[發(fā)明專利]基于因果推理的知識(shí)追蹤方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110223365.0
• 申請(qǐng)日: 2021-03-01
• 公開（公告）號(hào): CN113052316B
• 公開（公告）日: 2022-01-11
• 發(fā)明（設(shè)計(jì)）人: 黃昌勤;朱佳;黃瓊浩;梁婉瑩
• 申請(qǐng)（專利權(quán)）人: 浙江師范大學(xué)
• 主分類號(hào): G06N5/04
• 分類號(hào): G06N5/04;G06N3/04;G06N3/08
• 代理公司: 廣州嘉權(quán)專利商標(biāo)事務(wù)所有限公司 44205
• 代理人: 黎揚(yáng)鵬

本發(fā)明公開了一種基于因果推理的知識(shí)追蹤方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)，其中方法包括：獲取隨機(jī)變量、潛在結(jié)果，并確定隨機(jī)變量和潛在結(jié)果的關(guān)系式；獲取觀測(cè)變量，將觀測(cè)變量分為混雜變量、調(diào)整變量和無關(guān)變量；采用因果推理的方法進(jìn)行分析，根據(jù)混雜變量、調(diào)整變量以及隨機(jī)變量和潛在結(jié)果的關(guān)系式，確定潛在結(jié)果的轉(zhuǎn)換輸出；根據(jù)轉(zhuǎn)換輸出，確定第一目標(biāo)函數(shù)；獲取樣本權(quán)重并確定第二目標(biāo)函數(shù)；根據(jù)第二目標(biāo)函數(shù)以及樣本權(quán)重，確定平衡權(quán)重，平衡權(quán)重可以減少要素之間的協(xié)方差，以幫助評(píng)估單個(gè)變量與結(jié)果變量之間的因果關(guān)系。

技術(shù)領(lǐng)域

本申請(qǐng)涉及知識(shí)追蹤領(lǐng)域，尤其涉及一種基于因果推理的知識(shí)追蹤方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著人工智能在各種領(lǐng)域建模方面的成功，人們希望使用算法來模擬人類跟蹤學(xué)生在掌握特定技能或概念時(shí)的知識(shí)狀態(tài)的能力，并預(yù)測(cè)學(xué)生的學(xué)習(xí)表現(xiàn)，這激發(fā)了人們對(duì)知識(shí)跟蹤(Knowledge Tracing，KT)的研究。知識(shí)追蹤是一個(gè)根據(jù)歷史數(shù)據(jù)對(duì)學(xué)生的知識(shí)狀態(tài)進(jìn)行建模的任務(wù)，代表了學(xué)生知識(shí)的掌握水平。解決KT問題的一個(gè)著名模型是基于遞歸神經(jīng)網(wǎng)絡(luò)的模型，稱為深度知識(shí)跟蹤(Deep Knowledge Tracing，DKT)，雖然DKT在知識(shí)追蹤任務(wù)中取得了令人印象深刻的表現(xiàn)，但DKT有一個(gè)主要問題，即預(yù)測(cè)輸出的過渡。當(dāng)一個(gè)學(xué)生在一項(xiàng)與技能i相關(guān)的學(xué)習(xí)任務(wù)中表現(xiàn)良好時(shí)，該模型對(duì)該技能的預(yù)測(cè)性能可能會(huì)下降，反之亦然。這是不合理的，因?yàn)槿藗兿Ｍ麑W(xué)生的知識(shí)狀態(tài)是隨著時(shí)間的推移逐漸過渡，而不是在掌握和未掌握之間交替，這種波浪式的轉(zhuǎn)變是不利的，它會(huì)誤導(dǎo)對(duì)學(xué)生知識(shí)狀態(tài)的解釋。

發(fā)明內(nèi)容

本申請(qǐng)旨在至少在一定程度上解決相關(guān)技術(shù)中的技術(shù)問題之一。為此，本申請(qǐng)?zhí)岢鲆环N基于因果推理的知識(shí)追蹤方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)。

