[發明專利]成績預測方法及裝置、存儲介質、電子設備

有效

• 申請號: 201711208749.5
• 申請日: 2017-11-27
• 公開（公告）號: CN108171358B
• 公開（公告）日: 2021-10-01
• 發明（設計）人: 黃振亞;蘇喻;陰鈺;劉淇;陳恩紅;胡國平
• 申請（專利權）人: 科大訊飛股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/20;G06F40/289;G06K9/62
• 代理公司: 北京維澳專利代理有限公司 11252
• 代理人: 王立民

本公開提供一種成績預測方法及裝置、存儲介質、電子設備。所述方法包括：獲取學生的歷史做題記錄以及待預測試題，所述歷史做題記錄包括歷史試題以及該歷史試題對應的成績；將所述歷史做題記錄和所述待預測試題作為輸入，經由成績預測模型，得到學生的當前知識狀態向量以及所述待預測試題的表征向量，并基于所述當前知識狀態向量以及所述待預測試題的表征向量，輸出所述待預測試題的預測成績；所述當前知識狀態向量用于表示學生當前的知識掌握水平，由基于所述歷史做題記錄得到的歷史知識狀態向量計算得到；所述待預測試題的表征向量用于表示所述待預測試題的個性化特征。如此方案，有助于提高成績預測的準確性。

技術領域

本公開涉及人工智能技術領域，具體地，涉及一種成績預測方法及裝置、存儲介質、電子設備。

背景技術

隨著大數據和人工智能的發展，個性化學習模式得以廣泛應用，它能夠評估學生的知識能力，預測學生在各試題上的得分情況，確定學生的薄弱項，為學生推薦個性化的學習資源，使學習變得簡單高效。

目前，常用的成績預測方法大多需要預先對試題進行知識點標注，基于知識點預測學生的做題成績，即預測學生做對待預測試題的概率。下面對現有的成績預測方法進行舉例說明：

1.基于認知診斷的方法

以DINA模型(英文：Deterministic Inputs,Noisy and Gate，中文：確定性連續技能診斷模型)為例，可以引入試題知識點關聯信息Q矩陣，以此表示試題標注了哪些知識點，通過建模診斷學生對知識點的掌握程度，進而根據學生對知識點的掌握程度、以及待預測試題的知識點關聯信息，預測學生的做題成績。該模型中，學生對知識點的掌握程度可以表示為一個多維知識點的能力向量，每一維表示該學生是否掌握了對應知識點，可以用0-1離散值表示，例如，“1”表示掌握了知識點，“0”表示未掌握知識點。

2.基于知識追蹤(英文：Knowledge Tracing，簡稱：KT)的方法

對試題進行知識點標注后，當學生針對某個知識點進行了多道試題的練習時，KT模型可以利用馬爾科夫性質建模這一過程，診斷該學生對這一知識點的掌握變化過程，例如，變化過程可以是從未掌握到掌握。

3.基于協同過濾的方法

對學生歷史做題記錄的得分矩陣進行低秩分解，去冗余得到表示學生特征的學生矩陣、表示試題特征的試題矩陣，然后合并學生矩陣以及試題矩陣，可以得到一個新的得分矩陣，新的得分矩陣可以填充原始得分矩陣中的空缺值，即預測出對應試題的得分。其中，試題特征可以體現為相似試題、相似知識點的教研經驗，學生特征可以體現為相似學生的教研經驗。低秩分解的方法可以是SVD(英文：Singular value decomposition，中文：奇異值分解)法、概率矩陣分解方法、非負矩陣分解方法等。

上述基于知識點實現的成績預測方法，存在以下問題：

目前大多由教研人員或一線教師，通過人工方式為每道試題標注合適的知識點，如此方法對標注人員的要求較高，耗時耗力，且隨著新試題的加入需要持續投入人力進行標注，可實施性較差；此外，人工標注的主觀性較強，針對同一試題，很容易出現不同標注人員的標注結果不一致的情況。

另外，雖然很多試題考察的是相同的知識點，但是試題的難易程度不同，學生的成績也可能會有多不同，故，單純的通過知識點進行成績預測，很可能因為信息缺失較大影響成績預測的效果，導致預測結果不準確。

發明內容

本公開的主要目的是提供一種成績預測方法及裝置、存儲介質、電子設備，有助于提高成績預測的準確性。

為了實現上述目的，本公開提供一種成績預測方法，所述方法包括：

獲取學生的歷史做題記錄以及待預測試題，所述歷史做題記錄包括歷史試題以及該歷史試題對應的成績；