CN117390091A - 一种教育元宇宙中的知识追踪方法及终端 - Google Patents

一种教育元宇宙中的知识追踪方法及终端 Download PDF

Info

Publication number
CN117390091A
CN117390091A CN202311704691.9A CN202311704691A CN117390091A CN 117390091 A CN117390091 A CN 117390091A CN 202311704691 A CN202311704691 A CN 202311704691A CN 117390091 A CN117390091 A CN 117390091A
Authority
CN
China
Prior art keywords
knowledge
learner
learning
feature vector
context
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
CN202311704691.9A
Other languages
English (en)
Other versions
CN117390091B (zh
Inventor
刘德建
钟正
徐建
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.)
Central China Normal University
Fujian TQ Digital Co Ltd
Original Assignee
Central China Normal University
Fujian TQ Digital 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 Central China Normal University, Fujian TQ Digital Co Ltd filed Critical Central China Normal University
Priority to CN202311704691.9A priority Critical patent/CN117390091B/zh
Publication of CN117390091A publication Critical patent/CN117390091A/zh
Application granted granted Critical
Publication of CN117390091B publication Critical patent/CN117390091B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06F16/26—Visual data mining; Browsing structured data
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G06F16/287—Visualization; Browsing
    • 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)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种教育元宇宙中的知识追踪方法及终端，基于学习者与目标个性化知识情境链中虚拟教学资源的交互行为数据生成学习交互序列，对采集的学习者在目标个性化知识情境链中的作答数据进行清洗，根据学习交互序列、清洗后的作答数据和题目序列生成作答特征向量，基于作答特征向量提取能力状态向量和学习状态向量，并基于二者使用集成知识追踪模型，得到学习者对目标个性化知识情境链的掌握情况，能够更好地与学习交互序列和题目序列匹配生成作答特征向量，且利用集成知识追踪模型挖掘学习者能力水平和学习状态之间的潜在关系，增强了模型鲁棒性，从而更有效且全面地分析和呈现教育元宇宙中学习者掌握知识的能力水平。

Description

一种教育元宇宙中的知识追踪方法及终端
技术领域
本发明涉及元宇宙的教学应用技术领域，尤其涉及一种教育元宇宙中的知识追踪方法及终端。
背景技术
随着人工智能的应用范式从机器学习、深度学习转向通用大模型，知识图谱已广泛应用于多种教学场景，成为智能化技术赋能个性化教学的有效手段。
通过建模学习者在教育元宇宙场景中操作、作答试题的历史轨迹和结果，知识追踪技术可以辅助分析学习者在学习过程中知识状态的变化。根据学习者在特定情境下的学习交互行为，追踪学习者知识掌握状态。这为教育元宇宙的学习效果评价开辟新的应用路径，成为构筑教育元宇宙生态系统的新焦点。因此，引入知识追踪技术，采用深度学习、知识建模和数据挖掘等技术建模学习者在情境下的学习行为序列，并提取、融合学习者能力状态与学习行为状态特征，集成知识追踪模型，输出学习者在知识情境链下的知识掌握情况，可全面分析和呈现教育元宇宙中学习者掌握知识的能力水平，协助学习者更好地掌握知识情境，并为其推荐个性化的知识情境，在未来教育中具有广泛的应用前景。
而当前在教育元宇宙中应用的知识追踪还存在诸多的问题：
（1）知识情境链生成未充分考虑学习者个性化信息：目前知识情境链的生成仅注重丰富性和多样性，并未提供适应不同差异学习者需求的包容性学习支持；
（2）学习与知识状态特征融合存在信息冗余：由于学习交互序列未经过清洗处理，导致数据不匹配的问题，并且直接融合这些不匹配的学习与知识状态特征，难以获取到学习与知识状态相关性的特征；
（3）单一知识追踪模型欠拟合，鲁棒性较差：单一知识追踪模型无法捕捉复杂数据关系，造成模型难以拟合，对噪声和异常值比较敏感，导致预测学习者掌握知识状态的性能下降。
发明内容
本发明所要解决的技术问题是：提供一种教育元宇宙中的知识追踪方法及终端，能够更有效且全面地分析和呈现教育元宇宙中学习者掌握知识的能力水平。
为了解决上述技术问题，本发明采用的技术方案为：
一种教育元宇宙中的知识追踪方法，包括步骤：
采集学习者与目标个性化知识情境链中虚拟教学资源的交互行为数据，并基于所述交互行为数据生成学习交互序列，所述目标个性化知识情境链为所述学习者当前访问的个性化知识情境链；
采集所述学习者在所述目标个性化知识情境链中的作答数据，并对所述作答数据进行清洗，得到清洗后的作答数据；
基于所述目标个性化知识情境链从预设的知识情境库中获取题目序列，并根据所述学习交互序列、所述清洗后的作答数据和所述题目序列生成所述学习者的作答特征向量；
基于所述作答特征向量提取所述学习者在知识情境下的能力状态向量和学习状态向量，并基于所述能力状态向量和所述学习状态向量使用构建完成的集成知识追踪模型，得到所述学习者对所述目标个性化知识情境链的掌握情况；
