【技术实现步骤摘要】
基于上下文的深度知识追踪的方法及其计算机可读介质
本公开涉及计算机辅助教育,更具体地,涉及用于具有上下文深度知识追踪的计算机辅助教育的系统和方法。
技术介绍
在计算机辅助教育中,系统基于学生的个人知识或能力为学生提供个性化内容,这帮助锚定他们的知识或降低学习成本。在一些相关技术系统中,在系统中通过学生与内容的交互来对学生的知识进行建模的知识追踪任务可能是该领域中的挑战性问题。在相关技术系统中,建模越精确,系统可以提供的内容越令人满意和合适。因此,在计算机辅助教育中,随着时间的推移追踪每个学生的知识对于为每个学生提供个性化学习内容可能是重要的。在一些相关技术系统中,深度知识追踪(DKT)模型可以表明深度学习能够更精确地对学生的知识进行建模。然而,相关技术方法仅考虑用户和问题之间的交互序列,而没有考虑其他上下文信息或将其集成到知识追踪中。因此,相关技术系统没有考虑对于自动学习或训练系统呈现的顺序问题的上下文知识,诸如问题之间的时间间隔、练习类型、以及用户与相同问题交互的次数。例如,诸如贝叶斯知识追踪和表现因子分析之类的相关技术知识追踪模型已被广泛探索并应用于实际的智能教学系统。由于深度学习模型可以在诸如模式识别和自然语言处理之类的一系列领域中击败其他相关技术模型,相关技术的深度知识追踪可以表明深度学习可以比这些模型更精确地对学生的知识进行建模。这些相关技术DKT通过经常用于随时间的顺序处理的循环神经网络对学生的知识进行建模。然而,虽然相关技术DKT可以表现出有希望的结果,但是这些系统仅考虑用户和内 ...
【技术保护点】
1.一种在基于计算机的训练系统中为特定用户定制训练问题的方法,该方法包括以下步骤:/n由神经网络检测至少一个关系对,每个关系对包括由所述特定用户先前回答的问题和所述特定用户针对至少一个先前回答的问题的先前得分;/n由所述神经网络检测与所述用户先前回答的至少一个问题相关联的上下文信息,所述上下文信息表示在所述用户先前回答所述至少一个问题时发生的状况或情况;/n由所述神经网络基于所检测到的关系对、所检测到的与所述用户先前回答的所述至少一个问题相关联的上下文信息、以及与要由所述用户回答的至少一个潜在问题相关联的上下文信息,确定所述特定用户将成功回答从多个潜在问题中选择的后续问题的概率;以及/n基于所确定的概率选择要由所述用户回答的问题,以便促进所述用户的训练。/n
【技术特征摘要】
20181220 US 16/227,7671.一种在基于计算机的训练系统中为特定用户定制训练问题的方法,该方法包括以下步骤:
由神经网络检测至少一个关系对,每个关系对包括由所述特定用户先前回答的问题和所述特定用户针对至少一个先前回答的问题的先前得分;
由所述神经网络检测与所述用户先前回答的至少一个问题相关联的上下文信息,所述上下文信息表示在所述用户先前回答所述至少一个问题时发生的状况或情况;
由所述神经网络基于所检测到的关系对、所检测到的与所述用户先前回答的所述至少一个问题相关联的上下文信息、以及与要由所述用户回答的至少一个潜在问题相关联的上下文信息,确定所述特定用户将成功回答从多个潜在问题中选择的后续问题的概率;以及
基于所确定的概率选择要由所述用户回答的问题,以便促进所述用户的训练。
2.根据权利要求1所述的方法,其中,确定所述概率的步骤包括以下步骤:
由所述神经网络检测与要呈现给所述特定用户的所述至少一个潜在问题相关联的上下文信息,所述上下文信息表示在所述至少一个问题要呈现给所述特定用户时发生的状况或情况;以及
