[发明专利]一种信息预测方法及装置

说明书

本发明实施例公开了一种信息预测方法及装置。该方法包括：获取当前答题者关于目标题库的历史答题信息和当前答题者的学习能力信息；从目标题库中确定候选题目；基于IRT预测模型和学习能力信息预测当前答题者做对候选题目的概率，得到IRT预测结果；基于DKT预测模型和历史答题信息预测当前答题者做对候选题目的概率，得到DKT预测结果；对IRT预测结果和DKT预测结果进行合并处理，得到当前答题者做对候选题目的预测概率。本发明实施例通过采用上述技术方案，综合了两种预测模型的预测结果来预测答题者做对候选题目的概率，可有效提高预测准确度。

技术领域

本发明实施例涉及信息处理技术领域，尤其涉及一种信息预测方法及装置。

背景技术

随着计算机技术在教育领域的广泛应用，自适应测试及自适应学习等日益得到人们的关注。自适应学习系统旨在提供一种学生自主学习平台，其对学生的解题信息进行收录，并通过技术手段对学生的做题能力进行实时评估，分析最适合学生掌握所学科目的学习路径，并与此同时对题库数据进行整合更新。自适应学习系统有合理优化学生学习日程、调动学生的学习积极性、辅助教师提高教学效率及解决教育资源分配不均等功能。

自适应学习的核心在于如何通过计算机有效的评估学生的解题信息并安排相应的学习路径。关于学生测试评估问题的研究，可追溯到二十世纪30年代提出的经典测试理论(Classical test Theory,CTT)，该理论将学生解题结果看成是学生能力加随机噪声的某种线性拟合，其对心理与教育测量的理论和实践都有巨大的贡献。然而，随着时代发展，学生所学知识内容逐渐丰富和多样化，而CCT理论对测试题组的标准化要求以及随机化技术难以重复性实施等因素限制了CCT理论的应用与发展，该理论已不能满足日益多样化的教学方式和日常学习评估。因此，新的理论脱颖而出，例如贝叶斯知识跟踪(Bayesianknowledge tracing,BKT)模型、项目反映理论(Item response theory,IRT)及深度学习知识追踪(Deep Knowledge Tracing，DKT)等。

上述模型虽已得到不同程度的应用和推广，但在执行效率及预测结果的准确度等方面仍存在不足。

发明内容

本发明实施例的目的是提供一种信息预测方法及装置，以优化现有的对答题者的答题信息进行预测的方案，提高预测准确度。

一方面，本发明实施例提供了一种信息预测方法，包括：

获取当前答题者关于目标题库的历史答题信息和所述当前答题者的学习能力信息；

从所述目标题库中确定候选题目；

基于项目反映理论IRT预测模型和所述学习能力信息预测所述当前答题者做对所述候选题目的概率，得到IRT预测结果；

基于深度学习知识追踪DKT预测模型和所述历史答题信息预测所述当前答题者做对所述候选题目的概率，得到DKT预测结果；

对所述IRT预测结果和所述DKT预测结果进行合并处理，得到所述当前答题者做对所述候选题目的预测概率。

另一方面，本发明实施例提供了一种信息预测装置，包括：

信息获取模块，用于获取当前答题者关于目标题库的历史答题信息和所述当前答题者的学习能力信息；

候选题目确定模块，用于从所述目标题库中确定候选题目；

第一预测模块，用于基于项目反映理论IRT预测模型和所述学习能力信息预测所述当前答题者做对所述候选题目的概率，得到IRT预测结果；

第二预测模块，用于基于深度学习知识追踪DKT预测模型和所述历史答题信息预测所述当前答题者做对所述候选题目的概率，得到DKT预测结果；