所述基于所述能力状态向量和所述学习状态向量使用构建完成的集成知识追踪模型，得到所述学习者对所述目标个性化知识情境链的掌握情况包括：
融合所述能力状态向量和所述学习状态向量得到所述学习者的综合状态特征；
依次使用超图卷积神经网络和有向图卷积神经网络从所述综合状态特征中提取能力状态和学习状态之间的指导关系、需求关系、影响关系、反馈关系和协同关联关系；
采用多注意力层提取所述指导关系、需求关系、影响关系、反馈关系和协同关联关系中所述学习者掌握知识情境的潜在能力向量；
将所述潜在能力向量输入至构建完成的集成知识追踪模型，并分别获取所述学习者在所述目标个性化知识情境链中的元认知能力特征向量、学习风格特征向量、学习策略特征向量、情感态度特征向量和知识技能特征向量；
在所述集成知识追踪模型中拼接所述元认知能力特征向量、学习风格特征向量、学习策略特征向量、情感态度特征向量和知识技能特征向量，得到拼接向量，并依次使用主成分分析算法和Sigmoid激活层处理所述拼接向量，输出所述学习者对所述目标个性化知识情境链中的每个知识情境的知识掌握概率值；
确定与所述知识掌握概率值对应的掌握类别，并确定所述掌握类别的类别标签；
统计所述目标个性化知识情境链下的所有类别标签，并将频数最大的类别标签确定为所述学习者对所述目标个性化知识情境链的掌握情况。
为了解决上述技术问题，本发明采用的另一种技术方案为：
一种教育元宇宙中的知识追踪终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
采集学习者与目标个性化知识情境链中虚拟教学资源的交互行为数据，并基于所述交互行为数据生成学习交互序列，所述目标个性化知识情境链为所述学习者当前访问的个性化知识情境链；
采集所述学习者在所述目标个性化知识情境链中的作答数据，并对所述作答数据进行清洗，得到清洗后的作答数据；
基于所述目标个性化知识情境链从预设的知识情境库中获取题目序列，并根据所述学习交互序列、所述清洗后的作答数据和所述题目序列生成所述学习者的作答特征向量；
基于所述作答特征向量提取所述学习者在知识情境下的能力状态向量和学习状态向量，并基于所述能力状态向量和所述学习状态向量使用构建完成的集成知识追踪模型，得到所述学习者对所述目标个性化知识情境链的掌握情况；
所述基于所述能力状态向量和所述学习状态向量使用构建完成的集成知识追踪模型，得到所述学习者对所述目标个性化知识情境链的掌握情况包括：
融合所述能力状态向量和所述学习状态向量得到所述学习者的综合状态特征；
依次使用超图卷积神经网络和有向图卷积神经网络从所述综合状态特征中提取能力状态和学习状态之间的指导关系、需求关系、影响关系、反馈关系和协同关联关系；
采用多注意力层提取所述指导关系、需求关系、影响关系、反馈关系和协同关联关系中所述学习者掌握知识情境的潜在能力向量；
将所述潜在能力向量输入至构建完成的集成知识追踪模型，并分别获取所述学习者在所述目标个性化知识情境链中的元认知能力特征向量、学习风格特征向量、学习策略特征向量、情感态度特征向量和知识技能特征向量；
在所述集成知识追踪模型中拼接所述元认知能力特征向量、学习风格特征向量、学习策略特征向量、情感态度特征向量和知识技能特征向量，得到拼接向量，并依次使用主成分分析算法和Sigmoid激活层处理所述拼接向量，输出所述学习者对所述目标个性化知识情境链中的每个知识情境的知识掌握概率值；
确定与所述知识掌握概率值对应的掌握类别，并确定所述掌握类别的类别标签；
统计所述目标个性化知识情境链下的所有类别标签，并将频数最大的类别标签确定为所述学习者对所述目标个性化知识情境链的掌握情况。
本发明的有益效果在于：基于学习者与目标个性化知识情境链中虚拟教学资源的交互行为数据生成学习交互序列，对采集的学习者在目标个性化知识情境链中的作答数据进行清洗，根据学习交互序列、清洗后的作答数据和题目序列生成作答特征向量，基于作答特征向量提取能力状态向量和学习状态向量，并基于二者使用集成知识追踪模型，得到学习者对目标个性化知识情境链的掌握情况，以此通过对作答数据进行清洗能够更好地与学习交互序列和题目序列匹配生成作答特征向量，且不再使用单一知识追踪模型，而是利用集成知识追踪模型挖掘学习者能力水平和学习状态之间的潜在关系，增强了模型鲁棒性，从而更有效且全面地分析和呈现教育元宇宙中学习者掌握知识的能力水平。
附图说明
图1为本发明实施例的一种教育元宇宙中的知识追踪方法的步骤流程图；
图2为本发明实施例的一种教育元宇宙中的知识追踪终端的结构示意图；
图3为本发明实施例的教育元宇宙中的知识追踪方法中的知识情境描述框架图；
图4为本发明实施例的教育元宇宙中的知识追踪方法中的分支网络示意图；
图5为本发明实施例的教育元宇宙中的知识追踪方法中的残差网络结构示意图；
图6为本发明实施例的教育元宇宙中的知识追踪方法中的集成知识追踪模型示意图；
图7为本发明实施例的教育元宇宙中的知识追踪方法中的知识情境追踪过程矩阵示意图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
请参照图1，一种教育元宇宙中的知识追踪方法，包括步骤：
采集学习者与目标个性化知识情境链中虚拟教学资源的交互行为数据，并基于所述交互行为数据生成学习交互序列，所述目标个性化知识情境链为所述学习者当前访问的个性化知识情境链；
采集所述学习者在所述目标个性化知识情境链中的作答数据，并对所述作答数据进行清洗，得到清洗后的作答数据；
基于所述目标个性化知识情境链从预设的知识情境库中获取题目序列，并根据所述学习交互序列、所述清洗后的作答数据和所述题目序列生成所述学习者的作答特征向量；
基于所述作答特征向量提取所述学习者在知识情境下的能力状态向量和学习状态向量，并基于所述能力状态向量和所述学习状态向量使用构建完成的集成知识追踪模型，得到所述学习者对所述目标个性化知识情境链的掌握情况。
从上述描述可知，本发明的有益效果在于：基于学习者与目标个性化知识情境链中虚拟教学资源的交互行为数据生成学习交互序列，对采集的学习者在目标个性化知识情境链中的作答数据进行清洗，根据学习交互序列、清洗后的作答数据和题目序列生成作答特征向量，基于作答特征向量提取能力状态向量和学习状态向量，并基于二者使用集成知识追踪模型，得到学习者对目标个性化知识情境链的掌握情况，以此通过对作答数据进行清洗能够更好地与学习交互序列和题目序列匹配生成作答特征向量，且不再使用单一知识追踪模型，而是利用集成知识追踪模型挖掘学习者能力水平和学习状态之间的潜在关系，增强了模型鲁棒性，从而更有效且全面地分析和呈现教育元宇宙中学习者掌握知识的能力水平。
进一步地，所述采集学习者与目标个性化知识情境链中虚拟教学资源的交互行为数据之前，还包括：
