【技术实现步骤摘要】
本专利技术属于个性化学习，尤其涉及一种动态知识认知层级挖掘方法、系统、设备及终端。
技术介绍
1、如今，随着科技的不断发展，加之疫情影响，在线教育正成为一种越来越受欢迎的学习方式。在线教育在给学生带来方便的同时，其学习效果仍面临许多挑战。其中之一就是如何实现对学生的个性化教学，以提高学习效果。为了充分利用在线学习平台提供的丰富学习资源，让每位学生都能够得到个性化的学习指导，根据学生的实际情况进行有针对性的教学，提高在线学习的效果，基于人工智能技术的智能辅导系统正在蓬勃发展。智能辅导系统需要从学生的学习历史中挖掘数据，以准确评估学生当前的知识水平。学习表现预测任务可以根据学生的历史学习记录，追踪学生在一段时间内的动态知识水平，确定学生的潜在知识状态，并预测他们未来的知识水平和答题情况。此外，学习表现预测还可以发现学生在学习过程中的常见问题，帮助教师发现和解决学生的学习困难，从而更好地帮助学生提高学习成绩。根据学习表现预测的结果，教师可以为学生制定个性化的教学计划，对学生的薄弱知识进行有针对性的强化。由此可见，学习表现预测是个性化教学的基础和关键模块，对智能辅导系统的发展和个性化学习的推进具有重要意义，是教育数据挖掘领域的研究热点之一。
2、当前认知层级挖掘方法主要可以分为基于传统机器学习方法和基于深度学习方法两类。传统的认知层级挖掘方法有项目反应理论模型，贝叶斯模型以及因子分析模型，这些方法虽然有较好的解释性，但是需要基于理论假设，人为构建模型的输入特征，而特征构建往往具有片面性和局限性，并不能充分挖掘数据中隐藏的信息
3、通过上述分析，现有技术存在的问题及缺陷为：
4、(1)目前的认知层级挖掘方法在将学生作答记录转化为与知识点的交互序列的前提下，忽略了试题中知识点之间的关系，也没有考虑试题与知识点之间的关联，导致作答记录中的一些高维信息无法被模型有效利用，可解释性差；
5、(2)目前的认知层级挖掘方法只能输出缺乏可解释性的隐藏知识状态，通常为一个0到1之间的小数，无法直接应用于教育场景。在真实的教育场景中，学生对知识的掌握状态不是只有“掌握”和“未掌握”两种状态，而是有不同的认知层级。
6、深度知识追踪模型是一种使用循环神经网络(rnn)的知识追踪模型。该模型通过追踪学生的学习过程，预测学生对未来知识点的掌握程度。深度知识追踪模型将学生的答题记录作为序列数据输入到rnn中，并在每个时间步上预测学生对下一个知识点的掌握程度。
7、现有技术存在的技术问题：
8、1.静态预测：现有的深度知识追踪模型主要是静态的，它们通常在一个固定的时间点预测学生的知识掌握状态，而不能动态地追踪和预测学生的认知层级和知识掌握变化。
9、2.忽视知识点间的关系：dkt模型主要关注在时间序列上的学习过程，但它忽视了知识点之间的关系。在实际教学中，知识点之间存在丰富的依赖和关联关系，这些关系在深度知识追踪模型中并没有得到充分的利用。
10、3.复杂性和解释性：dkt模型作为一个黑盒模型，其内部工作机制较为复杂，难以解释。这在一定程度上限制了它在教育领域的应用，因为教师和学生可能需要理解模型的预测结果，以便做出相应的教学或学习决策。
11、4.对数据的依赖性：dkt模型对大量的学生答题数据有很高的依赖性，但在实际情况中，每个学生的答题数据可能并不足够多，这可能会影响模型的预测准确性。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供了一种动态知识认知层级挖掘方法。
2、本专利技术是这样实现的，一种动态知识认知层级挖掘方法，动态知识认知层级挖掘方法包括：
3、s1，采集学习者的学习行为特征与学习资源特征，生成基于学习者-试题-知识交互异构图；
4、s2，从学习者-试题-知识交互异构图中分别提取子图，引入图卷积神经网络，基于不同图结构对试题节点和知识点节点分别进行表示学习；
5、s3，构建基于门控的知识状态更新层，预测学习者下一时刻对试题和知识点的掌握水平；
6、s4，构建基于线型神经网络的动态认知追踪层，根据学习者更新后的知识点掌握水平向量动态追踪学习者的认知层级；
7、s5，融合学习者对试题的掌握水平及对试题所考察知识点的掌握水平，预测下一时刻学习者的作答反应，并构造损失函数进行训练；
8、s6，应用训练后的参数预测学习者的学习知识状态。
9、进一步，学习行为特征与学习资源特征是从学习者作答序列中采集得到的，学习行为特征为包含时序信息的作答反应特征：
10、s＝{(e1,k1,r1),(e2,k2,r2),…,(et,kt,rt)},s∈s
