CN117540104B - 一种基于图神经网络的学习群体差异评价方法与系统 - Google Patents

一种基于图神经网络的学习群体差异评价方法与系统 Download PDF

Info

Publication number
CN117540104B
CN117540104B CN202311762184.0A CN202311762184A CN117540104B CN 117540104 B CN117540104 B CN 117540104B CN 202311762184 A CN202311762184 A CN 202311762184A CN 117540104 B CN117540104 B CN 117540104B
Authority
CN
China
Prior art keywords
group
learner
learning
knowledge
knowledge point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311762184.0A
Other languages
English (en)
Other versions
CN117540104A (zh
Inventor
官全龙
何兴
方良达
黄秀姐
周玉宇
陈子良
周旭芳
陈高博
罗伟其
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.)
Jinan University
Original Assignee
Jinan University
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 Jinan University filed Critical Jinan University
Priority to CN202311762184.0A priority Critical patent/CN117540104B/zh
Publication of CN117540104A publication Critical patent/CN117540104A/zh
Application granted granted Critical
Publication of CN117540104B publication Critical patent/CN117540104B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9535Search customisation based on user profiles and personalisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/906Clustering; Classification
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/0895Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/02Knowledge representation; Symbolic representation
    • G06N5/022Knowledge engineering; Knowledge acquisition
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/20Education

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明公开了一种基于图神经网络的学习群体差异评价方法与系统,包括:获取学习者做题的历史交互信息,对历史交互信息进行处理,得到知识点群体和知识点群体构成的潜在交互序列;根据知识点群体和知识点群体构成的潜在交互序列对学习者群体进行聚类,得到学习者群体;计算所述学习者群体之间的差异,得到群体差异量化结果;将群体差异量化结果输入循环神经网络模块进行训练,得到训练完毕的学习群体差异评价模型;将学习者做题的交互信息输入至模型,得到学习者学习能力评估结果。本申请与传统技术相比,能实现数据驱动的群体动态分组,精准评估群体学习情况,输出不同层次学习者群体的学习能力评价结果,以便制定更有效的后续教育计划。