将教育元宇宙中关于知识的情境划分为不同类型的情境；
使用句法分析和语义角色标注算法从所述不同类型的情境中提取领域知识、操作性知识、知识的定义、知识相互依赖关系和知识转换关系；
将学习任务和达成所述学习任务所采纳的方法分别作为节点和属性，结合所述领域知识和所述操作性知识，生成知识情境描述框架，所述知识情境描述框架包括任务、实例和方法；
定义所述任务为知识情境、所述实例为应用性知识以及所述方法为实践性知识，并根据所述知识的定义、所述知识相互依赖关系和所述知识转换关系关联所述任务、所述方法和所述实例构建任务导向的知识情境概念图；
获取所述任务导向的知识情境概念图中所有虚拟场景的教学资源，并根据所述教学资源和所述任务导向的知识情境概念图构建预设的知识情境库；
根据所述预设的知识情境库生成同一任务的不同知识情境链；
获取虚拟教学场景中所述学习者的画像标签体系，并根据所述画像标签体系采用协同过滤算法从所述预设的知识情境库中确定所述学习者偏爱的知识情境链以及与所述偏爱的知识情境链对应的喜好程度；
根据所述喜好程度使用启发式算法排序所述偏爱的知识情境链，得到排序后的知识情境链，并从所述排序后的知识情境链中选择前预设个数的知识情境链作为所述学习者的个性化知识情境链。
由上述描述可知，根据教学资源和任务导向的知识情境概念图构建预设的知识情境库，然后根据学习者的画像标签体系采用协同过滤算法从预设的知识情境库中确定学习者偏爱的知识情境链，以生成个性化知识情境链，能够充分考虑学习者的个性化信息，适应不同差异学习者需求的包容性学习支持，后续知识追踪时，能够更有效且全面地分析和呈现教育元宇宙中学习者掌握知识的能力水平。
进一步地，所述基于所述交互行为数据生成学习交互序列包括：
使用递归神经网络推断所述交互行为数据中的交互操作；
采用循环神经网络捕捉所述交互操作中所述学习者的访问状态；
按照时间顺序拼接所述交互操作和所述访问状态，得到学习交互序列。
由上述描述可知，按照时间顺序拼接交互操作和访问状态，得到学习交互序列，能够有效快速地获取到学习者的学习情况。
进一步地，所述对所述作答数据进行清洗，得到清洗后的作答数据包括：
使用非空约束和数据类型检查操作检验并处理所述作答数据，并根据时间戳为所述作答数据添加序号作为作答题目编号；
采用k近邻算法填充所述作答数据中的缺失值，并使用离群点检测算法查找所述作答数据中的异常值，使用具有噪声的基于密度的聚类算法修正所述异常值，得到清洗后的作答数据。
由上述描述可知，通过数据检验、缺失值填充和异常值修正，能够有效地去除作答数据中的无效数据，提高了作答数据的可靠性，便于后续实现学习与知识状态特征的融合。
进一步地，所述基于所述作答特征向量提取所述学习者在知识情境下的能力状态向量和学习状态向量包括：
使用高斯分布随机初始化长期记忆矩阵，并采用多层感知机神经网络将所述作答特征向量写入所述长期记忆矩阵；
使用空洞卷积神经网络捕捉所述长期记忆矩阵中所述学习者的记忆向量，并采用残差网络结构拼接输入的所述作答特征向量和输出的所述记忆向量，得到所述学习者在当前知识情境下的能力状态向量；
分别使用径向基神经网络、霍普菲尔网络和前馈神经网络动态挖掘所述作答特征向量中所述学习者的任务完成度特征向量、技术熟练度特征向量和问题解决能力特征向量，并采用全局注意力神经网络拼接所述任务完成度特征向量、所述技术熟练度特征向量和所述问题解决能力特征向量；
根据拼接后的所述任务完成度特征向量、所述技术熟练度特征向量和所述问题解决能力特征向量使用线性判别降维算法得到学习状态向量。
由上述描述可知，使用空洞卷积神经网络、残差网络结构提取能力状态向量，使用径向基神经网络、霍普菲尔网络、前馈神经网络和全局注意力神经网络提取以及线性判别降维算法提取学习状态向量，从而获取学习者的学习状态信息和学习能力信息，有利于后续判断学习者对于知识的掌握程度。
进一步地，所述基于所述能力状态向量和所述学习状态向量使用构建完成的集成知识追踪模型，得到所述学习者对所述目标个性化知识情境链的掌握情况包括：
融合所述能力状态向量和所述学习状态向量得到所述学习者的综合状态特征；
依次使用超图卷积神经网络和有向图卷积神经网络从所述综合状态特征中提取能力状态和学习状态之间的指导关系、需求关系、影响关系、反馈关系和协同关联关系；
采用多注意力层提取所述指导关系、需求关系、影响关系、反馈关系和协同关联关系中所述学习者掌握知识情境的潜在能力向量；
将所述潜在能力向量输入至构建完成的集成知识追踪模型，并分别获取所述学习者在所述目标个性化知识情境链中的元认知能力特征向量、学习风格特征向量、学习策略特征向量、情感态度特征向量和知识技能特征向量；
在所述集成知识追踪模型中拼接所述元认知能力特征向量、学习风格特征向量、学习策略特征向量、情感态度特征向量和知识技能特征向量，得到拼接向量，并依次使用主成分分析算法和Sigmoid激活层处理所述拼接向量，输出所述学习者对所述目标个性化知识情境链中的每个知识情境的知识掌握概率值；
确定与所述知识掌握概率值对应的掌握类别，并确定所述掌握类别的类别标签；
统计所述目标个性化知识情境链下的所有类别标签，并将频数最大的类别标签确定为所述学习者对所述目标个性化知识情境链的掌握情况。
由上述描述可知，依次使用超图卷积神经网络和有向图卷积神经网络从综合状态特征中提取能力状态和学习状态之间的指导、需求、影响、反馈和协同关联关系，采用多注意力层提取上述不同关系中学习者掌握知识情境的潜在能力向量，然后将潜在能力向量输入至集成知识追踪模型，输出得到学习者对目标个性化知识情境链中的每个知识情境的知识掌握概率值，实现了更可靠准确地知识追踪。
进一步地，所述基于所述能力状态向量和所述学习状态向量使用构建完成的集成知识追踪模型，得到所述学习者对所述目标个性化知识情境链的掌握情况之前，还包括：
采用Boosting算法集成BKT模型、TLS-BKT模型、DKT模型、DKVMN和HMN模型，并按照学习率、丢弃率、卷积和尺寸超参数值为所述BKT模型、TLS-BKT模型、DKT模型、DKVMN和HMN模型分配不同的权重值，得到集成知识追踪模型。
由上述描述可知，集成BKT模型、TLS-BKT模型、DKT模型、DKVMN和HMN模型，最终得到集成知识追踪模型，能够有效捕捉复杂数据关系，更准确地预测学习者掌握知识状态。
进一步地，所述基于所述目标个性化知识情境链从预设的知识情境库中获取题目序列，并根据所述学习交互序列、所述清洗后的作答数据和所述题目序列生成所述学习者的作答特征向量包括：
从预设的知识情境库中获取与所述学习者当前访问的知识情境对应的知识情境三元组；
将所述知识情境三元组中所述知识情境和所述学习者操作虚拟教学资源的步骤作为题目内容及题目序号；
根据所述题目序号和所述题目内容使用隐马尔科夫模型建模，并采用维特比算法迭代输出题目序列；
