一种基于学生能力和题目难度的注意力知识追踪方法技术

本方案涉及知识跟踪领域的一种基于学生能力和题目难度的注意力知识追踪方法，通过对学生能力和题目难度进行提取，并结合题目内容、学生特征和该学习历史正确率因数；并建立基于“Transformer”模型的知识追踪模型ADKT，本知识追踪方法通过人工神经网络模型的创新设计，将上述因数放入到模型中进行运算，从而得到更加精确针对个人能力的预测值，从而指导学生合理安排学习内容，以达到因材施教，从而能够避免教学资源错误投放或重复浪费的目的。

【技术实现步骤摘要】

：本专利技术属于知识跟踪领域，具体涉及一种基于学生能力和题目难度的注意力知识追踪方法。

技术介绍

0、
技术介绍
：

1、知识追踪是随着时间的推移对学生知识进行建模的任务，以便我们可以准确地预测学生在未来互动中的表现。通过实时的跟踪学生学习行为，可以更好地为学生调整学习计划，应用人工智能技术为学生提供有效的学习内容和材料，促使学生更加积极地参与学习，从而进一步提高学习效率。

2、机器学习在人工智能中扮演着及其重要的角色，贝叶斯模型和协同过滤模型也被用于知识追踪并取得了不错的效果。

3、贝叶斯模型通过对学生每次回答问题的概率进行估计以达到知识追踪的目的。该模型本质是确定潜在心理特征(latent trait)是否可以通过问题被反应出来，以及问题和被测试者之间的互动关系。随着深度学习在机器翻译等领域的流行以及人工智能教育领域中出现更多的公共数据，深度知识追踪(dkt)取得更大的优势。深度知识追踪(dkt)模型将学生交互输入到一个长短期记忆(lstm)网络中，得到学生当前知识能力状况，有效地捕捉了学生学习活动随时间的变化。但学生进本文档来自技高网...

【技术保护点】

1.一种基于学生能力和题目难度的注意力知识追踪方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于学生能力和题目难度的注意力知识追踪方法，其特征在于：所述步骤九中所述的第一自注意机制模块，所述第二自注意机制模块均满足如下公式逻辑：

3.根据权利要求1所述的基于学生能力和题目难度的注意力知识追踪方法，其特征在于：步骤九中，先要对知识追踪模型ADKT训练，训练的方法为：将每个学生的答题序列转换成词嵌入，用于知识追踪模型ADKT的训练；

4.根据权利要求2所述的基于学生能力和题目难度的注意力知识追踪方法，其特征在于，步骤九中，如果学生的答题序列长度...

【技术特征摘要】

1.一种基于学生能力和题目难度的注意力知识追踪方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于学生能力和题目难度的注意力知识追踪方法，其特征在于：所述步骤九中所述的第一自注意机制模块，所述第二自注意机制模块均满足如下公式逻辑：

3.根据权利要求1所述的基于学生能力和题目难度的注意力知识追踪方法，其特征在于：步骤九中，先要对知识追踪模型adkt训练，训练的方法为：将每个学生的答题序列转换成词嵌入，用于知识追踪模型adkt的训练；

4.根据权利要求2所述的基于学生能力和题目难度的注意力知识追踪方法，其特征在于，步骤九中，如果学生的答题序列长度小于max_seq我们就在序列的前面部分填充＜pad＞，反之，我们取序列的后面部分长度为max_seq的交互序列来作为模型的输入。

5.根据权利要求4所述的基于学生能力和题目难...

【专利技术属性】
技术研发人员：董玉民，张永健，
申请(专利权)人：重庆师范大学，
类型：发明
国别省市：