(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202210103775.6
(22)申请日 2022.01.28
(71)申请人 上海伯禹信息科技有限公司
地址 201100 上海市闵行区剑川路951号1
幢8005B室
(72)发明人 俞勇 张伟楠 龙婷 沈键
(74)专利代理机构 上海中外企专利代理事务所
(特殊普通合伙) 31387
专利代理师 孙益青
(51)Int.Cl.
G06F 16/31(2019.01)
G06F 16/33(2019.01)
G06F 16/335(2019.01)
(54)发明名称
法与系统
(57)摘要
本发明公开了一种基于学习者个性化信息
的知识追踪方法与系统，其中，方法包含以下步
表示将要预测的问题的第二向量；依据第一向量
与第二向量计算学习者当前所处的认知水平得
到第三向量；将第一向量、第二向量、第三向量拼
接在一起后输入至分类器中进行预测，得到表示
学习者答对题目的第一数值概率；获取表示学习
者有没有真正做对题目的第二数值概率并与第
一数值概率、第一向量、第二向量进行结合并处
理计算得到表示当前学习者的习得敏感性程度
的第四向量；将第四向量与第二向量，第二数值
概率结合起来更新当前学习者的学习状态；系统
包含认知水平预估模块、分类器、状态更新模块、
习得敏感性估计模块。权利要求书2页 说明书8页 附图3页CN 114510549 A 2022.05.17
C N 114510549
A
1.一种基于学习者个性化信息的知识追踪方法，其特征在于，包含以下步骤：
步骤1：获取表示学习者当前学习状态的第一向量与表示将要预测的问题的第二向量；
步骤2：依据所述第一向量与所述第二向量计算学习者当前所处的认知水平得到第三向量；
步骤3：将所述第一向量、所述第二向量、所述第三向量拼接在一起后输入至分类器中进行预测，得到表示学习者答对题目的第一数值概率；
步骤4：获取表示学习者有没有真正做对题目的第二数值概率并与所述第一数值概率、所述第一向量、所述第二向量进行结合并处理计算得到表示当前学习者习得敏感性程度的第四向量；
步骤5：获取所述第四向量，与所述第二数值概率、所述第二向量结合起来用来更新当前学习者的学习状态。
2.如权利要求1所述的一种基于学习者个性化信息的知识追踪方法，其特征在于，步骤2中依据所述第一向量数据与所述第二向量数据计算学习者当前所处的认知水平得到第三向量的具体步骤如下：
步骤2a：将所述第一向量与所述第二向量输入至认知水平估计函数中得到学习者在不同认知水平的第一概率分布数据；
步骤2b：根据第一概率分布数据获取学习者的认知水平层次的索引，通过索引获取学生认知水平的表征，得到所述第三向量。 3.如权利要求2所述的一种基于学习者个性化信息的知识追踪方法，其特征在于，步骤4中依据所述第一数值概率、所述第一向量、所述第二向量、所述第二数值概率合并处理计算得到表示当前学习者习得敏感性程度的第四向量的具体步骤如下：
步骤4a：将所述第一数值概率、所述第一向量、所述第二向量、所述第二数值概率进行拼接并输入至习得敏感性估计函数中，获得学生在不同习得敏感性程度的第二概率分布数据；
步骤4b：对所述第二概率分布数据进行采样，获得表示学生习得敏感性程度的向量索引，通过索引获
得表示学生习得敏感性程度的第四向量。
4.如权利要求1‑3任一项所述的一种基于学习者个性化信息的知识追踪方法，其特征在于，还包含步骤6：重复步骤1‑步骤5，直至学生答题序列结束。
5.一种基于学习者个性化信息的知识追踪系统，其特征在于，包含认知水平预估模块、分类器、状态更新模块、习得敏感性估计模块，所述认知水平预估模块分别与所述分类器、所述状态更新模块连接实现数据交互，所述分类器与所述习得敏感性估计模块、所述认知水平估计模块连接实现数据交互，所述习得敏感性估计模块与所述状态更新模块和分类器连接实现数据交互；
所述认知水平估计模块从所述状态更新模块获得表示学习者当前学习状态的第一向量，还用于获取表示将要预测的问题的第二向量，还用于依据所述第一向量与所述第二向量计算学习者当前所处的认知水平得到第三向量；
