CN116151242A - 一种编程学习场景的智能习题推荐方法、系统及储存介质 - Google Patents

一种编程学习场景的智能习题推荐方法、系统及储存介质 Download PDF

Info

Publication number
CN116151242A
CN116151242A CN202310421039.XA CN202310421039A CN116151242A CN 116151242 A CN116151242 A CN 116151242A CN 202310421039 A CN202310421039 A CN 202310421039A CN 116151242 A CN116151242 A CN 116151242A
Authority
CN
China
Prior art keywords
representing
code
student
label
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.)
Granted
Application number
CN202310421039.XA
Other languages
English (en)
Other versions
CN116151242B (zh
Inventor
苏喻
刘淇
朱林波
丁军
汤进
吴震一
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.)
Institute of Artificial Intelligence of Hefei Comprehensive National Science Center
Original Assignee
Institute of Artificial Intelligence of Hefei Comprehensive National Science Center
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 Institute of Artificial Intelligence of Hefei Comprehensive National Science Center filed Critical Institute of Artificial Intelligence of Hefei Comprehensive National Science Center
Priority to CN202310421039.XA priority Critical patent/CN116151242B/zh
Publication of CN116151242A publication Critical patent/CN116151242A/zh
Application granted granted Critical
Publication of CN116151242B publication Critical patent/CN116151242B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • 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
    • G06F16/35—Clustering; Classification
    • 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
    • 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)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种编程学习场景的智能习题推荐方法、系统及储存介质，包括如下步骤：S1：获取目标对象的历史答题序列；S2：将所述多个历史答题交互中的标签转化为向量表示形式；S3：将所述目标对象的学生代码文本标签带入第一目标计算函数组，计算得到所述学生代码文本标签的向量化表征；S4：将所述题目标签、所述正确作答与否标签、所述知识点标签和所述学生代码文本标签的向量化表征带入第二目标计算函数组，计算得到学生历史答题记录的特征图；S5：将历史答题记录的特征图带入第三目标计算函数组，计算学生的知识状态以及对未作答题目的正确概率；该智能习题推荐方法能够为在线教育提供更准确的知识追踪服务。

