【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及教育大數(shù)據(jù)挖掘、神經(jīng)網(wǎng)絡(luò)與學(xué)生行為建模領(lǐng)域，具體涉及一種基于多視角動(dòng)態(tài)演化的知識(shí)追蹤方法和系統(tǒng)。
技術(shù)介紹
1、隨著信息技術(shù)的發(fā)展，知識(shí)追蹤(kt)在教育領(lǐng)域越來(lái)越受到關(guān)注。kt作為監(jiān)測(cè)和預(yù)測(cè)學(xué)習(xí)者知識(shí)狀態(tài)的核心技術(shù)，通過(guò)分析學(xué)習(xí)行為數(shù)據(jù)，實(shí)時(shí)跟蹤和預(yù)測(cè)學(xué)生的知識(shí)狀態(tài)。該技術(shù)在個(gè)性化教學(xué)和自適應(yīng)學(xué)習(xí)系統(tǒng)中具有重要價(jià)值。可以幫助教育工作者了解學(xué)生的學(xué)習(xí)進(jìn)度和薄弱環(huán)節(jié)，并有針對(duì)性地進(jìn)行教學(xué)干預(yù)。
2、目前的kt模型主要解決兩大問(wèn)題：一是跟蹤和監(jiān)控學(xué)生的知識(shí)狀態(tài)，二是預(yù)測(cè)學(xué)生的學(xué)習(xí)表現(xiàn)。
3、隨著信息技術(shù)的發(fā)展，知識(shí)追蹤(kt)在教育領(lǐng)域越來(lái)越受到關(guān)注。kt作為監(jiān)測(cè)和預(yù)測(cè)學(xué)習(xí)者知識(shí)狀態(tài)的核心技術(shù)，通過(guò)分析學(xué)習(xí)行為數(shù)據(jù)，實(shí)時(shí)跟蹤和預(yù)測(cè)學(xué)生的知識(shí)狀態(tài)。該技術(shù)在個(gè)性化教學(xué)和自適應(yīng)學(xué)習(xí)系統(tǒng)中具有重要價(jià)值。可以幫助教育工作者了解學(xué)生的學(xué)習(xí)進(jìn)度和薄弱環(huán)節(jié)，并有針對(duì)性地進(jìn)行教學(xué)干預(yù)。目前的kt模型主要解決兩大問(wèn)題：一是跟蹤和監(jiān)控學(xué)生的知識(shí)狀態(tài)，二是預(yù)測(cè)學(xué)生的學(xué)習(xí)表現(xiàn)。
4、大多數(shù)傳統(tǒng)kt方法使用rnn或注意力機(jī)制來(lái)跟蹤知識(shí)狀態(tài)。貝葉斯知識(shí)追蹤(bkt)采用隱馬爾可夫模型(hmm)根據(jù)答案歷史更新二元知識(shí)狀態(tài)(掌握/未掌握)。深度知識(shí)追蹤(dkt)使用rnn或lstm來(lái)表示具有隱藏層的知識(shí)狀態(tài)。動(dòng)態(tài)鍵值存儲(chǔ)網(wǎng)絡(luò)(dkvmn)利用基于lstm的動(dòng)態(tài)存儲(chǔ)機(jī)制進(jìn)行鍵值對(duì)存儲(chǔ)和更新。自注意力知識(shí)追蹤(sakt)應(yīng)用了transformer的自注意力機(jī)制，而上下文感知注意力知識(shí)追蹤(akt)則將上下文信息與注意
5、在預(yù)測(cè)學(xué)生學(xué)習(xí)表現(xiàn)方面，知識(shí)追蹤機(jī)(ktm)，它集成了矩陣分解和因式分解機(jī)(fm)來(lái)預(yù)測(cè)學(xué)生成績(jī)；卷積知識(shí)追蹤(ckt)，使用cnn來(lái)捕獲知識(shí)狀態(tài)演化；deepirt它將深度學(xué)習(xí)與項(xiàng)目反應(yīng)理論(irt)相結(jié)合，對(duì)能力和問(wèn)題特征進(jìn)行建模，以提高準(zhǔn)確性。簡(jiǎn)單而強(qiáng)大的模型rekt由兩個(gè)線性回歸單元(forget-response-update，fru)組成，具有出色的預(yù)測(cè)性能。細(xì)粒度知識(shí)跟蹤(fkt)結(jié)合了響應(yīng)時(shí)間、多任務(wù)學(xué)習(xí)和時(shí)間距離注意機(jī)制，使用編碼器-解碼器預(yù)測(cè)器模型來(lái)提高預(yù)測(cè)精度。
