CN115795015A - 一种试题难度增强的综合知识追踪方法 - Google Patents
一种试题难度增强的综合知识追踪方法 Download PDFInfo
- Publication number
- CN115795015A CN115795015A CN202211720753.0A CN202211720753A CN115795015A CN 115795015 A CN115795015 A CN 115795015A CN 202211720753 A CN202211720753 A CN 202211720753A CN 115795015 A CN115795015 A CN 115795015A
- Authority
- CN
- China
- Prior art keywords
- difficulty
- knowledge
- test question
- vector
- test
- 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
Images
Landscapes
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种试题难度增强的综合知识追踪方法,包括:由学生的历史答题记录数据与相应的试题数据构成的数据集,初始化定义学生的答题过程心理能力,经过数据处理后进行评估获得学生的答题能力以及试题和知识点难度,对数据进行嵌入处理,最后使用深度学习方法训练知识追踪模型,得到每个学生的知识状态和优化后的心理能力数据并通过学生的知识状态预测和心理能力数据学生在未来试题上的表现。本发明综合考虑试题的难易情况、学生的做题能力和心理能力等因素贴近真实教育背景下的学习过程以获得合理的知识状态,最终根据学生的知识状态对学生的答题表现进行精准的预测。
Description
技术领域
本发明属于人工智能和教育数据领域,尤其涉及一种试题难度增强的综合知识追踪方法。
技术背景
知识追踪的任务是利用学生的历史学习过程交互数据,对学生的知识状态,即知识的掌握程度随时间的变化过程进行追踪和建模,以能更为准确的预测学生在未来学习中的答题表现以及知识掌握水平。近年来,知识追踪因其在教育中的重要意义而备受关注,在智能辅导系统、在线教育平台以及个性化习题推荐系统中都得到了广泛的应用。
知识追踪有许多解决方法,例如概率图模型和贝叶斯模型,而随着深度神经网络的快速发展,基于深度知识追踪的相关模型取得了出色的效果,例如最先将深度学习引入知识追踪问题并用隐层状态代表知识状态的DKT模型,通过注意力机制捕捉学生在相似题目上的相似表现的AKT模型,通过图神经网络对知识状态进行建模的GKT模型。但目前只有少部分方法考虑了试题难度对学生知识掌握的影响,它们仅仅把答对题目的人数比例作为试题难度,这样粗糙的处理方式对一些长尾试题不合理。其次,不同的方法在建模知识追踪过程时考虑的因素都不同,目前尚没有一个统一的模型综合考虑了学习过程中的多种因素,如知识更新、遗忘、试题相关性、学生心理能力等。
发明内容
本发明的目的是提供一种试题难度增强的综合知识追踪方法,其目的通过对学生的做题能力和试题及知识点难度的充分分析作为输入的重要部分并通过注意力机制累积回答与当前试题相关的历史试题时的知识状态,在考虑学生的答题过程心理能力的场景下通过对学生学习过程的学习收获和遗忘机制进行建模,较为准确的预测学生表现,追踪学生知识掌握水平的变化。
一种试题难度增强的综合知识追踪方法,其特征在于,包括:
由学生的历史答题记录数据与相应的试题数据构成的数据集,初始化定义学生的答题过程心理能力数据,经过数据处理后进行评估获得学生的答题能力以及试题和知识点难度,对数据进行嵌入处理,最后使用深度学习方法训练知识追踪模型,得到每个学生的知识状态和优化后的心理能力数据并通过学生的知识状态和心理能力数据预测学生在未来试题上的表现。
历史答题记录信息包括:试题号、试题得分情况以及每道试题所涉及的知识点;
对于一个学生历史答题记录数据集D,包含了I名学生的集合S={s1,s2,…,si,…,sI},包含了J道试题集合E={e1,e2,…,ej,…,eJ}以及知识点集合K={k1,k2,…,km,…,kM},每一道试题都被预先标注了所涉及的知识点,试题与知识点的联系通过Q矩阵来进行表示,Q∈RJ×M,矩阵由0和1组成,Qjm=1表示试题ej涉及知识点km反之则不涉及。其中学生的答题交互序列定义为x={(e1,C1,r1),(e2,C2,r2),…,(et,Ct,rt)}。其中一个元组(et,Ct,rt)代表一个学习单元,其中et代表试题,Ct代表与试题et相关的知识点集合,rt代表回答正确与否即rt∈{0,1},l代表回答正确,0代表回答错误。