Description

一种基于图神经网络的学习群体差异评价方法与系统
技术领域
本发明涉及计算机技术领域,更具体地,涉及一种基于图神经网络的学习群体差异评价方法与系统。
背景技术
随着教育和人工智能的迅速发展,已经涌现出许多个性化和定制化的教育系统,其中智能辅导系统尤为显著。然而,随着国家和机构对教育的高度重视,无论是制定具体教育政策、研究教育发展规划,还是编制精准的选拔考试试卷,准确了解学习者的教育水平和差异成为确保教育质量的首要步骤。
在现代教育中,学习者学习成果的评估至关重要,因为这有助于教师深入了解学习者的学习状况,从而更有效地指导他们的学习。在教育领域,两种传统的技术方法显著地发挥着关键作用。首先,心理学评估方法基于心理学理论和模型,将学习者视为多维知识点向量,例如运用确定性输入、噪声“与”门模型(DINA)或二参数项反应理论(2PL-IRT),以深入分析学习者的学习表现和知识点掌握状况。尽管心理学评估方法深度剖析个体学习者的心理认知特点和知识点掌握情况,但其在分析整体群体的差异和发展方面受限。该方法主要聚焦于个体学习者的心理认知特征,未能充分考虑整体群体水平的综合情况。另一种技术方法则是深度学习,借助先进的计算机科学技术,特别是深度神经网络如循环神经网络(RNNs),更细致地捕捉学习者知识状态的变化。然而,尽管深度学习方法能够通过数据分析准确地预测学习者未来的学习进展,但它通常偏向个体,难以捕捉不同群体之间的差异和特点。这种方法可能无法有效地解析整体群体的共性模式和动态变化,从而限制了对群体差异的理解和应用。因此,尽管心理学评估和深度学习方法在个体学习追踪方面表现出色,但在考虑群体知识追踪时存在明显的不足。
为此,我们需要填补这一缺口,更全面、综合地把握整体群体的学习特点和进展。结合以上需求和现有技术缺陷,本申请提出了一种基于图神经网络的学习群体差异评价方法与系统。
发明内容
本发明提供了一种基于图神经网络的学习群体差异评价方法与系统,能实现群体动态分组,精准评估群体学习情况,并进行群体学习的知识追踪,输出不同层次学习者群体的学习能力评价结果,以便制定更有效的后续教育计划。
本发明的首要目的是为解决上述技术问题,本发明的技术方案如下:
本发明第一方面提供了一种基于图神经网络的学习群体差异评价方法,本方法包括以下步骤:
S1、构建学习群体差异评价模型,所述学习群体差异评价模型包括有:第一自监督聚类学习模块、第二自监督聚类学习模块和循环神经网络模块。
S2、获取学习者做题的历史交互信息,采用所述第一自监督聚类学习模块对历史交互信息进行处理,得到知识点群体和知识点群体构成的潜在交互序列。
S3、采用第二自监督聚类学习模块,根据知识点群体和知识点群体构成的潜在交互序列对学习者群体进行聚类,得到学习者群体。
S4、根据预设的群体差异量化指标计算所述学习者群体之间的差异,得到群体差异量化结果。
S5、将群体差异量化结果分别输入至所述循环神经网络模块进行训练,得到训练完毕的学习群体差异评价模型。
S6、将学习者做题的交互信息输入至训练完毕的学习群体差异评价模型,得到学习者学习能力评估结果。
进一步地,所述学习群体差异评价模型包括有:基于图自编码器的第一自监督聚类学习模块、基于对比学习的第二自监督聚类学习模块和基于群体差异量化的循环神经网络模块;所述学习者做题的历史交互信息包括有:学习者ID、题目ID、所答知识点、答题时间和答题正确率;获取所述学习者做题的历史交互信息后还需要对其进行清洗和处理,得到学习者的交互序列,并划分为训练集和验证集;所述群体差异量化指标包括有:群体认知状态、群体认知难度、群体反应时间和群体首次作答反应。
需要说明的是,所述第一自监督聚类学习模块用于知识概念群聚类,挖掘知识点潜在关系,形成知识点拓扑关系图,再利用图自编码器进行自监督学习,得到知识点概念群,进而通过挖掘不同学习者在各种知识概念群上的潜在表现进行完成聚类过程;所述第二自监督聚类学习模块用于对学习者进行特征提取并动态分组,首先依据学习者的交互序列生成增强序列,再联合目标函数和优化函数对潜在的学习者群体进行聚类,从而完成学习者交互过程聚类;所述循环神经网络模块用于学习群体差异量化结果,并由神经网络输出各群体在知识点上的潜在能力水平。所述学习者交互过程聚类采用学习者对不同知识点的回答作为基准,通过对学习者每个连续作答序列进行特征提取获得所有学习者在交互序列下的潜在知识点表现;所述基于图编码器的第二自监督聚类学习模块以学习者对不同知识概念群的表现为基准,通过对学习者历史交互信息和知识点拓扑图对知识概念群进行聚类。
进一步地,所述第一自监督聚类学习模块根据知识点拓扑关系图对知识点进行聚类得到知识点群体;所述知识点群体为根据知识点特征进行划分的群组,每个知识点有且仅有一个所属的群体,所述知识点群体的划分依赖于学习者和知识点之间的逻辑关系和相似关系,所述知识点特征的提取方式为:
其中,是特征表示,是特征表示维度长度,是ReLU激活函数。
需要说明的是,所述逻辑关系和相似关系均通过对学习者的交互序列挖掘得到,所述相似关系根据整体知识点的难度,计算得到知识点正确性差异,以使知识点特征更加明显,具体的计算方式为:
其中,分别表示第i1个知识点和第i2个知识点,表示从每个响应序列中挖掘的认知状态;是学习者的响应序列中首先回答知识点的响应记录,是稍后的响应记录;是学习者的响应序列中与匹配的事件总数;CS表示总体知识认知状态矩阵,是知识点的总数;表示知识点之间的相似关系。
进一步地,所述第二自监督聚类学习模块对学习者的交互序列进行特征提取,以学习者潜在知识点状态构建为导向,对学习者进行聚类具体为:
