[发明专利]一种基于记忆网络模型的学生学习过程评估方法及系统

说明书

本发明公开了一种基于记忆网络模型的学生学习过程评估方法及系统，涉及教育监控技术，针对现有技术中技术点关联性不足已经对学习情况描述不准确的问题提出本方案。主要通过利用静态的键矩阵以及动态的值矩阵分别进行知识点基本数据和掌握程度的数字化表示。挖掘不同知识点之间的关系，并直接评估学生对每个知识点的掌握程度。优点在于，能自动发现知识点之间的联系，并能描述学生不断变化的知识状态，更加符合人类知识追踪的实际情况。

技术领域

本发明涉及教育监控技术，尤其涉及一种基于记忆网络模型的学生学习过程评估方法以及利用该方法的系统。

背景技术

国际上流行的智能教学系统Intelligent Teaching System主要采用基于贝叶斯网络的学生知识点追踪模型BKT，即Bayesin knowledge tracing；以及基于深度神经网络的学生知识点追踪模型DKT，即Deep konwledge traing，来实现学习过程评估。理论研究已经有了一定成果，但是现有的理论模型与实际情况有较大的偏差。

使用数值模拟的手段表示人类的学习过程本质上是非常困难的，例如，人类的学习是有遗忘的，对知识的理解和掌握程度是动态变化的，人类具有触类旁通的联想能力，人类甚至能通过直觉和运气来获得考试答案。学习行为极度复杂化的客观原因，导致BKT和DKT都无法对学习过程进行有效真实的评价。

1、关于基于贝叶斯网络的学生知识点追踪模型BKT模型，是美国智能教育系统中应用较早的一种方法模型。BKT能对学生知识点的变化序列进行追踪，记录学生知识点的掌握情况变化。BKT通过stop_policy准则，判断学生是否经过多轮的做题掌握了相应的知识点。一个典型的BKT模型设置4个主要参数，L0、T、G、S。该模型需要根据学生以往的历史答题系列情况学习出这4个对应的参数。BKT是对不同的的知识点进行建模的，训练数据有多少个知识点，就有多少组对应的(L0，T,G,S)参数。标准的BKT模型也无法描述知识点之间的关联关系，当老师布置一项作业时，学生必须应用一个或多个知识点来完成这个任务。在软件程序设计时，当一个学生试图完成“int a,int b”的加法运算a+b，则应采用“整型数值”的概念；当学生试图求解“float a,float b,float c”的加法运算a+b+c时，则应采用“整型数值”和“浮点型数值”的概念。学生能够正确回答练习的概率是基于学生的知识状态，它代表学生所掌握的基本概念的深度和稳健性。

BKT假设概念状态为已知和未知的二元潜变量，利用隐马尔可夫模型更新二元概念状态的后验分布。因此，BKT不能捕捉不同概念之间的关系。此外，为了保持贝叶斯推理的可处理性，BKT使用离散随机变量和简单的转换模型来描述每个概念状态的演化。因此，尽管BKT可以输出学生对一些预定义概念的掌握程度，但它缺乏提取未定义概念和建模复杂概念状态转换的能力。

2、关于基于深度神经网络的学生知识点追踪模型DKT，是一个概率模型，拥有有限的自由参数；DKT对一个领域内所有知识点建模，而BKT是根据知识点构造模型；DKT是多知识点的交叉输入，而BKT是按照知识点进行拆分的。DKT是随着时间的推移，所有的知识点都是交织在一起的，并按照顺序对每个问题做预测。DKT基于神经网络而BKT基于概率模型，DKT比BKT拥有更多的自由变量。

除了从贝叶斯的角度解决问题外，深度学习方法DKT还利用了一种称为长短期记忆LSTM的递归神经网络RNNs的变体。LSTM假设了底层知识状态S的高维连续表示，与BKT相比，DKT的非线性输入到状态和状态到状态转换具有更强的表示能力。不需要人工标记的注释。然而，DKT将学生对所有知识点状态归纳为一种隐藏状态，这使得追踪学生对某个知识点的掌握程度和确定学生擅长或不熟悉的知识点变得困难。

发明内容

本发明目的在于提供一种基于记忆网络模型的学生学习过程评估方法，以解决上述现有技术存在的问题。

本发明所述一种基于记忆网络模型的学生学习过程评估方法，包括以下步骤：