Description

一种编程学习场景的智能习题推荐方法、系统及储存介质
技术领域
本发明涉及教育设备控制技术领域，尤其涉及一种编程学习场景的智能习题推荐方法、系统及储存介质。
背景技术
知识追踪（Knowledge Tracing）是根据学生过去的答题情况对学生的知识掌握情况进行建模，从而得到学生当前知识状态表示的一种技术，具体而言，从学生的历史答题记录中获得学生知识状态的变化，从而预测学生未来的表现。此外，基于此种方法，还能够针对不同的学生个体提供个性化的知识服务，比如个性化的题目推荐，课程推荐，真正实现因材施教的目的，提高学生的学习效率。
目前，知识追踪在青少年编程学习领域并未取得充分的应用，大多数工作都是只采用传统学科教育领域的知识追踪模式进行处理，没有针对变成教育领域的特点进行针对性的改进。然而，编程教育和学科教育本身具有非常大差异，学科教育常常针对学生作答的对错评估学生的知识状态，并不考虑学生回答的内容，而在编程教育中，针对同一个问题，学生编写的代码文本会在极大程度上反映其对知识的掌握程度，而传统的知识追踪方法，无法满足以上需求，因此无法对学生的学习情况进行准确评估。
发明内容
基于背景技术存在的技术问题，本发明提出了一种编程学习场景的智能习题推荐方法、系统及储存介质，能够为在线教育提供更准确的知识追踪服务，提高学生在使用在校编程教育平台时的学习效果。
本发明提出的一种编程学习场景的智能习题推荐方法，包括如下步骤：
S1：获取目标对象的历史答题序列，历史答题序列由多个历史答题交互组成，所述历史答题交互至少包括题目标签
Figure SMS_1
、正确作答与否标签/>
Figure SMS_2
、知识点标签/>
Figure SMS_3
和学生代码文本标签/>
Figure SMS_4
，其中/>
Figure SMS_5
表示答题交互的序号；
S2：将所述多个历史答题交互中的标签转化为向量表示形式；
S3：将所述目标对象的学生代码文本标签带入第一目标计算函数组，计算得到所述学生代码文本标签的向量化表征；
S4：将所述题目标签、所述正确作答与否标签、所述知识点标签和所述学生代码文本标签的向量化表征带入第二目标计算函数组，计算得到学生历史答题记录的特征图；
S5：将历史答题记录的特征图带入第三目标计算函数组，计算学生的知识状态以及对未作答题目的正确概率；
所述第一目标计算函数组具体公式如下：
Figure SMS_6
/>
Figure SMS_7
Figure SMS_8
Figure SMS_9
Figure SMS_10
Figure SMS_11
Figure SMS_12
其中，
Figure SMS_26
表示目标对象的历史相关代码表现，/>
Figure SMS_29
表示目标对象的代码段/>
Figure SMS_31
的向量化表征，/>
Figure SMS_14
表示目标对象的代码段，/>
Figure SMS_17
表示从代码库中储存的代码片段中随机抽样的代码片段，/>
Figure SMS_19
表示代码库中储存的代码片段与当前代码片段的匹配程度，
Figure SMS_22
表示从/>
Figure SMS_16
中选择出的若干个权重较大值，/>
Figure SMS_18
表示/>
Figure SMS_21
对应的代码库中储存的代码片段，/>
Figure SMS_25
表示权重值，/>
Figure SMS_30
为通过/>
Figure SMS_33
算法将学生代码文本标签/>
Figure SMS_36
分解为的/>
Figure SMS_38
个代码段对应的向量表示，/>
Figure SMS_28
为对
Figure SMS_32
进行编码得到的若干向量，/>
Figure SMS_34
表示目标对象当前正在完成习题的题目标签，/>
Figure SMS_37
表示两个矩阵进行拼接，/>
Figure SMS_15
表示权重值，/>
Figure SMS_24
表示训练参数中的权重，/>
Figure SMS_27
表示训练参数中的偏置，/>
Figure SMS_35
表示乘积，/>
Figure SMS_13
表示学生代码文本标签/>
Figure SMS_20
分解成/>
Figure SMS_23
个代码段并转换为的向量表示形式；
所述第二目标计算函数组具体公式如下：
Figure SMS_39
Figure SMS_40
Figure SMS_41
Figure SMS_42
其中，
Figure SMS_44
表示学生历史答题记录的特征图，/>
Figure SMS_47
表示知识点标签中知识点
Figure SMS_50
下的题目被回答的总次数，/>
Figure SMS_43
表示知识点/>
Figure SMS_46
下的题目被作对的次数，/>
Figure SMS_49
表示学习交互序列，/>
Figure SMS_51
表示学生对所有知识概念的概念正确率，/>
Figure SMS_45
表示中间参量，/>
Figure SMS_48
表示两个矩阵进行拼接；
所述第三目标计算函数组的具体公式如下：
Figure SMS_52
/>
Figure SMS_53
Figure SMS_54
Figure SMS_55
其中，
Figure SMS_57
表示对特征图H线性表示后的特征图，/>
Figure SMS_63
是为第一随机初始化权重矩阵，
Figure SMS_64
是为第二随机初始化权重矩阵，/>
Figure SMS_58
为第一随机初始化偏置系数，/>
Figure SMS_62
为第二随机初始化偏置系数，/>
Figure SMS_65
为学生对未作答题目/>
Figure SMS_67
的正确概率，/>
Figure SMS_56
表示学生未作答的题目，/>
Figure SMS_60
表示学生的知识状态，/>
Figure SMS_66
表示/>
Figure SMS_68
函数，/>
Figure SMS_59
表示卷积操作，/>
Figure SMS_61
表示中间参量。
进一步地，在所述S3：将所述目标对象的学生代码文本标签带入第一目标计算函数组，计算得到所述学生代码文本标签的向量化表征中，具体包括：
基于
Figure SMS_69
算法将所述学生代码文本标签/>
Figure SMS_70
分解多个代码段，并转换为向量表示形式，得到目标对象的代码段/>
Figure SMS_71
；
从代码库中储存的代码片段中随机抽样，得到
Figure SMS_72
个代码片段/>
Figure SMS_73
，将目标对象的代码段/>
Figure SMS_74
与所述/>
Figure SMS_75
个代码片段/>
Figure SMS_76
依次点乘，得到代码库中储存的代码片段与当前代码片段的匹配程度/>
Figure SMS_77
；
将代码库中储存的代码片段与当前代码片段的匹配程度
Figure SMS_78
中选择若干个权重较大值的/>
Figure SMS_79
，并得到与所述若干个权重较大值的/>
Figure SMS_80
对应的代码库中储存的代码片段/>
Figure SMS_81
，其中/>
Figure SMS_82
；
将所述若干个权重较大值的
Figure SMS_83
进行softmax处理，并与所述若干个权重较大值的/>
Figure SMS_84
对应的权重值相乘得到第一向量化表征；
将目标对象的代码段
Figure SMS_85
与代码库中储存的代码片段/>
Figure SMS_86
拼接后与所述代码段
Figure SMS_87
对应的权值相乘得到第二向量化表征；
将所述第一向量化表征和第二向量化表征相乘得到所述目标对象的代码段
Figure SMS_88
的向量化表征/>
Figure SMS_89
；
将多个所述目标对象的代码段
Figure SMS_90
的向量化表征相加得到所述学生代码文本标签的向量化表征，对学生代码文本标签的向量化表征求平均得到目标对象的历史相关代码表现/>
Figure SMS_91
。
进一步地，在S4：将所述题目标签、所述正确作答与否标签、所述知识点标签和所述学生代码文本标签的向量化表征带入第二目标计算函数组，计算得到学生历史答题记录的特征图中，具体包括：
获取知识点
Figure SMS_92
下的题目被回答的总次数以及知识点/>
Figure SMS_93
下的题目被回答的次数，计算得到学生对所有知识概念的概念正确率/>
Figure SMS_94