其中,将学习者做题的历史交互信息转换为学习者的交互序列的过程为:根据学习者对历史交互信息进行分组,并且按照时间进行排序,将历史交互信息转化为交互序列,每个交互序列中的一对交互和作答是基于交互序列的增强数据,其中连续长度为的交互序列被随机打乱,得到增强的交互对T是交互序列的总长度,是增强序列片段的比例。
其中是交互对的嵌入,是长度为的隐藏向量,基于学习者的t-分布来计算表示与聚类中心的相似度,指的是预设的学习者嵌入矩阵中的第i行,为学习者嵌入矩阵的初始值,表示学习者反应在知识点能力上的平均值。
需要说明的是,将学习者聚类后划分成了K个群体,而代表当前所计算的学习者群体所对应的学习者集合,是基于学习者交互信息的t-分布,为当前聚类的聚类结果,为目标分布。
进一步地,所述群体认知状态是三维矩阵,第一维代表学习者群体,第二维和第三维代表所有知识点,第二维和第三维组成的二维矩阵表示每个知识点到另一个知识点的迁移能力;群体认知难度是二维矩阵,表示每个学习者群体对每个知识点的掌握程度;群体反应时间是二维矩阵,表示每个学习者群体对每个知识点的作答消耗平均时长;群体首次作答反应是二维矩阵,表示每个学习者群体对每个知识点第一次作答的时长和正确性。
进一步地,所述群体认知状态表示学习群体从一个知识点转移至另一个知识点的能力,具体计算过程为:
其中,GCS是一个对称矩阵,表示每个群体的知识点感知,是低维度群体知识状态的表示,表示长度为是由映射的邻接矩阵。
所述群体认知难度表示学习者群体对每个知识点难度的认知程度,具体计算过程为:
其中,表示群体划分集合中第个群体对知识点的认知难度,是学习者群体中的学习者总数。
所述群体反应时间表示学习者对知识点作出响应所需的时间,根据响应时间能分辨得到学习能力更强的学习者群体,根据下列公式计算:
其中,,该公式计算了每个群体回答知识点的平均时间;
所述群体首次作答反应表示学习者群体在首次解决新知识点时的能力,通过尝试次数及所消耗的时间表示,具体计算过程为:
其中,AvgFirstTime(·)AvgAttempt(·)是通过统计得到的标量值,对于不回答特定知识点的群体,量化值取为0。
进一步地,所述循环神经网络模块接收群体差异量化的结果,通过全连接层得到群体序列表征向量,将得到的群体序列表征向量输入至门控循环单元,得到适用于该学习者群体的最优超参数。
进一步地,步骤S5具体为:所述循环神经网络模块接收群体差异量化的结果,通过全连接层得到群体序列表征向量,将得到的群体序列表征向量输入至门控循环单元,得到适用于该学习者群体的最优超参数,对所述循环神经网络模块进行训练的具体过程为:
其中,表示组在知识点上的嵌入;都是相同的;为第t步的输入,是由潜在群体交互序列、学习者群体和知识点群体相匹配的群体差异合并得到的,GRU是一个门控循环单元。是长度为的隐藏向量,经过激活函数处理,然后通过一个线性层得到最终的预测是对应于给定学习者群体的响应的第t步作答的预测,真实作答为第t步交互的真实作答标签。是待学习的参数。
进一步地,得到训练完毕的学习群体差异评价模型后,还需要采用验证集对模型进行评估,通过模型输出的结果得到每个学习者群体的学习能力评估结果,并通过可视化展现不同学习者群体在不同知识点之间的学习能力差异。
进一步地,所述步骤S6中,学习群体差异评价模型接收学习者做题的交互信息,根据学习者群体的特征及其标签输出每个学习者群体的学习能力评估结果,其中,学习能力评估结果的取值范围为,完全掌握为1,完全没掌握为0;根据模型输出的每个学习者群体的学习能力评估结果转化为可视化的群体学习能力差异图。
本发明第二方面提供了一种基于图神经网络的学习群体差异评价系统,该系统用于所述的一种基于图神经网络的学习群体差异评价方法,包括有:数据采集模块、数据处理模块、模型训练模块和知识掌握评价模块。
所述数据采集模块用于获取学习者做题的历史交互信息并输入至所述数据处理模块,所述数据处理模块对所述历史交互信息进行处理,得到知识点群体、知识点群体构成的潜在交互序列和学习者群体,根据预设的群体差异量化指标计算所述学习者群体之间的差异,得到群体差异量化结果,所述模型训练模块根据所述数据处理模块输出的群体差异量化结果,对预设的学习群体差异评价模型进行训练,得到训练好的学习群体差异评价模型,所述知识掌握评价模块根据训练好的群体差异评价模型对获取的学习者做题的交互信息进行评价,输出学习者学习能力评估结果。
与现有技术相比,本发明技术方案的有益效果是:
本发明提供了一种基于图神经网络的学习群体差异评价方法与系统,根据预设的群体差异量化指标对学习者数据进行量化,能够更全面地衡量学习者群体的知识水平和学习表现;通过学习群体差异评价模型能够深度挖掘学习者交互序列和潜在学习状态,从而综合评估学习者群体的知识点特点,并动态地学习群体间的差异,根据得到的学习者学习能力评估结果提高对未来学习进展的预测准确性。
附图说明
图1为本发明一种基于图神经网络的学习群体差异评价方法的流程图。
图2为本发明一种实施例中学习群体差异评价模型的示意图。
图3为本发明一种实施例中3个不同的学习者群体在六个回答量最大的知识点上的能力差异情况示意图。
图4为本发明一种实施例中群体能力建模的示意图。
图5为本发明一种基于图神经网络的学习群体差异评价系统的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步地详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
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,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
如图1所示,本发明提供了一种基于图神经网络的学习群体差异评价方法,本方法包括以下步骤:
S1、构建学习群体差异评价模型,所述学习群体差异评价模型包括有:第一自监督聚类学习模块、第二自监督聚类学习模块和循环神经网络模块。
S2、获取学习者做题的历史交互信息,采用所述第一自监督聚类学习模块对历史交互信息进行处理,得到知识点群体和知识点群体构成的潜在交互序列。
S3、采用第二自监督聚类学习模块,根据知识点群体和知识点群体构成的潜在交互序列对学习者群体进行聚类,得到学习者群体。
S4、根据预设的群体差异量化指标计算所述学习者群体之间的差异,得到群体差异量化结果。
S5、将群体差异量化结果分别输入至所述循环神经网络模块进行训练,得到训练完毕的学习群体差异评价模型。
S6、将学习者做题的交互信息输入至训练完毕的学习群体差异评价模型,得到学习者学习能力评估结果。
需要说明的是,每个学习者每次作答就会形成一次交互,所述交互的过程包括学习者所作答知识点、作答相关行为如作答答案和作答时间尝试次数。学习者以时间顺序依次作答多个知识点,完成一系列作答交互,采集该作答交互得到历史交互信息,经过处理后会形成一条交互序列。
进一步地,所述学习群体差异评价模型整体架构如图2所示包括有:基于对比学习的第一自监督聚类学习模块、基于图自编码器的第二自监督聚类学习模块和基于群体差异量化的循环神经网络模块,各模块分别由对比学习和图自监督学习设计而成;所述群体差异评价模型数据输入为之一为基于历史交互信息计算得到的拓扑关系图,该图由逻辑关系图和相似关系构成,再由图编码器计算得到聚类结果和优化目标;所述群体差异评价模型数据输入为之二为基于交互序列生成的增强序列和原始交互序列,增强序列在原始交互序列基础上,对局部交互顺序进行随机打乱;所述学习群体差异评价模型联合损失函数由对比损失、潜在技能表征损失、重构损失、KL损失构成;所述学习者做题的历史交互信息包括有:学习者ID、题目ID、所答知识点、答题时间和答题正确率;获取所述学习者做题的历史交互信息后还需要对其进行清洗和处理,得到学习者的交互序列,并划分为训练集和验证集;所述群体差异量化指标包括有:群体认知状态、群体认知难度、群体反应时间和群体首次作答反应。
需要说明的是,所述第一自监督聚类学习模块用于知识点聚类,挖掘知识点潜在关系,形成知识点拓扑关系图,再采用图自编码器进行自监督学习,得到知识点群体完成聚类过程,进而后续提供不同学习者在各种知识点群体上的潜在知识点群体交互序列;所述第二自监督聚类学习模块用于对学习者进行特征提取并动态分组,首先依据学习者的交互序列生成增强序列,再联合目标函数和优化函数对潜在的学习者群体进行聚类,从而完成学习者交互过程聚类;所述循环神经网络模块用于学习群体差异量化结果,并由神经网络输出各群体在知识点上的潜在能力水平。所述学习者交互过程聚类采用学习者对不同知识点的回答作为基准,通过对学习者每个连续作答序列进行特征提取获得所有学习者在交互序列下的潜在知识点表现;所述图编码器的自监督聚类通过对学习者历史交互信息和知识点拓扑图对知识概念群进行聚类。
进一步地,所述第一自监督聚类学习模块根据知识点拓扑关系对知识点进行聚类得到知识点群体;所述知识点群体为根据知识点特征进行划分的群组,每个知识点有且仅有一个所属的群体,所述知识点群体的划分依赖于学习者和知识点之间的逻辑关系和相似关系,所述知识点特征的提取方式为:
其中,是特征表示,是特征表示维度长度,是ReLU激活函数。
所述逻辑关系和相似关系均通过对学习者的交互序列挖掘得到,所述相似关系根据整体知识点的难度,计算得到知识点正确性差异,以使知识点特征更加明显,具体的计算方式为:
其中,分别表示第i1个知识点和第i2个知识点,表示从每个响应序列中挖掘的认知状态;是学习者的响应序列中首先回答知识点的响应记录,是稍后的响应记录;是学习者的响应序列中与匹配的事件总数;CS表示总体知识认知状态矩阵,是知识点的总数;表示知识点之间的相似关系。
需要说明的是,数据中的知识点是零散的,在一个具体的实施例中,所述知识点为一元二次方程或者加减乘除计算,但是这两个知识点是存在关系的,必须掌握了加减乘除才能掌握一元二次方程,所以从“加减乘除”到“一元二次方程”两个知识点存在拓扑关系,该关系由学生的作答数据经过算法计算得到,会得到知识点之间的拓扑关系和知识点本身的属性,构成了知识点关系拓扑图,即如图2中的CS,然后才能进行图自监督聚类。进一步地,所述第二自监督聚类学习模块对学习者的交互序列进行特征提取,得到学习者的潜在知识点表现,并对潜在知识点表现进行聚类,得到知识点群体,根据知识点群体从学习者的交互序列中提取知识点和学习者的拓扑关系,根据拓扑关系构建得到知识点群体构成的潜在交互序列,具体为:
其中,将学习者做题的历史交互信息转换为学习者的交互序列的过程为:根据学习者对历史交互信息进行分组,并且按照时间进行排序,将历史交互信息转化为交互序列,每个交互序列中的一对交互和作答是基于交互序列的增强数据,其中连续长度为的交互序列被随机打乱,得到增强的交互对T是交互序列的总长度,是增强序列片段的比例;将学习者聚类后划分成了K个群体,而代表当前所计算的学习者群体所对应的学习者集合,是基于学习者交互信息的t-分布,为当前聚类的聚类结果,为目标分布。
其中是交互对的嵌入,是长度为的隐藏向量,基于学习者的t-分布来计算表示与聚类中心的相似度,指的是预设的学习者嵌入矩阵中的第i行,为学习者嵌入矩阵的初始值,表示学习者反应在知识点能力上的平均值。
需要说明的是,通常的群体评估都是采用人为预设的评估标准进行划分,比如性别、地区或种族等,而采用潜在群体划分的方式能更好地对学习者的学习能力进行评估,该评估结果通过学习者的作答数据进行挖掘,并对挖掘结果进行群体差异量化得到。
进一步地,所述群体认知状态是三维矩阵,第一维代表学习者群体,第二维和第三维代表所有知识点,第二维和第三维组成的二维矩阵表示每个知识点到另一个知识点的迁移能力;群体认知难度是二维矩阵,表示每个学习者群体对每个知识点的掌握程度;群体反应时间是二维矩阵,表示每个学习者群体对每个知识点的作答消耗平均时长;群体首次作答反应是二维矩阵,表示每个学习者群体对每个知识点第一次作答的时长和正确性。
进一步地,所述群体认知状态表示学习群体从一个知识点转移至另一个知识点的能力,具体计算过程为:
其中,GCS是一个对称矩阵,表示每个群体的知识点感知,是低维度群体知识状态的表示,表示长度为是由映射的邻接矩阵。
所述群体认知难度表示学习者群体对每个知识点难度的认知程度,具体计算过程为:
其中,表示群体划分集合中第个群体对知识点的认知难度,是学习者群体中的学习者总数。
所述群体反应时间表示学习者对知识点作出响应所需的时间,根据响应时间能分辨得到学习能力更强的学习者群体,根据下列公式计算:
其中,,该公式计算了每个群体回答知识点的平均时间;
所述群体首次作答反应表示学习者群体在首次解决新知识点时的能力,通过尝试次数及所消耗的时间表示,具体计算过程为:
其中,AvgFirstTime(·)AvgAttempt(·)是通过统计得到的标量值,对于不回答特定知识点的群体,量化值取为0。
进一步地,所述循环神经网络模块接收群体差异量化的结果,通过全连接层得到群体序列表征向量,将得到的群体序列表征向量输入至门控循环单元,得到适用于学习者群体的最优超参数。
进一步地,步骤S5具体为:所述循环神经网络模块接收群体差异量化的结果,通过全连接层得到群体序列表征向量,将得到的群体序列表征向量输入至门控循环单元,得到适用于该学习者群体的最优超参数,对所述循环神经网络模块进行训练的具体过程为:
其中,表示组在知识点上的嵌入;都是相同的;为第t步的输入,GRU是一个门控循环单元。是长度为的隐藏向量,经过激活函数处理,然后通过一个线性层得到最终的预测,在一个具体的实施例中,是对应于给定学生群体的响应的第t步作答的预测,真实作答为第t步交互的真实作答标签。是待学习的参数。
在一个具体的实施例中,对所述学习群体差异评价模型进行训练如图4所示,模型采用深度学习的方式,并在Pytorch框架上进行模型训练。神经网络架构依基于门循环神经网络GRU构建,输入层包含四个量化指标结果、群体标签,群体作答记录,对以上数据归一化后合并。输入中会根据该群体的作答记录设定指定值,作为标记正确或者错误回答。经过GRU学习和Tanh激活函数,最终输出该群体在知识点潜在表现。
进一步地,得到训练完毕的学习群体差异评价模型后,还需要采用验证集对模型进行评估,通过模型输出的结果得到每个学习者群体的学习能力评估结果,并通过可视化展现不同学习者群体在不同知识点之间的学习能力差异。
进一步地,所述步骤S6中,学习群体差异评价模型接收学习者做题的交互信息,根据学习者群体的特征及其标签输出每个学习者群体的学习能力评估结果,其中,学习能力评估结果的取值范围为,完全掌握为1,完全没掌握为0;根据模型输出的每个学习者群体的学习能力评估结果转化为可视化的群体学习能力差异图。
需要说明的是,与现有技术相比,本发明具有以下优点:
本发明设计了深度数据划分模块。根据实际评估需求将学习者或知识点进行精细的群体聚类方法设计。使用深度学习、对比学习、图自监督聚类来深度挖掘学习者交互序列和潜在学习状态。此外,本模块采用了逻辑和相似性关系,以实现知识点的精准分类,揭示知识点之间的内在联系。通过差异学习方法,深入挖掘了学习者互动过程,加深了对潜在知识点关系的理解。同时,嵌入式自监督聚类方法为学习者的分类提供多角度视角,有助于综合评估学习者群体的知识点特点。
本发明提出了群体差异量化的计算方法。该计算方法强调了对群体认知表现难度、知识状态以及对知识概念群集的响应等关键因素的考虑。通过对学习者数据进行量化,能够更全面地衡量学习者群体的知识水平和学习表现。此外,同时本发明使用循环神经网络,动态地学习群体间的差异,以提高对未来学习进展的预测准确性。
本发明通过可视化评估结果直观展示不同群体划分下不同群组的学习能力差异,为教育者提供更好的教育成果洞察力,以便制定更有效的后续教育计划。这一功能不仅为教育决策提供了更多信息,还有助于提升整体教育质量。
实施例2
基于上述实施例1,结合图3,本实施例详细阐述本发明进行学习能力评估及根据评估结果制定教育方案的具体过程。
一、设计基于对比学习的自监督聚类方法和基于图自编码器的图自监督聚类方法,分别用于对学习者和知识点进行特征提取并动态分组;二、设计学习群体差异量化的循环神经网络框架,根据设计的量化指标,学习并预测学习者群体的未来学习表现情况;三、获取学习者做题历史交互信息,将交互数据组成序列,并依据交互信息特征设计学习者群体和知识概念群体的分组策略,包括学习者学习过程聚类和知识概念群聚类;四、设计量化群体差异的指标,包括群体难度、认知表现等级、群体学习效果等;五、将群体差异量化的结果推送给差异量化的循环神经网络进行训练;通过全连接层得到群体序列表征向量,将得到的向量输入到门控循环单元,通过模型优化训练得到适用于该群体的最优超参数;六、对学习者群体的知识掌握情况进行评估和追踪,展示最终评估的结果,评价方法使用以预测结果为准,预测某群体对所有知识点的掌握程度。
在一个具体的实施例中,将设定群体划分成3组输入至学习群体差异评价模型,选择了回答次数最多的6个知识点进行分析,得到如图3展示的3个不同的群体在六个回答量最大的知识点上的能力差异情况,可见不同的群体有明显的能力水平上的差距,平均知识点水平依次为0.2、0.5、0.8。总体来看,三个组在知识点掌握程度上的差异明显,呈阶梯状,群体一能力最差,平均能力为0.26。群体二能力居中,平均能力为0.54。群体三能力最强,平均能力为0.76。而从单个知识点来说,知识点6是掌握最差的知识点,三个群体在知识点4、5、6的能力差距最大。
根据上述结果从群体和知识点两个角度进行教育方案的制定,对于群体来说,群体一需要加强基础教育,特别是在基础知识点上;群体二需要加强知识点4、5、6的学习,需要针对性的进行训练强化;对于群体三来说,各项知识点比较稳定,但是需要加强知识点4、6的教育。但是对于不同知识点来说,教育者需要在后续教育计划中优化知识点4、5、6的教育,加强其知识点及其相关知识点的教育。
实施例3
如图5所示,本发明还提供了一种基于图神经网络的学习群体差异评价系统,该系统用于所述的一种基于图神经网络的学习群体差异评价方法,包括有:数据采集模块、数据处理模块、模型训练模块和知识掌握评价模块。
所述数据采集模块用于获取学习者做题的历史交互信息并输入至所述数据处理模块,所述数据处理模块对所述历史交互信息进行处理,得到知识点群体、知识点群体构成的潜在交互序列和学习者群体,根据预设的群体差异量化指标计算所述学习者群体之间的差异,得到群体差异量化结果,所述模型训练模块根据所述数据处理模块输出的群体差异量化结果,对预设的学习群体差异评价模型进行训练,得到训练好的学习群体差异评价模型,所述知识掌握评价模块根据训练好的群体差异评价模型对获取的学习者做题的交互信息进行评价,输出学习者学习能力评估结果。
在本申请所提供的实施例中,应该理解到,所揭露的系统和方法,能够通过其它的方式实现。本领域普通技术人员能够理解:实现上述方法实施例的全部或部分步骤能够通过程序指令相关的硬件来完成,前述的程序能够存储于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:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种能够存储程序代码的介质。
或者,本发明上述实施例如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也能够存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分能够以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种能够存储程序代码的介质。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。附图中描述结构位置关系的图标仅用于示例性说明,不能理解为对本发明的限制。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种基于图神经网络的学习群体差异评价方法,其特征在于,包括以下步骤:
S1、构建学习群体差异评价模型,所述学习群体差异评价模型包括有:第一自监督聚类学习模块、第二自监督聚类学习模块和循环神经网络模块;
S2、获取学习者做题的历史交互信息,采用所述第一自监督聚类学习模块对历史交互信息进行处理,得到知识点群体和知识点群体构成的潜在交互序列;所述学习者做题的历史交互信息包括有:学习者ID、题目ID、所答知识点、答题时间和答题正确率;获取所述学习者做题的历史交互信息后还需要对其进行清洗和处理,得到学习者的交互序列,并划分为训练集和验证集;
S3、采用第二自监督聚类学习模块,根据知识点群体和知识点群体构成的潜在交互序列对学习者群体进行聚类,得到学习者群体;
S4、根据预设的群体差异量化指标计算所述学习者群体之间的差异,得到群体差异量化结果;所述群体差异量化指标包括有:群体认知状态、群体认知难度、群体反应时间和群体首次作答反应;所述群体认知状态是三维矩阵,第一维代表学习者群体,第二维和第三维代表所有知识点,第二维和第三维组成的二维矩阵表示每个知识点到另一个知识点的迁移能力;群体认知难度是二维矩阵,表示每个学习者群体对每个知识点的掌握程度;群体反应时间是二维矩阵,表示每个学习者群体对每个知识点的作答消耗平均时长;群体首次作答反应是二维矩阵,表示每个学习者群体对每个知识点第一次作答的时长和正确性;
所述群体认知状态表示学习群体从一个知识点转移至另一个知识点的能力,具体计算过程为:
其中,GCS是一个对称矩阵,表示每个群体的知识点感知, 是低维度群体知识状态的表示,表示长度为 是由 映射的邻接矩阵;
所述群体认知难度表示学习者群体对每个知识点难度的认知程度,具体计算过程为:
其中,表示群体划分集合中第个群体对知识点的认知难度,是学习者群体中的学习者总数;
所述群体反应时间表示学习者对知识点作出响应所需的时间,根据响应时间能分辨得到学习能力更强的学习者群体,根据下列公式计算:
其中,,该公式计算了每个群体 回答知识点 的平均时间;