学生的答题过程心理能力数据包括;
学生做题能力以及试题和知识点难度计算包括;
学生si做题能力gi的计算公式如下:
其中Ei是学生si在学习过程中的试题序列,ej代表Ei中的第j题,|Ei|代表试题序列的长度,J代表试题数量,rij∈{0,1}代表学生si回答试题序列中试题ej正确与否。公式背后的直觉是答题数量越多并且正确率越高的学生的做题能力高。
试题ej难度edj的计算公式如下:
其中Sj代表回答过试题ej的学生集合,gi代表Sj中的学生si的做题能力其中|Sj|代表学生集合的长度,I代表总学生数量,rij∈{0,1}代表学生si回答试题ej正确与否。公式背后的直觉是对于试题ej,回答错误的学生的做题能力越高,回答试题的人数越少,则试题的难度越大。
知识点km难度kdm的计算公式如下:
其中Em代表涉及该知识点的试题的集合,|Em|代表集合长度,edj代表Em中第j题的试题难度,即知识点难度通过对涉及到该知识点的所有试题的难度求平均值计算得到。
对数据进行嵌入处理包括:
对试题集合E进行one-hot编码,随后使用嵌入矩阵对试题向量进行Embedding操作,其中J代表试题的数量,de代表Embedding后的试题向量维度,随后每个学习单元的试题et就可以用向量来表示。
对知识点集合K进行one-hot编码,随后使用嵌入矩阵对试题向量进行Embedding操作,其中M代表知识点的数量,dk代表Embedding后的知识点向量维度。随后每个知识点km可以用向量km表示,并且每个交互单元的试题et所涉及的知识点集合Ct就可以用集合中的知识点向量相加后表示,即知识点集合Ct可以用向量来表示,公式如下:
对试题难度按照最大最小值区间划分为n个档次,使得试题难度从标量转化为类别。对难度类别进行one-hot编码后得到试题难度向量,使用嵌入矩阵对试题难度向量进行Embedding操作,其中dl表示Embedding后的试题难度向量维度,即试题et的难度可以用向量来表示。试题难度类别划分公式如下:
对知识点难度按照最大最小值区间划分为n个档次,使得知识点难度从标量转化为类别。对知识点难度类别进行one-hot编码后得到知识点难度向量,使用嵌入矩阵对试题难度向量进行Embedding操作,其中dl表示Embedding后的试题难度向量维度,即知识点km的难度可以用向量来表示。试题难度类别划分公式如下:
其中|ct|代表知识点集合的长度,klm代表ct中知识点km的难度向量;
知识追踪模型包括:
注意力机制模块:将当前学习单元的试题信息嵌入Et乘以矩阵得到query向量将包含当前学习单元前的试题信息嵌入向量集合{E1,E2,…,Et-1}内的向量分别乘以矩阵到key向量集合{K1,K2,…,Kt-1}将key向量集合中的向量分别与qt进行点乘后除以得到集合αt={αt,1,αt,2,…,αt,t-1},对α集合做softmax操作得到注意力分数集合α′t={α′t,1,α′t,2,…,α′t,t-1}将α′t中的注意力分数分别乘以知识状态集合{h1,h2,…,ht-1}中的向量得到累积知识状态计算公式如下所示:
预测模块:在预测模块,我们通过下一道试题的信息嵌入、学生的当前知识点掌握状态以及学生的心理能力通过一个全连接层来投射到输出层得到输出向量yt+1:
使用一个全连接层作为输出层输出最终对试题回答正确性的预测,取值为0到1之间并设置一个阈值,若数值大于阈值则判断回答正确,反之不正确。
在模型训练时使用二元交叉熵损失函数计算题目回答是否正确的预测的损失值:
loss=BCEloss(yt+1,rt+1)
其中rt+1∈{0,1}代表试题et+1的回答正确与否的真实值。
与现有技术相比,本发明具有如下优点:
本发明实施例提供的上述方案,提出了一种综合考虑学生做题能力以及试题和知识点难度计算的公式,通过注意力模块累积回答历史答题序列中与当前试题相关联的试题时的知识状态,在考虑心理能力的场景下对学生在学习过程中的学习收益和知识遗忘机制进行建模,得到与学习过程相符合的学生变化的知识状态。
本发明运用深度知识追踪模型,对学生答题中的学习过程进行建模,追踪学生在学习过程中不断变化的知识状态。本发明综合考虑试题的难易情况、学生的做题能力和心理能力等因素贴近真实教育背景下的学习过程以获得合理的知识状态,最终根据学生的知识状态对学生的答题表现进行精准的预测。
附图说明
图1是本发明提出方法的流程图;
图2是本发明设计的模型架构图;
具体实施方式
下面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,都属于本发明的保护范围。
本发明的目的是通过以下技术方案来实现的:
一种试题难度增强的综合知识追踪方法,包含以下内容:
