[發明專利]一種基于深度知識追蹤的適應性學習支持裝置及方法

有效

• 申請號: 202110885129.5
• 申請日: 2021-08-03
• 公開（公告）號: CN113610235B
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 萬寒;唐儷娜;劉康旭;鐘梓皓;高小鵬
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06N5/022
• 分類號: G06N5/022;G06F16/9536;G06N3/047;G06N3/048;G06N3/08;G06Q50/20
• 代理公司: 北京永創新實專利事務所 11121
• 代理人: 周長琪

本發明提供了一種基于深度知識追蹤的適應性學習支持裝置及方法，通過改進的知識追蹤模型，實現比較準確、符合實際地實時追蹤學習者當前的知識狀態。本發明裝置包括改進的深度知識追蹤模型，已掌握知識點題目推薦模塊以及知識水平躍遷資源推薦模塊。本發明將學生的學習行為融合進知識追蹤模型，基于MANN提出了改進的知識追蹤模型。本發明方法基于知識追蹤模型可獲得學生的知識掌握程度，基于訓練好的知識追蹤模型，實現為學生推薦與已掌握知識點關聯的未完成的題目，以及推薦基于知識水平躍遷軌跡的資源。本發明提高了知識追蹤模型的準確性，實現了基于協同過濾實現為學生推薦學習資源的目的。

技術領域

本發明涉及知識追蹤技術領域，特別涉及一種基于改進的知識追蹤模型來為學生提供適應性學習支持的裝置及方法。

背景技術

知識追蹤(Knowledge?Tracing)是根據學生過去的答題情況對學生的知識掌握情況進行建模，從而得到學生當前知識狀態表示的一種技術。知識追蹤能捕捉到學習者當前真實的需求，是學習者建模中的核心任務。但由于知識的多樣性和人腦的復雜性，人類的學習過程就是復雜多變的，這也是知識追蹤非常困難的原因。

近年來，隨著互聯網的普及與發展，線上教學得到了廣泛應用。小規模限制性在線課程(Small?Private?Online?Course，SPOC)為學習者提供了交互式學習環境，改善了傳統課堂教學難以規?；瘮U展的弊端。但由于學生在知識水平、學習方法、學習能力及學習習慣等方面存在個體差異，隨著教學過程的推進，這些因素均可能影響到學生學習效果。適應性教學能夠以學生為中心，根據學生的個人特點、已有知識水平及學習風格，向其提供更為適合的學習內容和方案，從而提高學習效率。因此，追蹤學生知識掌握情況的變化以及其學習行為特點對于為每個學生提供個性化的學習內容是非常重要的。知識追蹤能夠利用學生在課程中與題目的交互行為，來評估學生的知識掌握水平。目前的知識追蹤模型有很多種。

貝葉斯知識追蹤(BKT)模型使用一組二元變量來建模學習者的知識狀態，每個變量表示是否掌握對應概念或知識點。根據學生在題目上作答的正誤，使用隱馬爾科夫模型(Hidden?Markov?Model，HMM)來更新其知識狀態。可以看出，該模型對知識的學習過程進行了簡化，假定學生一旦習得了某一項知識，該知識便不會被遺忘，這一假設在實際學習過程中顯然是不成立的。此外，BKT模型沒有考慮到不同題目間難度差異和學生個體間差異對學習過程的影響，知識點與題目間的映射關系則需要依靠領域專家進行標注，若標注粒度過粗將導致大量題目中隱含的信息被忽略，同時也無法應對單個題目與多個知識點相關聯的情況。

深度知識追蹤(DKT)，使用長短期記憶(Long?Short-Term?Memory，LSTM)單元作為隱藏層節點，輸入序列是學習者在各個時刻的答題交互行為及交互結果，輸出序列則是學生在各個時刻答對題庫中任意題目的概率。DKT模型利用神經網絡中的高維連續向量空間模擬知識狀態，輸入到狀態、狀態到狀態的轉換是非線性的，這就使得面對復雜的知識掌握狀態轉換時，DKT模型具有比BKT模型更強的表達能力。但是，DKT模型的輸入只包含學習者的題目作答情況，有研究人員認為只考慮題目的知識組成部分而忽略其它信息將對知識追蹤效果產生負面影響，并且DKT模型無法顯式地提取學生的知識狀態和題目的知識點向量表示，缺乏可解釋性。

動態鍵值對記憶網絡(DKVMN)在DKT的基礎上增加了外部記憶模塊以提取學生的知識點掌握情況和題目的知識點向量表示，但是依然沒有考慮到學生的學習行為等其他信息對學生知識掌握狀態的影響。

自注意力知識追蹤(SAKT)和基于上下文的注意力知識追蹤模型(AKT)等基于注意力機制的模型能夠提取重要的特征，捕捉長距離的依賴，并且相對于循環神經網絡來說訓練速度較快，但是目前的模型均不能顯式提取學生的知識狀態，缺乏可解釋性。

綜上所述，現存的知識追蹤模型或多或少都存在一定的缺陷。

發明內容