本發(fā)明涉及教育大數(shù)據(jù)挖掘、神經(jīng)網(wǎng)絡(luò)與學(xué)生行為建模領(lǐng)域，具體涉及一種基于多視角動態(tài)演化的知識追蹤方法和系統(tǒng)。

背景技術(shù)：

1、隨著信息技術(shù)的發(fā)展，知識追蹤(kt)在教育領(lǐng)域越來越受到關(guān)注。kt作為監(jiān)測和預(yù)測學(xué)習(xí)者知識狀態(tài)的核心技術(shù)，通過分析學(xué)習(xí)行為數(shù)據(jù)，實時跟蹤和預(yù)測學(xué)生的知識狀態(tài)。該技術(shù)在個性化教學(xué)和自適應(yīng)學(xué)習(xí)系統(tǒng)中具有重要價值?？梢詭椭逃ぷ髡吡私鈱W(xué)生的學(xué)習(xí)進(jìn)度和薄弱環(huán)節(jié)，并有針對性地進(jìn)行教學(xué)干預(yù)。

2、目前的kt模型主要解決兩大問題：一是跟蹤和監(jiān)控學(xué)生的知識狀態(tài)，二是預(yù)測學(xué)生的學(xué)習(xí)表現(xiàn)。

3、隨著信息技術(shù)的發(fā)展，知識追蹤(kt)在教育領(lǐng)域越來越受到關(guān)注。kt作為監(jiān)測和預(yù)測學(xué)習(xí)者知識狀態(tài)的核心技術(shù)，通過分析學(xué)習(xí)行為數(shù)據(jù)，實時跟蹤和預(yù)測學(xué)生的知識狀態(tài)。該技術(shù)在個性化教學(xué)和自適應(yīng)學(xué)習(xí)系統(tǒng)中具有重要價值。可以幫助教育工作者了解學(xué)生的學(xué)習(xí)進(jìn)度和薄弱環(huán)節(jié)，并有針對性地進(jìn)行教學(xué)干預(yù)。目前的kt模型主要解決兩大問題：一是跟蹤和監(jiān)控學(xué)生的知識狀態(tài)，二是預(yù)測學(xué)生的學(xué)習(xí)表現(xiàn)。

4、大多數(shù)傳統(tǒng)kt方法使用rnn或注意力機(jī)制來跟蹤知識狀態(tài)。貝葉斯知識追蹤(bkt)采用隱馬爾可夫模型(hmm)根據(jù)答案歷史更新二元知識狀態(tài)(掌握/未掌握)。深度知識追蹤(dkt)使用rnn或lstm來表示具有隱藏層的知識狀態(tài)。動態(tài)鍵值存儲網(wǎng)絡(luò)(dkvmn)利用基于lstm的動態(tài)存儲機(jī)制進(jìn)行鍵值對存儲和更新。自注意力知識追蹤(sakt)應(yīng)用了transformer的自注意力機(jī)制，而上下文感知注意力知識追蹤(akt)則將上下文信息與注意力機(jī)制相結(jié)合?；趫D的知識追蹤(gkt)采用圖神經(jīng)網(wǎng)絡(luò)(gnn)來描述學(xué)生和知識點之間的關(guān)系。

5、在預(yù)測學(xué)生學(xué)習(xí)表現(xiàn)方面，知識追蹤機(jī)(ktm)，它集成了矩陣分解和因式分解機(jī)(fm)來預(yù)測學(xué)生成績；卷積知識追蹤(ckt)，使用cnn來捕獲知識狀態(tài)演化；deepirt它將深度學(xué)習(xí)與項目反應(yīng)理論(irt)相結(jié)合，對能力和問題特征進(jìn)行建模，以提高準(zhǔn)確性。簡單而強(qiáng)大的模型rekt由兩個線性回歸單元(forget-response-update，fru)組成，具有出色的預(yù)測性能。細(xì)粒度知識跟蹤(fkt)結(jié)合了響應(yīng)時間、多任務(wù)學(xué)習(xí)和時間距離注意機(jī)制，使用編碼器-解碼器預(yù)測器模型來提高預(yù)測精度。

