一种基于记忆网络的可解释动态认知诊断方法技术

本发明专利技术属于教育数据挖掘领域，提供一种基于记忆网络的可解释动态认知诊断方法，包括以下步骤：(1)构建基于记忆网络的可解释动态认知诊断框架；(2)利用记忆网络结构更新知识熟练程度；(3)将学生特征和试题特征进行融合；(4)利用神经网络结构建模诊断算法，将步骤(3)获得的最终输入表征向量作为网络结构的输入，输出学生作答结果；(5)预测学生作答反应以及分析知识熟练程度变化情况。本发明专利技术方法从多个角度初始化学习者的学习诊断，以提高模型可解释性，同时，利用记忆网络在知识状态层面构建学习者知识熟练程度的迁移表示，不仅提高了推断学习者动态知识熟练程度的精度，而且增强了捕获试题序列中长期依赖性的能力。捕获试题序列中长期依赖性的能力。捕获试题序列中长期依赖性的能力。

【技术实现步骤摘要】
一种基于记忆网络的可解释动态认知诊断方法


[0001]本专利技术属于教育数据挖掘领域，具体涉及一种基于记忆网络的可解释动态认知诊断方法。
技术背景
[0002]近年来，随着认知心理学和人工智能技术的普及，大规模开发在线平台(MOOC)和智能导学系统已变得愈加智能化，这些系统的一项关键技术是认知诊断。认知诊断理论作为新一代的教育测量理论，通过对学习者的认知加工过程进行建模，并挖掘学习者的潜在能力和技能状态，而非单一的给出学习者的得分。学习者、练习和知识概念是认知诊断系统最重要的组成部分，认知诊断模型(CDM)任务旨在建模三个组成部分之间的复杂关系来模拟学习者的表现，推断他们在练习过程中累积的知识状态。基于建模方式的不同可将认知诊断分为两类，分别是基于统计方法的认知诊断模型和基于神经网络的认知诊断模型。
[0003]基于统计方法的认知诊断模型通过不同的学习假设，对学生的作答过程进行概率建模，进而对学习者的技能熟练状态进行诊断。一方面，基于学习者的技能状态，可分为潜在的特质和特定的知识技能两种情况。基于学习者的潜在特质进行建模的认知诊断模型是以项目反应理论(IRT)为代表，将学生潜在的认知能力作为为连续参数进行建模，并融入练习难度特征。另一方面，基于特定的知识技能状态进行建模的认知诊断模型以连接的确定性输入噪声“与”门(DINA)模型为代表模型，DINA使用二元离散向量表示学习者是否掌握某个概念，并假设学习者只有掌握练习中包含的所有概念才能正确回答练习，这具有良好的可解释性。然而，基于统计方法的CDM依赖于人工设计的诊断函数，不足以捕捉学习者和练习之间的复杂交互。
[0004]受益于新一代人工智能的发展，基于统计方法的认知诊断难题在深度学习出现之后迎刃而解，将深度学习引入认知诊断已成为大势所趋。例如，神经认知诊断(Neural CD)使用多个神经层来建模学习者与练习的复杂交互行为，这提高了诊断结果的准确性，但是Neural CD忽视了知识概念之间和练习之间的隐含关系。关系图驱动的认知诊断(RCD)通过多层学生—练习—概念关系图对交互和结构关系进行统一建模，利用多层注意力网络实现局部图和节点之间的关系聚合；基于注意力机制和神经网络，深度认知诊断框架(Deep CDM)考虑了知识概念的重要性和相互作用。为了利用认知诊断过程中练习的文本信息，相关研究者实现了基于神经网络的IRT模型。在认知诊断与深度学习相结合的过程中，大量的研究工作关注于提高模型的准确率，而没有对学生技能掌握状态进行深入的探索。将深度学习赋能认知诊断虽然可以很好地建模学习者
‑
练习
‑
知识概念之间的交互，但是如何解决深度学习的“黑盒特性”，增强诊断过程的可解释性成为了亟待解决的问题。

