CN117273130B - 一种基于知识图谱与个体能力的认知诊断状态机实现方法 - Google Patents
一种基于知识图谱与个体能力的认知诊断状态机实现方法 Download PDFInfo
- Publication number
- CN117273130B CN117273130B CN202311502701.0A CN202311502701A CN117273130B CN 117273130 B CN117273130 B CN 117273130B CN 202311502701 A CN202311502701 A CN 202311502701A CN 117273130 B CN117273130 B CN 117273130B
- Authority
- CN
- China
- Prior art keywords
- state machine
- knowledge
- state
- transition
- array
- 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
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 75
- 238000003745 diagnosis Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000007704 transition Effects 0.000 claims abstract description 89
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 230000001960 triggered effect Effects 0.000 claims abstract description 5
- 230000001502 supplementing effect Effects 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000002405 diagnostic procedure Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000006998 cognitive state Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于知识图谱与个体能力的认知诊断状态机实现方法，首先，将认知诊断的测试过程建模为基于知识图谱与个体能力触发的状态机，在认知诊断测试过程中，被测试者借助自身能力，触发状态机的状态转移；其次使用知识图谱表述知识点前导和后续的关联关系的特性，对状态机样本中路径进行扩展补充；利用状态机路径分解，使得用于认知诊断的模型中，各知识点在多个变迁条件中只出现一次，以状态变迁时间顺序组成状态转移矩阵；最后对改造后的状态机使用LSTM模型，通过被测试对象的测试结果，训练状态转移矩阵；将最终被测试对象的训练结果与标准认知结构对象做对比，利用相似度对被测试对象自身能力及各个知识点的掌握程度进行分析。
Description
技术领域
本发明属于认知诊断技术领域，具体涉及一种基于知识图谱与个体能力触发的认知诊断状态机的实现方法。
背景技术
认知诊断CD(Cognitive Diagnosis)是指对被诊断对象的知识结构、加工技能或者认知过程的诊断，尤其在现代智慧教育应用场景中，对于评估教学成效，诊断被测试对象对知识与概念的掌握程度的方面发挥着重要的作用。
认知诊断的研究发展主要分二个阶段，早期的研究主要基于统计学习理论模型，主流的有： IRT（Item Response Theory项目反映理论）和DINA（Deterministic Input,Noisy And Gate）模型。IRT模型主要是分析被诊断对象在试题上的答题记录，将被诊断对象的认知状态建模为一个单维连续的能力值，并用这个单一的能力值表示被诊断对象的综合认知状态。IRT模型仅能笼统地估计被诊断对象的能力水平，尚不能评估被诊断对象细粒度的认知属性掌握状态；DINA模型主要是利用测评数据对被诊断对象的认知模式进行分类，以概率统计为基础，事先确定模型的具体形式，采用最大似然估计、最大后验概率估计或蒙特卡洛算法对模型参数进行求解，容易导致预测精度低、拟合效果差的问题。
近期，基于深度学习框架来实现认知诊断成为认知诊断研究中的热点。
在现有技术中，基于深度学习的认知诊断方法主要有：通用的NeuralCD (神经认知诊断)框架，该框架结合了神经网络来捕捉被诊断对象与练习之间的复杂关系，即将被诊断对象和练习投射到因子向量上，并利用多个神经层为它们的交互建模，其中应用单调性假设以确保两个因子的可解释性；DIRT (Deep Item Response Theory, 深度项目响应理论)，使用熟练度向量来表示被诊断对象对知识概念的熟练度，并通过密集嵌入来表示问题文本和知识概念，利用问题文本以及问题文本与知识概念之间的关系，使用深度学习增强被诊断对象和问题参数的诊断过程。还有综合了多种特征的NeuralNCD (神经网络认知诊断)模型，运用项目反应理论和神经网络来表征被诊断对象与练习之间的交互，同时在神经网络中引入了单调性假设和数据预处理机制，提高了诊断结果的准确性。