根据所述题目序列使用尼德曼-温斯算法对齐并比对所述学习交互序列和题目序列，得到比对结果；
根据所述比对结果为所述清洗后的作答数据标记正确或错误的结果，并采用Embedding算法提取所述学习交互序列和所述题目序列之间的互动向量，经过嵌入层和全连接层，得到所述学习者的作答特征向量。
由上述描述可知，根据题目序列使用尼德曼-温斯算法对齐并比对学习交互序列和题目序列，根据比对结果为清洗后的作答数据标记正确或错误的结果，并采用Embedding算法提取学习交互序列和题目序列之间的互动向量，经过嵌入层和全连接层，得到学习者的作答特征向量，作答特征向量可以准确地反映学习者的作答情况，使得后续可追踪到学习者对于知识的掌握程度。
进一步地，所述基于所述能力状态向量和所述学习状态向量使用构建完成的集成知识追踪模型，得到所述学习者对所述目标个性化知识情境链的掌握情况之后，还包括：
根据所述学习者对所述目标个性化知识情境链中的每个知识情境的知识掌握概率值构建基于贝叶斯网络的概率图模型；
使用协同过滤推荐算法根据所述概率图模型，结合预设的知识情境库，计算所述学习者对不同知识情境的需求概率，并根据所述需求概率得到待推荐的知识情境；
将所述待推荐的知识情境推荐至所述学习者。
由上述描述可知，在了解到学习者对目标个性化知识情境链中的每个知识情境的知识掌握概率值后，可以根据其推荐适合学习者的知识情境，以便学习者进行新一轮的学习，从而达到更好的教学效果。
请参照图2，本发明另一实施例提供了一种教育元宇宙中的知识追踪终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述教育元宇宙中的知识追踪方法中的各个步骤。
本发明上述的教育元宇宙中的知识追踪方法及终端能够适用于对于学习者有知识追踪需求的教育元宇宙场景，以下通过具体实施方式进行说明：
请参照图1、图3-图7，本发明的实施例一为：
一种教育元宇宙中的知识追踪方法，包括步骤：
S1、将教育元宇宙中关于知识的情境划分为不同类型的情境；
具体的，根据高中物理、化学和生物等实验科学学科知识领域和主题，将教育元宇宙中关于知识的情境划分为符号类情境、模拟社会生活场景类情境、操作类情境和基于技术支持类情境。
其中，符号类情境指的是涉及到使用符号或标志来传达意义。例如，在日常生活中，使用交通信号灯来表示行驶状态（绿灯表示可以通行，红灯表示停止，黄灯表示警示）；在数学中，使用符号（如加号、减号、乘号等）来表示运算关系。
模拟社会生活场景类情境指的是通过模拟现实社会生活中的场景，帮助学习者了解和应对各种社会交往问题。例如，在角色扮演活动中，学习者可以模拟担任医生、教师、警察等职业，学会如何与患者、学生、市民沟通互动。
操作类情境侧重于培养学习者实际操作技能。例如，在实验室实践中，学习者可以学习如何使用实验器材、执行实验步骤、记录实验数据等；此外，还可以在各种实践活动中培养学习者的动手能力和实际操作技能，如编程、制图、烹饪等。
基于技术支持类情境指的是利用现代技术手段，为学习者提供丰富的学习资源和便利的学习环境。例如，在线教育平台让学习者可以随时随地学习，虚拟现实技术让学习者身临其境地体验各种场景，如探险、历史重现等。
S2、使用句法分析和语义角色标注算法从所述不同类型的情境中提取领域知识、操作性知识、知识的定义、知识相互依赖关系和知识转换关系。
S3、将学习任务和达成所述学习任务所采纳的方法分别作为节点和属性，结合所述领域知识和所述操作性知识，生成知识情境描述框架，所述知识情境描述框架包括任务、实例和方法；
比如，以“实验室制取CO2实验”为例，生成如图3所示的“任务-实例-方法”的知识情境描述框架。
具体来说，在实例节点中，结合所述领域知识，描述实验操作的具体过程、实验现象，为实例节点添加实验器材、实验试剂、实验操作顺序和实验现象属性，在方法节点中，融入操作性知识，描述实验过程中涉及的方法和技巧，为方法节点添加制取方法、收集方法和实验操作技巧属性。
S4、定义所述任务为知识情境、所述实例为应用性知识以及所述方法为实践性知识，并根据所述知识的定义、所述知识相互依赖关系和所述知识转换关系关联所述任务、所述方法和所述实例构建任务导向的知识情境概念图。
S5、获取所述任务导向的知识情境概念图中所有虚拟场景的教学资源，并根据所述教学资源和所述任务导向的知识情境概念图构建预设的知识情境库；
具体的，以“知识情境（任务）”-“虚拟教学资源（实例）”-“资源操作步骤（方法）”实体形成三元组，使用图神经网络建模所述三元组，捕捉实体之间的一对多关联关系、多对一关联关系和多对多关联关系，根据所述实体之间的一对多关联关系、多对一关联关系和多对多关联关系使用网结构组织三元组，构建预设的知识情境库。
假设定义知识情境（任务）为T、虚拟教学资源（实例）为I、资源操作步骤（方法）为M，则形成（Ti,（I1, I2,I3,..., Ij），（M1, M2, M3,..., Mk））三元组，其中i、j和k分别为知识情境编号、虚拟教学资源编号和资源操作步骤编号，延续上述例子：
T1：检验装置气密性；T2：向锥形瓶中加入药品；T3：收集气体；T4：整理试验台；T5：CO2的验满；
I1：长颈漏斗；I2：废液缸；I3：橡胶管；I4：集气瓶；
M1：将长颈漏斗插入橡胶塞；M2：观察气体在集气瓶中的收集情况；M3：长颈漏斗的下端管口应插入液面以下形成液封；M4：将实验中产生的气体通过橡胶管导入集气瓶中。
S6、根据所述预设的知识情境库生成同一任务的不同知识情境链；
具体的，根据学习任务和学习目标筛选所述预设的知识情境库中匹配条目，比如：T1、T2、T3、T4和T5，依据各个情境中虚拟教学场景、角色、场所和时间要素、前置条件和后置条件，使用关联规则挖掘算法推断候选知识情境之间的时间关联关系、空间关联关系、因果关联关系、层次关联关系、依赖关联关系、组合关联关系、影响关联关系、形式关联关系和主题关联关系；然后将每一知识情境看作节点，其前置条件和后置条件作为链接的锚点，使用图结构组织节点和知识情境的前置条件和后置条件之间的关系，并采用寻径算法串联相邻的知识情境，使用拓扑排序算法计算各个知识情境的先后次序，按照不同的先后次序生成同一任务的不同知识情境链；
延续上述例子，知识情境之间的各种关联关系如下：
T2和T5之间存在因果关系：T2会导致二氧化碳的产生，T5确认实验中产生的二氧化碳是否已达到阈值；
T2和T3之间存在层次关联：T2是二氧化碳生成的步骤，T3则是收集和储存实验中产生的二氧化碳；
T2和T4之间存在形式关联：T2是实验进行的前置条件之一，T4是提供合适的工作环境以开展实验操作；
T2和T1之间存在依赖关联：T1之前，需要先完成T2的步骤，确保实验环境中没有二氧化碳泄漏；
......
