[发明专利]一种基于学习者知识状态演化表示的知识追踪方法及系统

说明书

本发明提供一种基于学习者知识状态演化表示的知识追踪方法及系统，该方法包括：获取统计的多个学习者对多个知识点样本的认知数据集；生成学习者的知识状态表示，搭建知识追踪模型；生成学习者的未来答题表现的预测值，搭建的知识追踪模型中，贝叶斯知识追踪算法的输入是状态矩阵，输出是学习者的未来答题表现的预测值；生成演化项；将演化项纳入损失函数并最优化，知识追踪模型的训练目标是生成准确的学习者未来答题表现的预测值，并且准确建模知识状态的平缓变化，该目标通过定义损失函数来具化的。

技术领域

本发明属于知识追踪领域，具体涉及基于学习者知识状态演化表示的知识追踪方法及系统。

背景技术

知识追踪是一种重要的学习者建模方法，它对学习者的历史答题序列进行建模，追踪学习者的知识状态，进而预测学习者的未来答题表现。具体地，学习者的知识状态指的是学习者对知识点的掌握程度，它会随着答题情况不断发生变化。通常来说，相邻答题过程中，知识状态应当是逐渐过渡、平缓演化的。如何还原知识状态平缓变化的过程，是知识追踪任务的关键问题。

现有的知识追踪模型主要包括两类。第一类是概率知识追踪模型，以经典的贝叶斯知识追踪(BayesianKnowledge Tracing，BKT)为代表，使用具有特定语义的状态参数表示学习者的知识状态，通过状态参数计算知识状态的变化。该类模型的优点是状态参数语义清晰，可解释性较高；缺点是没有建模知识状态的平缓变化。第二类是深度学习知识追踪模型，以经典的深度知识追踪(Deep Knowledge Tracing，DKT)为代表，使用深度神经网络生成的分布式向量或矩阵表示学习者的知识状态，通过相邻时间步上分布式向量或矩阵的变化建模知识状态的变化。该类模型的优点是预测性能较高；缺点同样是没有建模知识状态的平缓变化。上述两类模型都在实际应用中取得了良好效果，是后续研究的坚实基础。然而，共同的不足是难以建模学习者知识状态平缓演化的过程，无法还原真实的学习场景。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供一种基于学习者知识状态演化表示的知识追踪方法及系统，通过统计学习者答题序列数据生成学习者知识状态表示—状态矩阵，利用计算相邻时间步上状态矩阵的差值来建模学习者知识状态的整体变化；进一步引入演化权重，用来量化状态矩阵中的每个状态列在整体变化中的影响大小；进一步生成演化项，用来表示相邻答题过程中知识状态的准确变化；进一步将演化项纳入到损失函数中，最优化损失函数的过程中实现了还原知识状态平缓变化过程的目标，建模了真实的学习场景。该方法能够完成知识追踪任务，定义状态矩阵表示学习者的知识状态的状态矩阵，通过状态矩阵可以进一步预测出学习者的未来答题表现。

为实现上述目的，本发明提供一种基于学习者知识状态演化表示的知识追踪方法，包括如下步骤：

S1.获取统计的多个学习者对多个知识点样本的认知数据集；

S2.生成学习者的知识状态表示，搭建知识追踪模型，搭建的知识追踪模型中，长短期记忆神经网络和全连接神经网络的输入是认知数据集，输出是状态矩阵；

S3.生成学习者的未来答题表现的预测值，搭建的知识追踪模型中，贝叶斯知识追踪算法的输入是状态矩阵，输出是学习者的未来答题表现的预测值；

S4.生成演化项，将演化权重与知识状态的整体变化组合为演化项，以表示学习者在相邻答题中知识状态的准确变化；

S5.将演化项纳入损失函数并最优化，知识追踪模型的训练目标是生成准确的学习者未来答题表现的预测值，并且准确建模知识状态的平缓变化，该目标通过定义损失函数来具化的。

作为本发明的进一步改进，步骤S1中所述的认知数据集包括多个时间序列，一个时间序列包括多个时间步数据，多个时间步数据表示一个学习者在多个知识点上的答题情况；一个时间步数据是一个学习者在一个知识点上的答题情况。