能力值、题目难度值、作答正误概率以及能力值变化期望等多个参数来确定所推荐的题目，以从多个方面来充分反映用户对相应知识点的掌握水平，使得所确定的题目能够最大程度上贴合用户练习需求，从而提升推题效果。另外，还可以及时获取在作答正确情况下和作答错误情况下的能力值变化。
示例性设备
在介绍了本发明示例性实施方式的方法之后，接下来，参考图7 对本发明示例性实施方式的自适应推题的相关产品进行描述。
图7示意性地示出了根据本发明实施例的设备700的示意框图。如图7所示，设备700可以包括处理器701和存储器702。其中存储器702存储有自适应推题的计算机指令，当所述计算机指令由处理器701运行时，使得设备700执行根据前文结合图2和图4所描述的方法。例如，在一些实施例中，设备700可以执行对用户作答记录的获取、对推题参数的预测、对最优题目的确定等。基于此，通过设备 700可以确保所推荐的题目能够满足用户练习需求，使得用户可以在有限时间内通过最优题目的练习得到最大程度上的提升，从而有效提高推题效果。
在一些实施场景中，设备700可以包括具有信息显示和处理功能的设备(例如平板、手机或其他智能学习设备等)，本发明的方案对设备700可具备的结构设计并不进行限制。
应当注意，尽管在上文详细描述中提及了自适应推题的若干装置或子装置，但是这种划分仅仅并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多装置的特征和功能可以在一个装置中具体化。反之，上文描述的一个装置的特征和功能可以进一步划分为由多个装置来具体化。
此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
申请文件中提及的动词“包括”、“包含”及其词形变化的使用不排除除了申请文件中记载的那些元素或步骤之外的元素或步骤的存在。元素前的冠词“一”或“一个”不排除多个这种元素的存在。
虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。所附权利要求的范围符合最宽泛的解释，从而包含所有这样的修改及等同结构和功能。

Claims (10)

1.一种自适应推题的方法，其特征在于，包括：
获取用户的作答记录，其中所述作答记录至少包括与所述用户相关联的题目的题目标识和题目作答正误；
利用预训练的深度学习模型对经预处理的所述题目标识和/或题目作答正误进行训练，以得到推题参数，其中所述推题参数包括所述用户在所述题目对应的知识点上的能力值、所述题目的题目难度值和所述题目的作答正误概率；以及
基于所述推题参数和推题策略确定向用户推送的最优题目。
2.根据权利要求1所述的自适应推题的方法，其特征在于，利用预训练的深度学习模型对经预处理后的所述题目标识和/或题目作答正误进行训练包括：
利用所述深度学习模型对所述题目的题目标识和所述题目作答正误进行处理，以预测所述用户在所述题目对应的知识点上的能力值；
利用所述深度学习模型对所述题目的题目标识进行处理，以预测所述题目的题目难度值；以及
根据预测出的能力值和题目难度值，预测所述题目的作答正误概率。
3.根据权利要求2所述的自适应推题的方法，其特征在于，其中所述深度学习模型包括表示题目与知识点对应状态的内部内存矩阵、表示知识点掌握状态的外部内存矩阵以及支持知识点的现实含义与所述深度学习模型中的知识点标识信息映射的知识点编码矩阵，其中，针对每个题目，预测所述用户在所述题目对应的知识点上的能力值包括：
利用所述内部内存矩阵和所述知识点编码矩阵对所述题目的题目标识进行处理，以得到表示所述题目对应知识点的现实含义的相关权重；
对所述外部内存矩阵进行更新处理，以得到更新后的外部内存矩阵；以及
基于所述相关权重、所述更新后的外部内存矩阵以及所述知识点编码矩阵，确定所述用户在所述题目对应的知识点上的能力值。
4.根据权利要求3所述的自适应推题的方法，其特征在于，利用所述内部内存矩阵和所述知识点编码矩阵对所述题目的题目标识进行处理包括：
获取所述题目的题目标识的嵌入向量；
利用所述内部内存矩阵对所述嵌入向量进行内积计算，以得到表示所述题目的知识点的相关权重信息；以及
利用所述知识点编码矩阵对所述题目的知识点的相关权重信息进行显式映射，以得到所述题目对应实际知识点的相关权重。
5.根据权利要求2所述的自适应推题的方法，其特征在于，预测所述题目的题目难度值包括：
获取所述题目的题目标识的嵌入向量；以及
基于全连接网络对所述嵌入向量进行处理，以得到所述题目难度值。
6.根据权利要求1至5中任一项所述的自适应推题的方法，其特征在于，基于所述推题参数和推题策略确定向用户推送的最优题目包括：
根据所述能力值和所述题目难度值确定推题范围；
根据对所述推题范围中每道题目的作答正误概率，计算每道题目的能力值变化期望；以及
从所述推题范围中筛选出能力值变化期望最高的题目，并确定其为所述最优题目。
7.根据权利要求6所述的自适应推题的方法，其特征在于，根据对所述推题范围中每道题目的作答正误概率，计算每道题目的能力值变化期望包括：
计算所述推题范围中的每道题目在作答正确情况下和作答错误情况下的能力值变化；以及
利用所述每道题目在作答正确情况下的能力值变化、在作答错误情况下的能力变化以及作答正确概率，确定每道题目的能力值变化期望。
8.根据权利要求7所述的自适应推题的方法，其特征在于，其中根据以下公式确定每道题目的能力值变化期望：
E＝σ(c)·Δability++[1-σ(c)]·Δability-；
其中，E表示每道题目的能力值变化期望，σ(c)表示作答正确概率，Δability+与Δability-分别表示在作答正确情况下和作答错误情况下的能力值变化。
9.一种设备，其特征在于，包括：
处理器；以及
存储器，其存储有自适应推题的计算机指令，当所述计算机指令由所述处理器运行时，使得所述设备执行根据权利要求1-8的任意一项所述的方法。
10.一种计算机可读存储介质，其特征在于，包含自适应推题的程序指令，当所述程序指令由处理器执行时，使得实现根据权利要求1-8的任意一项所述的方法。
CN202210364860.8A 2022-04-07 2022-04-07 自适应推题的方法及其相关产品 Pending CN114936315A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210364860.8A CN114936315A (zh) 2022-04-07 2022-04-07 自适应推题的方法及其相关产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210364860.8A CN114936315A (zh) 2022-04-07 2022-04-07 自适应推题的方法及其相关产品