6、現(xiàn)有的kt模型側(cè)重于基于概念或問(wèn)題對(duì)學(xué)生的知識(shí)狀態(tài)進(jìn)行建模，忽略了問(wèn)題、概念、整體的特征及其對(duì)學(xué)生隱藏知識(shí)狀態(tài)的綜合影響。面對(duì)復(fù)雜的知識(shí)結(jié)構(gòu)，如何在提高預(yù)測(cè)精度的同時(shí)有效捕捉并動(dòng)態(tài)更新學(xué)生的知識(shí)掌握情況是一個(gè)挑戰(zhàn)。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的就是為了克服上述現(xiàn)有技術(shù)中的不足之處，本研究從問(wèn)題、概念和整體三個(gè)角度對(duì)學(xué)生的知識(shí)進(jìn)行建模，全面捕捉他們知識(shí)狀態(tài)的演變。我們使用lstm來(lái)處理交互序列并捕獲知識(shí)狀態(tài)的變化。利用irt模型預(yù)測(cè)學(xué)生在不同知識(shí)點(diǎn)上的表現(xiàn)，量化學(xué)習(xí)者能力和問(wèn)題特征，增強(qiáng)模型可解釋性。此外，通過(guò)自注意力機(jī)制動(dòng)態(tài)更新知識(shí)狀態(tài)，使模型能夠捕獲知識(shí)點(diǎn)和學(xué)習(xí)情境之間的長(zhǎng)期依賴性和關(guān)系。
2、本專利技術(shù)的目的是通過(guò)如下技術(shù)措施來(lái)實(shí)現(xiàn)的，種基于多視角動(dòng)態(tài)演化的知識(shí)追蹤方法，包括以下步驟：
3、步驟1，獲取當(dāng)前t+1時(shí)刻基于問(wèn)題特征的輸入序列、基于概念特征輸入序列和基于全局特征的輸入序列，將獲取的三個(gè)序列分別與當(dāng)前時(shí)刻的交互特征et+1拼接，并分別輸入到lstm模型中，得到對(duì)應(yīng)的輸出特征，將三個(gè)輸出特征做拼接，作為當(dāng)前時(shí)刻最終知識(shí)狀態(tài)的表示ht+1；
4、步驟2，利用irt，結(jié)合最終知識(shí)狀態(tài)，計(jì)算學(xué)生正確回答問(wèn)題的概率lq，結(jié)合學(xué)生的回答與概念掌握不一致的行為，獲得學(xué)生學(xué)習(xí)行為的預(yù)測(cè)值；
5、步驟2中，學(xué)生的回答與概念掌握不一致的行為包括兩種類型，一種是在沒(méi)有真正掌握的情況下猜測(cè)得到正確答案和盡管知道答案的情況下犯錯(cuò)誤，首先，將知識(shí)狀態(tài)ht+1與交互特征et+1拼接起來(lái)，并經(jīng)過(guò)mlp分別得到兩種表示行為的特征序列g(shù)和s，g＝mlpg(ht+1∪et+1)，s＝mlps(ht+1∪et+1)，其中mlpg，mlps是兩組獨(dú)立的mlp網(wǎng)絡(luò)，兩者的權(quán)重矩陣和偏置向量不同，σ為激活函數(shù)，再使用如下響應(yīng)公式y(tǒng)t+1＝lq*(1-s)+(1-lq)*g，即可得到最終學(xué)生學(xué)習(xí)行為的預(yù)測(cè)值。
6、進(jìn)一步的，步驟1中，首先設(shè)定問(wèn)題特征矩陣q∈rn×d，概念特征矩陣c∈rm×d，答案特征矩陣r∈r2×d，其中n是問(wèn)題數(shù)量，m是概念數(shù)量，d是特征維度，那么交互特征的表示方式為其中qqt+1和cct+1分別是q和c中的t+1時(shí)刻的問(wèn)題qt+1和t+1時(shí)刻的概念ct+1所在的行，diffqt+1是qt+1的難度，捕獲了問(wèn)題相對(duì)于其概念的變化程度，diffqt+1和均為可訓(xùn)練的參數(shù)。
