融合项目反应的时序卷积知识追踪方法技术

一种融合项目反应的时序卷积知识追踪方法，由获取训练数据集、构建知识追踪网络、获取学生知识状态、题目区分度编码、题目难度编码、预测学生答题情况、训练网络、测试网络组成。本发明专利技术采用时序卷积网络对学生的交互序列进行特征提取，得到学生知识状态，对学生的答题能力、题目难度、题目区分度编码，确定了学生和习题之间的互动关系，预测学生答题情况。本发明专利技术与现有技术相比，网络模型的预测准确率显著提升，能有效地避免循环神经网络存在的梯度消失的情况，对学生的作答过程有更加全面、准确的跟踪和解释。跟踪和解释。跟踪和解释。

【技术实现步骤摘要】
融合项目反应的时序卷积知识追踪方法


[0001]本专利技术属于智慧教育，教育数据
，具体涉及知识追踪。

技术介绍

[0002]知识追踪是根据学生以往的答题情况对学生的知识掌握程度进行建模，从而得到学生当前知识状态并预测下一道题的做题情况的技术。作为精准推送、学生学习路径规划和知识图谱构建的首要任务，知识追踪是构建自适应教育系统的核心和关键。现有知识追踪方法存在的主要问题：(1)预测方法效率低、预测结果不精确；(2)预测过程和结果缺乏可解释性；(3)多针对习题对应的知识点建模，忽视了题目本身蕴含的丰富信息。因此，运用计算机技术结合题目知识点的信息探索出高预测性能，且具有系统透明度可解释的知识追踪方法，已经成为智慧教育领域的研究热点和挑战性课题。
[0003]当前知识追踪技术主要归纳为两类：基于传统机器学习方法和基于深度学习的方法。基于传统方法的知识追踪方法又分为基于概率和基于回归的知识追踪方法。其中，概率方法将学习者对每个知识点的掌握情况建模为一组二元变量，忽略了知识点之间的相互联系，难以处理较复杂的知识体系，且在实际应用中难以模拟本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.种融合项目反应的时序卷积知识追踪方法，其特征在于由下述步骤组成：(1)获取训练数据集在公共数据集Assistment2009中选取答题数量大于3题的学生，分为训练集和测试集，训练集与测试集的比为4∶1，学生的答题序列X
t
为：X
t
＝(x1，x2，
…
，x
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)x
t
＝(q
t
，a
t
)其中，q
t
为学生在时刻t的回答的题目信息，a
t
为学生在时刻t回答问题的正确与否，t∈[4，200]；(2)构建知识追踪网络知识追踪网络由知识状态编码模块1与题目区分度编码模块2、题目难度编码模块3并联后，再与学生答题情况预测模块4串联构成；所述知识状态编码模块1由时序卷积网络构成；所述的题目区分度编码模块2由深度神经网络DNN与全连接层1串联构成；所述的题目难度编码模块3由全连接层2构成；所述的学生答题情况预测模块4由全连接层3构成；(3)编码学生知识状态采用知识状态编码模块1对学生的知识状态进行编码，按式(2)编码生成学生知识状态h
t
：其中，x
t
‑
d(n
‑
1)
为t
‑
d(n
‑
1)时刻的输入值，w
t
‑
d(n
‑
1)
为神经元的权重，取值为有限正整数，d为膨胀系数、取值为21～29，k为卷积核大小、取值为5～8；(4)编码题目区分度采用题目区分度编码模块2对题目区分度进行编码，按式(3)确定题目区分度α：α＝sigmoid(w
o
×
l
t
+b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)(3)其中，A
i
为i时刻学生所有答题记录特征向量总和，x
j
为j时刻学生的答题信息，j表示该学生在i时刻之前的答题记录，j∈[4，200]，i表示该学生在t时刻之前的答题记录，i∈[4，200]，f为非线性激活函数，l
t
表示t时刻项目区分度特征向量，w
s
，w
o
为权重系数，s取值为50～200，b
o
为偏置系数，o取值为50～200，sigmoid为S型激活函数；(5)编码题目难度采用题目难度编码模块3对学生作答题目的难度进行编码，按式(4)确定题目难度β：β＝tanh(w
p
×
dt+b
p
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)d
t
＝(q
t
，e
t
，m
t
)其中，w
p
为区分度权重系数，b
p
为偏置系数，p取值为50～200，tanh为双曲正切激活函数，d
t
表示学生在时刻t作答的题目难度特征向量，q
t
表示学生在时刻t的回答的题目信息，
e
t
表示学生在时刻t作答题目的类型，m
t
表示学生在时刻t的作答时间；所述的类型包括单项选择、多项选择、填空题、计算题、应用题；(6)预测学生作答情况采用学生答题情...

【专利技术属性】
技术研发人员：肖冰，张瑞欢，何聚厚，马君亮，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：