Publications (1)

Publication Number Publication Date
CN114936315A true CN114936315A (zh) 2022-08-23

Family

ID=82862108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210364860.8A Pending CN114936315A (zh) 2022-04-07 2022-04-07 自适应推题的方法及其相关产品

Country Status (1)

Country Link
CN (1) CN114936315A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014011208A2 (en) * 2012-07-10 2014-01-16 Venor, Inc. Systems and methods for discovering content of predicted interest to a user
WO2015043073A1 (zh) * 2013-09-29 2015-04-02 北大方正集团有限公司 一种关键知识点推荐方法及其系统
CN109388744A (zh) * 2017-08-11 2019-02-26 北京龙之门网络教育技术股份有限公司 一种自适应学习推荐方法及装置
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
CN112699229A (zh) * 2020-12-30 2021-04-23 上海松鼠课堂人工智能科技有限公司 基于深度学习模型的自适应推题方法
CN113610235A (zh) * 2021-08-03 2021-11-05 北京航空航天大学 一种基于深度知识追踪的适应性学习支持装置及方法
US11170334B1 (en) * 2020-09-18 2021-11-09 deepwatch, Inc. Systems and methods for security operations maturity assessment
US20220004901A1 (en) * 2020-07-01 2022-01-06 EDUCATION4SIGHT GmbH Systems and methods for providing learner-specific learning paths
CN114049240A (zh) * 2021-11-06 2022-02-15 北京乐学一百在线教育科技有限公司 基于学生在线学习数据智能推荐题目及学习路径的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014011208A2 (en) * 2012-07-10 2014-01-16 Venor, Inc. Systems and methods for discovering content of predicted interest to a user
WO2015043073A1 (zh) * 2013-09-29 2015-04-02 北大方正集团有限公司 一种关键知识点推荐方法及其系统
CN109388744A (zh) * 2017-08-11 2019-02-26 北京龙之门网络教育技术股份有限公司 一种自适应学习推荐方法及装置
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
US20220004901A1 (en) * 2020-07-01 2022-01-06 EDUCATION4SIGHT GmbH Systems and methods for providing learner-specific learning paths
US11170334B1 (en) * 2020-09-18 2021-11-09 deepwatch, Inc. Systems and methods for security operations maturity assessment
CN112699229A (zh) * 2020-12-30 2021-04-23 上海松鼠课堂人工智能科技有限公司 基于深度学习模型的自适应推题方法
CN113610235A (zh) * 2021-08-03 2021-11-05 北京航空航天大学 一种基于深度知识追踪的适应性学习支持装置及方法
CN114049240A (zh) * 2021-11-06 2022-02-15 北京乐学一百在线教育科技有限公司 基于学生在线学习数据智能推荐题目及学习路径的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐墨客;吴文峻;周萱;蒲彦均;: "多知识点知识追踪模型与可视化研究", 电化教育研究, no. 10, 21 September 2018 (2018-09-21) *

Similar Documents

Publication Publication Date Title
KR102213478B1 (ko) 인공 지능 학습 기반의 사용자 지식 추적 시스템 및 그것의 동작 방법
Lu et al. Towards interpretable deep learning models for knowledge tracing
CN112116092B (zh) 可解释性知识水平追踪方法、系统和存储介质
CN112085168A (zh) 一种基于动态键值门控循环网络的知识追踪方法及系统
CN112115246A (zh) 基于对话的内容推荐方法、装置、计算机设备及存储介质
CN113610235A (zh) 一种基于深度知识追踪的适应性学习支持装置及方法
CN117252047B (zh) 基于数字孪生的教学信息处理方法及系统
CN110189238A (zh) 辅助学习的方法、装置、介质以及电子设备
CN114254127A (zh) 学生能力画像方法、学习资源推荐方法及装置
CN114398556A (zh) 学习内容的推荐方法、装置、设备及存储介质
CN115455186A (zh) 一种基于多模型的学情分析方法
CN113705191A (zh) 样本语句的生成方法、装置、设备及存储介质
US20220215255A1 (en) Learning content recommendation system for predicting probability of correct answer of user using collaborative filtering based on latent factor and operation method thereof
CN116136870A (zh) 基于增强实体表示的智能社交对话方法、对话系统
Firoozi et al. Using active learning methods to strategically select essays for automated scoring
CN113591988A (zh) 知识认知结构分析方法、系统、计算机设备、介质、终端
KR20210141421A (ko) 인공 지능 학습 기반의 사용자 지식 추적 시스템 및 그것의 동작 방법
CN114936315A (zh) 自适应推题的方法及其相关产品
Yue et al. Augmenting interpretable knowledge tracing by ability attribute and attention mechanism
CN114971066A (zh) 融合遗忘因素和学习能力的知识追踪方法及系统
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
CN114091657A (zh) 基于多任务框架的智能学习状态追踪方法、系统及应用
Wang et al. Textbook Enhanced Student Learning Outcome Prediction
US20220222553A1 (en) Learning content evaluation apparatus, system, and operation method for evaluating problem based on predicted probability of correct answer for problem content added without solving experience
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

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