技術(shù)特征：

1.一種基于多視角動(dòng)態(tài)演化的知識追蹤方法，其特征在于該方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于多視角動(dòng)態(tài)演化的知識追蹤方法，其特征在于：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和分別是q和c中的t+1時(shí)刻的問題qt+1和t+1時(shí)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)。

3.根據(jù)權(quán)利要求2所述的基于多視角動(dòng)態(tài)演化的知識追蹤方法，其特征在于：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；

4.根據(jù)權(quán)利要求1所述的基于多視角動(dòng)態(tài)演化的知識追蹤方法，其特征在于：為了能使lstm模型實(shí)時(shí)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(shí)刻動(dòng)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(shí)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

5.根據(jù)權(quán)利要求1所述的基于多視角動(dòng)態(tài)演化的知識追蹤方法，其特征在于：利用動(dòng)態(tài)更新模塊獲得當(dāng)前時(shí)刻知識狀態(tài)的具體處理過程如下；

6.根據(jù)權(quán)利要求1所述的基于多視角動(dòng)態(tài)演化的知識追蹤方法，其特征在于：計(jì)算學(xué)生正確回答問題的概率的實(shí)現(xiàn)方式如下：

7.根據(jù)權(quán)利要求1所述的基于多視角動(dòng)態(tài)演化的知識追蹤方法，其特征在于：步驟2中，還包括將yt+1與真實(shí)的作答結(jié)果計(jì)算交叉損失熵，損失函數(shù)記為其中，t表示時(shí)間步的總數(shù)，rt+1表示學(xué)生在時(shí)間步t+1時(shí)的實(shí)際響應(yīng)結(jié)果。

8.一種基于多視角動(dòng)態(tài)演化的知識追蹤系統(tǒng)，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明公開了一種基于多視角動(dòng)態(tài)演化的知識追蹤方法和系統(tǒng)，從問題、概念和整體三個(gè)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。本發(fā)明通過利用并結(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。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(diǎn)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(dòng)態(tài)更新知識狀態(tài)，使模型能夠捕獲知識點(diǎn)和學(xué)習(xí)情境之間的長期依賴性和關(guān)系。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。

技術(shù)研發(fā)人員：楊華利,張兵,胡盛澤,胡俊杰,劉軍平,朱強(qiáng),胡新榮
受保護(hù)的技術(shù)使用者：武漢紡織大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9