；/>
将题目标签
Figure SMS_95
和正确作答与否标签/>
Figure SMS_96
拼接，得到学习交互序列/>
Figure SMS_97
；
将所述目标对象的历史相关代码表现
Figure SMS_98
、所述概念正确率/>
Figure SMS_99
以及所述学习交互序列/>
Figure SMS_100
依次矩阵拼接得到学生历史答题记录的特征图/>
Figure SMS_101
。
一种编程学习场景的智能习题推荐系统，包括历史答题获取模块、向量转化模块、向量化表征模块、特征图表征模块和预测模块；
所述历史答题获取模块用于获取目标对象的历史答题序列，历史答题序列由多个历史答题交互组成，所述历史答题交互至少包括题目标签
Figure SMS_102
、正确作答与否标签/>
Figure SMS_103
、知识点标签/>
Figure SMS_104
和学生代码文本标签/>
Figure SMS_105
，其中/>
Figure SMS_106
表示答题交互的序号；
所述向量转化模块用于将所述多个历史答题交互中的标签转化为向量表示形式；
所述向量化表征模块用于将所述目标对象的学生代码文本标签带入第一目标计算函数组，计算得到所述学生代码文本标签的向量化表征；
所述特征图表征模块用于将所述题目标签、所述正确作答与否标签、所述知识点标签和所述学生代码文本标签的向量化表征带入第二目标计算函数组，计算得到学生历史答题记录的特征图；
所述预测模块用于将历史答题记录的特征图带入第三目标计算函数组，计算学生的知识状态以及对未作答题目的正确概率；
所述第一目标计算函数组具体公式如下：
Figure SMS_107
Figure SMS_108
Figure SMS_109
Figure SMS_110
Figure SMS_111
Figure SMS_112
Figure SMS_113
其中，
Figure SMS_128
表示目标对象的历史相关代码表现，/>
Figure SMS_133
表示目标对象的代码段/>
Figure SMS_136
的向量化表征，/>
Figure SMS_115
表示目标对象的代码段，/>
Figure SMS_118
表示从代码库中储存的代码片段中随机抽样的代码片段，/>
Figure SMS_121
表示代码库中储存的代码片段与当前代码片段的匹配程度，
Figure SMS_126
表示从/>
Figure SMS_125
中选择出的若干个权重较大值，/>
Figure SMS_129
表示/>
Figure SMS_131
对应的代码库中储存的代码片段，/>
Figure SMS_135
表示权重值，/>
Figure SMS_134
为通过/>
Figure SMS_137
算法将学生代码文本标签/>
Figure SMS_138
分解为的/>
Figure SMS_139
个代码段对应的向量表示，/>
Figure SMS_117
为对
Figure SMS_123
进行编码得到的若干向量，/>
Figure SMS_130
表示目标对象当前正在完成习题的题目标签，/>
Figure SMS_132
表示两个矩阵进行拼接，/>
Figure SMS_114
表示权重值，/>
Figure SMS_120
表示训练参数中的权重，/>
Figure SMS_124
表示训练参数中的偏置，/>
Figure SMS_127
表示乘积，/>
Figure SMS_116
表示学生代码文本标签/>
Figure SMS_119
分解成/>
Figure SMS_122
个代码段并转换为的向量表示形式；
所述第二目标计算函数组具体公式如下：
Figure SMS_140
Figure SMS_141
Figure SMS_142
Figure SMS_143
其中，
Figure SMS_144
表示学生历史答题记录的特征图，/>
Figure SMS_149
表示知识点标签中知识点
Figure SMS_151
下的题目被回答的总次数，/>
Figure SMS_146
表示知识点/>
Figure SMS_148
下的题目被作对的次数，/>
Figure SMS_150
表示学习交互序列，/>
Figure SMS_152
表示学生对所有知识概念的概念正确率，/>
Figure SMS_145
表示中间参量，/>
Figure SMS_147
表示两个矩阵进行拼接；
所述第三目标计算函数组的具体公式如下：
Figure SMS_153
Figure SMS_154
Figure SMS_155
Figure SMS_156
其中，
Figure SMS_158
表示对特征图H线性表示后的特征图，/>
Figure SMS_162
是为第一随机初始化权重矩阵，
Figure SMS_164
是为第二随机初始化权重矩阵，/>
Figure SMS_160
为第一随机初始化偏置系数，/>
Figure SMS_165
为第二随机初始化偏置系数，/>
Figure SMS_167
为学生对未作答题目/>
Figure SMS_169
的正确概率，/>
Figure SMS_157
表示学生未作答的题目，/>
Figure SMS_161
表示学生的知识状态，/>
Figure SMS_166
表示/>
Figure SMS_168
函数，/>
Figure SMS_159
表示卷积操作，/>
Figure SMS_163
表示中间参量。
一种计算机储存介质，所述计算机储存介质上存储有若干分类程序，所述若干分类程序用于被处理器调用并执行如上所述的智能习题推荐方法。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本发明提供的一种编程学习场景的智能习题推荐方法、系统及储存介质的优点在于：本发明结构中提供的一种编程学习场景的智能习题推荐方法、系统及储存介质，设计了
Figure SMS_170
三种特征能够学习学生的个性化特征，从而根据这些特点更好的进行预测，其次对学生提交的历史代码进行记录，并能够从更多维的角度（传统知识追踪不考虑学生的提交内容）根据这些记录总结学生的知识状态，简而言之就是考虑了更多维度的信息，达到更准确的预测效果；另外该智能习题推荐方法针对现有知识追踪模型进行了大幅度改进，尤其是针对代码题的特点进行了改进，根据学生个性化的差异，调整了对学生提交代码的编码，能够为在线教育提供更准确的知识追踪服务，提高学生在使用在校编程教育平台时的学习效果。
附图说明
图1为本发明的结构示意图。
具体实施方式
下面，通过具体实施例对本发明的技术方案进行详细说明，在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
现有的知识追踪模型大致可以分为３类：基于概率图模型的知识追踪、基于矩阵分解的知识追踪以及基于深度学习的知识追踪：
1）基于概率图模型的知识追踪。
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{已掌握该知识点，未掌握该知识点}，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，最近有研究将学生的猜测和失误个体学习者的先验知识估计Ｍ以及问题难度估计等因素融入到ＢＫＴ模型中。
2）基于矩阵分解的知识追踪。
由于推荐领域与知识追踪建模的相似性，部分学者将ＰＭＦ算法改进应用于知识追踪领，该类方法首先计算出对学习对象因素和题目因素的估计值，然后利用逻辑函数将该估计值转换为对目标对象答案正确的概率预测。
3）基于深度学习的知识追踪。
由于深度学习并不需要人类教会模型不同题目的难易、考核内容等特定的知识，避免了大量的手工标注特征工作量，而且在互联网在线教育行业兴起后，拥有了海量的学生答题记录，这些答题记录就能教会模型将题库中成千上万条题目encode为一个向量，并且能类似于word2vec那样找出题目之间的关联。
本实施例将现有的知识追踪模型进行相互结合，设计出一个适用于动态追踪的知识追踪方法。
如图1所示，本发明提出的一种编程学习场景的智能习题推荐方法，包括如下步骤：
S1：获取目标对象的历史答题序列，历史答题序列由多个历史答题交互组成，所述历史答题交互至少包括题目标签
Figure SMS_171
、正确作答与否标签/>
Figure SMS_172
、知识点标签/>
Figure SMS_173
和学生代码文本标签/>
Figure SMS_174
