System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于知识追踪,具体涉及一种基于人在回路的知识追踪方法及系统。
技术介绍
1、近年来,全球范围内网上在线教学的普及出现了显著增长。广泛普及的在线教育导致了大量的习题信息和数据可用于知识追踪研究。随着在线教学的持续发展,学生生成的大量习题数据为增强知识追踪方法提供了宝贵的机会,并为个性化和自适应学习体验的进步做出了贡献。
2、知识追踪任务是根据学习者在过去的学习活动中产生的交互记录,追踪学习者的知识状态,预测学习者未来的表现,是在线教育重点研究领域之一。下图1展示了知识追踪的一个说明性例子。当学生遇到一个新问题时,本专利技术需要根据前四个问题的正确性估计其回答正确第五题的概率。学生对知识点的掌握程度决定了其正确回答问题的能力。需要注意的是,一个问题可能与一个或多个知识点相关联。
3、现有流行的知识追踪方法主要分为机器学习和深度学习两种。基于机器学习的方法由于在大规模在线学习中提供低成本的学生表现预测,从而帮助教师检测学生的学习状态或为学生提供个性化建议而受到公众关注。最早基于机器学习的方法可追溯到1995年,corbett和anderson最早引入了知识追踪概念,他们利用隐马尔可夫模型(hidden markovmodel,hmm)对学习者的知识状态进行建模,通过贝叶斯网络对学习者的学习过程进行建模,这种方法被称为贝叶斯知识追踪(bayesian knowledge tracing,bkt)。baker等在2008年提出的上下文猜测和滑动模型,通过增加回归步骤和特征生成增加了贝叶斯知识追踪的复杂度,
4、近期大量的知识追踪研究提出了基于深度学习的知识追踪模型(deep learning-based knowledge tracing,dlkt),进一步模拟学生的学习过程,取得了更优的效果。2015年深度知识追踪(deep knowledge tracing,dkt)首次将深度学习引入知识追踪,利用循环神经网络(recurrent neural network,rnn)或长短期记忆(long short-term memory,lstm)对学习者的知识状态进行建模,与bkt中的隐马尔可夫模型相比,rnn和lstm具有高维、连续的潜在状态表示,这使得dkt可以更准确地捕捉学习者的知识状态变化。2017年zhang等人提出了的动态键值记忆网络(dynamic key-value memory networks,dkvmn),主要开发两个记忆网络,分别捕捉知识概念之间的潜在关系,并动态估计学生的知识状态。2019年nakagawa等人使用图神经网络(graph neural networks,gnn)来获取知识概念之间的关系依赖。同时期,pandey和karypis提出了一种基于注意力机制的模型,以捕捉学生的学习互动与未来问题之间的长期依赖关系。之后,ghosh等人进一步提出了一种单调自注意力机制,通过考虑上下文感知距离的指数衰减来增强原始的自注意力网络。
5、然而,基于深度学习的知识追踪模型的建模方式逐渐复杂,同时模型架构大,参数多,训练成本较高。同时,知识追踪模型产生潜在的预测错误不可避免,并且很难消除。这些错误可能会给教师和学生产生误导,干扰学生的合理学习过程。为了促进知识追踪模型在真实教育环境中的应用,保证其生成的高质量预测至关重要。
技术实现思路
1、针对现有技术的不足,本专利技术提出了一种基于人在回路的知识追踪方法及系统,该方法可以通过对学生做题序列信息进行建模,并提升知识追踪模型和人工教师的联合预测结果的准确率,所提出的系统能够促进知识追踪模型在教育应用中的部署。
2、为实现上述目的,本专利技术提供了如下方案:
3、一种基于人在回路的知识追踪方法,包括以下步骤:
4、基于学生的题目集,构建知识追踪模型,基于所述知识追踪模型,预测学生的表现;
5、计算所述知识追踪模型对于每个预测结果的置信度分数;
6、对于置信度分数低于预设阈值的样本,进行人工教师二次批改,实现知识追踪。
7、优选的,所述知识追踪模型包括:问题编码器、知识获取模块和预测函数层;
8、所述问题编码器用于将学生的每个答题交互映射到潜在的嵌入空间;
9、所述知识获取模块用于利用注意力机制在每个时间步骤对评估交互进行建模和知识传递;
