[发明专利]一种基于融合认知计算的知识跟踪方法

说明书

本发明公开了一种基于融合认知计算的知识跟踪方法，具体步骤为：获取统计的认知者对知识组件样本所处的各个记忆状态数据、各个学习状态数据和认知表现数据，建立认知者的记忆系统模型M、学习系统模型L和认知者的表现状态模型O，迭代计算待测知识组件的后验概率P(M，L|O)，利用待测知识组件的后验概率P(M，L|O)迭代计算得到预设的认知模型的参数值，利用预设的认知模型计算得到认知者对待测知识组件的认知表现信息，从而更好地预测学习者的知识学习状态，更好地辅助具体的教学实践。

技术领域

本发明属于知识跟踪领域，具体涉及一种基于融合认知计算的知识跟踪方法。

背景技术

知识跟踪的目标是预测学习者的知识学习状态，这是学习者建模领域的核心问题，过往研究为解决这一问题主要提供了三类模型。第一类是静态知识跟踪模型，以项目反应理论(Item Response Theory,IRS)为代表，先建模学习者及知识的各项特征，再计算学习者对某知识的学习状态，其优点是模型简单清晰，缺点是模型为静态，不能反映学习者在学习过程中知识学习状态的变化。第二类是动态知识跟踪模型，以贝叶斯知识跟踪(Bayesian Knowledge Tracing,BKT)模型为代表，先建模学习状态，再与学习者问题回答正确与否相关联。其优点是各状态语义清晰且状态的转移和映射模拟了学习过程，缺点是学习状态的二分建模未能反映真实的学习状态。第三类是基于深度学习的知识跟踪模型，以深度知识跟踪(Deep Knowledge Tracing,DKT)为代表。其优点是在某些条件下预测效果较好，缺点是无法提供模型的语义解释。上述三类模型在各自的适用领域取得了较好的效果，为知识跟踪领域的后续研究提供了坚实的基础。

然而，知识学习的过程本质上是人类的一种复杂认知过程，这是认知心理学和认知神经科学领域的共识，而且认知领域已在知识学习认知机理方面通过大量实验总结出多种学习理论，对知识学习相关的认知要素和认知过程进行了深入的分析。但现有的知识跟踪模型研究并未与认知领域的研究成果紧密融合，现有的知识跟踪模型也没有如实地反映知识学习的认知过程，失去了取得更好知识跟踪效果的认知基础。随着对知识跟踪模型的结果的要求不断提高，传统的知识跟踪模型与已有的认知领域的研究成果之间的矛盾日益突出，如何利用认知领域的研究成果构建符合知识学习认知过程的知识跟踪模型，正在成为亟待解决的重要课题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于融合认知计算的知识跟踪方法，通过统计的知识组件样本数据建立认知者的记忆系统M、学习系统L和表现状态O，并进行迭代计算待测知识组件的后验概率P(M,L|O)，利用后验概率计算认知模型的参数值，进而利用认知模型推导出认知者对待测知识组件的认知表现数据。

为实现上述目的，按照本发明的一个方面，提供了一种基于融合认知计算的知识跟踪方法，具体步骤为：

获取统计的认知者对知识组件样本所处的各个记忆状态数据，对所述记忆状态数据进行处理，建立记忆状态之间的转移关系，即记忆系统模型M；

获取统计的认知者对知识组件样本所处的各个学习状态数据，对所述学习状态数据进行处理，建立学习状态之间的转移关系，即学习系统模型L；

获取统计的认知者对知识组件样本的认知表现数据，对所述认知表现数据进行处理，建立表现状态模型O；

对所述记忆系统模型M、学习系统模型L和表现状态模型O中的获取数据进行处理，获取待测知识组件的后验概率P(M,L|O)数据信息，对该数据信息进行迭代处理，获得预设的认知模型的参数值数据，进一步利用预设的认知模型获取并输出认知者对待测知识组件的认知表现信息。

作为本发明的进一步改进，记忆状态数据包括瞬时记忆状态s、工作记忆状态w、长时记忆状态g和遗忘状态f，记忆系统模型M可表示为：