以上基于深度学习框架的认识诊断模型虽然在诊断效果上取得了一定的进步，但是在复杂知识领域下应用，仍然存在很多问题。一方面这些模型基于深度学习框架，通过复杂的神经元架构与参数训练过程来实现对被测试者能力的评估，整个评估过程缺乏可解释性；另一方面上述模型对于被测试者的能力、知识结构的表述过于简单，采用一维的知识点集合 Kn = {k1，k2，…，kn}来表示，没有体现出知识点之间的相互的关联关系，以及知识点关联关系对测试结果的影响，从而造成诊断结果偏差。
发明内容
本发明所要解决的问题是：提出一种基于知识图谱与个体能力触发的认知诊断状态机实现方法，用于细致精确的反映出认知诊断的测试过程，使得认知诊断评估分析结果的更为准确且具有可解释性。
为了解决上述问题，本发明采用如下技术方案：
一种基于知识图谱与个体能力的认知诊断状态机实现方法，包括如下步骤：
步骤S1、状态机建模：构建认知诊断状态机模型，将认知诊断过程建模为基于知识图谱与个体能力触发的认知诊断状态机，认知诊断过程中解题的每一个步骤作为状态机的每一个状态；被诊断对象借助自身能力触发状态机的状态转移；
步骤S2、生成样本：基于步骤S1构建的认知诊断状态机模型，将认知诊断过程中解题步骤所需知识点和对能力的要求作为状态变迁条件，生成第一状态机样本；使用知识图谱，用于表述知识点前导和后续的关联关系的特性，对状态机样本中路径进行扩展补充，生成第二状态机样本；
步骤S3、状态机路径分解：利用状态机路径分解算法对所述第二状态机样本进行改造，使得各知识点在多个变迁条件中只出现一次，生成改造后的第三状态机样本，以状态变迁时间顺序组成状态转移矩阵；
步骤S4、训练模型：引入长短期记忆LSTM模型，对认知诊断状态机模型进行训练，通过被测试对象的测试结果，训练状态转移矩阵；
步骤S5、进行认知诊断分析：获得被诊断对象对知识点的掌握程度及自身能力。
具体的，步骤S1中，在认知诊断过程中，所述状态机起始点为问题解答过程初始状态；被诊断对象借助自身能力，包括解题能力和对知识点掌握程度，触发状态机的状态转移，若被诊断对象成功完成解题，则状态机正确到达下一状态，否则被诊断对象无法正确回答问题，则状态机无法正确到达下一状态；经过若干个认知诊断问题解答步骤，认知诊断解答过程结束，状态机终止。
所述状态机模型输出公式如下式：
其中，表示被诊断对象使用序号为i的知识点k，α表示被诊断对象自身的计算能力，β表示被诊断对象自身的判断能力，γ表示被诊断对象自身的推理能力；/>函数计算被诊断对象对该知识点的掌握程度以及自身能力值的高低，y判断被诊断对象能否正确达到下一状态，y由α、β、γ及/>决定。
具体的，步骤S2生成样本，包括如下子步骤：
步骤S2.1、根据问题文本以及知识图谱，将所需的所有知识点以前导和后续的关联关系存放在KP map数组中，形式为KP[key][value],key表示单个知识点，value表示与key具有关系的所有知识点；选取KP map数组中若干个key并添加至First数组中，被选取的若干个知识点作为第一状态机样本的初始路径变迁条件；
步骤S2.2、根据所述第一状态机样本的初始路径变迁条件，生成第一状态机样本的其他变迁路径，方法如下：
S2.2.1、判断First数组长度，如果len(First)==1则选取KP map数组中KP[First[0]]对应的知识点数组中若干个元素值，添加至Second数组中；如果len(First)>1,则遍历First数组元素，查找KP map数组中与First数组所有元素一一对应的value值，并随机选取某个知识点继续添加到Second当中；
S2.2.2、构建second1 map数组，形式为second1[key1][value1],key1为First数组中元素值，value1值为First数组元素一一对应的value值，以此存储第一状态机样本的路径变迁顺序；
S2.2.3、遍历Second数组元素，在KP map数组中查找与Second数组元素一一对应的value值，添加到Third数组中；并构建third1 map数组，与步骤S2.2.2中second1 map数组同理，以此存储第一状态机样本的变迁路径；
S2.2.4、所述数组Third与First、Second求差集，以避免重复出现S2.1和S2.2中的知识点影响认知诊断状态机模型训练。
步骤S2.3、重复步骤S2.2，根据问题文本数量生成若干个第一状态机样本；利用知识图谱表述知识点前导和后续的关联关系的特性，对第一状态机样本中路径进行扩展补充，生成扩展后的第二状态机样本。