T4和T1之间存在影响关联：T4完成后，可提供合适的工作环境，有助于开展T1的检验操作。
生成的同一任务的不同知识情境链包括：T1-T2-T3-T4-T5，T2-T1-T5-T4-T3，T2-T1-T5-T4-T3，......，T5-T4-T3-T2-T1。
S7、获取虚拟教学场景中所述学习者的画像标签体系，并根据所述画像标签体系采用协同过滤算法从所述预设的知识情境库中确定所述学习者偏爱的知识情境链以及与所述偏爱的知识情境链对应的喜好程度。其中，所述学习者的画像标签体系如表1所示。
表1 虚拟教学场景中学习者的画像标签体系及对应的标签值
S8、根据所述喜好程度使用启发式算法排序所述偏爱的知识情境链，得到排序后的知识情境链，并从所述排序后的知识情境链中选择前预设个数的知识情境链作为所述学习者的个性化知识情境链。
其中，所述预设个数可根据实际情况进行设置，比如预设个数为3，则从所述排序后的知识情境链中选择前3个知识情境链作为个性化知识情境链。
S9、采集学习者与目标个性化知识情境链中虚拟教学资源的交互行为数据，并基于所述交互行为数据生成学习交互序列，所述目标个性化知识情境链为所述学习者当前访问的个性化知识情境链，具体包括S91-S94：
S91、采集学习者与目标个性化知识情境链中虚拟教学资源的交互行为数据；
具体的，利用交互事件监听器实时采集学习者与目标个性化知识情境链中虚拟教学资源的交互行为数据。
S92、使用递归神经网络推断所述交互行为数据中的交互操作；
在一种可选的实施方式中，所述交互操作包括拖拽、插入、连接、旋转、缩放和点击操作。
S93、采用循环神经网络捕捉所述交互操作中所述学习者的访问状态；
在一种可选的实施方式中，所述访问状态包括学习兴趣、情感和困惑程度。
比如，延续上述例子：
（1）获取所述学习者在知识情境T1下与虚拟教学资源I1和I3的交互行为数据；
（2）使用递归神经网络推断交互行为数据为拖拽、插入、旋转、缩放、点击和连接操作；
（3）提取特征向量：x=word2vec（w）；式中，w表示操作，x表示与操作对应的特征向量，word2vec表示词向量模型；
（4）按照时间顺序构造访问交互序列X={x1,x2,...xt,...,xn}，其中，n表示交互序列最大的时间步，t表示时间步的序号，xt表示时间步t的特征向量；
（5）采用下式计算正向隐藏状态H正={h1, h2,..., hn}和反向隐藏状态H反={h'1,h'2,..., h'n}；
；
；
式中，W表示输入权重，Wh表示正向隐藏状态权重，W'表示输出权重，W'h'表示反向隐藏状态权重，b表示偏置项，f1表示tanh激活函数，ht-1表示时间步t-1的正向隐藏状态，h't-1表示时间步t-1的反向隐藏状态；
（6）拼接正向隐藏状态和反向隐藏状态，形成双向隐藏状态H，将其作为学习者的访问状态。
S94、按照时间顺序拼接所述交互操作和所述访问状态，得到学习交互序列。
在一种可选的实施方式中，S91还包括：
采集所述学习者与目标个性化知识情境链中任一知识情境的访问行为指标，所述访问行为指标包括时间（开启时刻和退出时刻）、频次、学习时长和学习进度指标，使用所述学习者的标识符，将所述访问行为指标与所述学习者的其他信息关联；当学习者进入或退出其它情境时，采用用户行为追踪算法实时更新所述学习者的访问行为指标。
还包括S95、根据所述访问行为指标的层次结构使用多层嵌套结构组织、表示指标，并采用JSON格式记录和存储所述学习交互序列为数组对象，以所述学习者的标识符作为主键，以所述指标和所述数组对象作为属性，构造学习者在当前知识情境中的学习数据，并将所述学习数据上传、存储到云端数据库，便于后续查看了解。
S10、采集所述学习者在所述目标个性化知识情境链中的作答数据，并对所述作答数据进行清洗，得到清洗后的作答数据，具体包括S101-S103：
S101、采集所述学习者在所述目标个性化知识情境链中的作答数据。
S102、使用非空约束和数据类型检查操作检验并处理所述作答数据，并根据时间戳为所述作答数据添加序号作为作答题目编号；
具体的，使用对象关系映射框架解析所述作答数据，使用非空约束和数据类型检查操作检验并处理解析后的所述作答数据，并根据时间戳为所述作答数据添加序号作为作答题目编号。
S103、采用k近邻算法填充所述作答数据中的缺失值，并使用离群点检测算法查找所述作答数据中的异常值，使用具有噪声的基于密度的聚类算法修正所述异常值，得到清洗后的作答数据。
S11、基于所述目标个性化知识情境链从预设的知识情境库中获取题目序列，并根据所述学习交互序列、所述清洗后的作答数据和所述题目序列生成所述学习者的作答特征向量，具体包括S111-S115：
S111、从预设的知识情境库中获取与所述学习者当前访问的知识情境对应的知识情境三元组。
S112、将所述知识情境三元组中所述知识情境和所述学习者操作虚拟教学资源的步骤作为题目内容及题目序号。
S113、根据所述题目序号和所述题目内容使用隐马尔科夫模型建模，并采用维特比算法迭代输出题目序列。
比如，学习者当前访问的知识情境为T3，则：
（1）获取题目内容和题目序号分别为（Z2,Z4,Z3）和（1,2,3）；
（2）定义知识情境T3下的虚拟教学资源为观测状态{I4,I3,I1}；
（3）将虚拟教学资源的步骤定义为隐状态{Q2,Q4,Q3}；
（4）概率分布矩阵π、隐含状态转移矩阵A和观测状态转移矩阵B如下式所示：
；
（5）计算各个隐状态的概率值：
；
式中，j表示观测状态编号，i表示隐状态编号，j={4,3,1}，i={2,4,3}；
（6）按照概率值大小排序隐状态为{Q3,Q4,Q2}，输出对应题目序号为{3,2,1}。
S114、根据所述题目序列使用尼德曼-温斯算法对齐并比对所述学习交互序列和题目序列，得到比对结果。
S115、根据所述比对结果为所述清洗后的作答数据标记正确或错误的结果，并采用Embedding算法提取所述学习交互序列和所述题目序列之间的互动向量，经过嵌入层和全连接层，得到所述学习者的作答特征向量。
S12、基于所述作答特征向量提取所述学习者在知识情境下的能力状态向量和学习状态向量，并基于所述能力状态向量和所述学习状态向量使用构建完成的集成知识追踪模型，得到所述学习者对所述目标个性化知识情境链的掌握情况，具体包括S121-S1212：
S121、使用高斯分布随机初始化长期记忆矩阵，并采用多层感知机神经网络将所述作答特征向量写入所述长期记忆矩阵。
S122、使用空洞卷积神经网络捕捉所述长期记忆矩阵中所述学习者的记忆向量，并采用残差网络结构拼接输入的所述作答特征向量和输出的所述记忆向量，得到所述学习者在当前知识情境下的能力状态向量。
其中，所述残差网络结构如图5所示。
S123、分别使用径向基神经网络、霍普菲尔网络和前馈神经网络动态挖掘所述作答特征向量中所述学习者的任务完成度特征向量、技术熟练度特征向量和问题解决能力特征向量，并采用全局注意力神经网络拼接所述任务完成度特征向量、所述技术熟练度特征向量和所述问题解决能力特征向量，具体包括：
（1）定义学习者的任务完成度特征向量、技术熟练度特征向量、问题解决能力特征向量分别为t1、t2和t3；
（2）计算特征向量注意力权重ai：
；
式中，ti表示第i个特征向量，g表示softmax激活函数，f2表示核函数，w表示权重参数；
（3）计算加权特征向量z：
；
（4）将加权特征向量作为拼接后的任务完成度特征向量、技术熟练度特征向量、问题解决能力特征向量。
S124、根据拼接后的所述任务完成度特征向量、所述技术熟练度特征向量和所述问题解决能力特征向量使用线性判别降维算法得到学习状态向量。
S125、采用Boosting算法集成贝叶斯知识追踪模型（Bayesian KnowledgeTracing，BKT）、三学习状态知识追踪模型（Three Learning States BKT，TLS-BKT）、深度知识追踪模型（Deep Knowledge Tracing，DKT）、动态键值记忆网络（Dynamic Key-ValueMemory Networks，DKVMN）和分层记忆网络（Hierarchical Memory Network，HMN）知识追踪模型，并按照学习率、丢弃率、卷积和尺寸超参数值为所述贝叶斯知识追踪模型、所述三学习状态知识追踪模型、深度知识追踪模型、动态键值记忆网络和所述分层记忆网络知识追踪模型分配不同的权重值，得到集成知识追踪模型。
