【技术实现步骤摘要】
一种多层级智能认知追踪方法、系统、可存储介质及终端
[0001]本专利技术属于个性化学习
,尤其涉及一种多层级智能认知追踪方法、系统、可存储介质及终端。
技术介绍
[0002]目前,以智能化为核心的互联网信息技术高速发展,教育领域的信息技术改革也趁势站在了时代发展的风口上。2020年疫情期间,各级学校、各类网络平台积极响应国家“停课不停学”的号召,借助云直播、云课堂的方式进行教学活动,在一定程度上推动了“互联网+”教育模式、学习模式和教育服务模式的革新,加速了学校和课堂的线上转型。其中,以学习诊断为代表的智能化测评技术成为教育信息化的重要发展内容之一:通过构建学习者画像并对学习行为展开分析,合理规划学习路径、高效推荐学习资源,最终通过学习干预,帮助学习者量身定制学习计划,查漏补缺,进行有针对性的强化练习,构建学练测闭环,真正实现因材施教与个性化学习。
[0003]智能认知追踪技术就是对学习者学习行为进行画像的一项关键技术。该技术能够从学习者的作答序列与试题知识关联矩阵中提取有效信息,标记试题中的知识考查、描绘测验整体结构,根据学习者的潜在特质差异与试题特征,对学习者的认知水平进行动态地建模与跟踪,并预测学习者在未来某一时刻的答题表现,挖掘学习者得分背后所隐含的认知信息,分析学习者自身优势与不足,最后给出针对性的、个性化的学习建议。
[0004]目前,领域内的研究者提出的智能认知追踪模型主要分为两类:基于统计学习的静态智能认知追踪和基于深度学习的动态智能认知追踪。基于统计学习的静态智能认知追踪方法 ...
【技术保护点】
【技术特征摘要】
1.一种多层级智能认知追踪方法,其特征在于,所述多层级智能认知追踪方法包括:构建试题知识认知张量TKC,收集数据并提取特征,生成作答对序列;引入多分属性认知诊断方法,结合深层神经网络,构建认知层级挖掘模型;结合自注意力机制,构建多层级智能认知追踪模型,预测学习者在试题上的作答表现。2.如权利要求1所述的多层级智能认知追踪方法,其特征在于,所述多层级智能认知追踪方法,具体包括以下步骤:步骤一,引入布鲁姆认知领域教育目标分类,构建修正后的试题知识认知张量TKC,收集学习者的学习资源和作答数据并进行特征提取,为每位学习者生成时序的试题
‑
知识点
‑
布鲁姆层级
‑
答题情况作答对序列;步骤二,基于学习者的时序作答对序列和融合了布鲁姆认知领域教育目标分类的试题知识认知张量TKC,引入多分属性认知诊断方法,结合深层神经网络,构建认知层级挖掘模型,对学习者进行多层级的智能认知挖掘;步骤三,通过对智能认知挖掘得到的学习者认知水平向量进行排序与编码,得到其深层表征特征,并引入深层自注意力网络,构建多层级智能认知追踪模型;根据追踪得到的学习者认知水平向量和所述试题知识认知张量TKC,预测学习者在试题上的作答表现。3.如权利要求2所述的多层级智能认知追踪方法,其特征在于,所述步骤一包括:(1.1)构建学习资源集合与学习者历史学习数据集合:S={s1,s2,
…
,s
M
}T={t1,t2,
…
,t
N
}K={k1,k2,
…
,k
L
}其中,S为学习者集合,M为学习者数量,T为试题题目集合,N为试题数目,K为知识点集合,L为知识点数目;(1.2)从传统的试题知识点表征Q矩阵出发,将学习者对知识点的掌握划分为六种认知水平,得到在认知层面对每种知识点的考察层次具体且统一的定义,从而构建融合布鲁姆认知领域教育目标分类的试题知识认知张量TKC,其中,所述认知水平范围为0
‑
6,其中0:未掌握;1:知道;2:领会;3:应用;4:分析;5:综合;6:评价;(1.3)构建学习者答题矩阵R以记录学习者历史作答结果:其中,r