具体的，步骤S3中，所述状态机路径分解，算法包括如下子步骤：
步骤S3.1、拆分第二状态机样本：若第二状态机样本一条变迁的边{si, sj}上存在有多个知识点{ k1, k2, ..., kn }，为变迁的边新增n-1个过渡状态{s1', s2', ...,sn-1' }, 删除变迁的边{si, sj}，同时新增n条边，依次为{si, s1'}, {s1', s2'},... ,{sn-1', sj}, 设置每条边的变迁条件{k1}，{k1}，…… ，{kn}，生成全状态机样本；
步骤S3.2、遍历第二状态机样本：经过步骤S3.1折分后，所述全状态机样本的每条边的变迁条件只涉及到一个知识点，遍历全状态机样本，如果发现全状态机样本中有知识点重复出现的边，则执行如下子步骤S3.2.1至S3.2.4：
S3.2.1、为全状态机样本新增一个状态s';
S3.2.2、设全状态机样本中，有变迁条件为{k'}的边，且 k' 为重复出现的知识点;
S3.2.3、从全状态机样本起始状态s0开始，建一条边，{s0, s'}，设置条件为k';
S3.2.4、假设有边{si, sj}，其变迁条件为{k'}, 增加一条边，{s', sj}，设置条件为空白知识点k0，k0是初始知识点， 同时将{si, sj}变迁条件修改成{k0}，以维持状态机结构；
步骤S3.3、遍历整个全状态机样本：重复执行步骤S3.2，直到整个全状态机样本中，除了k0有重复的边之外，不存在有变迁条件设置的知识点重复，生成改造后的第三状态机样本。
然后，基于被诊断对象对于知识点的掌握程度还与知识点之间的联系有关，根据步骤S2至步骤S3的状态变迁过程，将每一次状态变迁过程中涉及的知识点记为1，未涉及的知识点记为0，以状态变迁时间顺序构建状态转移矩阵。
进一步的，步骤S4中，引入LSTM模型，训练状态转移矩阵，步骤包括：
S4.1、将状态转移矩阵数据进行归一化处理，采用最大值最小值归一化处理方式，映射范围在[0,1]上；
S4.2、将归一化处理后的状态转移矩阵数据转换成有监督数据，包括当前数据前一时刻和下一时刻的数据；
S4.3、建立LSTM网络模型，经过训练输出被诊断对象的测试结果，正确为1，错误为0，将多个测试结果构成预测向量，其中，损失函数选择为mae，优化器算法选择adam。
进一步的，步骤S5进行认知诊断分析，通过不同标准的认知诊断问题知识结构，利用步骤S4中LSTM模型训练出的状态转移矩阵得到预测向量，以被诊断对象和不同标准的认知诊断问题知识结构做对比，利用相似度来分析被诊断对象对知识点的掌握程度及自身能力。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、具有可解释性，在本发明的状态机模型中，状态变迁条件精细刻划了被诊断对象在测试过程中对于个体能力的发挥与应用。测试过程中，状态机的每一次变迁都解释了被诊断对象的能力，及其能否使被测试状态机从起始状态到达最终状态。因此，本发明方法诊断结果具有可解释性。
2、分析结果更为准确，为了更好地适应状态机模型，本发明使用知识图谱，能更准确地表述诊断涉及的知识体系、知识点的关联关系，同时，对长短期记忆(LSTM)模型进行改造，通过被测试对象的测试结果，训练状态转移矩阵，将最终被测试对象的训练结果与标准认知结构对象做对比，利用相似度对被测试对象自身能力及各个知识点的掌握程度进行诊断分析。因此，本发明状态机模型的变迁条件能更细致精确的反映出认知诊断的测试过程。
3、促进智慧教育的发展，认知诊断的出现弥补了只能提供单一总分结果的测验的缺陷，提供更加丰富的测验信息。本发明在认知诊断模型的解释性和准确性进行了提高，更利于采用计算机辅导和线上教学等方式，使教学更高效、智能化，被诊断对象学习自主化、个性化。
附图说明
图1为本发明基于知识图谱与个体能力的认知诊断状态机实现方法系统框图；
图2为本发明基于知识图谱与个体能力的认知诊断状态机模型构建过程图；
图3为本发明基于知识图谱与个体能力的认知诊断状态机成功解题案例分析图；
图4为本发明基于知识图谱与个体能力的认知诊断状态机失败解题案例分析图；
图5为本发明基于知识图谱与个体能力的认知诊断状态机模型图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对申请的技术方案做进一步地详尽阐述，所描述的实施例，也只是本发明所涉及实施例的一部分。本领域其他研究人员在该实施例上的所有非创新型实施例，都属于本发明的保护范围。
本发明提供了一种基于知识图谱与个体能力的认知诊断状态机实现方法，如图1所示包括如下步骤：
步骤1. 状态机建模：
将认知诊断的测试过程建模为基于知识图谱与个体能力触发的状态机。在认知诊断测试过程中，被测试者借助自身能力，包括解题能力和对知识点掌握程度，来触发状态机的状态转移。
在本发明的的一个具体实施例中，认知诊断状态机模型如图2所示，其中开始表示问题解答过程的初始状态，状态1至状态4表示问题解答步骤，结束表示状态机终止，即解答过程结束。对象能力为被诊断对象自身能力，包括：计算能力、判断能力和推理能力，被诊断对象回答正确结果为1,错误为0。