6、現(xiàn)有的kt模型側(cè)重于基于概念或問題對學(xué)生的知識狀態(tài)進(jìn)行建模，忽略了問題、概念、整體的特征及其對學(xué)生隱藏知識狀態(tài)的綜合影響。面對復(fù)雜的知識結(jié)構(gòu)，如何在提高預(yù)測精度的同時有效捕捉并動態(tài)更新學(xué)生的知識掌握情況是一個挑戰(zhàn)。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)中的不足之處，本研究從問題、概念和整體三個角度對學(xué)生的知識進(jìn)行建模，全面捕捉他們知識狀態(tài)的演變。我們使用lstm來處理交互序列并捕獲知識狀態(tài)的變化。利用irt模型預(yù)測學(xué)生在不同知識點上的表現(xiàn)，量化學(xué)習(xí)者能力和問題特征，增強(qiáng)模型可解釋性。此外，通過自注意力機(jī)制動態(tài)更新知識狀態(tài)，使模型能夠捕獲知識點和學(xué)習(xí)情境之間的長期依賴性和關(guān)系。

2、本發(fā)明的目的是通過如下技術(shù)措施來實現(xiàn)的，種基于多視角動態(tài)演化的知識追蹤方法，包括以下步驟：

3、步驟1，獲取當(dāng)前t+1時刻基于問題特征的輸入序列、基于概念特征輸入序列和基于全局特征的輸入序列，將獲取的三個序列分別與當(dāng)前時刻的交互特征et+1拼接，并分別輸入到lstm模型中，得到對應(yīng)的輸出特征，將三個輸出特征做拼接，作為當(dāng)前時刻最終知識狀態(tài)的表示ht+1；

4、步驟2，利用irt，結(jié)合最終知識狀態(tài)，計算學(xué)生正確回答問題的概率lq，結(jié)合學(xué)生的回答與概念掌握不一致的行為，獲得學(xué)生學(xué)習(xí)行為的預(yù)測值；

5、步驟2中，學(xué)生的回答與概念掌握不一致的行為包括兩種類型，一種是在沒有真正掌握的情況下猜測得到正確答案和盡管知道答案的情況下犯錯誤，首先，將知識狀態(tài)ht+1與交互特征et+1拼接起來，并經(jīng)過mlp分別得到兩種表示行為的特征序列g(shù)和s，g＝mlpg(ht+1∪et+1)，s＝mlps(ht+1∪et+1)，其中mlpg，mlps是兩組獨立的mlp網(wǎng)絡(luò)，兩者的權(quán)重矩陣和偏置向量不同，σ為激活函數(shù)，再使用如下響應(yīng)公式y(tǒng)t+1＝lq*(1-s)+(1-lq)*g，即可得到最終學(xué)生學(xué)習(xí)行為的預(yù)測值。

6、進(jìn)一步的，步驟1中，首先設(shè)定問題特征矩陣q∈rn×d，概念特征矩陣c∈rm×d，答案特征矩陣r∈r2×d，其中n是問題數(shù)量，m是概念數(shù)量，d是特征維度，那么交互特征的表示方式為其中qqt+1和cct+1分別是q和c中的t+1時刻的問題qt+1和t+1時刻的概念ct+1所在的行，diffqt+1是qt+1的難度，捕獲了問題相對于其概念的變化程度，diffqt+1和均為可訓(xùn)練的參數(shù)。

7、進(jìn)一步的，步驟1中，對于基于問題特征的輸入序列，從問題狀態(tài)序列中提取出包含當(dāng)前問題qt+1的交互單元，以拼接的方式得到基于問題特征的輸入序列；

8、對于基于概念特征的輸入序列，從概念狀態(tài)序列中提取出包含當(dāng)前概念ct+1的交互單元，以拼接的方式得到基于概念特征的輸入序列；

9、對于基于全局特征的輸入序列，直接將全局狀態(tài)序列作為基于全局特征的輸入序列；

10、對于當(dāng)前t+1時刻以前任意時刻的交互單元xt＝(qt,ct,rt)，特征計算為xt＝et+rrt，其中rrt是r中的第rt行，qt,ct,rt分別表示t時刻的問題、概念和回答。

11、進(jìn)一步的，為了能使lstm模型實時跟蹤學(xué)習(xí)者的知識掌握情況，將lstm模型的輸出特征與上一時刻動態(tài)更新模塊得到的知識狀態(tài)做一次殘差連接，得到當(dāng)前時刻基于問題特征的知識狀態(tài)基于概念特征的知識狀態(tài)和基于全局特征的知識狀態(tài)最后將這三種知識狀態(tài)拼接起來得到最終知識狀態(tài)的表示，即

