[发明专利]基于深度项目反应理论的认知诊断方法

权利要求书

1.一种基于深度项目反应理论的认知诊断方法，其特征在于，包括：

获取学生的历史习题数据；

对历史习题数据进行预处理，使用深度学习方法并结合预处理结果对学生和习题数据进行建模，获得学生的潜在特质、以及习题难度和区分度；

根据学生的潜在特质、以及习题难度和区分度，利用项目反应理论的二参数模型预测学生在习题上的得分。

2.根据权利要求1所述的一种基于深度项目反应理论的认知诊断方法，其特征在于，所述历史习题数据包含了M个习题，每一习题包括的习题描述文本以及习题包含的知识点集合。

3.根据权利要求1或2所述的一种基于深度项目反应理论的认知诊断方法，其特征在于，

假设有L个学生和M个习题，则组成了答题记录R＝{R_ij|1≤i≤L，1≤j≤M}；其中R_ij＝<S_i，Q_j，r_ij>是一条答题记录，表示一个学生S_i在一道习题Q_j上的实际得分为r_ij；

习题Q_j＝<QT_j，QK_j>，包含习题描述文本QT_j和知识点集合QK_j两个部分；所有习题共包含有P个知识点；初始化学生S_i在每个知识点p上的掌握度记为α_p，所有知识点掌握度组成一个P维的向量α＝(α₁，α₂，…，α_P)。

4.根据权利要求1所述的一种基于深度项目反应理论的认知诊断方法，其特征在于，所述对历史习题数据进行预处理包括：

假设一道习题Q_j中的习题描述文本QT_j由U个单词组成，通过预训练得到Word2Vec模型将习题描述文本QT_j中的每一个单词表示成向量形式，得到QT_j＝{w₁，w₂，…，w_U}，其中包含，每一个单词u都被表示成一个d₀维的向量

假设一道习题Q_j中的知识点集合QK_j由V个知识点组成，将每一个知识点v表示成一个P维的one-hot向量K_v∈{0，1}^P，得到QK_j＝{K₁，K₂，…，K_V}，再使用一个d₁维的密集层将每一个知识点的one-hot向量K_v转化为一个d₁维的密集向量转换方式为：

k_v＝K_vW_k

其中，是密集层的参数；

转换后的知识点向量集合记为

5.根据权利要求1或4所述的一种基于深度项目反应理论的认知诊断方法，其特征在于，所述使用深度学习方法并结合预处理结果对学生和习题数据进行建模，获得学生的潜在特质、以及习题难度和区分度，包括三个部分：利用深度神经网络建模学生的潜在特质、利用基于注意力机制的长短期记忆网络建模习题难度、以及利用深度神经网络建模习题区分度。