获取学生的历史答题交互数据与相应的试题信息数据构成的数据集并进行预处理。
通过公式计算学生的做题能力和试题及知识点的难度,初始化生成学生的心理能力矩阵并对数据进行嵌入。
利用注意力机制计算与当前试题相关的历史试题的累积知识点状态。
通过累积知识点状态、当前试题信息嵌入、试题回答嵌入、心理能力计算知识增益。
通过累积知识点状态、当前试题嵌入、回答嵌入、心理能力计算经过知识遗忘的知识状态并与知识增益组合成新的知识状态。
通过学生的当前知识状态、下一道试题信息嵌入、心理能力对试题的回答进行预测。
上述方法中计算学生的做题能力和试题及知识点的难度的公式如下:
学生si做题能力gi的计算公式:
其中Ei是学生si在学习过程中的试题序列,|Ei|代表试题序列的长度,rij代表序列中的试题ej回答正确与否,J代表所有的试题数量,rij∈{0,1}代表学生si回答试题序列中试题ej正确与否。
试题ej难度edj的计算公式如下:
其中Sj代表回答过试题ej的学生集合,|Sj|代表学生集合的长度,gi代表Sj中学生si的做题能力,I代表总学生数量,rij∈{0,1}代表学生si回答试题ej正确与否。
知识点km难度kdm的计算公式如下:
其中Em代表涉及该知识点的试题的集合,|Em|代表试题集合的长度,edj代表Em中试题ej的难度,即知识点难度通过对涉及到该知识点的所有试题的难度求平均值计算得到。
上述方法中利用注意力机制计算与当前试题相关的历史试题的累积知识点状态的方法和公式如下:
通过计算当前试题于历史交互序列中的试题信息的相似度获取注意力分数,并将注意力分数与先前的知识点状态相乘,获得累积当前知识点状态。
计算公式如下所示:
上述方法中通过累积知识点状态、当前试题信息嵌入、试题回答嵌入、心理能力计算知识增益的方法和公式如下:
可以通过一个全连接层对学习增益进行建模得到学习增益lgt:
其中W2是权重矩阵,b2是偏置项。
其中W3是权重矩阵,b3是偏置项。
上述方法中通过累积知识点状态、当前试题嵌入、回答嵌入、心理能力计算经过知识遗忘的知识状态并与知识增益组合成新的知识状态的方法和公式如下:
其中W4是权重矩阵,b4是偏置项。
上述方法中通过学生的当前知识状态、下一道试题信息嵌入、心理能力对试题的回答进行预测的方法和公式如下:
我们通过该试题的信息嵌入、学生的当前知识点掌握状态以及学生的心理能力通过一个全连接层来投射到输出层得到输出向量yt+1:
其中W5是权重矩阵,b5是偏置项。
使用一个全连接层作为输出层输出最终对试题回答正确性的预测yt+1,取值为0到1之间并设置一个阈值,若数值大于阈值则判断回答正确,反之不正确。
其中W6是权重向量,b6是偏置项。
上述公式中的Et代表试题信息嵌入、Et+1代表下一题试题信息嵌入、αt代表回答嵌入、pt代表心理能力向量、代表累积的知识点掌握状态、ht-1代表前一时刻知识点掌握状态、ht代表当前知识点掌握状态、σ代表激活函数sigmoid、代表拼接操作。
具体地,本发明实施例提供一种试题难度增强的综合知识追踪方法,如图1所示,主要包括:
步骤1、获取学生的历史答题交互数据与相应的试题信息数据构成的数据集并进行预处理。历史答题交互数据包括每个学生学习过程中试题的答题情况,试题信息数据包括每一道试题所涉及的知识点。
预处理操作包括数据清洗并对数据集中的数据使用统一的数学形式进行表示:对于一个学生历史答题记录数据集D,包含了I名学生的集合S={s1,s2,…,si,…,sI},包含了J道试题集合E={e1,e2,…,ej,…,eJ}以及知识点集合K={k1,k2,…,km,…,kM},每一道试题都被预先标注了所涉及的知识点,试题与知识点的联系通过Q矩阵来进行表示,Q∈RJ×M,矩阵由0和1组成,Qjm=1表示试题ej涉及知识点km反之则不涉及。其中学生的答题交互序列定义为x={(e1,C1,r1),(e2,C2,r2),…,(et,Ct,rt)}。其中一个元组(et,Ct,rt)代表一个学习单元,其中et代表试题,Ct代表与试题et相关的知识点集合,rt代表回答正确与否即rt∈{0,1},1代表回答正确,0代表回答错误。
步骤2、通过公式计算学生的做题能力和试题及知识点的难度,生成学生的心理能力矩阵并对数据进行嵌入。
学生si做题能力的计算公式如下:
其中Ei是学生si在学习过程中的试题序列,ej代表Ei中的第j题,|Ei|代表试题序列的长度,J代表试题数量,rij∈{0,1}代表学生si回答试题序列中试题ej正确与否;
试题ej难度edj的计算公式如下:
其中Sj代表回答过试题ej的学生集合,gi代表Sj中的学生si的做题能力其中|Sj|代表学生集合的长度,I代表总学生数量,rij∈{0,1}代表学生si回答试题ej正确与否;知识点km难度kdm的计算公式如下:
其中Em代表涉及该知识点的试题的集合,|Em|代表集合长度,edj代表Em中第j题的试题难度,即知识点难度通过对涉及到该知识点的所有试题的难度求平均值计算得到;
对试题集合E进行one-hot编码,随后使用嵌入矩阵对试题向量进行Embedding操作,其中J代表试题的数量,de代表Embedding后的试题向量维度,随后每个学习单元的试题et就可以用向量来表示。
对知识点集合K进行one-hot编码,随后使用嵌入矩阵对试题向量进行Embedding操作,其中M代表知识点的数量,dk代表Embedding后的知识点向量维度。随后每个知识点km可以用向量km表示,并且每个交互单元的试题et所涉及的知识点集合Ct就可以用集合中的知识点向量相加后表示,即知识点集合Ct可以用向量来表示,公式如下:
对试题难度按照最大最小值区间划分为n个档次,使得试题难度从标量转化为类别。对难度类别进行one-hot编码后得到试题难度向量,使用嵌入矩阵对试题难度向量进行Embedding操作,其中dl表示Embedding后的试题难度向量维度,即试题et的难度可以用向量来表示。试题难度类别划分公式如下:
其中代表所有试题中的难度最大值,代表所有试题中的难度最小值,edj代表试题ej难度,代表试题ej难度转化成类别类型后的值;对知识点难度按照最大最小值区间划分为n个档次,使得知识点难度从标量转化为类别。对知识点难度类别进行one-hot编码后得到知识点难度向量,使用嵌入矩阵对试题难度向量进行Embedding操作,其中dl表示Embedding后的试题难度向量维度,即知识点km的难度可以用向量来表示。试题难度类别划分公式如下:
其中|ct|代表知识点集合的长度,klm代表ct中知识点km的难度向量;
步骤3、利用注意力机制计算与当前试题相关的历史试题的累积知识点状态,具体模块如图2所示。
注意力机制模块:将当前学习单元的试题信息嵌入Et乘以矩阵得到query向量将包含当前学习单元前的试题信息嵌入向量集合{E1,E2,…,Et-1}内的向量分别乘以矩阵到key向量集合{K1,K2,…,Kt-1}将key向量集合中的向量分别与qt进行点乘后除以得到集合αt={αt,1,αt,2,…,αt,t-1},对α集合做softmax操作得到注意力分数集合α′t={α′t,1,α′t,2,…,α′t,t-1}将α′t中的注意力分数分别乘以知识状态集合{h1,h2,…,ht-1}中的向量得到累积知识状态计算公式如下所示:
步骤4、通过累积知识点状态、当前试题信息嵌入、试题回答嵌入、心理能力计算知识增益,具体模块如图2所示。
步骤5、通过累积知识点状态、当前试题嵌入、回答嵌入、心理能力计算经过知识遗忘的知识状态并与知识增益组合成新的知识状态,具体模块如图2所示。
步骤6、通过学生的当前知识状态、下一道试题信息嵌入、心理能力对试题的回答进行预测,具体模块如图2所示。
预测模块:在预测模块,我们通过下一道试题的信息嵌入、学生的当前知识点掌握状态以及学生的心理能力通过一个全连接层来投射到输出层得到输出向量yt+1:
使用一个全连接层作为输出层输出最终对试题回答正确性的预测,取值为0到1之间并设置一个阈值,若数值大于阈值则判断回答正确,反之不正确。
在模型训练时使用二元交叉熵损失函数计算题目回答对错的预测的损失值:
loss=BCEloss(yt+1,rt+1)
其中rt+1∈{0,1}代表试题et+1的回答正确与否的真实值。
Claims (6)
1.一种试题难度增强的综合知识追踪方法,其特征在于,包括:
由学生的历史答题记录数据与相应的试题数据构成的数据集,初始化定义学生的答题过程心理能力数据,经过数据处理后进行评估获得学生的答题能力以及试题和知识点难度,对数据进行嵌入处理,最后使用深度学习方法训练知识追踪模型,得到每个学生的知识状态和优化后的心理能力数据并通过学生的知识状态和心理能力数据预测学生在未来试题上的表现。
2.根据权利要求1所述的一种试题难度增强的综合知识追踪方法,其特征在于,由学生的历史答题记录数据与相应的试题数据构成的数据集包括:试题号、试题得分情况以及每道试题所涉及的知识点;
对于一个学生历史答题记录数据集D,包含了I名学生的集合S={s1,s2,…,si,…,sI},包含了J道试题集合E={e1,e2,…,ej,…,eJ}以及知识点集合K={k1,k2,…,km,…,kM},每一道试题都被预先标注了所涉及的知识点,试题与知识点的联系通过Q矩阵来进行表示,Q∈RJ×M,矩阵由0和1组成,Qjm=1表示试题ej涉及知识点km反之则不涉及,其中学生的答题交互序列定义为x={(e1,C1,r1),(e2,C2,r2),…,(et,Ct,rt)},其中一个元组(et,Ct,rt)代表一个学习单元,其中et代表试题,Ct代表与试题et相关的知识点集合,rt代表回答正确与否即rt∈{0,1},1代表回答正确,0代表回答错误。