具体的，图3 表示了被诊断对象凭借自身能力及对知识点的掌握程度成功完成解题案例，空心箭头表示被诊断对象正确回答问题，成功到达下一状态。
图4表示了被诊断对象失败案例，该被诊断对象无法正确回答问题，其中，从状态1至状态4处的符号X代表被诊断对象无法正确回答问题，无法正确到达状态4。
状态机模型输出公式如下所示：
其中，表示被诊断对象使用序号为i的知识点k，s表示状态，α、β、γ分别表示被诊断对象自身的计算能力、判断能力和推理能力，/>函数计算被诊断对象对该知识点的掌握程度以及自身能力值的高低，y判断被诊断对象能否正确达到下一状态，由α、β、γ及/>决定。
步骤2.生成样本，具体步骤包括：
步骤S2.1、根据问题文本以及知识图谱将所需的所有知识点以前导和后续的关联关系存放在KP map数组中，形式为KP[key][value],key表示单个知识点，value表示与key具有关系的所有知识点。选取KP map数组中若干个key并添加至First数组当中，被选取的若干个知识点作为状态机样本的初始路径变迁条件。
步骤S2.2、根据状态机初始路径变迁条件，生成状态机样本的其他变迁路径。判断First数组长度，如果len(First)==1则选取KP map数组中KP[First[0]]对应的知识点数组中若干个元素值，并将其添加至Second数组当中；如果len(First)>1,则遍历First数组元素，查找KP map数组中与First数组所有元素一一对应的value值，并随机选取某个知识点继续添加到Second当中。
构建map数组second1[key1][value1],key1为First数组中元素值，value1值为First数组元素对应的上步所选取的value值，以此来存储第一状态机样本的路径变迁顺序；遍历Second数组元素，在KP map数组当中查找Second数组元素一一对应的value值，添加到Third数组当中，并构建third1数组，与second1同理，以此存储第一状态机样本的路径变迁；Third与First、Second求差集，以避免重复出现S2.1和S2.2当中的知识点影响模型训练；
步骤S2.3、重复以上步骤，生成若干个完整的状态机初始样本。
步骤3. 状态机路径分解算法，步骤包括：
S3.1、若状态机一条变迁的边{si, sj}上存在有多个知识点{ k1, k2, ..., kn}，为该变迁的边新增n-1个过渡状态{s1', s2', ..., sn-1' }, 删除边{si, sj}，同时新增n条边，依次为{si, s1'}, {s1', s2'},... , {sn-1', sj}, 设置每条边的变迁条件{k1}，{k1}，…… ，{kn}。
S3.2、经过S3.1折分后，全状态机的每条边的变迁条件只涉及到一个知识点，遍历整个状态机，如果发现有知识点重复出现的边，则执行如下子步骤：
S3.2.1 为全状态新增一个状态s'；
S3.2.2 设状态机中，有变迁条件为{k'}的边，且 k' 为重复出现的知识点；
S3.2.3 从状态机起始状态s0开始，建一条边，{s0, s'}，设置条件为k' ；
S3.2.4 假设有边{si, sj}，其变迁条件为{k'}, 增加一条边，{s', sj}，设置条件为空白知识点k0，k0是任何人都百分百掌握的知识点， 同时将{si, sj}变迁条件修改成{k0}，以维持状态机结构；
S3.3、返回第S3.2，重复执行，直到整个状态机中，除了k0有重复的边之外，不存在有变迁条件设置的知识点重复。
步骤4.训练模型：
被诊断对象对于知识点的掌握程度不仅和自身的能力有关还与其知识点之间的联系有关，如知识点A与知识点B之间存在先后关系，那么知识点A的掌握程度也会影响被诊断对象对知识点B的掌握情况，所以通过状态机生成的状态转移矩阵具有时序性。
在本发明的一个具体实施例中，引入长短期记忆(LSTM)模型。
LSTM网络具有“记忆性”，其原因在于不同“时间点”之间的网络存在连接，而不是单个时间点处的网络存在前馈或者反馈；并且LSTM擅长于处理多个变量的问题，该特性使其有助于解决时间序列预测问题，这正式本实施例选择LSTM模型的原因。
本实施例中，如图5所示，使用知识图谱扩展补充状态机，使用长短期记忆模型训练状态转移矩阵。
具体的，将解题的过程建模为状态机，解题的每一个步骤作为状态机的每一个状态，解题步骤所需知识点和对能力的要求作为状态变迁的条件，被诊断对象借助自身的解题能力和对知识点掌握程度来触发状态机的状态转移。
为了精确表述诊断涉及的知识点之间的关联关系，避免知识点关联对本实施例状态机模型诊断效果的影响，使用知识图谱，用以表述知识点前导和后续的关联关系。
基于知识图谱，对构建的状态机原型实施改造，将状态机的每一个变迁条件输入至知识图谱当中，使得最终用于诊断测试的模型中，各知识点在多个变迁条件中只出现一次。