具体的，按照学习率、丢弃率、卷积和尺寸超参数值为所述贝叶斯知识追踪模型、所述三学习状态知识追踪模型、深度知识追踪模型、动态键值记忆网络和所述分层记忆网络知识追踪模型分配不同的权重值，同时结合用于描述学习者知识水平变化情况的读机制和更新学习者知识点掌握状态的写机制，得到集成知识追踪模型。
其中，所述集成知识追踪模型如图6所示，W1~W5分别为BKT、TLS-BKT、DKT、DKVMN和HMN模型权重参数。
S126、融合所述能力状态向量和所述学习状态向量得到所述学习者的综合状态特征；
具体的，使用层次分析算法计算所述学习者的所述能力状态向量和所述学习状态向量的权重值，加权所述权重值，并根据加权后的权重值赋予所述能力向量和所述学习状态向量的比重，使用分支网络融合赋权后的所述能力状态向量和所述学习状态向量，经过主干网络、互相关层、Transform层、批归一化层和全连接层，得到适合所述学习者的综合状态特征。
其中，所述分支网络如图4所示，图4中401部分为累计学习模块，fc和fr表示特征向量，wc和wr表示可训练权重参数，α和分别表示自适应权衡参数和输出概率分布。
S127、依次使用超图卷积神经网络和有向图卷积神经网络从所述综合状态特征中提取能力状态和学习状态之间的指导关系、需求关系、影响关系、反馈关系和协同关联关系。
S128、采用多注意力层提取所述指导关系、需求关系、影响关系、反馈关系和协同关联关系中所述学习者掌握知识情境的潜在能力向量。
在一种可选的实施方式中，所述潜在能力向量包括高度、适度、一般和微弱四个能力层次。
S129、将所述潜在能力向量输入至构建完成的集成知识追踪模型，并分别获取所述学习者在所述目标个性化知识情境链中的元认知能力特征向量、学习风格特征向量、学习策略特征向量、情感态度特征向量和知识技能特征向量。
S1210、在所述集成知识追踪模型中拼接所述元认知能力特征向量、学习风格特征向量、学习策略特征向量、情感态度特征向量和知识技能特征向量，得到拼接向量，并依次使用主成分分析算法和Sigmoid激活层处理所述拼接向量，输出所述学习者对所述目标个性化知识情境链中的每个知识情境的知识掌握概率值，具体包括：
（1）定义元认知能力特征向量、学习风格特征向量、学习策略特征向量、情感态度特征向量和知识技能特征向量分别为v1，v2，v3，v4，v5；
（2）按照竖直方向拼接上述特征向量构造特征矩阵N：
；
（3）计算特征矩阵N的协方差矩阵C：
；
式中，NT表示特征矩阵N的转置，m表示特征向量的个数；
（4）计算协方差矩阵的特征向量A：
A=N×Λ×N-1；
式中，Λ表示对角矩阵。
（5）获取转换后的特征向量Y：
Y=AT×N；
（6）使用激活层计算知识掌握概率值p：
；
（7）输出所述学习者对所述目标个性化知识情境链中的每个知识情境的知识掌握概率值。
S1211、确定与所述知识掌握概率值对应的掌握类别，并确定所述掌握类别的类别标签；
在一种可选的实施方式中，所述掌握类别包括完全不掌握、初步了解、有限掌握、熟练掌握和精通掌握。
S1212、统计所述目标个性化知识情境链下的所有类别标签，并将频数最大的类别标签确定为所述学习者对所述目标个性化知识情境链的掌握情况。
在一种可选的实施方式中，S1212之后还包括：
S1213、使用雷达图形对所述学习者对所述目标个性化知识情境链的掌握情况进行可视化展示；
具体的，将目标个性化知识情境链和访问次数分别作为列标签和行标签，将所述掌握情况作为元素值，构造知识情境追踪过程矩阵，以表示知识情境掌握程度，所述知识情境追踪过程矩阵如图7所示。
S13、根据所述学习者对所述目标个性化知识情境链中的每个知识情境的知识掌握概率值构建基于贝叶斯网络的概率图模型。
S14、使用协同过滤推荐算法根据所述概率图模型，结合预设的知识情境库，计算所述学习者对不同知识情境的需求概率，并根据所述需求概率得到待推荐的知识情境。
S15、将所述待推荐的知识情境推荐至所述学习者。
请参照图2，本发明的实施例二为：
一种教育元宇宙中的知识追踪终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例一中的教育元宇宙中的知识追踪方法中的各个步骤。
综上所述，本发明提供的一种教育元宇宙中的知识追踪方法及终端，基于学习者与目标个性化知识情境链中虚拟教学资源的交互行为数据生成学习交互序列，对采集的学习者在目标个性化知识情境链中的作答数据进行清洗，根据学习交互序列、清洗后的作答数据和题目序列生成作答特征向量，基于作答特征向量提取能力状态向量和学习状态向量，并基于二者使用集成知识追踪模型，得到学习者对目标个性化知识情境链的掌握情况，以此通过对作答数据进行清洗能够更好地与学习交互序列和题目序列匹配生成作答特征向量，且不再使用单一知识追踪模型，而是利用集成知识追踪模型挖掘学习者能力水平和学习状态之间的潜在关系，增强了模型鲁棒性，从而更有效且全面地分析和呈现教育元宇宙中学习者掌握知识的能力水平；另外，根据教学资源和任务导向的知识情境概念图构建预设的知识情境库，然后根据学习者的画像标签体系采用协同过滤算法从预设的知识情境库中确定学习者偏爱的知识情境链，以生成个性化知识情境链，能够充分考虑学习者的个性化信息，适应不同差异学习者需求的包容性学习支持，后续知识追踪时，能够更有效且全面地分析和呈现教育元宇宙中学习者掌握知识的能力水平。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种教育元宇宙中的知识追踪方法，其特征在于，包括步骤：
采集学习者与目标个性化知识情境链中虚拟教学资源的交互行为数据，并基于所述交互行为数据生成学习交互序列，所述目标个性化知识情境链为所述学习者当前访问的个性化知识情境链；
采集所述学习者在所述目标个性化知识情境链中的作答数据，并对所述作答数据进行清洗，得到清洗后的作答数据；
基于所述目标个性化知识情境链从预设的知识情境库中获取题目序列，并根据所述学习交互序列、所述清洗后的作答数据和所述题目序列生成所述学习者的作答特征向量；
基于所述作答特征向量提取所述学习者在知识情境下的能力状态向量和学习状态向量，并基于所述能力状态向量和所述学习状态向量使用构建完成的集成知识追踪模型，得到所述学习者对所述目标个性化知识情境链的掌握情况；
所述基于所述能力状态向量和所述学习状态向量使用构建完成的集成知识追踪模型，得到所述学习者对所述目标个性化知识情境链的掌握情况包括：
融合所述能力状态向量和所述学习状态向量得到所述学习者的综合状态特征；
依次使用超图卷积神经网络和有向图卷积神经网络从所述综合状态特征中提取能力状态和学习状态之间的指导关系、需求关系、影响关系、反馈关系和协同关联关系；
采用多注意力层提取所述指导关系、需求关系、影响关系、反馈关系和协同关联关系中所述学习者掌握知识情境的潜在能力向量；
将所述潜在能力向量输入至构建完成的集成知识追踪模型，并分别获取所述学习者在所述目标个性化知识情境链中的元认知能力特征向量、学习风格特征向量、学习策略特征向量、情感态度特征向量和知识技能特征向量；
在所述集成知识追踪模型中拼接所述元认知能力特征向量、学习风格特征向量、学习策略特征向量、情感态度特征向量和知识技能特征向量，得到拼接向量，并依次使用主成分分析算法和Sigmoid激活层处理所述拼接向量，输出所述学习者对所述目标个性化知识情境链中的每个知识情境的知识掌握概率值；
确定与所述知识掌握概率值对应的掌握类别，并确定所述掌握类别的类别标签；
统计所述目标个性化知识情境链下的所有类别标签，并将频数最大的类别标签确定为所述学习者对所述目标个性化知识情境链的掌握情况。
2.根据权利要求1所述的教育元宇宙中的知识追踪方法，其特征在于，所述采集学习者与目标个性化知识情境链中虚拟教学资源的交互行为数据之前，还包括：
将教育元宇宙中关于知识的情境划分为不同类型的情境；
