一种可解释的深度知识追踪方法、系统及其应用技术方案

本发明专利技术属于在线教育技术领域，具体涉及一种知识追踪方法、系统及其应用。一种可解释的深度知识追踪方法，包括：以学习者的历史答题记录为输入，通过构建的基于门控循环单元的深度知识追踪模型，预测学习者对目标题目的作答情况；利用分层相关性传播算法对输入的历史答题记录与模型的预测结果进行相关性分析，获得学习者的知识掌握情况。本发明专利技术构建基于门控循环单元（GRU）构建知识追踪模型，模拟学习者的知识遗忘行为，更加符合学习者的认知，提高知识掌握预测性能；同时，提出将分层相关性传播算法引入至所构建的模型中对模型的预测结果进行分析解释，获得学习过程中各知识点之间的关联性，从而了解学习者对各知识点的掌握情况，以便于接下来对学习者进行个性化、针对性的学习指导。的学习指导。的学习指导。

【技术实现步骤摘要】
一种可解释的深度知识追踪方法、系统及其应用


[0001]本专利技术属于在线教育
，具体涉及一种知识追踪方法、系统及其应用。

技术介绍

[0002]在在线学习普及的大环境下，各大在线学习平台如雨后春笋般建立，在线教育如火如荼，学习资源的使用率和传播率空前提高。据中国互联网信息中心统计，截止到2020年底，在线教育用户达到了3.42亿人，是2016年用户人数的2倍多(中国互联网络信息中心(CNNIC).第47次中国互联网络发展现状统计报告[R].2021:55
‑
57.)，尤其在今年上半年新冠疫情爆发期间，全国各地中小学都采用了在线学习的方式。然而在线学习的留存率和完成率却始终不符合预期(赵磊,邓彤,吴卓平.基于数据挖掘的MOOC学习者学业成绩预测与群体特征分析[J].重庆高教研究,2021:1
‑
13.)，有研究调查了221门大规模在线开放课程(MOOC)，结果发现，在MOOC平台上注册的学习者的完成率在0.7％～52.1％之间，平均仅有12.6％完成了课程学习，约4/5的学习者无法及格(Jordan K.Massive open online course completion rates revisited:assessment,length and attrition[J].The International Review of Research in Open and Distributed Learning,2015,16(3):341
‑
358.)。除此之外，在一项对2万余名本科生疫情期间的在线学习情况的调查中，研究人员发现，学习者对教学平台的满意度较低，仅有一半的学习者表示满意(王飞,王忠勇,王晓川.疫情期间在线教学效果对线上“金课”建设的启示——基于郑州大学24315名本科生的在线教学满意度调查与分析[J].中国教育信息化,2021,7:31
‑
35.)。
[0003]究其原因，虽然目前的在线学习平台能够满足知识传递的需要，但平台更多的停留在知识被动呈现层面，教学模式仍然是传统教学模式的复刻。且比起传统教学，在线学习被诟病最多的在于不能实时获取学习者的学习状态，即不知道学习者掌握了哪些知识，没有掌握哪些知识，在什么时候应该给予学习者帮助
……
此外，在一个拥有数百万用户的在线课程中，教师无法兼顾到每一位学习者，以至于学习者无法清晰的了解自身的知识掌握水平，学习效率低下，降低了学习者对在线学习平台的好感度，最终导致线上学习的高辍学率。
[0004]由此可见，预测学习者的知识掌握情况，从而提供个性化指导是提升在线学习质量的关键。另一方面，在大规模在线开放课程中，可以从学习者与平台的互动中获得大量的数据，这些数据可以侧面的反应学习者的学习状态，如何处理这些数据重构学习者的知识掌握情况成为了重中之重。为了解决这个问题，实时地获知学习者的学习状态和知识掌握状态，为学习者提供个性化的指导，知识追踪技术应运而生。
[0005]当前主流的知识追踪模型除了传统的知识追踪模型外，在深度学习技术快速发展的推动下，神经网络被广泛应用于设计知识追踪模型以获得更好的预测性能，例如深度学习中循环神经网络(Recurrent Neural Network，RNN)可用来训练时间序列的数据(Schuster M,Paliwal K.Bidirectional recurrent neural networks[J].IEEE Transactions on Signal Processing,2002,45(11):2673
‑
2681.)。因此，将深度学习技术
应用于知识追踪领域可构建基于深度学习的知识追踪模型，也称为深度知识追踪模型(Deep Knowledge Tracing，DKT)(Piech C,Spencer J,Huang J.Deep knowledge tracing[J].Computer Science,2015:1
‑
9.)。然而，这些模型面临着缺乏可解释性的问题，也阻碍了它们在教育教学中的实际应用。