mn
=0表示学习者m在试题n上作答错误,r
mn
=1表示学习者m在试题n上作答正确;(1.4)根据每一时刻学习者回答题目对应的知识点及其考察层级将学习者的作答记录处理成学习者
‑
试题
‑
知识点
‑
布鲁姆层级
‑
答题情况的时序作答对序列R
s
:
其中,m为学习者ID,取值范围是0≤m≤M;n为试题ID,取值范围是0≤n≤N;x为学习者m在试题n上的得分,取值范围为0/1;l为试题n考察的知识点ID,取值范围是0≤l≤L,当试题n考察的知识点不止一个时,l可表示为考察知识点ID的集合;c为试题n考察知识点l的层级,取值范围是1≤c≤6,当l为考察知识点ID的集合时,c也可表示为考察知识点层级的集合,与l中的每一维分别对应;所述试题知识认知张量TKC为:(t
n
,k
l
,c
i
)其中,第三维i=0表示试题n未考察知识点l,1≤i≤6表示试题n考察知识点l到c
i
水平。4.如权利要求2所述的多层级智能认知追踪方法,其特征在于,所述步骤二中构建认知层级挖掘模型,对学习者进行多层级的智能认知挖掘具体包括如下步骤:(2.1)对学习者因素进行建模,所述学习者因素为认知水平向量F
s
:h
s
=x
s
×
AF
s
=f
classifier
(h
s
)其中,x
s
是学习者的one
‑
hot向量,A为所有学习者的熟练度参数矩阵,相乘可以得到学习者的熟练度向量h
s
,f
classfier
为分类函数,可得到学习者认知水平向量F
s
;(2.2)对试题因素进行建模,所述试题因素包含基本的知识点相关度向量F
kn
和其他可选因素F
other
,包括试题的失误参数和猜测参数:F
kn
=x
e
×
TKC其中,x
e
是试题的one
‑
hot向量,TKC为所述试题知识认知张量,h
g
为试题的猜测参数,表示学习者在未达到试题考察的知识点的认知水平时作答正确的概率,h
s
为试题的失误参数,表示学习者在达到试题考查的知识点的认知水平时作答错误的概率,B、C为参数矩阵;(2.3)构建认知层级挖掘模型,基于多分属性认知诊断方法,预测学习者作答的项目反应函数为:应函数为:将得到的预测结果利用深层神经网络进行训练:f1=φ(W1×
x
T
+b1)f2=φ(W2×
f1+b2)y=φ(W3×
f2+b3)其中,k
l
为知识点ID,为试题在知识点k
l
上的相关度,为学习者在知识点k
l
上的认知水平,W1、b1分别为线性回归函数f1中的权重系数和偏置系数,W2、b2分别为线性回归函数f2中的权重系数和偏置系数,W3、b3分别为线性回归函数y中的权重系数和偏置系数;
(2.4)计算模型的损失函数,所述损失函数为输出预测值y和真实标签r之间的交叉熵:loss
CLMM
=
‑
∑(r
i
logy
i
+(1
‑
r
i
)log(1
‑
y
i
))训练结束后,学习者对应的F
s
即为学习者的挖掘结果,每一维对应学习者在知识点上的认知水平;(2.5)根据(2.4)所求得的损失函数值与梯度下降法则更新模型中的所有权重系数W1、W2、W3与偏置系数b1、b2、b3;所述参数矩阵A、B、C通过数据学习进行训练得到,过程为:首先,将x
s
、x
e
、x
e
分别与参数矩阵A、B、C相乘得到的h
s
、h
g
、h1‑
g
‑
s
代入所述项目反...
【专利技术属性】
技术研发人员:王志锋,李璐瑶,左明章,王继新,罗恒,闵秋莎,董石,田元,夏丹,龙陶陶,
申请(专利权)人:华中师范大学,
类型:发明
国别省市:
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。