，其中/>
Figure SMS_175
表示答题交互的序号；
其中，所述历史答题交互可以直接从答题系统中获取，此时，目标对象可以在电脑上进行答题作业，答题系统按目标对象的作答顺序自动记录目标对象作答的各个题目标签及对应的、知识点标签，目标对象通过提交代码文本进行作答，作答的正确与否由系统自动进行验证。
另外，历史答题序列中的多个历史答题交互，也可以从互联网上的公开数据集获得，目标对象的历史答题交互序列可以表示为：
Figure SMS_176
其中，节点
Figure SMS_179
包含相应的题目标签/>
Figure SMS_180
、正确作答与否标签/>
Figure SMS_183
、知识点标签/>
Figure SMS_178
和学生代码文本标签/>
Figure SMS_182
，其中下标t=1,2,3,……,T，用于表示答题交互的序号，例如，
Figure SMS_184
表示第一个历史答题交互中的题目标签，/>
Figure SMS_185
表示第五个历史答题交互中的正确作答与否标签，/>
Figure SMS_177
表示第三个历史答题交互中的知识点标签，/>
Figure SMS_181
表示第六个历史答题交互中的学生代码文本标签。
S2：将所述多个历史答题交互中的标签转化为向量表示形式。
在本方案中，为了便于数据分析及处理，将获取到的历史答题交互中包含的多个标签转换为向量表示形式；
具体的，在本方案中，前文提到，答题交互
Figure SMS_187
包含相应的题目标签、正确作答与否标签、知识点标签和学生代码文本标签。其中，题目标签/>
Figure SMS_191
，基于随机初始化题目矩阵/>
Figure SMS_193
，为题目标签/>
Figure SMS_189
分配题目向量/>
Figure SMS_190
，其中，所述/>
Figure SMS_194
为答题时刻，所述/>
Figure SMS_197
为题目总数，所述/>
Figure SMS_186
为题目向量的维度；学生代码文本标签/>
Figure SMS_192
，所述/>
Figure SMS_196
为答题时刻；正确作答与否标签
Figure SMS_198
，基于随机初始化答案矩阵/>
Figure SMS_188
，为正确作答与否标签/>
Figure SMS_195
分配答案对错向量/>
Figure SMS_199
，其中，所述/>
Figure SMS_200
为答案向量的维度。
S3：将所述目标对象的学生代码文本标签带入第一目标计算函数组，计算得到所述学生代码文本标签的向量化表征，具体包括步骤S31至S37：
S31：基于
Figure SMS_201
算法将所述学生代码文本标签/>
Figure SMS_202
分解多个代码段，并转换为向量表示形式，得到目标对象的代码段/>
Figure SMS_203
；
为了提取学生代码文本标签中的结构化信息，采用
Figure SMS_204
对代码文本进行编码，并同时将整个代码短分解成多个代码片段，在后续工作中将以上目标对象的代码段/>
Figure SMS_205
保存在学生个性化的代码库中，供后续未来的片段进行查找匹配。
S32：从代码库中储存的代码片段中随机抽样，得到
Figure SMS_206
个代码片段/>
Figure SMS_207
，将目标对象的代码段/>
Figure SMS_208
与所述/>
Figure SMS_209
个代码片段/>
Figure SMS_210
依次点乘，得到代码库中储存的代码片段与当前代码片段的匹配程度/>
Figure SMS_211
；/>
S33：将代码库中储存的代码片段与当前代码片段的匹配程度
Figure SMS_212
中选择若干个权重较大值的/>
Figure SMS_213
，并得到与所述若干个权重较大值的/>
Figure SMS_214
对应的代码库中储存的代码片段/>
Figure SMS_215
，其中/>
Figure SMS_216
；
S34：将所述若干个权重较大值的
Figure SMS_217
进行softmax处理，并与所述若干个权重较大值的/>
Figure SMS_218
对应的权重值相乘得到第一向量化表征；
S35：将目标对象的代码段
Figure SMS_219
与代码库中储存的代码片段/>
Figure SMS_220
拼接后与所述代码段/>
Figure SMS_221
对应的权值相乘得到第二向量化表征；
S36：将所述第一向量化表征和第二向量化表征相乘得到所述目标对象的代码段
Figure SMS_222
的向量化表征/>
Figure SMS_223
；
S37：将多个所述目标对象的代码段
Figure SMS_224
的向量化表征相加得到所述学生代码文本标签的向量化表征，对学生代码文本标签的向量化表征求平均得到目标对象的历史相关代码表现/>
Figure SMS_225
。
Figure SMS_226
表示历史相关代码表现（HRCP Historical Relevant CodePerformance），可以通过对学生代码文本标签的向量化表征求平均获得。
其中步骤S31至S37对应的公式如下：
Figure SMS_227
Figure SMS_228
Figure SMS_229
Figure SMS_230
Figure SMS_231
Figure SMS_232
Figure SMS_233
其中，
Figure SMS_236
算法对抽象语法树（学生代码文本标签）进行分解，生成若干个子树（分解成多个代码段），最后将子树进行二进制编码获得向量/>
Figure SMS_237
，随后对每个/>
Figure SMS_240
进行分别编码得到抽象语法树的若干个向量表示/>
Figure SMS_234
，/>
Figure SMS_239
表示目标对象当前正在完成习题的题目标签，/>
Figure SMS_242
表示两个矩阵进行拼接，/>
Figure SMS_243
表示权重值，/>
Figure SMS_235
表示训练参数中的权重，/>
Figure SMS_238
表示训练参数中的偏置/>
Figure SMS_241
和/>
Figure SMS_244
均表示可训练的参数。
通过步骤S31至S37，将学生代码文本标签进行向量化表征，为最终线性计算学生的知识状态提供了数据基础。
S4：将所述题目标签、所述正确作答与否标签、所述知识点标签和所述学生代码文本标签的向量化表征带入第二目标计算函数组，计算得到学生历史答题记录的特征图，具体包括步骤S41至S43：
S41：获取知识点
Figure SMS_245
下的题目被回答的总次数以及知识点/>
Figure SMS_246
下的题目被回答的次数，计算得到学生对所有知识概念的概念正确率/>
Figure SMS_247
；
具体而言，
Figure SMS_248
表明学生对所有知识概念的总体知识掌握情况，由学生对每个知识概念的正确率组成。
S42：将题目标签
Figure SMS_249
和正确作答与否标签/>
Figure SMS_250
拼接，得到学习交互序列/>
Figure SMS_251
；
S43：将所述目标对象的历史相关代码表现
Figure SMS_252
、所述概念正确率/>
Figure SMS_253
以及所述学习交互序列/>
Figure SMS_254
依次矩阵拼接得到学生历史答题记录的特征图/>
Figure SMS_255
。
其中步骤S41至S43对应的公式如下：
Figure SMS_256
Figure SMS_257
Figure SMS_258
Figure SMS_259
其中，
Figure SMS_260
表示知识点标签中知识点/>
Figure SMS_261
下的题目被回答的总次数，
Figure SMS_262
表示知识点/>
Figure SMS_263
下的题目被作对的次数，学习交互序列/>
Figure SMS_264
（learninginteraction sequence），由多个/>
Figure SMS_265
拼接组成。
例如：比如在“加法”这个知识点下有若干道题，其中学生已经做过的有4道题，做对2道，那么CPC（加法）=1/2。
通过步骤S41至S43，通过目标对象的历史相关代码表现
Figure SMS_266
、所述概念正确率/>
Figure SMS_267
以及所述学习交互序列/>