11、三元组(et,kt,rt)表示在t时刻，学生s作答了试题et，该试题考察了知识点kt，rt是学生的作答情况；如果学生回答错误，rt为0，如果学生作答正确，rt为et对知识点kt的考察层级(1：知道、2：掌握、3：应用)；
12、学习资源特征包括学习资源的知识点特征，具体为学习资源中试题考察知识点的认知层级特征与学习资源中知识点与知识点之间的关联特征：
13、e＝{(k1,l1),(k2,l2),…,(km,lm)},e∈e
14、其中，二元组(km,lm)代表试题e考察了知识点km，考察的层级为lm，m代表该题共考察了m个知识点；该课程包含的知识点集为|k|，k∈k，该课程包含的试题集为|e|，e∈e，l∈{1,2,3}代表该试题考察知识点k的层级，1代表知道，2代表掌握，3代表应用；
15、基于学习者-试题-知识点的异质图是基于学习者的作答序列和学习资源特征生成的，具体来说，学习者作答序列中，学习者按照一定顺序回答试题、每道试题考察不同的知识点，该过程包含了学生-试题-知识点之间大量的异质关系。基于学习者-试题-知识点的异质图sqk＝{v,e}，其中v表示节点集，e表示边集。节点集包含三种类型的节点，分别为学生节点ns、试题节点nq和知识点节点nk；边集包含两种类型的边，分别为作答边ea和考察边et。
16、进一步，从学习者-试题-知识交互异构图中分别提取子图的具体过程包括：
17、提取学习者作答行为子图(sq图)，记录学习者作答试题的情况；提取试题考察知识点情况子图(qk图)，表征试题与知识点之间的异质关系；提取知识点间关系子图(kk图)，关注知识点与知识点之间的联系；
18、本文档来自技高网...
【技术保护点】
1.一种动态知识认知层级挖掘方法，其特征在于，采用基于学习者-试题-知识交互异构图的方式来理解学习者的学习行为和学习资源特征，使用图卷积神经网络从异构图中提取子图进行表示学习；该方法还构建了基于门控的知识状态更新层和基于线型神经网络的动态认知追踪层，能够动态地预测和追踪学习者对试题和知识点的掌握水平，以及学习者的认知层级；通过融合学习者对试题的掌握水平和对试题所考察知识点的掌握水平，预测下一时刻学习者的作答反应，并采用损失函数进行训练，预测学习者的学习知识状态。
2.如权利要求1所述的动态知识认知层级挖掘方法，其特征在于，包括：
3.如权利要求2所述的动态知识认知层级挖掘方法，其特征在于，学习行为特征与学习资源特征是从学习者作答序列中采集得到的，学习行为特征为包含时序信息的作答反应特征：
4.如权利要求1所述的动态知识认知层级挖掘方法，其特征在于，从学习者-试题-知识交互异构图中分别提取子图的具体过程包括：
5.如权利要求1所述的动态知识认知层级挖掘方法，其特征在于，引入图卷积神经网络，基于不同图结构对试题节点和知识点节点分别进行表
6.如权利要求1所述的动态知识认知层级挖掘方法，其特征在于，构建基于门控的知识状态更新层预测学习者下一时刻对试题和知识点的掌握水平的具体过程包括：
7.如权利要求1所述的动态知识认知层级挖掘方法，其特征在于，构建基于线型神经网络的动态认知追踪层动态追踪学习者认知层级的具体过程包括：
8.一种动态知识认知层级挖掘系统，其特征在于，动态知识认知层级挖掘系统包括：
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1～7任意一项所述动态知识认知层级挖掘方法的步骤。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述动态知识认知层级挖掘系统。
...【技术特征摘要】
1.一种动态知识认知层级挖掘方法，其特征在于，采用基于学习者-试题-知识交互异构图的方式来理解学习者的学习行为和学习资源特征，使用图卷积神经网络从异构图中提取子图进行表示学习；该方法还构建了基于门控的知识状态更新层和基于线型神经网络的动态认知追踪层，能够动态地预测和追踪学习者对试题和知识点的掌握水平，以及学习者的认知层级；通过融合学习者对试题的掌握水平和对试题所考察知识点的掌握水平，预测下一时刻学习者的作答反应，并采用损失函数进行训练，预测学习者的学习知识状态。
2.如权利要求1所述的动态知识认知层级挖掘方法，其特征在于，包括：
3.如权利要求2所述的动态知识认知层级挖掘方法，其特征在于，学习行为特征与学习资源特征是从学习者作答序列中采集得到的，学习行为特征为包含时序信息的作答反应特征：
4.如权利要求1所述的动态知识认知层级挖掘方法，其特征在于，从学习者-试题-知识交互异构图中分别提取子图的具体过程包括：...
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。