[发明专利]融合学生知识点题目交互信息的知识追踪方法与系统

说明书

本发明公开了一种融合学生、知识点、题目三者间交互信息的知识追踪方法与系统。该方法包括步骤：获取学生历史答题记录集合；对学生历史答题记录集合中的数据进行编码，获取当前答题记录编码和下一题目信息编码，将当前答题记录编码与下一题目信息编码进行拼接得到输出向量；从输出向量中解码出学生与题目间的交互参数、学生与知识点间的交互参数，从下一题目信息编码中解码出知识点与题目的交互参数；将所有交互参数输入到贝叶斯概率模型，输出答题预测结果。本发明融合了深度学习模型和贝叶斯概率模型，建模了学生和知识点的交互、学生和题目的交互、知识点和题目间的交互，为解释学习过程提供了良好的可解释性，提高了知识追踪准确性。

技术领域

本发明属于知识追踪技术领域，更具体地，涉及一种融合学生、知识点、题目三者间交互信息的知识追踪方法与系统。

背景技术

知识追踪根据学生的历史学习记录来追踪学生的知识点掌握水平变化，进而准确地预测学生在未来的学习中的表现。本质上来说，知识追踪是在建模学生(Student)，知识点(Concept)，题目(Question)三者之间的交互。由此可见，全面的建模这三类交互是提升知识追踪模型表现的关键。

但是大多数现存的知识追踪模型无法同时描述这些交互。

知识追踪领域有两类经典的模型，第一类经典模型是深度知识追踪模型(DeepKnowledge Tracing models，简称DKTs)，借助深度学习强大的模型能力，DKTs能较好预测结果，但是从解释性上看，绝大多数DKTs没有建模学生与题目的交互、以及知识点与题目的交互。第二类经典模型是贝叶斯知识追踪模型及其变体(Bayesian Knowledge Tracingmodels，简称BKTs)。BKTs使用了一组参数来解释学习过程，但是BKTs忽略了知识点与题目的交互，此外，BKTs用同一组参数静态地描述所有学生在同一知识点上的表现，既没有个性化学生，也没考虑参数随时间的变化，这是BKTs的预测表现不如DKTs的主要原因之一。

发明内容

针对现有技术的至少一个缺陷或改进需求，本发明提供了一种融合学生知识点题目三者间交互信息的知识追踪方法与系统，融合了深度学习模型和贝叶斯概率模型，建模了学生和知识点的交互、学生和题目的交互、知识点和题目间的交互，为解释学习过程提供了良好的可解释性，提高了知识追踪准确性。

为实现上述目的，按照本发明的第一方面，提供了一种融合学生、知识点、题目三者间交互信息的知识追踪方法，包括：

获取学生历史答题记录集合；

对学生历史答题记录集合中的数据进行编码，获取当前答题记录编码和下一题目信息编码，将当前答题记录编码与下一题目信息编码进行拼接得到输出向量；

从输出向量中解码出学生与题目间的交互参数、学生与知识点间的交互参数，从下一题目信息编码中解码出知识点与题目的交互参数；

将所有交互参数输入到贝叶斯概率模型，输出答题预测结果。

优选地，所述贝叶斯概率模型输出答题预测结果的方法包括步骤：

根据学生与知识点间的交互参数、知识点与题目的交互参数获得学生解决题目的概率；

根据学生解决题目的概率、学生与题目间的交互参数以及下一题目关联知识点的独热编码，输出答题预测结果。

优选地，还包括步骤：

分别建立学生与题目间的交互参数的分级惩罚损失函数、学生与知识点间的交互参数的分级惩罚损失函数、知识点与题目的交互参数的分级惩罚损失函数。

优选地，所述对学生历史答题记录集合中的数据进行编码包括步骤：