由所述神经网络基于所检测到的关系对、所检测到的与所述用户先前回答的所述至少一个问题相关联的上下文信息、以及所检测到的与要呈现给所述特定用户的所述至少一个潜在问题相关联的上下文信息,计算所述特定用户将成功回答所述至少一个潜在问题的概率。
3.根据权利要求2所述的方法,其中,与要呈现给所述特定用户的所述至少一个潜在问题相关联的上下文信息包括以下中的一个或更多个:自所述特定用户被呈现问题起所经过的当前时间、自所述特定用户先前遇到与所述至少一个潜在问题相同的主题起所经过的时间、所述特定用户是否遇到过所述至少一个潜在问题、以及自所述特定用户先前遇到所述至少一个潜在问题起所经过的时间。
4.根据权利要求2所述的方法,其中,计算所述特定用户将成功回答所述至少一个潜在问题的概率的步骤包括的步骤:
将所检测到的至少一个关系对嵌入到问题对向量表示中;
将所检测到的与所述用户先前回答的所述至少一个问题相关联的上下文信息嵌入到已回答问题向量表示中;
将所检测到的与所述至少一个潜在问题相关联的上下文信息嵌入到潜在问题向量表示中;以及
集成所述问题对向量表示、所述已回答问题向量表示、和所述潜在问题向量表示以产生概率向量表示。
5.根据权利要求4所述的方法,其中,双向交互集成方法被使用以集成所述问题对向量表示、所述已回答问题向量表示、和所述潜在问题向量表示。
6.根据权利要求1所述的方法,其中,与所述用户先前回答的所述至少一个问题相关联的所述上下文信息包括以下中的一个或更多个:在呈现所述问题和从所述用户接收到答案之间所经过的时间、所述用户之前是否遇到过所述问题、在先前呈现所述问题时所述用户先前回答地如何、所述问题是否与所述用户先前遇到的主题有关。
7.根据权利要求1所述的方法,其中,确定所述特定用户将成功回答后续问题的概率的步骤包括以下步骤:
将所检测到的至少一个关系对嵌入到问题对向量表示中;
将所检测到的与所述用户先前回答的所述至少一个问题相关联的上下文信息嵌入到已回答问题向量表示中;以及
集成所述问题对向量表示和所述已回答问题向量表示,以产生概率向量表示。
8.根据权利要求6所述的方法,其中,所述集成包括使用包括以下中的一个或更多个的上下文集成方法:
级联;
乘法;
级联和乘法;
池化;以及
双向交互。
9.一种在基于计算机的训练系统中为特定用户定制训练问题的方法,该方法包括以下步骤:
由神经网络检测至少一个关系对,每个关系对包括由所述特定用户先前回答的问题和所述特定用户针对至少一个先前回答的问题的先前得分;
由所述神经网络检测与要呈现给所述特定用户的至少一个潜在问题相关联的上下文信息,所述上下文信息表示在要向所述特定用户呈现至少一个问题时发生的状况或情况;
由所述神经网络基于所检测到的至少一个关系对以及所检测到的与要呈现给所述特定用户的至少一个潜在问题相关联的上下文信息,确定所述特定用户将成功回答所述至少一个潜在问题的概率;以及
基于所确定的概率选择要由所述用户回答的问题,以便促进所述用户的训练。
10.根据权利要求9所述的方法,其中,确定所述概率的步骤包括以下步骤:
由所述神经网络检测与所述用户先前回答的所述至少一个问题相关联的上下文信息,所述上下文信息表示在所述用户先前回答所述至少一个问题时发生的状况或情况;以及
由所述神经网络基于所检测到的关系对、所检测到的与所述用户先前回答的所述至少一个问题相关联的上下文信息、以及所检测到的与要呈现给所述特定用户的所述至少一个潜在问题相关联的上下文...
【专利技术属性】
技术研发人员:长谷航记,弗朗辛·陈,Y·Y·陈,
申请(专利权)人:富士施乐株式会社,
类型:发明
国别省市:日本;JP
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。