使用句法分析和语义角色标注算法从所述不同类型的情境中提取领域知识、操作性知识、知识的定义、知识相互依赖关系和知识转换关系；
将学习任务和达成所述学习任务所采纳的方法分别作为节点和属性，结合所述领域知识和所述操作性知识，生成知识情境描述框架，所述知识情境描述框架包括任务、实例和方法；
定义所述任务为知识情境、所述实例为应用性知识以及所述方法为实践性知识，并根据所述知识的定义、所述知识相互依赖关系和所述知识转换关系关联所述任务、所述方法和所述实例构建任务导向的知识情境概念图；
获取所述任务导向的知识情境概念图中所有虚拟场景的教学资源，并根据所述教学资源和所述任务导向的知识情境概念图构建预设的知识情境库；
根据所述预设的知识情境库生成同一任务的不同知识情境链；
获取虚拟教学场景中所述学习者的画像标签体系，并根据所述画像标签体系采用协同过滤算法从所述预设的知识情境库中确定所述学习者偏爱的知识情境链以及与所述偏爱的知识情境链对应的喜好程度；
根据所述喜好程度使用启发式算法排序所述偏爱的知识情境链，得到排序后的知识情境链，并从所述排序后的知识情境链中选择前预设个数的知识情境链作为所述学习者的个性化知识情境链。
3.根据权利要求1所述的教育元宇宙中的知识追踪方法，其特征在于，所述基于所述交互行为数据生成学习交互序列包括：
使用递归神经网络推断所述交互行为数据中的交互操作；
采用循环神经网络捕捉所述交互操作中所述学习者的访问状态；
按照时间顺序拼接所述交互操作和所述访问状态，得到学习交互序列。
4.根据权利要求1所述的教育元宇宙中的知识追踪方法，其特征在于，所述对所述作答数据进行清洗，得到清洗后的作答数据包括：
使用非空约束和数据类型检查操作检验并处理所述作答数据，并根据时间戳为所述作答数据添加序号作为作答题目编号；
采用k近邻算法填充所述作答数据中的缺失值，并使用离群点检测算法查找所述作答数据中的异常值，使用具有噪声的基于密度的聚类算法修正所述异常值，得到清洗后的作答数据。
5.根据权利要求1所述的教育元宇宙中的知识追踪方法，其特征在于，所述基于所述作答特征向量提取所述学习者在知识情境下的能力状态向量和学习状态向量包括：
使用高斯分布随机初始化长期记忆矩阵，并采用多层感知机神经网络将所述作答特征向量写入所述长期记忆矩阵；
使用空洞卷积神经网络捕捉所述长期记忆矩阵中所述学习者的记忆向量，并采用残差网络结构拼接输入的所述作答特征向量和输出的所述记忆向量，得到所述学习者在当前知识情境下的能力状态向量；
分别使用径向基神经网络、霍普菲尔网络和前馈神经网络动态挖掘所述作答特征向量中所述学习者的任务完成度特征向量、技术熟练度特征向量和问题解决能力特征向量，并采用全局注意力神经网络拼接所述任务完成度特征向量、所述技术熟练度特征向量和所述问题解决能力特征向量；
根据拼接后的所述任务完成度特征向量、所述技术熟练度特征向量和所述问题解决能力特征向量使用线性判别降维算法得到学习状态向量。
6.根据权利要求1所述的教育元宇宙中的知识追踪方法，其特征在于，所述基于所述能力状态向量和所述学习状态向量使用构建完成的集成知识追踪模型，得到所述学习者对所述目标个性化知识情境链的掌握情况之前，还包括：
采用Boosting算法集成BKT模型、TLS-BKT模型、DKT模型、DKVMN和HMN知识追踪模型，并按照学习率、丢弃率、卷积和尺寸超参数值为所述BKT模型、TLS-BKT模型、DKT模型、DKVMN和HMN模型分配不同的权重值，得到集成知识追踪模型。
7.根据权利要求1所述的教育元宇宙中的知识追踪方法，其特征在于，所述基于所述目标个性化知识情境链从预设的知识情境库中获取题目序列，并根据所述学习交互序列、所述清洗后的作答数据和所述题目序列生成所述学习者的作答特征向量包括：
从预设的知识情境库中获取与所述学习者当前访问的知识情境对应的知识情境三元组；
将所述知识情境三元组中所述知识情境和所述学习者操作虚拟教学资源的步骤作为题目内容及题目序号；
根据所述题目序号和所述题目内容使用隐马尔科夫模型建模，并采用维特比算法迭代输出题目序列；
根据所述题目序列使用尼德曼-温斯算法对齐并比对所述学习交互序列和题目序列，得到比对结果；
根据所述比对结果为所述清洗后的作答数据标记正确或错误的结果，并采用Embedding算法提取所述学习交互序列和所述题目序列之间的互动向量，经过嵌入层和全连接层，得到所述学习者的作答特征向量。
8.根据权利要求1所述的教育元宇宙中的知识追踪方法，其特征在于，所述基于所述能力状态向量和所述学习状态向量使用构建完成的集成知识追踪模型，得到所述学习者对所述目标个性化知识情境链的掌握情况之后，还包括：
根据所述学习者对所述目标个性化知识情境链中的每个知识情境的知识掌握概率值构建基于贝叶斯网络的概率图模型；
使用协同过滤推荐算法根据所述概率图模型，结合预设的知识情境库，计算所述学习者对不同知识情境的需求概率，并根据所述需求概率得到待推荐的知识情境；
将所述待推荐的知识情境推荐至所述学习者。
9.一种教育元宇宙中的知识追踪终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的一种教育元宇宙中的知识追踪方法中的各个步骤。
CN202311704691.9A 2023-12-13 2023-12-13 一种教育元宇宙中的知识追踪方法及终端 Active CN117390091B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311704691.9A CN117390091B (zh) 2023-12-13 2023-12-13 一种教育元宇宙中的知识追踪方法及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311704691.9A CN117390091B (zh) 2023-12-13 2023-12-13 一种教育元宇宙中的知识追踪方法及终端

Publications (2)

Publication Number Publication Date
CN117390091A true CN117390091A (zh) 2024-01-12
CN117390091B CN117390091B (zh) 2024-02-09

Family

ID=89465345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311704691.9A Active CN117390091B (zh) 2023-12-13 2023-12-13 一种教育元宇宙中的知识追踪方法及终端

Country Status (1)

Country Link
CN (1) CN117390091B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118133837A (zh) * 2024-02-06 2024-06-04 佛山职业技术学院 一种基于教育元宇宙的思政课程学习方法及相关装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112988844A (zh) * 2021-03-31 2021-06-18 东北大学 一种基于学生练习序列的知识概念表示学习方法
CN114020929A (zh) * 2021-11-03 2022-02-08 北京航空航天大学 一种基于课程知识图谱的智慧教育系统平台设计方法
CN114780748A (zh) * 2022-04-25 2022-07-22 天津大学 基于先验权重增强的知识图谱的补全方法
CN115525144A (zh) * 2022-04-18 2022-12-27 颜峰 一种基于虚拟现实的多对象交互设备及其交互方法
CN115545155A (zh) * 2022-09-21 2022-12-30 华中师范大学 一种多层级智能认知追踪方法、系统、可存储介质及终端
CN116127048A (zh) * 2023-04-04 2023-05-16 江西师范大学 融合习题和学习行为表征的顺序自注意力知识追踪模型