最后针对LSTM模型进行改造，通过被测试对象的测试结果，训练状态转移矩阵。
步骤5.进行认知诊断分析：
通过不同的标准知识结构，利用LSTM模型训练出的结果得到预测向量，以被诊断对象和不同的标准知识结构做对比，利用相似度来诊断和分析被测试对象对知识点的掌握程度及自身能力。
本发明在教育领域，基于多个学生做题的响应日志以及做题概念，日志包含724位学生，1228个练习， 123个知识点。通过本发明的状态机方法，将学生对知识点的掌握程度诊断精度提高到了百分之八十三。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于知识图谱与个体能力的认知诊断状态机实现方法，其特征在于，包括如下步骤：
步骤S1、状态机建模：构建认知诊断状态机模型，将认知诊断过程建模为基于知识图谱与个体能力触发的认知诊断状态机，认知诊断过程中解题的每一个步骤作为状态机的每一个状态；被诊断对象借助自身能力触发状态机的状态转移；
所述个体能力，包括被诊断对象自身的计算能力、判断能力和推理能力；
步骤S2、生成样本：基于步骤S1构建的认知诊断状态机模型，将认知诊断过程中解题步骤所需知识点和对能力的要求作为状态变迁条件，生成第一状态机样本；使用知识图谱表述知识点前导和后续的关联关系的特性，对所述第一状态机样本中路径进行扩展补充，生成第二状态机样本，包括如下子步骤：
步骤S2.1、根据问题文本以及知识图谱，将所需的所有知识点以前导和后续的关联关系存放在KP map数组中，形式为KP[key][value],key表示单个知识点，value表示与key具有关系的所有知识点；选取KP map数组中若干个key并添加至First数组中，被选取的若干个知识点作为第一状态机样本的初始路径变迁条件；
步骤S2.2、根据所述第一状态机样本的初始路径变迁条件，生成第一状态机样本的其他变迁路径；
步骤S2.3、重复步骤S2.2，根据问题文本数量生成若干个第一状态机样本；利用知识图谱表述知识点前导和后续的关联关系的特性，对第一状态机样本中路径进行扩展补充，生成扩展后的第二状态机样本；
步骤S3、状态机路径分解：利用状态机路径分解算法对所述第二状态机样本进行改造，使得各知识点在多个变迁条件中只出现一次，生成改造后的第三状态机样本，以状态变迁时间顺序组成状态转移矩阵；
所述状态机路径分解算法，包括如下子步骤：
步骤S3.1、拆分第二状态机样本：若第二状态机样本一条变迁的边{si, sj}上存在有多个知识点{ k1, k2, ..., kn }，为变迁的边{si, sj}新增n-1个过渡状态{s1', s2',..., sn-1' }, 删除变迁的边{si, sj}，同时新增n条边，依次为{si, s1'}, {s1',s2'},... ,{sn-1', sj}, 设置每条边的变迁条件{k1}，{k1}，…… ，{kn}，生成全状态机样本；
步骤S3.2、遍历第二状态机样本：经过步骤S3.1拆分后，全状态机样本的每条边的变迁条件只涉及到一个知识点，遍历全状态机样本，如果发现全状态机样本中有知识点重复出现的边，则执行如下子步骤：
S3.2.1、为全状态机样本新增一个状态s';
S3.2.2、设全状态机样本中，有变迁条件为{k'}的边，且 k' 为重复出现的知识点;
S3.2.3、从全状态机样本起始状态s0开始，建一条边，{s0, s'}，设置条件为k';
S3.2.4、假设有边{si, sj}，其变迁条件为{k'}, 增加一条边，{s', sj}，设置条件为空白知识点k0，k0是初始知识点， 同时将{si, sj}变迁条件修改成{k0}，以维持状态机结构；
步骤S3.3、遍历全状态机样本：重复执行步骤S3.2，直到整个全状态机样本中，除了k0有重复的边之外，不存在有变迁条件设置的知识点重复，生成改造后的第三状态机样本；
步骤S4、训练模型：引入长短期记忆LSTM模型，对认知诊断状态机模型进行训练，通过被测试对象的测试结果，训练状态转移矩阵；
步骤S5、进行认知诊断分析：获得被诊断对象对知识点的掌握程度。
2.根据权利要求1所述的基于知识图谱与个体能力的认知诊断状态机实现方法，其特征在于，步骤S1中，所述认知诊断状态机起始点为认知诊断过程中问题解答过程的初始状态；被诊断对象借助自身能力，触发状态机的状态转移，所述自身能力包括解题能力和对知识点掌握程度；若被诊断对象成功完成解题，则状态机正确到达下一状态，否则被诊断对象无法正确回答问题，则状态机无法正确到达下一状态；经过若干个认知诊断问题解答步骤，认知诊断解答过程结束，所述认知诊断状态机终止。
3.根据权利要求2所述的基于知识图谱与个体能力的认知诊断状态机实现方法，其特征在于，步骤S1中，所述认知诊断状态机模型输出公式如下式：
其中，表示被诊断对象使用序号为i的知识点k，α表示被诊断对象自身的计算能力，β表示被诊断对象自身的判断能力，γ表示被诊断对象自身的推理能力；/>函数计算被诊断对象对知识点k的掌握程度以及自身能力值的高低，y判断被诊断对象能否正确达到下一状态，y由α、β、γ及/>共同决定。
