[发明专利]动态知识掌握建模方法、建模系统、存储介质及处理终端

说明书

本发明属于个性化学习技术领域，公开了一种动态知识掌握建模方法、建模系统、存储介质及处理终端，构建学习过程中影响学习者知识掌握状态及表现的学习资源画像指标和学习者画像指标；从在线学习平台中采集包含相应的学习者行为数据以及数字学习资源特征的数据集；对构建的学习资源画像指标和学习者画像指标进行学习者信息融合量化处理，得到浅层学习特征；利用堆叠自编码器对得到的浅层学习特征进行深度表征及融合，构建深度学习者特征；构建基于记忆与遗忘因素结合的动态知识掌握模型。本发明有利于提高学习者表现的预测精度，也为动态知识掌握建模领域发展提供了新的思路，助力该领域发展。

技术领域

本发明属于个性化学习技术领域，尤其涉及一种动态知识掌握建模方法、建模系统、存储介质及处理终端。

背景技术

目前，随着互联网教育的蓬勃发展，各式各样的在线学习平台和教学系统接踵而至。但无论是线下教学模式还是线上教学方案，都会受到有限的教育资源的制约，导致教育者无法提供个性化的教学指导，学习者也无法获得个性化的学习服务。于是，研究人员试图通过人工智能领域相关的计算机技术来填补这项服务的空缺。从教育研究的角度来看，相比于面对面的课程而言，以在线学习系统为基础的研究将更具备优势。其中最显著的就是在线系统能利用记录下来的学习轨迹数据进行进一步地建模分析，这种改变为真正实现教学者的个性化辅导和学习者的个性化学习带来了一定的可能性。动态知识掌握建模就是其中一种用于学习者建模的主流方法，旨在随着时间的推移，通过观察学习者试题作答的正确情况以及回答问题时的所用时长等诸多的行为表现，确定出隐藏在学习者学习过程中的学习属性，推断出学习者在时间进程中的学习状态矩阵，从而对学习者的知识掌握情况进行动态预测。通过对学习者知识水平轨迹的预判，再根据学习者的不同表现进行诸如资料推荐、分数预测等个性化学习场景的服务。具体地来讲，动态知识掌握建模建立的是学习者的学习状态模型，通过学习者的行为表现动态地学习学习者在不同时刻下潜在的学习状态表示。模型所获得的学习状态表示最终可被看作是学习者在某时刻下对某类知识点的熟练掌握程度。

目前最主流的动态知识掌握建模方法分别是基于贝叶斯的知识掌握建模方法以及基于深度学习的知识掌握建模方法。基于贝叶斯的知识掌握建模方法核心是含有隐变量的马尔科夫模型。马尔科夫模型将学习者的知识空间用一组二进制变量进行表示，由学习者的作答情况建立马尔科夫模型，通过更新各个知识点二元隐变量的概率，从而预测含某知识点的试题能否做答正确。基于贝叶斯的知识掌握建模方法的优势在于可解释性较强，容易进行参数估计，对数据集较少的学习者也能有较好的预测表现。其劣势在于用二进制变量表示的方式限制了模型中试题的类型，并且其不考虑遗忘因素，假设学习者在学习过程中不会有遗忘，这和实际的学习过程是相违背的。通过认知任务分析的方式可以加以完善此类方法，但对教育专家的依赖性相对较高。

近年来，研究人员将循环神经网络(RNN,RecurrentNeuralNetwork)引入到动态知识掌握建模中，提出了基于深度学习的知识掌握建模方法，也使得动态知识掌握建模方法得到飞速发展。RNN所具备的高维度和连续性能对隐藏的学习状态空间表示发挥特殊的作用。基于深度学习的知识掌握建模方法不仅可以预测最近的学习情况，还可以对相对更晚的时间点的学习情况进行追踪预测，尤其是RNN的变种模型LSTM更是将这一特点发挥到极致。RNN和LSTM都可以作为根据学习者的历史做题记录进而预测学习者未来学习表现的可靠的学习模型，并较以往的动态知识掌握建模方法取得一定的突破。

传统动态知识掌握建模方法只考虑试题所包含的知识点以及学习者是否回答正确这两个学习因素，忽略了学习者学习过程中其他行为特征以及数字学习资源本身的属性特征，这既不符合实际的学习场景，也可能影响学习者表现预测的效果。

通过上述分析，现有技术存在的问题及缺陷为：

(1)基于深度学习的知识掌握建模方法忽略了学习者学习过程中其他行为特征以及数字学习资源本身的属性特征，既不符合实际的学习场景，也会导致表现预测输出结果不准确；