所述群体首次作答反应表示学习者群体在首次解决新知识点时的能力,通过尝试次数及所消耗的时间表示,具体计算过程为:
其中,AvgFirstTime(·) 和 AvgAttempt(·) 是通过统计得到的标量值,对于不回答特定知识点的群体,量化值取为0;
S5、将群体差异量化结果分别输入至所述循环神经网络模块进行训练,得到训练完毕的学习群体差异评价模型;
S6、将学习者做题的交互信息输入至训练完毕的学习群体差异评价模型,得到学习者学习能力评估结果。
2.根据权利要求1所述的一种基于图神经网络的学习群体差异评价方法,其特征在于,所述第一自监督聚类学习模块根据知识点拓扑关系对知识点进行聚类得到知识点群体;所述知识点群体为根据知识点特征进行划分的群组,每个知识点有且仅有一个所属的群体,所述知识点群体的划分依赖于学习者和知识点之间交互记录中挖掘出的逻辑关系和相似关系,所述知识点特征的提取方式为:
其中,是特征表示,是特征表示维度长度,是ReLU激活函数;
所述逻辑关系和相似关系均通过对学习者的交互序列挖掘得到,所述相似关系根据整体知识点的难度,计算得到知识点正确性差异,以使知识点特征更加明显,具体的计算方式为:
其中,分别表示第i1个知识点和第i2个知识点, 表示从每个响应序列中挖掘 的认知状态; 是学习者 的响应序列中首先回答知识点 的响应记录, 是稍后的响应记录; 是学习者 的响应序列中与 匹配的事件总数;CS表示总体知识认知状态矩阵, 是知识点的总数;表示知识点之间的相似关系。
3.根据权利要求2所述的一种基于图神经网络的学习群体差异评价方法,其特征在于,所述第二自监督聚类学习模块对学习者的交互序列进行特征提取,以学习者的潜在知识点表现为导向进行聚类,进一步得到学习者群体并具体为:
其中,将学习者做题的历史交互信息转换为学习者的交互序列的过程为:根据学习者对历史交互信息进行分组,并且按照时间进行排序,将历史交互信息转化为交互序列,每个交互序列中的一对交互包含该学习者在时刻t所作答知识点和作答是基于交互序列的增强数据,其中连续长度为的交互序列被随机打乱,得到增强的交互对 T是交互序列的总长度,是增强序列片段的比例;其中是交互对的嵌入, 是长度为 的隐藏向量,基于学习者的t-分布来计算表示与聚类中心的相似度,指的是预设的学习者嵌入矩阵中的第i行,为学习者嵌入矩阵的初始值,表示学习者反应在知识点能力上的平均值;将学习者聚类后划分成了K个群体,而代表当前所计算的学习者群体所对应的学习者集合,是基于学习者交互信息的t-分布,为当前聚类的聚类结果,为目标分布。
4.根据权利要求1所述的一种基于图神经网络的学习群体差异评价方法,其特征在于,步骤S5具体为:所述循环神经网络模块接收群体差异量化的结果,通过全连接层得到群体序列表征向量,将得到的群体序列表征向量输入至门控循环单元,得到适用于该学习者群体的最优超参数,对所述循环神经网络模块进行训练的具体过程为:
其中,表示组在知识点上的嵌入;都是相同的;为第t步的输入,GRU是一个门控循环单元;是长度为的隐藏向量,经过激活函数处理,然后通过一个线性层得到最终的预测是对应于预设学习者群体的响应的第t步作答的预测,真实作答为第t步交互的真实作答标签;是待学习的参数。
5.根据权利要求1-4任一项所述的一种基于图神经网络的学习群体差异评价方法,其特征在于,得到训练完毕的学习群体差异评价模型后,还需要采用验证集对模型进行评估,通过模型输出的结果得到每个学习者群体的学习能力评估结果,并通过可视化展现不同学习者群体在不同知识点之间的学习能力差异。
6.根据权利要求5所述的一种基于图神经网络的学习群体差异评价方法,其特征在于,所述步骤S6中,学习群体差异评价模型接收学习者做题的交互信息,根据学习者群体的特征及其标签输出每个学习者群体的学习能力评估结果,其中,学习能力评估结果的取值范围为,完全掌握为1,完全没掌握为0;根据模型输出的每个学习者群体的学习能力评估结果转化为可视化的群体学习能力差异图。
7.一种基于图神经网络的学习群体差异评价系统,该系统用于权利要求1-6任一项所述的一种基于图神经网络的学习群体差异评价方法,其特征在于,包括有:数据采集模块、数据处理模块、模型训练模块和知识掌握评价模块;
所述数据采集模块用于获取学习者做题的历史交互信息并输入至所述数据处理模块,所述数据处理模块对所述历史交互信息进行处理,得到知识点群体、知识点群体构成的潜在交互序列和学习者群体,根据预设的群体差异量化指标计算所述学习者群体之间的差异,得到群体差异量化结果,所述模型训练模块根据所述数据处理模块输出的群体差异量化结果,对预设的学习群体差异评价模型进行训练,得到训练好的学习群体差异评价模型,所述知识掌握评价模块根据训练好的群体差异评价模型对获取的学习者做题的交互信息进行评价,输出学习者学习能力评估结果。
CN202311762184.0A 2023-12-20 2023-12-20 一种基于图神经网络的学习群体差异评价方法与系统 Active CN117540104B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311762184.0A CN117540104B (zh) 2023-12-20 2023-12-20 一种基于图神经网络的学习群体差异评价方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311762184.0A CN117540104B (zh) 2023-12-20 2023-12-20 一种基于图神经网络的学习群体差异评价方法与系统

