[發明專利]深度知識追蹤方法、系統及可存儲介質

在審

• 申請號: 202111273766.3
• 申請日: 2021-10-29
• 公開（公告）號: CN113987124A
• 公開（公告）日: 2022-01-28
• 發明（設計）人: 肖永康;肖融;孫波;何珺;鄭瑞麗
• 申請（專利權）人: 北京師范大學
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/332;G06F40/289;G06F40/30;G06N3/04;G06N3/08
• 代理公司: 北京睿智保誠專利代理事務所(普通合伙) 11732
• 代理人: 韓迎之

本發明公開了一種融合答題記錄和題目語義的深度知識追蹤方法、系統及可存儲介質，涉及深度學習領域。本發明包括：獲取文本特征；將所述文本特征，知識概念特征以及學生的回答情況拼接達到知識概念向量；將所述知識概念向量輸入到預測模型中，得到學生對知識的掌握情況。本發明通過在真實在線教育數據集上的實驗，與當前知識追蹤模型相比，可以更好地追蹤學生知識掌握狀態，并具有較好的預測性能。

技術領域

本發明涉及深度學習領域，更具體的說是涉及一種深度知識追蹤方法、系統及可存儲介質。

背景技術

近年來，隨著智能輔導系統(intelligent tutoring system，ITS)和大規模在線開放課程(massive open online courses，MOOCs)等在線教育平臺的發展和普及，數百萬的用戶選擇通過在線平臺學習。相比傳統的線下教育，在線學習系統最顯著的優勢在于其能保留學習者詳盡的學習記錄，提供了研究不同軌跡下學習者行為效能的條件。然而，在線學習平臺上學生與教師人數的懸殊使人工的輔導變得不現實。如何利用在線學習系統的優勢，從學生的學習軌跡中挖掘出潛在的學習規律，以提供個性化的指導，達到人工智能輔助教育的目的，成為了研究者密切關注的問題。

深度學習以其強大的特征提取能力引起了研究者的廣泛關注，許多研究者將其應用到KT領域。基于循環神經網絡的深度知識追蹤(DKT)模型采用循環神經網絡的隱藏向量表示學生的知識狀態，并且據此預測學生的表現，相對于傳統的機器學習模型，DKT不需要人工標注的KC信息，且能夠捕捉到更復雜的學生知識表征，還可以發現并利用KC之間的關聯信息。

上述知識追蹤方法都只能利用學生的練習記錄(題目考查的知識概念，回答情況)，但考查相同知識概念的兩道題目對應的習題難度可能并不相同，這就造成了一種信息丟失，即無法充分利用練習材料及其內容為達到更精確的預測學生表現和獲得更具可解釋性分析的知識獲取狀態，提取材料中存在的豐富信息的問題(如知識概念、練習內容)。

因此，亟需一種知識追蹤方法對學生學習結果進行準確預測。

發明內容

有鑒于此，本發明提供了一種深度知識追蹤方法、系統及可存儲介質。

為了實現上述目的，本發明采用如下技術方案：

一種融合答題記錄和題目語義的深度知識追蹤方法，包括：

獲取文本特征；

將所述文本特征，與數據集中已有的知識概念特征以及學生的回答情況拼接達到知識概念向量；其中，數據集中都包含知識特征和回答情況。

將所述知識概念向量輸入到預測模型中，得到學生對知識的掌握情況。

可選的，還包括對文本特征預處理，具體如下：

使用分詞工具對文本處理得到分詞；

對分詞進行特殊符號、停用詞進行清洗，得到分詞特征；

將分詞特征表示為一個句子矩陣，并為每個分詞建立位置向量；

將所述句子矩陣和位置矩陣相加后投影到三個不同的空間，輸入到現有的深度知識追蹤模型中，再經過多頭注意力層和前饋神經網絡得到文本特征。

可選的，對文本特征預處理，還包括分詞為固定長度，若分詞過長則截斷，長度過短則在末尾進行填充。

可選的，所述知識概念向量如下：

s＝{(e₁,k₁,r₁),(e₂,k₂,r₂),…,(e_T,e_T,r_T)}