4.根据权利要求3所述的基于知识图谱与个体能力的认知诊断状态机实现方法，其特征在于，步骤S2.2生成第一状态机样本的其他变迁路径，方法如下：
S2.2.1、判断First数组长度，如果len(First)==1则选取KP map数组中KP[First[0]]对应的知识点数组中若干个元素值，添加至Second数组中；如果len(First)>1,则遍历First数组元素，查找KP map数组中与First数组所有元素一一对应的value值，并随机选取某个知识点继续添加到Second数组中；
S2.2.2、构建second1 map数组，形式为second1[key1][value1],key1为First数组中的元素值，value1值为First数组元素对应的value值，以此存储第一状态机样本的路径变迁顺序；
S2.2.3、遍历Second数组元素，在KP map数组中查找与Second数组元素一一对应的value值，添加到Third数组中；并构建third1 map数组，与步骤S2.2.2中second1 map数组同理，以此存储第一状态机样本的变迁路径；
S2.2.4、将数组Third与First、Second求差集，以避免重复出现S2.1和S2.2中的知识点影响认知诊断状态机模型训练。
5.根据权利要求4所述的基于知识图谱与个体能力的认知诊断状态机实现方法，其特征在于，步骤S3中，基于被诊断对象对于知识点的掌握程度还与知识点之间的联系有关，根据步骤S2至步骤S3的状态变迁过程，将每一次状态变迁过程中涉及的知识点记为1，未涉及的知识点记为0，以状态变迁时间顺序构建状态转移矩阵。
6.根据权利要求5所述的基于知识图谱与个体能力的认知诊断状态机实现方法，其特征在于步骤S4中，引入LSTM模型，训练所述状态转移矩阵，步骤包括：
S4.1、将状态转移矩阵数据进行归一化处理，采用最大值最小值归一化处理方式，映射范围在[0,1]上；
S4.2、将归一化处理后的状态转移矩阵数据转换成有监督数据，包括当前数据前一时刻和下一时刻的数据；
S4.3、建立LSTM网络模型，经过训练输出被诊断对象的测试结果，正确为1，错误为0，将多个测试结果构成预测向量，其中，损失函数选择为mae，优化器算法选择adam。
7.根据权利要求1至6任一项所述的基于知识图谱与个体能力的认知诊断状态机实现方法，其特征在于，步骤S5进行认知诊断分析，通过不同标准的认知诊断问题知识结构，利用步骤S4中LSTM模型训练出的状态转移矩阵得到预测向量，以被诊断对象和不同标准的认知诊断问题知识结构做对比，利用相似度来分析被诊断对象对知识点的掌握程度及自身能力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311502701.0A CN117273130B (zh) | 2023-11-13 | 2023-11-13 | 一种基于知识图谱与个体能力的认知诊断状态机实现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311502701.0A CN117273130B (zh) | 2023-11-13 | 2023-11-13 | 一种基于知识图谱与个体能力的认知诊断状态机实现方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117273130A CN117273130A (zh) | 2023-12-22 |
| CN117273130B true CN117273130B (zh) | 2024-02-23 |
Family
ID=89216235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311502701.0A Active CN117273130B (zh) | 2023-11-13 | 2023-11-13 | 一种基于知识图谱与个体能力的认知诊断状态机实现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117273130B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109191345A (zh) * | 2018-09-17 | 2019-01-11 | 合肥工业大学 | 一种面向学生认知过程的认知诊断方法 |
| CN109325130A (zh) * | 2018-08-02 | 2019-02-12 | 华中师范大学 | 一种时序性认知诊断方法及装置 |
| CN109857835A (zh) * | 2018-12-28 | 2019-06-07 | 北京红山瑞达科技有限公司 | 一种基于认知诊断理论的自适应网络安全知识测评方法 |