Figure SMS_268
得到学生历史答题记录的特征图/>
Figure SMS_269
，该特征图/>
Figure SMS_270
可以有效表征学生对于不同知识点的掌握情况，为后续精准习题推送提供了基础。
S5：将历史答题记录的特征图带入第三目标计算函数组，计算学生的知识状态以及对未作答题目的正确概率。
基于学生的答题记录，对学生的个性化特征进行了总结，随后通过所述第三目标计算函数组，对特征图进行卷积，提取学生的知识状态，随后通过知识状态来预测学生对未知题目的正确率，所述第三目标计算函数组，具体为：
Figure SMS_271
Figure SMS_272
Figure SMS_273
/>
Figure SMS_274
其中，
Figure SMS_276
是为第一随机初始化权重矩阵，/>
Figure SMS_279
是为第二随机初始化权重矩阵，/>
Figure SMS_281
为第一随机初始化偏置系数，/>
Figure SMS_277
为第二随机初始化偏置系数，/>
Figure SMS_282
为学生对未作答题目
Figure SMS_284
的正确概率，/>
Figure SMS_285
表示对特征图H线性表示后的特征图，/>
Figure SMS_275
表示/>
Figure SMS_278
函数，/>
Figure SMS_280
是卷积提取后的结果，代表学生的知识状态，/>
Figure SMS_283
表示学生知识状态和题目作用之后，输出结果前的一个中间状态。
步骤S1至S5针对现有知识追踪模型进行了大幅度改进，尤其是针对代码题的特点进行了改进，根据学生个性化的差异，调整了对学生提交代码的编码，本实施例能够为在线教育提供更准确的知识追踪服务，提高学生在使用在校编程教育平台时的学习效果。
本实施例可以将知识追踪推广到编程教育的在线场景中，具体来说，首先设计了一种基于code2vec神经模型，针对学生提交代码的表征算法，该算法通过对学生提交的代码进行分解，随后对照学生的历史答题记录给出学生代码的综合表征，随后结合多种历史答题数据，对学生的知识状态进行预测，可以有效实现对学科教育中的动态追踪预测。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种编程学习场景的智能习题推荐方法，包括如下步骤：
S1：获取目标对象的历史答题序列，所述历史答题序列由多个历史答题交互组成，所述历史答题交互至少包括题目标签
Figure QLYQS_1
、正确作答与否标签/>
Figure QLYQS_2
、知识点标签/>
Figure QLYQS_3
和学生代码文本标签/>
Figure QLYQS_4
，其中/>
Figure QLYQS_5
表示答题交互的序号；
S2：将所述多个历史答题交互中的标签转化为向量表示形式；
S3：将所述目标对象的学生代码文本标签带入第一目标计算函数组，计算得到所述学生代码文本标签的向量化表征；
S4：将所述题目标签、所述正确作答与否标签、所述知识点标签和所述学生代码文本标签的向量化表征带入第二目标计算函数组，计算得到学生历史答题记录的特征图；
S5：将历史答题记录的特征图带入第三目标计算函数组，计算学生的知识状态以及对未作答题目的正确概率；
所述第一目标计算函数组具体公式如下：
Figure QLYQS_6
Figure QLYQS_7
Figure QLYQS_8
Figure QLYQS_9
Figure QLYQS_10
Figure QLYQS_11
Figure QLYQS_12
其中，
Figure QLYQS_32
表示目标对象的历史相关代码表现，/>
Figure QLYQS_35
表示目标对象的代码段/>
Figure QLYQS_38
的向量化表征，/>
Figure QLYQS_14
表示目标对象的代码段，/>
Figure QLYQS_19
表示从代码库中储存的代码片段中随机抽样的代码片段，/>
Figure QLYQS_21
表示代码库中储存的代码片段与当前代码片段的匹配程度，
Figure QLYQS_30
表示从/>
Figure QLYQS_16
中选择出的若干个权重较大值，/>
Figure QLYQS_23
表示/>
Figure QLYQS_24
对应的代码库中储存的代码片段，/>
Figure QLYQS_27
表示权重值，/>
Figure QLYQS_28
为通过/>
Figure QLYQS_33
算法将学生代码文本标签/>
Figure QLYQS_36
分解为的/>
Figure QLYQS_37
个代码段对应的向量表示，/>
Figure QLYQS_25
为对
Figure QLYQS_26
进行编码得到的若干向量，/>
Figure QLYQS_29
表示目标对象当前正在完成习题的题目标签，/>
Figure QLYQS_31
表示两个矩阵进行拼接，/>
Figure QLYQS_13
表示权重值，/>
Figure QLYQS_18
表示训练参数中的权重，/>
Figure QLYQS_20
表示训练参数中的偏置，/>
Figure QLYQS_22
表示乘积，/>
Figure QLYQS_15
表示学生代码文本标签/>
Figure QLYQS_17
分解成/>
Figure QLYQS_34
个代码段并转换为的向量表示形式；
所述第二目标计算函数组具体公式如下：
Figure QLYQS_39
Figure QLYQS_40
Figure QLYQS_41
Figure QLYQS_42
其中，
Figure QLYQS_44
表示学生历史答题记录的特征图，/>
Figure QLYQS_47
表示知识点标签中知识点/>
Figure QLYQS_48
下的题目被回答的总次数，/>
Figure QLYQS_45
表示知识点/>
Figure QLYQS_49
下的题目被作对的次数，/>
Figure QLYQS_50
表示学习交互序列，/>
Figure QLYQS_51
表示学生对所有知识概念的概念正确率，/>
Figure QLYQS_43
表示中间参量，/>
Figure QLYQS_46
表示两个矩阵进行拼接；
所述第三目标计算函数组的具体公式如下：
Figure QLYQS_52
Figure QLYQS_53
Figure QLYQS_54
Figure QLYQS_55
其中，
Figure QLYQS_57
表示对特征图H线性表示后的特征图，/>
Figure QLYQS_62
是为第一随机初始化权重矩阵，/>
Figure QLYQS_65
是为第二随机初始化权重矩阵，/>
Figure QLYQS_60
为第一随机初始化偏置系数，/>
Figure QLYQS_66
为第二随机初始化偏置系数，/>
Figure QLYQS_67
为学生对未作答题目/>
Figure QLYQS_68
的正确概率，/>
Figure QLYQS_56
表示学生未作答的题目，/>
Figure QLYQS_58
表示学生的知识状态，/>
Figure QLYQS_61
表示/>
Figure QLYQS_63
函数，/>
Figure QLYQS_59
表示卷积操作，/>
Figure QLYQS_64
表示中间参量。
2.根据权利要求1所述的编程学习场景的智能习题推荐方法，其特征在于，在所述S3：将所述目标对象的学生代码文本标签带入第一目标计算函数组，计算得到所述学生代码文本标签的向量化表征中，具体包括：
基于
Figure QLYQS_69
算法将所述学生代码文本标签/>
Figure QLYQS_70
分解多个代码段，并转换为向量表示形式，得到目标对象的代码段/>
Figure QLYQS_71
；
从代码库中储存的代码片段中随机抽样，得到
Figure QLYQS_72
个代码片段/>
Figure QLYQS_73
，将目标对象的代码段/>
Figure QLYQS_74
与所述/>
Figure QLYQS_75
个代码片段/>
Figure QLYQS_76
依次点乘，得到代码库中储存的代码片段与当前代码片段的匹配程度/>
Figure QLYQS_77
；
将代码库中储存的代码片段与当前代码片段的匹配程度
Figure QLYQS_78
中选择若干个权重较大值的/>
Figure QLYQS_79
，并得到与所述若干个权重较大值的/>
Figure QLYQS_80
对应的代码库中储存的代码片段/>
Figure QLYQS_81