第一方面，本申請(qǐng)實(shí)施例提供了一種基于因果推理的知識(shí)追蹤方法，包括：獲取隨機(jī)變量，所述隨機(jī)變量對(duì)應(yīng)特定的知識(shí)點(diǎn)；獲取潛在結(jié)果，所述潛在結(jié)果表示學(xué)生對(duì)特定知識(shí)點(diǎn)的回答結(jié)果；根據(jù)所述隨機(jī)變量和所述潛在結(jié)果，確定所述隨機(jī)變量和所述潛在結(jié)果的關(guān)系式；獲取觀測(cè)變量，所述觀測(cè)變量包括混雜變量，調(diào)整變量和無關(guān)變量；根據(jù)所述混雜變量、所述調(diào)整變量以及所述隨機(jī)變量和所述潛在結(jié)果的關(guān)系式，確定所述潛在結(jié)果的轉(zhuǎn)換輸出；根據(jù)所述轉(zhuǎn)換輸出，確定所述觀測(cè)變量的第一目標(biāo)函數(shù)；獲取樣本權(quán)重，根據(jù)所述樣本權(quán)重更新所述第一目標(biāo)函數(shù)，確定第二目標(biāo)函數(shù)；根據(jù)所述第二目標(biāo)函數(shù)以及所述樣本權(quán)重，確定平衡權(quán)重，所述平衡權(quán)重用于評(píng)估單個(gè)變量與所述潛在結(jié)果之間的因果關(guān)系。

可選地，所述方法還包括：對(duì)所述第一目標(biāo)函數(shù)作優(yōu)化處理，所述優(yōu)化處理將調(diào)整變量與觀測(cè)變量分離，以及將混雜變量與觀測(cè)變量分離。

可選地，所述方法還包括：獲取全局平衡模型；通過所述全局平衡模型評(píng)估單個(gè)變量與所述潛在結(jié)果之間的因果關(guān)系。

第二方面，本申請(qǐng)實(shí)施例提供了一種基于因果推理的知識(shí)追蹤系統(tǒng)，包括：獲取模塊，用于獲取隨機(jī)變量、潛在結(jié)果、觀測(cè)變量和樣本權(quán)重；數(shù)據(jù)處理模塊，用于根據(jù)所述隨機(jī)變量和所述潛在結(jié)果，確定所述隨機(jī)變量和所述潛在結(jié)果的關(guān)系式；并用于根據(jù)所述混雜變量、所述調(diào)整變量以及所述隨機(jī)變量和所述潛在結(jié)果的關(guān)系式，確定所述潛在結(jié)果的轉(zhuǎn)換輸出；目標(biāo)函數(shù)處理模塊，用于根據(jù)所述轉(zhuǎn)換輸出，確定所述觀測(cè)變量的第一目標(biāo)函數(shù)；并用于根據(jù)所述樣本權(quán)重更新所述第一目標(biāo)函數(shù)，確定第二目標(biāo)函數(shù)。因果推理模塊，用于根據(jù)所述第二目標(biāo)函數(shù)以及所述樣本權(quán)重，確定平衡權(quán)重，所述平衡權(quán)重用于評(píng)估單個(gè)變量與所述潛在結(jié)果之間的因果關(guān)系。

第三方面，本申請(qǐng)實(shí)施例提供了一種設(shè)備，包括：至少一個(gè)處理器；至少一個(gè)存儲(chǔ)器，用于存儲(chǔ)至少一個(gè)程序；當(dāng)所述至少一個(gè)程序被所述至少一個(gè)處理器執(zhí)行，使得所述至少一個(gè)處理器實(shí)現(xiàn)如第一方面所述的基于因果推理的知識(shí)追蹤方法。

第四方面，本申請(qǐng)實(shí)施例提供了一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，其中存儲(chǔ)有處理器可執(zhí)行的程序，所述處理器可執(zhí)行的程序在由所述處理器執(zhí)行時(shí)用于實(shí)現(xiàn)如第一方面所述的基于因果推理的知識(shí)追蹤方法。