| CN109902298A (zh) * | 2019-02-13 | 2019-06-18 | 东北师范大学 | 一种自适应学习系统中领域知识建模及知识水平估测方法 |
| CN110032651A (zh) * | 2019-04-18 | 2019-07-19 | 江苏师范大学 | 一种基于知识图谱的个性化学习特征模型的建构方法 |
| CN110264091A (zh) * | 2019-06-24 | 2019-09-20 | 中国科学技术大学 | 学生认知诊断方法 |
| CN110930274A (zh) * | 2019-12-02 | 2020-03-27 | 中山大学 | 一种基于认知诊断的实践效果评估及学习路径推荐系统和方法 |
| WO2020240534A1 (en) * | 2019-05-30 | 2020-12-03 | Acerar Ltd. | System and method for cognitive training and monitoring |
| CN114201684A (zh) * | 2021-12-15 | 2022-03-18 | 中山大学 | 一种基于知识图谱的自适应学习资源推荐方法及系统 |
| CN116521997A (zh) * | 2023-05-08 | 2023-08-01 | 东北大学 | 一种基于强化学习的个性化学习路径推荐方法 |
| CN117033638A (zh) * | 2023-08-23 | 2023-11-10 | 南京信息工程大学 | 一种基于脑电eeg认知对齐知识图谱的文本情感分类方法 |
-
2023
- 2023-11-13 CN CN202311502701.0A patent/CN117273130B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325130A (zh) * | 2018-08-02 | 2019-02-12 | 华中师范大学 | 一种时序性认知诊断方法及装置 |
| CN109191345A (zh) * | 2018-09-17 | 2019-01-11 | 合肥工业大学 | 一种面向学生认知过程的认知诊断方法 |
| CN109857835A (zh) * | 2018-12-28 | 2019-06-07 | 北京红山瑞达科技有限公司 | 一种基于认知诊断理论的自适应网络安全知识测评方法 |
| CN109902298A (zh) * | 2019-02-13 | 2019-06-18 | 东北师范大学 | 一种自适应学习系统中领域知识建模及知识水平估测方法 |
| CN110032651A (zh) * | 2019-04-18 | 2019-07-19 | 江苏师范大学 | 一种基于知识图谱的个性化学习特征模型的建构方法 |
| WO2020240534A1 (en) * | 2019-05-30 | 2020-12-03 | Acerar Ltd. | System and method for cognitive training and monitoring |
| CN110264091A (zh) * | 2019-06-24 | 2019-09-20 | 中国科学技术大学 | 学生认知诊断方法 |
| CN110930274A (zh) * | 2019-12-02 | 2020-03-27 | 中山大学 | 一种基于认知诊断的实践效果评估及学习路径推荐系统和方法 |
| CN114201684A (zh) * | 2021-12-15 | 2022-03-18 | 中山大学 | 一种基于知识图谱的自适应学习资源推荐方法及系统 |
| CN116521997A (zh) * | 2023-05-08 | 2023-08-01 | 东北大学 | 一种基于强化学习的个性化学习路径推荐方法 |
| CN117033638A (zh) * | 2023-08-23 | 2023-11-10 | 南京信息工程大学 | 一种基于脑电eeg认知对齐知识图谱的文本情感分类方法 |
Non-Patent Citations (7)
| Title |
|---|
| An Explainable Educational Resource Recommendation Model Based on Matrix Factorization;Xiaolin Gui等;《2021 7th IEEE International Conference on Network Intelligence and Digital Content (IC-NIDC)》;354-358 * |
| Chenyang Bu等.Probabilistic model with evolutionary optimization for cognitive diagnosis.《GECCO '23: Proceedings of the Genetic and Evolutionary Computation Conference》.2023,891–899. * |
