[发明专利]一种基于深度学习的智能教学系统

说明书

本发明提出一种基于深度学习的智能教学系统，包括：学习记录获取模块，用于从数据库中获取学习记录，相关信息包括学生编号，试题编号，相关知识点，作答结果，作答时间；场景编码模块，用于将学生的过往学习记录和当前场景进行总结概括和编码，得到概括性编码。学习序列编码模块，用于学生对知识点的过往学习序列进行编码，得到知识点作答编码；神经网络训练模块，用于根据概括性编码与知识点作答编码，训练神经网络；预测模块，用于在给定场景下对学生作答结果进行预测；学习调度模块，用于根据学生作答结果预测，为学生推荐学习内容。

技术领域

本发明涉及知识追踪、智能教辅系统、人工智能技术领域，尤其是一种基于深度学习的学生知识点掌握的预测技术。

背景技术

当今社会，学生们学习压力很大。智能辅导系统(ITS)是智能化、个性化地安排学生学习，提高学生学习效率的系统。学生在学习信息技术方面有自主权。他们有不同的学习时间表，不需要学习相同的材料。所有这些都需要建立在对学生知识水平的时间变化进行准确跟踪的基础上。本质上，一个学习实例可以被视为一个或多个知识点(或称知识组件，Knowledge Component,KC)的学习。本质上，学生对一个问题的应答结果能够一定程度地反映出了所包含的知识的熟练程度。我们需要一个学生模型，在这些复杂的历史信息中对学生进行恰当的评价，并总结出准确的规律。在学生模型的帮助下，跟踪学生的掌握水平，从而合理地规划未来的学习策略。被预测的掌握水平较低的知识点将被复习，被预测的掌握水平较高的知识点将被推迟复习，为新的学习材料预留时间。

早期学习策略是基于人工设定的方法。其中，间隔效应和测试效应自19世纪被发现以来被广泛复制。间隔效应表明，在时间上分配学习片段比在一次性的学习更有利于长期记忆。测试效应则表示，学习后的自测比单纯的复习更有效。

最近的研究集中在开发自适应和个性化的间隔调度程序，以提高抽认卡的长期记忆保持率。然而，大多数学习策略都是基于简单的数学模型。如今，数据量和计算能力都得到了极大的提升，数据驱动的知识跟踪(KT)模型将更适合这一需求。

知识追踪(KT)是指学生在参与一个或多个知识点学习的系列学习活动时，追踪学生知识状态演变的任务。早期的知识跟踪模型是通过实验和经验获得的。Ebbinghaus记忆了一些无意义的单词，并试图在不同的时间段后回忆它们，绘制了遗忘曲线，corbett 和Anderson应用贝叶斯知识跟踪(BKT)来评估用户知识的时间变化，使学习过程开始被准确预测。Rasch和Georg提出的项目反应理论(IRT)将用户能力和项目难度的概念引入到评价中，使得对不同问题的学生进行评价成为可能。Cen等人提出的加行因子模型(AddictiveFactor Model,AFM)，断言KC的累计学习时间对其掌握有影响。基于 AFM，Pavlic等人提出了表现因子分析模型(Performance Factor Analysis,PFA)，指出学生对知识点的掌握既取决于以前的学习成绩，也取决于以前的学习成绩。Piech等人提出的深度知识追踪模型(Deep Knowledge Tracing,DKT)将神经网络方法引入知识追踪领域。它使用循环神经网络(Recurrent Neural Network,RNN)模型跟踪用户学习。 RNN的隐藏状态代表学生当前的知识状态，学生对知识点的反应预测由隐藏状态的内积和知识点的特征向量计算。

许多研究者提出了DKT的改进方案。Yeung和Yueng引入了预测一致性正则化，以解决预测中的重建和波动过渡问题。Yang和Zhang试图编码更多隐含的异质特征，以丰富DKT的输入信息。Zhang等人，实现了特征工程方法来丰富编码。Chen等人则引入了 KCs之间的先决关系，使预测更加合理。动态键值记忆网络(DKVMN)提出了一个键值矩阵和一个值矩阵分别表示KC特征和学生知识状态，使模型更具解释性。Lee等人使用 LSTM跟踪学生的知识状态进行知识查询。Pandey和Karypis在文献提出的变压器模型的基础上，提出了自注意力机制下的知识跟踪(SAKT)，其性能优于现有模型。