Publications (2)

Publication Number Publication Date
CN117540104A CN117540104A (zh) 2024-02-09
CN117540104B true CN117540104B (zh) 2024-08-02

Family

ID=89786278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311762184.0A Active CN117540104B (zh) 2023-12-20 2023-12-20 一种基于图神经网络的学习群体差异评价方法与系统

Country Status (1)

Country Link
CN (1) CN117540104B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118098030B (zh) * 2024-04-19 2024-07-05 电子科技大学成都学院 一种基于在线教育的多人交互式英语教学方法及系统
CN118261163B (zh) * 2024-05-30 2024-07-26 杭州容博教育科技有限公司 基于transformer结构的智能评价报告生成方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113869569A (zh) * 2021-09-18 2021-12-31 西安理工大学 一种基于决策树的学习成绩预测及个性化干预的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190130511A1 (en) * 2017-11-02 2019-05-02 Act, Inc. Systems and methods for interactive dynamic learning diagnostics and feedback
CN115481310A (zh) * 2021-05-31 2022-12-16 中国移动通信集团安徽有限公司 一种信息推荐方法、装置、设备及存储介质
CN115439281A (zh) * 2022-09-09 2022-12-06 华中师范大学 基于时空图卷积的学习者知识认知结构评价方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113869569A (zh) * 2021-09-18 2021-12-31 西安理工大学 一种基于决策树的学习成绩预测及个性化干预的方法

Also Published As

Publication number Publication date
CN117540104A (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
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
CN110516116A (zh) 一种多步分层的学习者认知水平挖掘方法及系统
CN112527821A (zh) 一种学生布鲁姆掌握度评估方法、系统及存储介质
CN113408852B (zh) 基于在线学习行为和深度神经网络的元认知能力评估模型
CN114385801A (zh) 一种基于分层细化lstm网络的知识追踪方法及系统
Ni et al. Deepqr: Neural-based quality ratings for learnersourced multiple-choice questions
Gao et al. Modeling the effort and learning ability of students in MOOCs
Aji et al. An implementation of C4. 5 classification algorithm to analyze student’s performance
Pan et al. The role of AI assisted socio-cultural frameworks in academic change and higher education growth
Gambo et al. Performance comparison of convolutional and multiclass neural network for learning style detection from facial images
Moon et al. Rich representations for analyzing learning trajectories: Systematic review on sequential data analytics in game-based learning research
Wang et al. Knowledge ontology enhanced model for explainable knowledge tracing
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
Zhang et al. Neural Attentive Knowledge Tracing Model for Student Performance Prediction
Hegde et al. Personality classification using Data mining approach
Shi et al. Abstracting Concept-Changing Rules for Solving Raven's Progressive Matrix Problems
Gambo et al. A conceptual framework for detection of learning style from facial expressions using convolutional neural network
Naydenov et al. Clustering of non-annotated data
Villa-Torrano et al. Early prediction of students' efficiency during online assessments using a Long-Short Term Memory architecture.
Guo et al. Machine-Learning based MOOC learning data analysis
Merembayev et al. Using item response theory in machine learning algorithms for student response data
Huang et al. Pull together: Option-weighting-enhanced mixture-of-experts knowledge tracing
Jiang et al. Mining and Assessing Anomalies in Students’ Online Learning Activities with Self-supervised Machine Learning
Asiksoy et al. Classifying Engineering Students Performance in Online Education with Machine Learning: Affective, Cognitive, and Behavioral Aspects

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