| Technological Knowledge Flow Forecasting through A Hierarchical Interactive Graph Neural Network;Huijie Liu等;《2021 IEEE International Conference on Data Mining (ICDM)》;389-398 * |
| 基于知识图谱的报文故障分析与检索;嵇文路等;《应用科学学报》;第41卷(第3期);378-390 * |
| 基于知识图谱的认知诊断模型及其在教辅中的应用研究;黄梅根等;《计算机科学》;第48卷(第S1期);644-648 * |
| 基于语境概念核心词提取算法研究;石进等;《情报学报》;第38卷(第11期);1177-1186 * |
| 新工科背景下的理论+实验类课程授课模式改革探索;秦岩丁等;《计算机教育》(第11期);27-32 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117273130A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| González-Brenes et al. | General features in knowledge tracing to model multiple subskills, temporal item response theory, and expert knowledge | |
| CN112529155B (zh) | 动态知识掌握建模方法、建模系统、存储介质及处理终端 | |
| CN108229718A (zh) | 一种信息预测方法及装置 | |
| CN111538868A (zh) | 知识追踪方法及习题推荐方法 | |
| CN109947918A (zh) | 面向智能客服对话场景的语义分析方法 | |
| CN111123894B (zh) | 一种基于lstm和mlp结合的化工过程故障诊断方法 | |
| CN110377707B (zh) | 基于深度项目反应理论的认知诊断方法 | |
| CN114254127A (zh) | 学生能力画像方法、学习资源推荐方法及装置 | |
| CN113591988B (zh) | 知识认知结构分析方法、系统、计算机设备、介质、终端 | |
| 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 | |
| CN113947262A (zh) | 基于异构图学习融合学习参与状态的知识追踪方法 | |
| CN117473041A (zh) | 一种基于认知策略的编程知识追踪方法 | |
| CN114971066A (zh) | 融合遗忘因素和学习能力的知识追踪方法及系统 | |
| Hagedoorn et al. | Massive open online courses temporal profiling for dropout prediction | |
| Liu et al. | A probabilistic generative model for tracking multi-knowledge concept mastery probability | |
| CN117273130B (zh) | 一种基于知识图谱与个体能力的认知诊断状态机实现方法 | |
| CN116777695A (zh) | 融合项目反应的时序卷积知识追踪方法 | |
| CN116402134A (zh) | 基于行为感知的知识追踪方法及系统 | |
| CN114117033B (zh) | 知识追踪方法及系统 | |
| CN112766513B (zh) | 一种记忆协同的知识追踪方法及系统 | |
| 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 | |
| Gu et al. | Dynamic Key-Value Memory Networks based on Concept Structure for Knowledge Tracing | |
| Pu et al. | EAKT: Embedding Cognitive Framework with Attention for Interpretable Knowledge Tracing | |
| CN117132003B (zh) | 一种基于自训练-半监督学习的在线学习平台学生学业表现的早预测办法 | |
| 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |