[發明專利]基于貝葉斯知識跟蹤模型的智能教學系統

有效

• 申請號: 201910014801.6
• 申請日: 2019-01-08
• 公開（公告）號: CN109598995B
• 公開（公告）日: 2020-11-17
• 發明（設計）人: 劉冬冬;郝飛;盧家義
• 申請（專利權）人: 上海健坤教育科技有限公司
• 主分類號: G09B7/02
• 分類號: G09B7/02;G09B5/02;G09B19/00;G06Q50/20
• 代理公司: 上海怡恩專利代理事務所(普通合伙) 31336
• 代理人: 牟俊玲

1.基于貝葉斯知識跟蹤模型的智能教學系統，其特征在于：

包括教學內容知識點提取標注模塊、教學內容分詞標注、貝葉斯模型參數訓練模塊、教學內容知識點掌握程度判決模塊和教學內容自動推薦模塊；

所述教學內容知識點提取標注模塊，包括教學內容預處理、選擇候選課程知識點、候選課程知識點相似度和權重計算，提取知識點進行審核標注；

所述貝葉斯模型參數訓練模塊，包括輸入訓練數據模塊、訓練計算模塊；

所述教學內容知識點掌握程度判決模塊，包括預測掌握知識點模塊、判決其是否掌握該知識點模塊；

所述預測掌握知識點模塊，包括知識點掌握程度計算、判決標準；

所述的知識點掌握程度計算，基于輸入數據特征參數模塊得出學生答對題目的概率公式如下：

P(Correct_n)＝P(L_n)*(1-P(S))+(1-P(L_n))*P(G)

學生答錯題目的概率公式如下：

P(In correct_n)＝P(L_n)*P(S)+(1-P(L_n))*(1-P(G))

知識點掌握程度計算公式如下：

其中score為答題情況，范圍在0到1之間，P(L_n)為根據學習時間增加對知識點的理解、P(S)為學生在會的狀態下仍然做錯的概率、P(G)為學生在不會的狀態下仍然猜對的概率，公式如下：

其中P(L_i-1)為上一次對知識點學習掌握值，t為上一次和當前次學習間隔，e為指數；

所述教學內容知識點掌握程度判決模塊還包括答題速度、題目困難度、歷史做題情況、題目知識點之間的相關性。

2.根據權利要求1所述的基于貝葉斯知識跟蹤模型的智能教學系統，其特征在于：

所述教學內容預處理，包括主要將教學內容進行分類處理，選取教學文件、教學內容、習題庫，將所有內容轉換為統一的純文本文件格式，便于計算機后續識別處理；

所述教學內容分詞標注，通過輔助軟件工具將教學內容進行分詞和詞性標注，加入教育領域和課程領域的詞典，精確的排列區分教學內容；

所述選擇候選課程知識點，包括：利用詞頻算法計算特征值，通過統計每個候選課程知識點的屬性來對知識點間關系的提取，每個候選課程知識點的屬性包括所在文檔的位置、所在段落的位置、所在句子的位置；

所述選擇候選課程知識點還包括在同一句子中的其它候選知識點，即知識點之間的相關性；

所述候選課程知識點相似度和權重計算，包括通過知識點間的相似度計算，其相似度計算公式如下：

其中X_i和Y_j表示文檔中的詞頻向量；X_i與Y_j的夾角余弦值θ等于1表示他們指向是完全相同的，等于0通常表示他們之間是獨立的；

知識點權重計算，其權重計算公式如下：

f(k)表示在教學內容文檔中出現知識點k的頻率，N表示教學內容包括多少篇文檔，d*f(k)表示多少教學文檔中包含了知識點k；

所述提取知識點進行審核標注，包括基于綜合測量值，經過專家評價來確定最終課程知識點和教學內容。

3.根據權利要求1所述的基于貝葉斯知識跟蹤模型的智能教學系統，其特征在于：

所述輸入訓練數據模塊包括輸入數據特征參數模塊和模型特征參數提取模塊，所述輸入數據特征參數模塊包括每個知識點的初始掌握程度P(L₀)、學生從不會到會的轉換概率P(T)、學生在不會的狀態下仍然猜對的概率P(G)，學生在會的狀態下仍然做錯的概率P(S)；所述模型特征參數提取模塊包括根據學生對知識點的初始掌握程度的差異性來提取不同的P(L₀)，即將學生進行分類訓練來提取特征參數；不同的知識點在難度上有差別，因此對各個知識點基于難度系數分別提取一套參數方法；

所述訓練計算模塊，包括自動訓練模塊，其中包括教學內容題目收集，初始參數設置，知識點分類，多知識點訓練；首先系統將預先收集教學內容題目和知識點分類，設置初始參數，利用最大期望算法對模型的特征參數進行估計，通過學生完成題目的正確率來自動更新模型參數，進行實時訓練計算模型。