技术实现思路

[0006]本专利技术的目的是针对现有传统的知识追踪模型或方法存在的问题，提出了一种可解释的深度知识追踪方法、系统及其应用，本专利技术基于门控循环单元(GRU)构建知识追踪模型，提高模型预测性能，并通过引入分层相关性传播(LRP)算法解决模型可解释性差的问题。
[0007]为了实现上述目的，本专利技术的其中一个方面提供一种可解释的深度知识追踪方法，包括：以学习者的历史答题记录为输入，通过构建的基于门控循环单元的深度知识追踪模型，预测学习者对目标题目的作答情况；利用分层相关性传播算法对输入的历史答题记录与模型的预测结果进行相关性分析，获得学习者的知识掌握情况。
[0008]优选地，所述的基于门控循环单元的深度知识追踪模型包括重置门、更新门；所述的重置门用于根据输入的历史答题记录，对所要遗忘的答题记录进行选择；所述更新门用于确定需要记忆到到未来的答题记录。
[0009]本专利技术的另一方面提供一种可解释的深度知识追踪系统，该系统包括预测模型，用于根据学习者的历史答题记录，预测学习者对目标题目的作答情况；
[0010]解释模块，利用分层相关性传播算法对输入的历史答题记录与模型的预测结果进行相关性分析，获得学习者的知识掌握情况。
[0011]优选地，所述的解释模块，计算输入的每一个题目的答题情况与模型预测结果之间的相关系数；根据相关系数的大小，判断输入题目与目标题目之间的关联程度。
[0012]本专利技术的第三个方面提供一种所述的可解释的深度知识追踪系统的应用，该系统用于在线学习中实现对学习者的个性化学习指导。
[0013]优选地，该系统可用于支持智能教学系统或MOOC平台。
[0014]本专利技术提供的可解释的深度知识追踪方法、系统及其应用，具有的有益效果在于：本专利技术构建的基于门控循环单元(GRU)构建知识追踪模型，模拟学习者的知识遗忘行为，更加符合学习者的认知，提高知识掌握预测性能；同时，提出将分层相关性传播算法引入至所构建的模型中对模型的预测结果进行分析解释，获得学习过程中各知识点之间的关联性，从而了解学习者对各知识点的掌握情况，以便于接下来对学习者进行个性化、针对性的学习指导。
附图说明
[0015]图1为本专利技术实施例中构建的模型的示意图；其中，(a)基于门控循环单元的知识追踪模型结构图，(b)为(a)的展开形式；
[0016]图2是分层相关性传播算法示意图；
[0017]图3为分层相关性传播算法对模型预测结果的分析解释原理示意图；
[0018]图4为本专利技术实施例中LSTM和GRU模型的评估结果；
[0019]图5是本专利技术实施例中删除实验模型准确率变化图，其中，(a)基于LSTM知识追踪模型学习者作答正确的练习序列、(b)基于LSTM知识追踪模型学习者作答错误的练习序列、(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种可解释的深度知识追踪方法，其特征在于，包括：以学习者的历史答题记录为输入，通过构建的基于门控循环单元的深度知识追踪模型，预测学习者对目标题目的作答情况；利用分层相关性传播算法对输入的历史答题记录与模型的预测结果进行相关性分析，获得学习者的知识掌握情况。2.根据权利要求1所述的可解释的深度知识追踪方法，其特征在于，所述的基于门控循环单元的深度知识追踪模型包括重置门、更新门；所述的重置门用于根据输入的历史答题记录，对所要遗忘的答题记录进行选择；所述更新门用于确定需要记忆到未来的答题记录。3.一种可解释的深度知识追踪系统，其特征在于：该系统包括预测模型，用于根据学习者的历史答题记录，...

【专利技术属性】
技术研发人员：吕伟刚，池梦娅，任冰倩，王潇，吕立，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：