7、進(jìn)一步的，步驟1中，對(duì)于基于問(wèn)題特征的輸入序列，從問(wèn)題狀態(tài)序列中提取出包含當(dāng)前問(wèn)題qt+1的交互單元，以拼接的方式得到基于問(wèn)題特征的輸入序列；
8、對(duì)于基于概念特征的輸入序列，從概念狀態(tài)序列中提取出包含當(dāng)前概念ct+1的交互單元，以拼接的方式得到基于概念特征的輸入序列；
9、對(duì)于基于全局特征的輸入序列，直接將全局狀態(tài)序列作為基于全局特征的輸入序列；
10、對(duì)于當(dāng)前t+1時(shí)刻以前任意時(shí)刻的交互單元xt＝(qt,ct,rt)，特征計(jì)算為xt＝et+rrt，其中rrt是r中的第rt行，qt,ct,rt分別表示t時(shí)刻的問(wèn)題、概念和回答。
11、進(jìn)一步的，為了能使lstm模型實(shí)時(shí)跟蹤學(xué)習(xí)者的知識(shí)掌握情況，將lstm模型的輸出特征與上一時(shí)刻動(dòng)態(tài)更新模塊得到的知識(shí)狀態(tài)做一次殘差連接，得到當(dāng)前時(shí)刻基于問(wèn)題特征的知識(shí)狀態(tài)基于概念特征的知識(shí)狀態(tài)和基于全局特征的知識(shí)狀態(tài)最后將這三種知識(shí)狀態(tài)拼接起來(lái)得到最終知識(shí)狀態(tài)的表示，即
12、其中動(dòng)態(tài)更新模塊通過(guò)自注意力機(jī)制實(shí)現(xiàn)。
13、進(jìn)一步的，利用動(dòng)態(tài)更新模塊獲得當(dāng)前時(shí)刻知識(shí)狀態(tài)的具體處理過(guò)程如下；
14、對(duì)于問(wèn)題狀態(tài)，將注意力機(jī)制中kq和vq設(shè)置為基于問(wèn)題特征的知識(shí)狀態(tài)將查詢qq設(shè)置為t+1時(shí)刻的交互單元et+1，將它們放入自注意力機(jī)制得到sq＝multihead(qq,kq,vq)；然后使用前饋神經(jīng)網(wǎng)絡(luò)將自注意力機(jī)制的結(jié)果納入模型中，并考慮不同底層維度之間的相互作用，使用如下響應(yīng)公式，ffn(sq)＝relu(sqw(1)+b(1))w(2)+b(2)，其中都是訓(xùn)練期間可學(xué)習(xí)的參數(shù)，最后，進(jìn)行一次殘差連接以獲得更新的問(wèn)題狀態(tài)序列表示
15、對(duì)于概念狀態(tài)，將鍵kc和值vc設(shè)置為基于概念特征的知識(shí)狀態(tài)將查詢qc設(shè)置為t+1時(shí)刻的交互單元et+1，將它們放入自注意力機(jī)制得到sc＝multihead(qc,kc,vc)；然后使用前饋神經(jīng)網(wǎng)絡(luò)處理，最后經(jīng)過(guò)殘差連接得到更新的概念狀態(tài)序列表示
16、對(duì)于全局狀態(tài)，將鍵ko和值vo設(shè)置為基于全局特征的知識(shí)狀態(tài)將查詢qo設(shè)置為t+1時(shí)刻的交互單元et+1，將它們放入自注意力機(jī)制得到so＝mult本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于多視角動(dòng)態(tài)演化的知識(shí)追蹤方法，其特征在于該方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于多視角動(dòng)態(tài)演化的知識(shí)追蹤方法，其特征在于：步驟1中，首先設(shè)定問(wèn)題特征矩陣Q∈Rn×d，概念特征矩陣C∈Rm×d，答案特征矩陣R∈R2×d，其中n是問(wèn)題數(shù)量，m是概念數(shù)量，d是特征維度，那么交互特征的表示方式為其中Qqt+1和分別是Q和C中的t+1時(shí)刻的問(wèn)題qt+1和t+1時(shí)刻的概念ct+1所在的行，diffqt+1是qt+1的難度，捕獲了問(wèn)題相對(duì)于其概念的變化程度，diffqt+1和均為可訓(xùn)練的參數(shù)。