，其中/>
Figure QLYQS_82
；/>
将所述若干个权重较大值的
Figure QLYQS_83
进行softmax处理，并与所述若干个权重较大值的/>
Figure QLYQS_84
对应的权重值相乘得到第一向量化表征；
将目标对象的代码段
Figure QLYQS_85
与代码库中储存的代码片段/>
Figure QLYQS_86
拼接后与所述代码段/>
Figure QLYQS_87
对应的权值相乘得到第二向量化表征；
将所述第一向量化表征和第二向量化表征相乘得到所述目标对象的代码段
Figure QLYQS_88
的向量化表征/>
Figure QLYQS_89
；
将多个所述目标对象的代码段
Figure QLYQS_90
的向量化表征相加得到所述学生代码文本标签的向量化表征，对学生代码文本标签的向量化表征求平均得到目标对象的历史相关代码表现
Figure QLYQS_91
。
3.根据权利要求1所述的编程学习场景的智能习题推荐方法，其特征在于，在S4：将所述题目标签、所述正确作答与否标签、所述知识点标签和所述学生代码文本标签的向量化表征带入第二目标计算函数组，计算得到学生历史答题记录的特征图中，具体包括：
获取知识点
Figure QLYQS_92
下的题目被回答的总次数以及知识点/>
Figure QLYQS_93
下的题目被回答的次数，计算得到学生对所有知识概念的概念正确率/>
Figure QLYQS_94
；
将题目标签
Figure QLYQS_95
和正确作答与否标签/>
Figure QLYQS_96
拼接，得到学习交互序列/>
Figure QLYQS_97
；
将所述目标对象的历史相关代码表现
Figure QLYQS_98
、所述概念正确率/>
Figure QLYQS_99
以及所述学习交互序列/>
Figure QLYQS_100
依次矩阵拼接得到学生历史答题记录的特征图/>
Figure QLYQS_101
。
4.一种编程学习场景的智能习题推荐系统，其特征在于，包括历史答题获取模块、向量转化模块、向量化表征模块、特征图表征模块和预测模块；
所述历史答题获取模块用于获取目标对象的历史答题序列，历史答题序列由多个历史答题交互组成，所述历史答题交互至少包括题目标签
Figure QLYQS_102
、正确作答与否标签/>
Figure QLYQS_103
、知识点标签
Figure QLYQS_104
和学生代码文本标签/>
Figure QLYQS_105
，其中/>
Figure QLYQS_106
表示答题交互的序号；
所述向量转化模块用于将所述多个历史答题交互中的标签转化为向量表示形式；
所述向量化表征模块用于将所述目标对象的学生代码文本标签带入第一目标计算函数组，计算得到所述学生代码文本标签的向量化表征；
所述特征图表征模块用于将所述题目标签、所述正确作答与否标签、所述知识点标签和所述学生代码文本标签的向量化表征带入第二目标计算函数组，计算得到学生历史答题记录的特征图；
所述预测模块用于将历史答题记录的特征图带入第三目标计算函数组，计算学生的知识状态以及对未作答题目的正确概率；
所述第一目标计算函数组具体公式如下：
Figure QLYQS_107
/>
Figure QLYQS_108
Figure QLYQS_109
Figure QLYQS_110
Figure QLYQS_111
Figure QLYQS_112
Figure QLYQS_113
其中，
Figure QLYQS_130
表示目标对象的历史相关代码表现，/>
Figure QLYQS_133
表示目标对象的代码段/>
Figure QLYQS_135
的向量化表征，/>
Figure QLYQS_115
表示目标对象的代码段，/>
Figure QLYQS_118
表示从代码库中储存的代码片段中随机抽样的代码片段，/>
Figure QLYQS_124
表示代码库中储存的代码片段与当前代码片段的匹配程度，
Figure QLYQS_128
表示从/>
Figure QLYQS_129
中选择出的若干个权重较大值，/>
Figure QLYQS_131
表示/>
Figure QLYQS_132
对应的代码库中储存的代码片段，/>
Figure QLYQS_136
表示权重值，/>
Figure QLYQS_134
为通过/>
Figure QLYQS_137
算法将学生代码文本标签/>
Figure QLYQS_138
分解为的/>
Figure QLYQS_139
个代码段对应的向量表示，/>
Figure QLYQS_117
为对
Figure QLYQS_119
进行编码得到的若干向量，/>
Figure QLYQS_122
表示目标对象当前正在完成习题的题目标签，/>
Figure QLYQS_126
表示两个矩阵进行拼接，/>
Figure QLYQS_114
表示权重值，/>
Figure QLYQS_121
表示训练参数中的权重，/>
Figure QLYQS_123
表示训练参数中的偏置，/>
Figure QLYQS_125
表示乘积，/>
Figure QLYQS_116
表示学生代码文本标签/>
Figure QLYQS_120
分解成/>
Figure QLYQS_127
个代码段并转换为的向量表示形式；
所述第二目标计算函数组具体公式如下：
Figure QLYQS_140
Figure QLYQS_141
Figure QLYQS_142
Figure QLYQS_143
其中，
Figure QLYQS_145
表示学生历史答题记录的特征图，/>
Figure QLYQS_147
表示知识点标签中知识点/>
Figure QLYQS_149
下的题目被回答的总次数，/>
Figure QLYQS_144
表示知识点/>
Figure QLYQS_150
下的题目被作对的次数，/>
Figure QLYQS_151
表示学习交互序列，/>
Figure QLYQS_152
表示学生对所有知识概念的概念正确率，/>
Figure QLYQS_146
表示中间参量，/>
Figure QLYQS_148
表示两个矩阵进行拼接；
所述第三目标计算函数组的具体公式如下：
Figure QLYQS_153
/>
Figure QLYQS_154
Figure QLYQS_155
Figure QLYQS_156
其中，
Figure QLYQS_163
表示对特征图/>
Figure QLYQS_160
线性表示后的特征图，/>
Figure QLYQS_161
是为第一随机初始化权重矩阵，/>
Figure QLYQS_158
是为第二随机初始化权重矩阵，/>
Figure QLYQS_166
为第一随机初始化偏置系数，/>
Figure QLYQS_165
为第二随机初始化偏置系数，/>
Figure QLYQS_167
为学生对未作答题目/>
Figure QLYQS_164
的正确概率，/>
Figure QLYQS_169
表示学生未作答的题目，/>
Figure QLYQS_159
表示对特征图/>
Figure QLYQS_162
线性表示后的特征图，/>
Figure QLYQS_168
表示学生的知识状态，/>
Figure QLYQS_170
表示/>
Figure QLYQS_171
函数，
Figure QLYQS_172
表示卷积操作，/>
Figure QLYQS_157
表示中间参量。
5.一种计算机储存介质，其特征在于，所述计算机储存介质上存储有若干分类程序，所述若干分类程序用于被处理器调用并执行如权利要求1至3任一所述的智能习题推荐方法。
CN202310421039.XA 2023-04-19 2023-04-19 一种编程学习场景的智能习题推荐方法、系统及储存介质 Active CN116151242B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310421039.XA CN116151242B (zh) 2023-04-19 2023-04-19 一种编程学习场景的智能习题推荐方法、系统及储存介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310421039.XA CN116151242B (zh) 2023-04-19 2023-04-19 一种编程学习场景的智能习题推荐方法、系统及储存介质

Publications (2)

Publication Number Publication Date
CN116151242A true CN116151242A (zh) 2023-05-23
CN116151242B CN116151242B (zh) 2023-07-18

Family

ID=86362171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310421039.XA Active CN116151242B (zh) 2023-04-19 2023-04-19 一种编程学习场景的智能习题推荐方法、系统及储存介质

Country Status (1)

Country Link
CN (1) CN116151242B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120021387A (ko) * 2010-07-29 2012-03-09 주식회사 넷스루 웹 사이트 이용 고객의 행동 정보를 기반으로 한 고객 선호 지수 산출 시스템 및 방법
KR20130091392A (ko) * 2012-02-08 2013-08-19 숭실대학교산학협력단 키워드 추천 장치 및 그 방법
US20160086498A1 (en) * 2014-09-18 2016-03-24 International Business Machines Corporation Recommending a Set of Learning Activities Based on Dynamic Learning Goal Adaptation
US20180060523A1 (en) * 2016-08-23 2018-03-01 Illumina, Inc. Federated systems and methods for medical data sharing
CN110968692A (zh) * 2019-10-23 2020-04-07 全球能源互联网研究院有限公司 一种文本分类方法及系统
CN111680217A (zh) * 2020-05-27 2020-09-18 腾讯科技（深圳）有限公司 内容推荐方法、装置、设备及存储介质
WO2021103994A1 (zh) * 2019-11-26 2021-06-03 北京达佳互联信息技术有限公司 用于信息推荐的模型训练方法、装置、电子设备以及介质
CN113064995A (zh) * 2021-03-31 2021-07-02 上海金融期货信息技术有限公司 一种基于图深度学习的文本多标签分类方法和系统
CN113361791A (zh) * 2021-06-21 2021-09-07 合肥工业大学 一种基于图卷积的学生成绩预测方法
CN113672693A (zh) * 2021-08-23 2021-11-19 东北林业大学 基于知识图谱和标签关联的在线问答平台的标签推荐方法
CN114021004A (zh) * 2021-10-31 2022-02-08 武汉天喻信息产业股份有限公司 一种理科相似题推荐方法、装置、设备及可读存储介质
CN114254127A (zh) * 2021-12-22 2022-03-29 科大讯飞股份有限公司 学生能力画像方法、学习资源推荐方法及装置
WO2022068435A1 (zh) * 2020-09-30 2022-04-07 上海松鼠课堂人工智能科技有限公司 对知识点掌握状态进行测量的方法
US20220180240A1 (en) * 2020-12-03 2022-06-09 International Business Machines Corporation Transaction composition graph node embedding
CN114861754A (zh) * 2022-03-25 2022-08-05 华中师范大学 一种基于外部注意力机制的知识追踪方法及系统
CN114881014A (zh) * 2022-04-21 2022-08-09 上海携旅信息技术有限公司 实体别名关系获取方法、训练方法、装置及存储介质
CN115131052A (zh) * 2021-03-29 2022-09-30 腾讯科技（深圳）有限公司 一种数据处理方法、计算机设备和存储介质
CN115481328A (zh) * 2022-10-12 2022-12-16 杭州摩西科技发展有限公司 生成定制题库方法、装置、计算机设备和存储介质
CN115544158A (zh) * 2022-11-03 2022-12-30 南京理工大学 应用于智能教育系统的多知识点动态知识追踪方法
CN115640368A (zh) * 2022-11-07 2023-01-24 顾小清 一种智能诊断推荐题库的方法及其系统
CN115640410A (zh) * 2022-12-06 2023-01-24 南京航空航天大学 基于强化学习路径推理的知识图谱多跳问答方法

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120021387A (ko) * 2010-07-29 2012-03-09 주식회사 넷스루 웹 사이트 이용 고객의 행동 정보를 기반으로 한 고객 선호 지수 산출 시스템 및 방법
KR20130091392A (ko) * 2012-02-08 2013-08-19 숭실대학교산학협력단 키워드 추천 장치 및 그 방법
US20160086498A1 (en) * 2014-09-18 2016-03-24 International Business Machines Corporation Recommending a Set of Learning Activities Based on Dynamic Learning Goal Adaptation
US20180060523A1 (en) * 2016-08-23 2018-03-01 Illumina, Inc. Federated systems and methods for medical data sharing
CN110968692A (zh) * 2019-10-23 2020-04-07 全球能源互联网研究院有限公司 一种文本分类方法及系统
WO2021103994A1 (zh) * 2019-11-26 2021-06-03 北京达佳互联信息技术有限公司 用于信息推荐的模型训练方法、装置、电子设备以及介质
CN111680217A (zh) * 2020-05-27 2020-09-18 腾讯科技（深圳）有限公司 内容推荐方法、装置、设备及存储介质
WO2022068435A1 (zh) * 2020-09-30 2022-04-07 上海松鼠课堂人工智能科技有限公司 对知识点掌握状态进行测量的方法
US20220180240A1 (en) * 2020-12-03 2022-06-09 International Business Machines Corporation Transaction composition graph node embedding
CN115131052A (zh) * 2021-03-29 2022-09-30 腾讯科技（深圳）有限公司 一种数据处理方法、计算机设备和存储介质
CN113064995A (zh) * 2021-03-31 2021-07-02 上海金融期货信息技术有限公司 一种基于图深度学习的文本多标签分类方法和系统
CN113361791A (zh) * 2021-06-21 2021-09-07 合肥工业大学 一种基于图卷积的学生成绩预测方法
CN113672693A (zh) * 2021-08-23 2021-11-19 东北林业大学 基于知识图谱和标签关联的在线问答平台的标签推荐方法
CN114021004A (zh) * 2021-10-31 2022-02-08 武汉天喻信息产业股份有限公司 一种理科相似题推荐方法、装置、设备及可读存储介质
CN114254127A (zh) * 2021-12-22 2022-03-29 科大讯飞股份有限公司 学生能力画像方法、学习资源推荐方法及装置
CN114861754A (zh) * 2022-03-25 2022-08-05 华中师范大学 一种基于外部注意力机制的知识追踪方法及系统
CN114881014A (zh) * 2022-04-21 2022-08-09 上海携旅信息技术有限公司 实体别名关系获取方法、训练方法、装置及存储介质
CN115481328A (zh) * 2022-10-12 2022-12-16 杭州摩西科技发展有限公司 生成定制题库方法、装置、计算机设备和存储介质
CN115544158A (zh) * 2022-11-03 2022-12-30 南京理工大学 应用于智能教育系统的多知识点动态知识追踪方法
CN115640368A (zh) * 2022-11-07 2023-01-24 顾小清 一种智能诊断推荐题库的方法及其系统
CN115640410A (zh) * 2022-12-06 2023-01-24 南京航空航天大学 基于强化学习路径推理的知识图谱多跳问答方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄涛;王一岩;张浩;杨华利;: "智能教育场域中的学习者建模研究趋向", 远程教育杂志, no. 01 *

Also Published As

Publication number Publication date
CN116151242B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN110264091B (zh) 学生认知诊断方法
CN111695779B (zh) 一种知识追踪方法、装置及存储介质
Sonkar et al. qdkt: Question-centric deep knowledge tracing
US11631338B2 (en) Deep knowledge tracing with transformers
CN109670168B (zh) 基于特征学习的短答案自动评分方法、系统及存储介质
CN112257966B (zh) 模型处理方法、装置、电子设备及存储介质
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
CN115455186A (zh) 一种基于多模型的学情分析方法
CN112860847A (zh) 视频问答的交互方法及系统
CN115935969A (zh) 基于多模态信息融合的异构数据特征提取方法
CN117474094B (zh) 基于Transformer的融合领域特征的知识追踪方法
CN113283488B (zh) 一种基于学习行为的认知诊断方法及系统
CN113011196B (zh) 一种概念增强表示与单向蕴含注意力的主观题自动阅卷神经网络模型
CN117150151B (zh) 一种基于大语言模型的错题分析及试题推荐系统和方法
CN114154839A (zh) 一种基于在线教育平台数据的课程推荐方法
CN117828063A (zh) 一种心理领域数据生成、模型训练方法、装置及存储介质
CN116151242B (zh) 一种编程学习场景的智能习题推荐方法、系统及储存介质
CN115795015A (zh) 一种试题难度增强的综合知识追踪方法
CN112785039B (zh) 一种试题作答得分率的预测方法及相关装置
CN114840679A (zh) 一种基于乐理知识图谱推理的机器人智能导学方法及应用
CN117932044B (zh) 基于ai的心理辅导助手自动对话生成方法及系统
Zhao et al. Design and Implementation of a Teaching Verbal Behavior Analysis Aid in Instructional Videos
CN113704610B (zh) 一种基于学习成长数据的学习风格画像生成方法及系统
CN117315684A (zh) 一种基于大规模多模态模型的自动化问题回答方法
CN117828022A (zh) 一种错因解析数据增强方法、装置、存储介质及设备

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