一种基于习题难度和学生能力的深度嵌入知识追踪方法技术

本发明专利技术属于知识追踪领域，公开了一种基于习题难度和学生能力的深度嵌入知识追踪方法，包括S1构建深度知识追踪模型：在所述的深度知识追踪模型中还融入习题难度特征和学生能力特征；S2预测学生表现：融合注意力机制，利用步骤一构建的深度知识追踪模型对学生表现进行预测。本发明专利技术相比传统知识追踪方法，考虑到了习题难度和学生能力的不同对学生答题情况的影响，并通过注意力机制使模型将更多的注意力放在具有相似习题难度和学生能力的答题记录上，提高了预测的准确性。本发明专利技术不仅提升了知识追踪的准确性，同时还可以在后续习题推荐应用中使用，提高了应用的效果。提高了应用的效果。提高了应用的效果。

【技术实现步骤摘要】
一种基于习题难度和学生能力的深度嵌入知识追踪方法


[0001]本专利技术属于知识追踪领域，具体涉及一种基于习题难度和学生能力的深度嵌入知识追踪方法。

技术介绍

[0002]随着教育信息化2.0时代的到来，教育大数据、学习分析、人工智能等技术的迅猛发展，近年来，利用网络资源进行学习的人数迅猛增长，例如大规模在线公开课程(Couresra、EDX、MOOCs等)平台为来自世界各地的学习者提供了丰富的高质量学习资源，让世界上任何一个人都可以没有障碍地去学习。通过这些平台积累了大量的教育资源数据，其中包括用户信息数据、学习数据、考试数据和用户行为数据等。这些数据都为教育数据挖掘的教育评估和智能辅导的深入研究提供了数据基础。
[0003]但面对日益增长的海量数据信息，学习者想要查找到真正对自己有帮助的信息犹如大海捞针一般困难，所以网络学习资源的爆炸性增长，也给学习者带来了信息迷航与过载的问题，阻碍了学习者精准定位适合自己的学习资源。于是在这种情况下，一个好的知识追踪算法可以追踪学生知识的掌握程度，可靠的预测学生未来的表现并提高学习的效率，不仅能够解决学生的个性化需求问题，并且能够有效避免信息迷航与过载的情况。
[0004]目前知识追踪的研究主要有贝叶斯知识追踪(Bayesian Knowledge Tracing，BKT)、动态键值记忆神经网络(Dynamic Key
‑
Value Memory Networks,DKVMN)和深度知识追踪(Deep Knowledge Tracing,DKT)这三种模型。贝叶斯知识追踪是使用贝叶斯网络来建模学生学习过程中的知识状态变化，但忽略了学生的练习顺序和习题之间的关联对预测结果的影响。动态键值内存网络(DKVMN)由Irwin King于2017年提出并用于知识追踪任务，该模型用一个称为键的静态矩阵存储习题概念和另一个称为值的动态矩阵存储和更新学生对相应习题的掌握程度(即学生的知识状态)。但现有的DKVMN仅将习题标签和正确性标签作为模型的输入，忽略了智能学习平台收集的其他与学生做题相关的信息。深度知识追踪(DKT)使用深度学习方法来追踪学生知识的掌握程度，现有深度知识追踪模型主要基于RNN和LSTM实现，虽然预测精度有所提高，但是只采用了学生的答题序列和答题结果，而忽略了其他特征对学生学习过程的影响，例如习题难度和学生自身能力，影响了模型性能的进一步提升。在现实情况下具有相同能力的学生作答不同难度的题目，和具有不同能力的学生作答相同难度的题目，会对他们的学习成果产生截然不同的影响。