4.根据权利要求1所述的一种试题难度增强的综合知识追踪方法,其特征在于,经过数据处理后进行评估获得学生的答题能力以及试题和知识点难度,具体包括;
学生si做题能力gi的计算公式如下:
其中Ei是学生si在学习过程中的试题序列,ej代表Ei中的第j题,|Ei|代表试题序列的长度,J代表试题数量,rij∈{0,1}代表学生si回答试题序列中试题ej正确与否;
试题ej难度edj的计算公式如下:
其中Sj代表回答过试题ej的学生集合,gi代表Sj中的学生si的做题能力,其中|Sj|代表学生集合的长度,I代表总学生数量,rij∈{0,1}代表学生si回答试题ej正确与否;
知识点km难度kdm的计算公式如下:
其中Em代表涉及该知识点的试题的集合,|Em|代表集合长度,edj代表Em中试题ej的试题难度,即知识点难度通过对涉及到该知识点的所有试题的难度求平均值计算得到。
5.根据权利要求1所述的一种试题难度增强的综合知识追踪方法,其特征在于,对数据进行嵌入处理包括:
对知识点集合K进行one-hot编码,随后使用嵌入矩阵对试题向量进行Embedding操作,其中M代表知识点的数量,dk代表Embedding后的知识点向量维度,随后每个知识点km用向量km表示,并且每个交互单元的试题et所涉及的知识点集合Ct就用集合中的知识点向量相加后表示,即知识点集合Ct可以用向量来表示,公式如下:
对试题难度按照最大最小值区间划分为n个档次,使得试题难度从标量转化为类别,对难度类别进行one-hot编码后得到试题难度向量,使用嵌入矩阵对试题难度向量进行Embedding操作,其中dl表示Embedding后的试题难度向量维度,即试题et的难度用向量来表示,其中将试题难度值划分为类别值的公式如下:
对知识点难度按照最大最小值区间划分为n个档次,使得知识点难度从标量转化为类别,对知识点难度类别进行one-hot编码后得到知识点难度向量,使用嵌入矩阵对试题难度向量进行Embedding操作,其中dl表示Embedding后的试题难度向量维度,即知识点km的难度可以用向量来表示,其中将知识点难度值划分为类别值的公式如下:
其中|ct|代表知识点集合ct的长度,klm代表ct中知识点km的难度向量;
6.根据权利要求1所述的一种试题难度增强的综合知识追踪方法,其特征在于,知识追踪模型包括:
注意力机制模块:将当前学习单元的试题信息嵌入Et乘以矩阵得到query向量将包含当前学习单元前的试题信息嵌入向量集合{E1,E2,…,Et-1}内的向量分别乘以矩阵到key向量集合{K1,K2,…,Kt-1}将key向量集合中的向量分别与qt进行点乘后除以得到集合αt={αt,1,αt,2,…,αt,t-1},对α集合做softmax操作得到注意力分数集合α′t={α′t,1,α′t,2,…,α′t,t-1}将α′t中的注意力分数分别乘以知识状态集合{h1,h2,…,ht-1}中的向量得到累积知识状态计算公式如下所示:
预测模块:在预测模块,我们通过下一道试题的信息嵌入、学生的当前知识点掌握状态以及学生的心理能力通过一个全连接层来投射到输出层得到预测向量yt+1:
使用一个全连接层作为输出层输出最终对试题回答正确性的预测,取值为0到1之间并设置一个阈值,若数值大于阈值则判断回答正确,反之不正确;
在模型训练时使用二元交叉熵损失函数计算题目回答是否正确的预测的损失值:
loss=BCEloss(yt+1,rt+1);
其中rt+1∈{0,1}代表试题et+1的回答正确与否的真实值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211720753.0A CN115795015A (zh) | 2022-12-30 | 2022-12-30 | 一种试题难度增强的综合知识追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211720753.0A CN115795015A (zh) | 2022-12-30 | 2022-12-30 | 一种试题难度增强的综合知识追踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115795015A true CN115795015A (zh) | 2023-03-14 |
Family
