【技术实现步骤摘要】
一种基于题目难度的答案预测方法及系统
[0001]本专利技术涉及智慧教育的教育数据挖掘
，特别涉及一种基于题目难度的答案预测方法及系统。
技术介绍
[0002]答案预测(Answer Prediction)是教育数据挖掘领域的一个重要组成部分，其主要目的是根据目标对象的历史答题表现，刻画目标对象不同的知识水平，从而预测目标对象在未作答题目上的答案。通过对目标对象进行答案预测，智慧教育系统为不同的目标对象提供个性化的学习计划，提高目标对象的学习效率。此外，还可以对目标对象进行学情分析和学情预警，提高授课成功率。因此，答案预测一直是智慧教育、教育数据挖掘、目标对象建模领域探索的一个基础但十分重要的研究方向。
[0003]目前，关于答案预测的方法主要有以下方法：
[0004]1)基于概率函数的答案预测方法。
[0005]基于概率函数的答案预测方法用隐马尔可夫模型来模拟目标对象的历史答题过程，目标对象的知识水平是不可见的，但可以通过目标对象的历史答题表现推断其隐藏的知识水平，进而根据目标对象的知识水平预...
【技术保护点】
【技术特征摘要】
1.一种基于题目难度的答案预测方法，其特征在于，所述预测方法，包括以下步骤：步骤S1、获取目标对象的历史答题序列，历史答题序列由多个历史答题交互组成，所述历史答题交互包含若干个不同类型的标签；步骤S2、将获取到的历史答题交互中包含的若干个不同类型的标签为向量表示形式，其中向量表示形式包括题目向量、题目难度向量、知识点向量、知识点难度向量，以及答案对错向量；步骤S3、将题目向量、题目难度向量、知识点向量，以及知识点难度向量四个向量连接起来，并使用多层感知机转换得到基于难度的题目向量；步骤S4、将所述目标对象当前的知识水平向量和基于难度的题目向量带入第一目标计算函数组，计算得到目标对象的主观题目难度向量；将所述目标对象的主观题目从难度向量和答案对错向量带入第二目标计算函数组，计算得到目标对象的答题收获向量；将所述目标对象当前的知识水平向量、答案向量、题目难度向量，以及知识点难度向量带入第三目标计算函数组，计算更新基于题目难度的知识水平向量；步骤S5、将所述目标对象更新后的知识水平向量与待预测题目的基于难度的向量表征带入第四目标计算函数，计算得到目标对象在待预测题目上的答案预测值。2.根据权利要求1所述一种基于题目难度的答案预测方法，其特征在于，步骤S1中通过计算机答题系统中获取目标对象对应的历史答题序列中的多个历史答题交互。3.根据权利要求1所述一种基于题目难度的答案预测方法，其特征在于，所述历史答题交互的若干个不同类型的标签至少包括题目标签、题目难度标签、知识点标签、知识点难度标签，以及答案对错标签。4.根据权利要求2所述一种基于题目难度的答案预测方法，其特征在于，所述步骤S2中的具体步骤包括：将获取到的历史答题交互中包含的若干个不同类型的标签为向量表示形式：设置题目标签为q
t
，基于随机初始化题目矩阵为题目标签q
t
分配题目向量q
t
，其中，t为答题时刻，J为题目总数，d
q
为题目向量的维度；设置题目难度标签为基于随机初始化题目难度矩阵为题目难度标签分配题目难度向量QS
t
，其中，所述C
qs
为题目难度水平总数，d
qs
为题目难度向量的维度；设置知识点标签为k
m
，其中，知识点向量为相应的独热向量k
m
∈R
M
，知识点向量k
m
中第m个元素为1，其余元素为0，其中，M为知识点总数；设置知识点难度标签基于随机初始化题目难度矩阵为知识点难度标签分配题目难度向量KC
t
，其中，C
kc
为知识点难度水平总数，d
kc
为知识点难度向量的维度；设置答案对错标签为a
t
，基于随机初始化答案矩阵为答案对错标签a
t
分配答案对错向量a
t
，其中，d
a
为答案向量的维度。5.根据权利要求1所述一种基于题目难度的答案预测方法，其特征在于，所述步骤S3中
使用多层感知机转换得到基于难度的题目向量的具体步骤包括：利用基于难度的题目向量的公式进行计算，公式为：其中，γ1和γ2是题目难度向量和知识点难度向量的系数向量，用于控制题目难度向量和知识点难度向量对基于难度的题目向量的影响程度，W1为第一随机初始化权重矩阵，b1为第一随机初始化偏置系数，W2是为第二随机初始化权重矩阵，b2为第二随机初始化偏置系...
【专利技术属性】
技术研发人员：刘淇，陈恩红，沈双宏，苏喻，朱林波，
申请(专利权)人：合肥综合性国家科学中心人工智能研究院安徽省人工智能实验室，
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。