12、其中動態(tài)更新模塊通過自注意力機(jī)制實現(xiàn)。

13、進(jìn)一步的，利用動態(tài)更新模塊獲得當(dāng)前時刻知識狀態(tài)的具體處理過程如下；

14、對于問題狀態(tài)，將注意力機(jī)制中kq和vq設(shè)置為基于問題特征的知識狀態(tài)將查詢qq設(shè)置為t+1時刻的交互單元et+1，將它們放入自注意力機(jī)制得到sq＝multihead(qq,kq,vq)；然后使用前饋神經(jīng)網(wǎng)絡(luò)將自注意力機(jī)制的結(jié)果納入模型中，并考慮不同底層維度之間的相互作用，使用如下響應(yīng)公式，ffn(sq)＝relu(sqw(1)+b(1))w(2)+b(2)，其中都是訓(xùn)練期間可學(xué)習(xí)的參數(shù)，最后，進(jìn)行一次殘差連接以獲得更新的問題狀態(tài)序列表示

15、對于概念狀態(tài)，將鍵kc和值vc設(shè)置為基于概念特征的知識狀態(tài)將查詢qc設(shè)置為t+1時刻的交互單元et+1，將它們放入自注意力機(jī)制得到sc＝multihead(qc,kc,vc)；然后使用前饋神經(jīng)網(wǎng)絡(luò)處理，最后經(jīng)過殘差連接得到更新的概念狀態(tài)序列表示

16、對于全局狀態(tài)，將鍵ko和值vo設(shè)置為基于全局特征的知識狀態(tài)將查詢qo設(shè)置為t+1時刻的交互單元et+1，將它們放入自注意力機(jī)制得到so＝multihead(qo,ko,vo)；然后使用前饋神經(jīng)網(wǎng)絡(luò)處理，最后，經(jīng)過殘差連接得到更新的全局狀態(tài)序列表示其中和分別表示當(dāng)前時刻的問題狀態(tài)序列，概念狀態(tài)序列和全局狀態(tài)序列。

17、進(jìn)一步的，計算學(xué)生正確回答問題的概率的實現(xiàn)方式如下：

18、首先計算學(xué)生在t+1時刻對概念i的掌握水平將最終的知識狀態(tài)ht+1與交互特征et+1拼接起來，并經(jīng)過mlp即可得到概念掌握水平；

19、然后將t+1時刻需要處理的問題經(jīng)過mlp分別計算概念i下特定問題的判別參數(shù)αi，概念i下特定問題的難度βi，最后運用irt模型，使用如下響應(yīng)公式其中，α＝σ[mlpα(qt+1)]，β＝σ[mlpβ(qt+1)]；mlpα和mlpβ是兩組獨立的mlp網(wǎng)絡(luò)，兩者的權(quán)重矩陣和偏置向量不同，σ為激活函數(shù)，nc表示概念的總數(shù)，得出學(xué)生正確回答概念i下問題的概率lqi。

20、進(jìn)一步的，步驟2中，還包括將yt+1與真實的作答結(jié)果計算交叉損失熵，損失函數(shù)記為其中，t表示時間步的總數(shù)，rt+1表示學(xué)生在時間步t+1時的實際響應(yīng)結(jié)果。

21、本發(fā)明還提供一種基于多視角動態(tài)演化的知識追蹤系統(tǒng)，包括：

22、一個或多個處理器；

23、存儲裝置，用于存儲一個或多個程序，當(dāng)所述一個或多個程序被所述一個或多個處理器執(zhí)行時，使得所述一個或多個處理器實現(xiàn)如上述方案所述的基于多視角動態(tài)演化的知識追蹤方法。

24、本發(fā)明基于多視角動態(tài)演化的知識追蹤方法，使用了一種有效整合基于問題、基于概念和基于整體的知識狀態(tài)的模型，全面捕捉他們知識狀態(tài)的演變，以提高學(xué)生成績預(yù)測的準(zhǔn)確性。通過利用并結(jié)合lstm網(wǎng)絡(luò)、自注意力機(jī)制和irt，能夠捕獲不同知識維度之間的復(fù)雜交互，從而更全面地了解學(xué)生的學(xué)習(xí)過程。本發(fā)明能夠科學(xué)、全面地對學(xué)生學(xué)習(xí)情況進(jìn)行預(yù)測，達(dá)到輔助教師進(jìn)行精準(zhǔn)教學(xué)的目的。