ID=85428314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211720753.0A Pending CN115795015A (zh) | 2022-12-30 | 2022-12-30 | 一种试题难度增强的综合知识追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115795015A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117743699A (zh) * | 2024-02-20 | 2024-03-22 | 山东省计算中心(国家超级计算济南中心) | 一种基于dkt与汤普森采样算法的习题推荐方法及系统 |
-
2022
- 2022-12-30 CN CN202211720753.0A patent/CN115795015A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117743699A (zh) * | 2024-02-20 | 2024-03-22 | 山东省计算中心(国家超级计算济南中心) | 一种基于dkt与汤普森采样算法的习题推荐方法及系统 |
CN117743699B (zh) * | 2024-02-20 | 2024-05-14 | 山东省计算中心(国家超级计算济南中心) | 一种基于dkt与汤普森采样算法的习题推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113033808B (zh) | 一种基于习题难度和学生能力的深度嵌入知识追踪方法 | |
CN111695779B (zh) | 一种知识追踪方法、装置及存储介质 | |
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 | |
Wu et al. | Exam paper generation based on performance prediction of student group | |
CN113344053B (zh) | 一种基于试题异构图表征与学习者嵌入的知识追踪方法 | |
CN112687374B (zh) | 一种基于文本和图像信息联合计算的心理危机预警方法 | |
CN111461442A (zh) | 基于联邦学习的知识追踪的方法及系统 | |
CN112800323A (zh) | 一种基于深度学习的智能教学系统 | |
CN112257966A (zh) | 模型处理方法、装置、电子设备及存储介质 | |
CN115545160B (zh) | 一种多学习行为协同的知识追踪方法及系统 | |
CN109840595A (zh) | 一种基于群体学习行为特征的知识追踪方法 | |
CN114385801A (zh) | 一种基于分层细化lstm网络的知识追踪方法及系统 | |
CN109582974A (zh) | 一种基于深度学习的在校大学生信用评估方法及装置 | |
CN117540104B (zh) | 一种基于图神经网络的学习群体差异评价方法与系统 | |
CN115455186A (zh) | 一种基于多模型的学情分析方法 | |
CN117473041A (zh) | 一种基于认知策略的编程知识追踪方法 | |
CN115544158A (zh) | 应用于智能教育系统的多知识点动态知识追踪方法 | |
CN115795015A (zh) | 一种试题难度增强的综合知识追踪方法 | |
CN113378581B (zh) | 一种基于多元概念注意力模型的知识追踪方法及系统 | |
CN114154839A (zh) | 一种基于在线教育平台数据的课程推荐方法 | |
Pan et al. | The role of AI assisted socio-cultural frameworks in academic change and higher education growth | |
Pei et al. | Self-Attention Gated Cognitive Diagnosis for Faster Adaptive Educational Assessments | |
CN117011098A (zh) | 一种基于mkvmn模型的学生学习能力的预测方法 | |
CN116402134A (zh) | 基于行为感知的知识追踪方法及系统 | |
Zhang et al. | Neural Attentive Knowledge Tracing Model for Student Performance Prediction |
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 |