技术实现思路

[0005]本专利技术的目的是针对深度学习建模认知诊断函数的不可解释性和学生知识掌握状态会动态变化等问题，提出一种基于记忆网络的可解释动态认知诊断方法。首先，参考心
理测量理论中的参数引入学习者能力、试题难度和区分度、学习者的猜测和失误参数，基于作答时间提出反应速度等多维特征，从多个角度初始化学习者的学习诊断，以期提高模型可解释性。其次，利用记忆网络在知识状态层面构建学习者知识熟练程度的迁移表示，不仅提高了推断学习者动态知识熟练程度的精度，而且增强了捕获试题序列中长期依赖性的能力。
[0006]为达到专利技术目的，本专利技术采用下述技术方案。
[0007]本专利技术提供一种基于记忆网络的可解释动态认知诊断方法，包括以下步骤：
[0008](1)构建基于记忆网络的可解释动态认知诊断框架；包括特征提取、特征交互、基于记忆网络的可解释动态的认知诊断建模；
[0009](2)利用记忆网络结构更新知识熟练程度；将步骤(1)提取的学生知识特征作为网络结构的输入，保存输出知识熟练程度；
[0010](3)将学生特征和试题特征进行融合；融合步骤(1)提取到的学生能力特征、速度特征、以及步骤(2)的知识熟练程度特征和试题特征，获得最终的输入表征向量；
[0011](4)利用神经网络结构建模诊断算法，将步骤(3)获得的最终输入表征向量作为网络结构的输入，输出学生作答结果；诊断算法由神经网络结构与损失函数构成；
[0012](5)收集数据集，训练神经网络结构，预测学生作答反应以及分析知识熟练程度变化情况。
[0013]在上述技术方案中，步骤(1)中所述的构建基于记忆网络的可解释动态认知诊断框架具体包括：
[0014](1
‑
1)特征提取，特征提取包括提取学生特征、试题特征、互动特征，学生特征包括知识熟练程度特征、能力特征、速度特征，试题特征包括难度特征、区分度特征和Q矩阵，互动特征包括猜测失误特征；其中，Q矩阵代表试题考察的知识点，列表示知识点，行表示试题，元素只取0或1的二值矩阵，例如第一题考察了知识点1，则第一行第一列标1，第一行其他列标0；
[0015](1
‑
2)特征交互，将学生特征和试题特征参照项目反映理论模型、DINA模型进行交互，即试题特征中的各个特征和学生各个特征进行交互；
[0016](1
‑
3)基于记忆网络的可解释动态的认知诊断建模，依据学生的诊断数据输出诊断预测的结果，结果包括知识掌握状态结果、学生在试题上的作答预测得分，基于记忆网络的可解释动态认知诊断模型由初始化参数、特征融合和深度诊断三部分组成。
[0017]在上述技术方案中，步骤(2)中利用记忆网络结构更新知识熟练程度具体包括：
[0018](2
‑
1)从试题中提取知识嵌入向量，计算知识嵌入向量相关权重，从试题和作答记录提取出增长向量；
[0019](2
‑
2)将步骤(2
‑
1)中提取的增长向量经过ENN和ANN得到遗忘信息和记忆信息；其中，ENN包括一层神经网络和Tanh激活函数，ANN包括一层神经网络和Sigmoid激活函数；
[0020](2
‑
3)将步骤(2
‑
1)中计算得到的知识嵌入向量相关权重和步骤(2
‑
2)得到的遗忘信息和记忆信息结合表示。
[0021]在上述技术方案中，步骤(3)中特征融合具体包括：
[0022](3
‑
1)将学生能力特征和试题难度特征作差得交互能力特征；
[0023](3
‑
2)将记忆网络更新得到的知识熟练程度特征与Q矩阵相乘得交互掌握特征；
[0024](3
‑
3)融合交互能力特征、交互掌握特征和基于作答时间提取的学生速度特征得到最终特征表征。
[0025]在上述技术方案中，步骤(4)中的神经网络结构建模诊断算法的具体包括：
[0026](4
‑
1)选择合适的网络结构；
[0027](4
‑
2)随机初始化参数；
[0028本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于记忆网络的可解释动态认知诊断方法，其特征在于该方法包括以下步骤：(1)构建基于记忆网络的可解释动态认知诊断框架；包括特征提取、特征交互、基于记忆网络的可解释动态的认知诊断建模；(2)利用记忆网络结构更新知识熟练程度；将步骤(1)提取的学生知识特征作为网络结构的输入，保存输出知识熟练程度；(3)将学生特征和试题特征进行融合；融合步骤(1)提取到的学生能力特征、速度特征、以及步骤(2)的知识熟练程度特征和试题特征，获得最终的输入表征向量；(4)利用神经网络结构建模诊断算法，将步骤(3)获得的最终输入表征向量作为网络结构的输入，输出学生作答结果；诊断算法由神经网络结构与损失函数构成；(5)收集数据集，训练神经网络结构，预测学生作答反应以及分析知识熟练程度变化情况。2.根据权利要求1所述的基于记忆网络的可解释动态认知诊断方法，其特征在于步骤(1)中所述的构建基于记忆网络的可解释动态认知诊断框架具体包括：(1
‑
1)特征提取，特征提取包括提取学生特征、试题特征、互动特征，学生特征包括知识熟练程度特征、能力特征、速度特征，试题特征包括难度特征、区分度特征和Q矩阵，互动特征包括猜测失误特征；Q矩阵代表试题考察的知识点；(1
‑
2)特征交互，将学生特征和试题特征参照项目反映理论模型、DINA模型进行交互，即试题特征中的各个特征和学生各个特征进行交互；(1
‑
3)基于记忆网络的可解释动态的认知诊断建模，依据学生的诊断数据输出诊断预测的结果，结果包括知识掌握状态结果、学生在试题上的作答预测得分，基于记忆网络的可解释动态认知诊断模型由初始化参数、特征融合和深度诊断三部分组成。3.根据权利要求1所述的基于记忆网络的可解释动态认知诊断方法，其特征在于步骤(2)中利用记忆网络结构更新知识熟练程度具体包括：(2
‑
1)从试题中提取知识嵌入向量，计算知识嵌入向量相关权重，从试题和作答记录提取出增长向量；(2
‑
...

【专利技术属性】
技术研发人员：黄涛，杨凯，耿晶，杨华利，胡盛泽，张浩，刘三女牙，杨宗凯，
申请(专利权)人：华中师范大学，
类型：发明
国别省市：