所述分类器用于获取所述第一向量、所述第二向量、所述第三向量，将其合并并预测学习者答对题目的第一数值概率；
所述习得敏感性估计模块用于获取表示学习者有没有真正做对题目的第二数值概率、
所述第一数值概率、所述第一向量、所述第二向量，还用于将所述第二数值概率、所述第一数值概率
、所述第一向量、所述第二向量进行结合并处理计算得到表示当前学习者习得敏感性程度的第四向量。
所述状态更新模块用于获取表示当前问题的第二向量、所述表示习得敏感性程度的第四向量、第二数值概率，并将其结合起来用作当前学习者的学习状态进行更新。
6.如权利要求4所述的一种基于学习者个性化信息的知识追踪系统，其特征在于，所述认知水平预估模块内置有第一向量拼接模块、认知水平估计函数模块、第一索引模块；
所述第一向量拼接模块用于将获取的表示学习者当前学习状态的所述第一向量与表示将要预测的问题的第二向量进行向量拼接；
所述认知水平估计函数模块获取拼接后的所述第一向量与所述第二向量并根据其计算学习者当前的认知水平的第一概率分布数据；
所述第一索引模块用于根据第一概率分布数据进行采样获取表示当前学习者的认知水平所对应的索引，并取出该位置上对应的表示学习者当前认知水平的所述第三向量。
7.如权利要求5所述的一种基于学习者个性化信息的知识追踪系统，其特征在于，所述习得敏感性估计模块内置有第二向量拼接模块、习得敏感性估计函数模块、第二索引模块；
所述第二向量拼接模块用于获取表示学习者当前学习状态的所述第一向量与表示问题的所述第二向量、所述第一数值概率、表示学习者有没有真正做对题目的所述第二数值概率，并对其进行拼接；
所述习得敏感性估计函数模块用于获取拼接后的所述第一向量、所述第二向量、所述第一数值概率、所述第二数值概率并根据其计算学习者当前习得敏感性的第二概率分布数据；
所述第二索引模块用于依据所述第二概率分布数据进行采样，获得表示学习者当前习得敏感性对应的索引，并取出该位置上对应的表示学习者当前习得敏感性程度的第四向量。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1‑4中任一项所述的方法的步骤。
一种基于学习者个性化信息的知识追踪方法与系统
技术领域
[0001]本发明涉及知识追踪方法领域，具体涉及一种基于学习者个性化信息的知识追踪方法与系统。
背景技术
[0002]目前现有的专利号为201911250785.7的基于图卷积的知识追踪方法提出了一种使用卷积神经网络对学生学习序列建模的方法；专利号为201911115390.6的基于层次记忆网络的知识追踪系统及方法，提出一种基于层次记忆网络的知识追踪系统，模拟人类长期记忆和短期记忆的模式，建立深度网络，对输入的知识信息进行分类衰减存储；专利号为201910717085.8的知识追踪方法利用前馈神经网络，将学习序列和习题序列转换为密集向量表征，分别利用注意力机制和习题的绝对位置得到习题的相关关系和相对位置关系，根据这两类关系，首先在学习序列的每一个学习节点初步总结学生的知识状态，然后利用卷积神经网络，对初步总结的学生的历史知识状态进行深度融合，追踪学生学习过程中不断变化的知识状态；专利号为201810887874.1的一种基于贝叶斯神经网络的深度知识追踪方法采用了embedding+LSTM+Dense结构，利用embedding层训练具有任务导向性的学生行为向量以提升模型的准确性；专利号为202110557176.7的基于图神经网络的深度知识追踪预训练方法通过构建问题和知识点关系的二分图来获取问题的低维向量表征，利用该表征作为模型的输入来提升模型的性能；
[0003]但是现有的知识追踪方法存在两个不足：
[0004] 1.缺乏对学生认知水平的显式表征：在预测学生是否能准确回答题目的时候，这些方法只会使用状态表征(如，循环神经网络的隐状态)与问题表征一起作为预测的特征，但没有考虑到同样的题目对于不同认知水平的学生来说是不一样的；
[0005] 2.缺乏对学生习得性层次的显式表征：之前的方法基本采用学生答案的准确性与问题的表征来评估学生完成题目后所获得的知识增长，但是之前的方法忽略了不同的学生在完成相同的题目后知识增长的程度是不一样的。