技术实现思路

[0005]针对上述现有技术中只采用了学生的答题序列和答题结果而忽略了学生能力和习题难度对学生学习过程的影响，导致无法区别具有不同学习能力的学生作答不同习题难度时的答题情况的技术问题，本专利技术的目的在于提供一种基于习题难度和学生能力的深度嵌入知识追踪方法。
[0006]为了实现上述任务，本专利技术采用以下技术方案：
[0007]一种基于习题难度和学生能力的深度嵌入知识追踪方法，包括：
[0008]S1构建深度知识追踪模型：在所述的深度知识追踪模型中还融入习题难度特征和学生能力特征；
[0009]S2预测学生表现：融合注意力机制，利用步骤一构建的深度知识追踪模型对学生表现进行预测。
[0010]可选的，S个学生i，Q个习题j，t∈(1，...T)，S和Q均为非0的自然数，S1具体包括：
[0011]步骤1：获取习题难度特征和学生能力特征，通过学生的历史答题记录计算得到习题难度值Difficulty(j)和学生能力值Ability(i)，习题难度特征和学生能力特征用习题难度值Difficulty(j)和学生能力值Ability(i)表示；
[0012]步骤2：依据习题难度值Difficulty(j)和学生能力值Ability(i)进行嵌入编码得到习题难度嵌入向量de
t
和学生能力嵌入向量se
t
；
[0013]步骤3：学生答题情况r
t
、习题难度嵌入向量de
t
和学生能力嵌入向量se
t
进行联合编码得到输入向量LSTM网络获得学生的隐藏学习状态向量h
t
；
[0014]步骤4：预测时根据注意力权重α
t
，使深度知识追踪模型将注意力放在具有相似习题难度和相似学生能力的答题记录上，预测学生答对下一时刻题目的概率。
[0015]可选的，所述的输入向量通过下式获得：
[0016][0017][0018]其中，de
t
为习题难度嵌入向量，se
t
为学生能力嵌入向量，r
t
表示学生答题情况；习题难度嵌入de
t
和学生能力嵌入se
t
的联合编码为e
t
；
[0019]利用LSTM网络对学生学习状态进行建模，得到学生每一时刻的隐藏学习状态向量h
t
。
[0020]可选的，所述的预测学生表现包括如下步骤：
[0021][0022]其中，为学生答对T+1时刻题目的概率；W1，W2，b1，b2是模型参数；σ(x)是sigmoid激活函数；符号表示连接操作；α
t
＝cos(e
T+1
,e
t
)，e
t
是第t次交互时，习题难度和学生能力嵌入向量的联合编码向量。
[0023]可选的，所述习题难度值Difficulty(j)通过下式获得：
[0024][0025]其中N
j
是尝试作答习题j的学生集合，x
ij
是学生i对习题j的第一次尝试结果，如果作答习题j的学生总数小于5人，那么默认这道题的难度为0.5。
[0026]可选的，所述学生能力值Ability(i)通过下式获得：
[0027][0028][0029][0030]其中，Correct(ij)和Incorrect(ij)代表学生i正确或者错误回答习题j的概率，其中N
ij
代表学生i尝试作答习题j的次数，a
jt
代表学生i在第t次时正确还是错误回答习题j，0代表回答错误，1代表回答正确；如果N
ij
小于5，那么用Difficulty(j)来代替Ability(i)。
[0031]可选的，所述习题难度嵌入向量de
t
通过如下方法得到：
[0032]建立一个全连接神经网络，网络的输入为习题编号j，网络的输出为习题难度Difficulty(j)，然后随机初始化de
t
∈R
K
作为习题难度的嵌入表示，在训练过程中自动学习；习题难度可以转化为一个嵌入矩阵D∈R
Q
×
K
，其中K为嵌入向量的维度，Q为习题个数。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于习题难度和学生能力的深度嵌入知识追踪方法，其特征在于，包括：S1构建深度知识追踪模型：在所述的深度知识追踪模型中还融入习题难度特征和学生能力特征；S2预测学生表现：融合注意力机制，利用步骤一构建的深度知识追踪模型对学生表现进行预测。2.根据权利要求1所述的基于习题难度和学生能力的深度嵌入知识追踪方法，其特征在于，S个学生i，Q个习题j，t∈(1，...T)，S和Q均为非0的自然数，S1具体包括：步骤1：获取习题难度特征和学生能力特征，通过学生的历史答题记录计算得到习题难度值Difficulty(j)和学生能力值Ability(i)；步骤2：依据习题难度值Difficulty(j)和学生能力值Ability(i)进行嵌入编码得到习题难度嵌入向量de
t
和学生能力嵌入向量se
t
；步骤3：学生答题情况r
t
、习题难度嵌入向量de
t
和学生能力嵌入向量se
t
进行联合编码得到输入向量LSTM网络获得学生的隐藏学习状态向量h
t
；步骤4：预测时根据注意力权重α
t
，使深度知识追踪模型将注意力放在具有相似习题难度和相似学生能力的答题记录上，预测学生答对下一时刻题目的概率。3.根据权利要求1或2所述的基于习题难度和学生能力的深度嵌入知识追踪方法，其特征在于，所述的输入向量通过下式获得：通过下式获得：其中，de
t
为习题难度嵌入向量，se
t
为学生能力嵌入向量，r
t
表示学生答题情况；习题难度嵌入de
t
和学生能力嵌入se
t
的联合编码为e
t
；利用LSTM网络对学生学习状态进行建模，得到学生每一时刻的隐藏学习状态向量h
t
。4.根据权利要求1或2所述的基于习题难度和学生能力的深度嵌入知识追踪方法，其特征在于，所述的预测学生表现包括如下步骤：其中，为学生答对T+1时刻题目的概率；W1，W2，b1，b2是模型参数；σ(x)是sigmoid激活函数；符号表示连接操作；α
t
＝cos(e
T+1
,e
t
)，e
t
是第t次交互时，习题难度和学生能力嵌入向量的联合编码向量。5.根据权利要求1或2所述的基于习题难度和学生能力的深度嵌入知识追踪方法，其特征在于，所述习题难度值Difficulty(j)通过下式获得：
其中N
j
是尝试作答习题j的学生集合，x
ij
是学生i对习题j的第一次尝试结果，如果作答习题j的学...

【专利技术属性】
技术研发人员：冯筠，赵艾琦，孙霞，许秉圣，
申请(专利权)人：西北大学，
类型：发明
国别省市：