US20230205781A1 (en) * 2021-12-29 2023-06-29 Srinivas Bharadwaj Method and electronic device for providing information associated with a content
CN116564144A (zh) * 2023-07-10 2023-08-08 桂林电子科技大学 一种基于元宇宙的数字虚拟人在线教学系统及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112988844A (zh) * 2021-03-31 2021-06-18 东北大学 一种基于学生练习序列的知识概念表示学习方法
CN114020929A (zh) * 2021-11-03 2022-02-08 北京航空航天大学 一种基于课程知识图谱的智慧教育系统平台设计方法
US20230205781A1 (en) * 2021-12-29 2023-06-29 Srinivas Bharadwaj Method and electronic device for providing information associated with a content
CN115525144A (zh) * 2022-04-18 2022-12-27 颜峰 一种基于虚拟现实的多对象交互设备及其交互方法
CN114780748A (zh) * 2022-04-25 2022-07-22 天津大学 基于先验权重增强的知识图谱的补全方法
CN115545155A (zh) * 2022-09-21 2022-12-30 华中师范大学 一种多层级智能认知追踪方法、系统、可存储介质及终端
CN116127048A (zh) * 2023-04-04 2023-05-16 江西师范大学 融合习题和学习行为表征的顺序自注意力知识追踪模型
CN116564144A (zh) * 2023-07-10 2023-08-08 桂林电子科技大学 一种基于元宇宙的数字虚拟人在线教学系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
安璐等: "数据挖掘课程的知识体系构建", 图书情报知识, no. 2016 *
王琳等: "元宇宙中的教育：现状与革新的未来", 华东师范大学学报（教育科学版）, no. 2023 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118133837A (zh) * 2024-02-06 2024-06-04 佛山职业技术学院 一种基于教育元宇宙的思政课程学习方法及相关装置

Also Published As

Publication number Publication date
CN117390091B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
Gilbert et al. Simulating societies: the computer simulation of social phenomena
Asthana et al. Applications of machine learning in improving learning environment
Wenger Artificial intelligence and tutoring systems: Computational and cognitive approaches to the communication of knowledge
US10290221B2 (en) Systems and methods to customize student instruction
CN110991645A (zh) 一种基于知识模型的自适应学习方法、系统及存储介质
Aleven et al. Knowledge component (KC) approaches to learner modeling
Al-Azawei et al. State of the art of learning styles-based adaptive educational hypermedia systems (LS-BAEHSs)
Chrysafiadi et al. Advances in personalized web-based education
CN117390091B (zh) 一种教育元宇宙中的知识追踪方法及终端
Bryfczynski BeSocratic: An intelligent tutoring system for the recognition, evaluation, and analysis of free-form student input
Lu et al. CMKT: Concept map driven knowledge tracing
CN114021722A (zh) 一种融合认知刻画的注意力知识追踪方法
CN117252047B (zh) 基于数字孪生的教学信息处理方法及系统
Mühling Investigating knowledge structures in computer science education
Jiang et al. Improving the performance and explainability of knowledge tracing via Markov blanket
CN116361744A (zh) 一种面向学习过程性评价的学习者认知追踪方法及系统
Mendjoge et al. Review of knowledge representation techniques for Intelligent Tutoring System
Sifaleras Generative Intelligence and Intelligent Tutoring Systems: 20th International Conference, ITS 2024, Thessaloniki, Greece, June 10–13, 2024, Proceedings, Part I
Aleven et al. Domain modeling for AIED systems with connections to modeling student knowledge: A review
CN114741591A (zh) 一种向学习者推荐学习路径的方法及电子设备
Salfinger Reinforcement learning meets cognitive situation management: A review of recent learning approaches from the cognitive situation management perspective
Chen et al. FritzBot: A data-driven conversational agent for physical-computing system design
Bajwa et al. Analyzing student code trajectories in an introductory programming MOOC
Pinto et al. Towards a Unified Framework for Evaluating Explanations
Kumar et al. Causal competencies and learning styles: A framework for adaptive instruction

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