发明内容
[0006]本发明要解决的技术问题是现有的技术中缺乏对学生认知水平的显式表征，缺乏对学生习得性层次的显式表征，本发明提供一种基于学习者个性化信息的知识追踪方法，本发明还提供一种基于学习者个性化信息的知识追踪系统，能够在学习者回答问题之前预估学习者当前所处的认知水平层次，从而更好的辅助模型预测学生能否准确回答问题，增设了习得敏感性估计模块来估计学生回答完题目之后知识增长的层次，帮助方法在更新学生的学习状态之前先估计学生习得敏感性的层次再更新学生的学习状态，从而更好追踪学生对知识点掌握情况，用以解决现有技术导致的缺陷。
[0007]为解决上述技术问题本发明提供以下的技术方案：
[0008]第一方面，一种基于学习者个性化信息的知识追踪方法，其中，包含以下步骤：
[0009]步骤1：获取表示学习者当前学习状态的第一向量与表示将要预测的问题的第二向量；
[0010]步骤2：依据所述第一向量与所述第二向量计算学习者当前所处的认知水平得到第三向量；
[0011]步骤3：将所述第一向量、所述第二向量、所述第三向量拼接在一起后输入至分类器中进行预测，得到表示学习者答对题目的第一数值概率；
[0012]步骤4：获取表示学习者有没有真正做对题目的第二数值概率并与所述第一数值概率、所述第一向量、所述第二向量进行结合并处理计算得到表示当前学习者习得敏感性程度的第四向量；
[0013]步骤5：获取所述第四向量，与所述第二数值概率、所述第二向量结合起来用来更新当前学习者的学习状态。
[0014]上述的一种基于学习者个性化信息的知识追踪方法，其中，步骤2中依据所述第一向量数据与所述第二向量数据计算学习者当前所处的所述认知水平得到第三向量的具体步骤如下：
[0015]步骤2a：将所述第一向量与所述第二向量输入至认知水平估计函数中得到学习者
在不同认知水平的第一概率分布数据，其中认知水平估计函数为i
m，t ～f
p
(h
v
)，其中，i
m，t
是
表示当前学生认知水平的向量对应的索引，t表示的是当前的时刻，h
v
表示学习者当前所处的知识状态的第一向量与当前要预测的问题的第二向量的拼接；
[0016]步骤2b：根据第一概率分布数据获取学习者的认知水平索引，通过索引获取学生认知水平的表征，得到所述第三向量。
[0017]上述的一种基于学习者个性化信息的知识追踪方法，其中，步骤4中依据所述第一数值概率、所述第一向量、所述第二向量、所述第二数值概率合并处理计算得到表示当前学习者习得敏感性程度的第四向量的具体步骤如下：
[0018]步骤4a：将所述第一数值概率、所述第一向量、所述第二向量、所述第二数值概率进行拼接并输入至习得敏感性估计函数中，获得学生在不同习得敏感性程度的第二概率分
布数据，其中习得敏感性估计函数为i
s，t ～f
e
(v
m
)，其中i
s，t
是表示当前学生知识获取敏感度
的对应的索引，t表示的是当前的时刻，v
m
表示的是学习者当前所处的知识状态的第一向量、当前要预测的问题的第二向量、表示学习者答对题目的第一数值概率、表示学习者有没有真正做对题目的第二数值概率这四个拼接后的结果；
[0019]步骤4b：对所述第二概率分布数据进行采样，获得表示学生习得敏感性程度的向量索引，通过索引获得表示学生习得敏感性程度的第四向量。
[0020]上述的一种基于学习者个性化信息的知识追踪方法，其中，还包含步骤6：重复步骤1‑步骤5，直至学生答题序列结束。
[0021]第二方面，一种基于学习者个性化信息的知识追踪系统，其中，包含认知水平预估模块、分类器、状态更新模块、习得敏感性估计模块，所述认知水平预估模块分别与所述分类器、所述状态更新模块连接实现数据交互，所述分类器与所述习得敏感性估计模块、所述认知水平估计模块连接实现数据交互，所述习得敏感性估计模块与所述状态更新模块和分类器连接实现数据交互；；
[0022]所述认知水平估计模块用于获取表示将要预测的问题的第二向量，还用于从所述
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议