3.根據(jù)權(quán)利要求2所述的基于多視角動(dòng)態(tài)演化的知識(shí)追蹤方法，其特征在于：步驟1中，對(duì)于基于問(wèn)題特征的輸入序列，從問(wèn)題狀態(tài)序列中提取出包含當(dāng)前問(wèn)題qt+1的交互單元，以拼接的方式得到基于問(wèn)題特征的輸入序列；
4.根據(jù)權(quán)利要求1所述的基于多視角動(dòng)態(tài)演化的知識(shí)追蹤方法，其特征在于：為了能使LSTM模型實(shí)時(shí)跟蹤學(xué)習(xí)者的知識(shí)掌握情況，將LSTM模型的輸出特征與上一時(shí)刻動(dòng)態(tài)更新模塊得到的知識(shí)狀態(tài)做一次殘差連接，得到當(dāng)前時(shí)刻基于問(wèn)題特征的知識(shí)狀態(tài)基于概念特征的知
5.根據(jù)權(quán)利要求1所述的基于多視角動(dòng)態(tài)演化的知識(shí)追蹤方法，其特征在于：利用動(dòng)態(tài)更新模塊獲得當(dāng)前時(shí)刻知識(shí)狀態(tài)的具體處理過(guò)程如下；
6.根據(jù)權(quán)利要求1所述的基于多視角動(dòng)態(tài)演化的知識(shí)追蹤方法，其特征在于：計(jì)算學(xué)生正確回答問(wèn)題的概率的實(shí)現(xiàn)方式如下：
7.根據(jù)權(quán)利要求1所述的基于多視角動(dòng)態(tài)演化的知識(shí)追蹤方法，其特征在于：步驟2中，還包括將yt+1與真實(shí)的作答結(jié)果計(jì)算交叉損失熵，損失函數(shù)記為其中，T表示時(shí)間步的總數(shù)，rt+1表示學(xué)生在時(shí)間步t+1時(shí)的實(shí)際響應(yīng)結(jié)果。
8.一種基于多視角動(dòng)態(tài)演化的知識(shí)追蹤系統(tǒng)，其特征在于，包括：
...【技術(shù)特征摘要】
1.一種基于多視角動(dòng)態(tài)演化的知識(shí)追蹤方法，其特征在于該方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于多視角動(dòng)態(tài)演化的知識(shí)追蹤方法，其特征在于：步驟1中，首先設(shè)定問(wèn)題特征矩陣q∈rn×d，概念特征矩陣c∈rm×d，答案特征矩陣r∈r2×d，其中n是問(wèn)題數(shù)量，m是概念數(shù)量，d是特征維度，那么交互特征的表示方式為其中qqt+1和分別是q和c中的t+1時(shí)刻的問(wèn)題qt+1和t+1時(shí)刻的概念ct+1所在的行，diffqt+1是qt+1的難度，捕獲了問(wèn)題相對(duì)于其概念的變化程度，diffqt+1和均為可訓(xùn)練的參數(shù)。
3.根據(jù)權(quán)利要求2所述的基于多視角動(dòng)態(tài)演化的知識(shí)追蹤方法，其特征在于：步驟1中，對(duì)于基于問(wèn)題特征的輸入序列，從問(wèn)題狀態(tài)序列中提取出包含當(dāng)前問(wèn)題qt+1的交互單元，以拼接的方式得到基于問(wèn)題特征的輸入序列；
4.根據(jù)權(quán)利要求1所述的基于多視角動(dòng)態(tài)演化的知識(shí)追蹤方法，其特征在于：為了能...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：楊華利，張兵，胡盛澤，胡俊杰，劉軍平，朱強(qiáng)，胡新榮，
申請(qǐng)(專利權(quán))人：武漢紡織大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。