10、所述预测函数层用于基于建立的模型和传递的知识,估计学生在未来问题上的表现。
11、优选的,计算所述知识追踪模型对于每个预测结果的置信度分数的方法包括:
12、
13、其中,为信任分数,ht+1为预测题目的嵌入表示,hs为与预测标签具有相同标签的距离最近的题目嵌入表示,hc为具有不同标签的距离最近题目嵌入的表示;
14、计算所述知识追踪模型对于每个预测结果的置信度分数的方法还包括:
15、将后验概率视为置信度分数。
16、优选的,对于置信度分数低于预设阈值的样本,进行人工教师二次批改的方法包括:
17、通过训练获取得到的置信度阈值φ,将n个学生表现的所有预测集合d划分为两个子集,其中,dm是置信度分数高于φ的样本子集,df是置信度分数小于φ的样本子集;
18、将dm的预测结果表示为pm;
19、将df中的习题由人工教师进行重新评估,对应的重新评估结果表示为pf;
20、将pm和pf合并为最终结果p。
21、本专利技术还提供了一种基于人在回路的知识追踪系统,包括:构建模块、计算模块和批改模块;
22、所述构建模块用于基于学生的题目集,构建知识追踪模型,基于所述知识追踪模型,预测学生的表现;
23、所述计算模块用于计算所述知识追踪模型对于每个预测结果的置信度分数;
24、所述批改模块用于对于置信度分数低于预设阈值的样本,进行人工教师二次批改,实现知识追踪。
25、优选的,所述知识追踪模型包括:问题编码器、知识获取模块和预测函数层;
26、所述问题编码器用于将学生的每个答题交互映射到潜在的嵌入空间;
27、所述知识获取模块用于利用注意力机制在每个时间步骤对评估交互进行建模和知识传递;
28、所述预测函数层用于基于建立的模型和传递的知识,估计学生在未来问题上的表现。
29、优选的,计算所述知识追踪模型对于每个预测结果的置信度分数的过程包括:
30、
31、其中,为信任分数,ht+1为预测题目的嵌入表示,hs为与预测标签具有相同标签的距离最近的题目嵌入表示,hc为具有不同标签的距离最近题目嵌入的表示;
32、计算所述知识追踪模型对于每个预测结果的置信度分数的过程还包括:
33、将后验概率视为置信度分数。
34、优选的,对于置信度分数低于预设本文档来自技高网...
【技术保护点】
1.一种基于人在回路的知识追踪方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于人在回路的知识追踪方法,其特征在于,所述知识追踪模型包括:问题编码器、知识获取模块和预测函数层;
3.根据权利要求1所述的基于人在回路的知识追踪方法,其特征在于,计算所述知识追踪模型对于每个预测结果的置信度分数的方法包括:
4.根据权利要求1所述的基于人在回路的知识追踪方法,其特征在于,对于置信度分数低于预设阈值的样本,进行人工教师二次批改的方法包括:
5.一种基于人在回路的知识追踪系统,其特征在于,包括:构建模块、计算模块和批改模块;
6.根据权利要求5所述的基于人在回路的知识追踪系统,其特征在于,所述知识追踪模型包括:问题编码器、知识获取模块和预测函数层;
7.根据权利要求5所述的基于人在回路的知识追踪系统,其特征在于,计算所述知识追踪模型对于每个预测结果的置信度分数的过程包括:
8.根据权利要求5所述的基于人在回路的知识追踪系统,其特征在于,对于置信度分数低于预设阈值的样本,进行人工教师二次批改的过程
...【技术特征摘要】
1.一种基于人在回路的知识追踪方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于人在回路的知识追踪方法,其特征在于,所述知识追踪模型包括:问题编码器、知识获取模块和预测函数层;
3.根据权利要求1所述的基于人在回路的知识追踪方法,其特征在于,计算所述知识追踪模型对于每个预测结果的置信度分数的方法包括:
4.根据权利要求1所述的基于人在回路的知识追踪方法,其特征在于,对于置信度分数低于预设阈值的样本,进行人工教师二次批改的方法包括:
5....
【专利技术属性】
技术研发人员:高博宇,孙伟力,肖凤军,刘子韬,罗伟其,
申请(专利权)人:暨南大学,
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。