[发明专利]一种基于深度知识追踪的适应性学习支持装置及方法

说明书

本发明提供了一种基于深度知识追踪的适应性学习支持装置及方法，通过改进的知识追踪模型，实现比较准确、符合实际地实时追踪学习者当前的知识状态。本发明装置包括改进的深度知识追踪模型，已掌握知识点题目推荐模块以及知识水平跃迁资源推荐模块。本发明将学生的学习行为融合进知识追踪模型，基于MANN提出了改进的知识追踪模型。本发明方法基于知识追踪模型可获得学生的知识掌握程度，基于训练好的知识追踪模型，实现为学生推荐与已掌握知识点关联的未完成的题目，以及推荐基于知识水平跃迁轨迹的资源。本发明提高了知识追踪模型的准确性，实现了基于协同过滤实现为学生推荐学习资源的目的。

技术领域

本发明涉及知识追踪技术领域，特别涉及一种基于改进的知识追踪模型来为学生提供适应性学习支持的装置及方法。

背景技术

知识追踪(Knowledge Tracing)是根据学生过去的答题情况对学生的知识掌握情况进行建模，从而得到学生当前知识状态表示的一种技术。知识追踪能捕捉到学习者当前真实的需求，是学习者建模中的核心任务。但由于知识的多样性和人脑的复杂性，人类的学习过程就是复杂多变的，这也是知识追踪非常困难的原因。

近年来，随着互联网的普及与发展，线上教学得到了广泛应用。小规模限制性在线课程(Small Private Online Course，SPOC)为学习者提供了交互式学习环境，改善了传统课堂教学难以规模化扩展的弊端。但由于学生在知识水平、学习方法、学习能力及学习习惯等方面存在个体差异，随着教学过程的推进，这些因素均可能影响到学生学习效果。适应性教学能够以学生为中心，根据学生的个人特点、已有知识水平及学习风格，向其提供更为适合的学习内容和方案，从而提高学习效率。因此，追踪学生知识掌握情况的变化以及其学习行为特点对于为每个学生提供个性化的学习内容是非常重要的。知识追踪能够利用学生在课程中与题目的交互行为，来评估学生的知识掌握水平。目前的知识追踪模型有很多种。

贝叶斯知识追踪(BKT)模型使用一组二元变量来建模学习者的知识状态，每个变量表示是否掌握对应概念或知识点。根据学生在题目上作答的正误，使用隐马尔科夫模型(Hidden Markov Model，HMM)来更新其知识状态。可以看出，该模型对知识的学习过程进行了简化，假定学生一旦习得了某一项知识，该知识便不会被遗忘，这一假设在实际学习过程中显然是不成立的。此外，BKT模型没有考虑到不同题目间难度差异和学生个体间差异对学习过程的影响，知识点与题目间的映射关系则需要依靠领域专家进行标注，若标注粒度过粗将导致大量题目中隐含的信息被忽略，同时也无法应对单个题目与多个知识点相关联的情况。

深度知识追踪(DKT)，使用长短期记忆(Long Short-Term Memory，LSTM)单元作为隐藏层节点，输入序列是学习者在各个时刻的答题交互行为及交互结果，输出序列则是学生在各个时刻答对题库中任意题目的概率。DKT模型利用神经网络中的高维连续向量空间模拟知识状态，输入到状态、状态到状态的转换是非线性的，这就使得面对复杂的知识掌握状态转换时，DKT模型具有比BKT模型更强的表达能力。但是，DKT模型的输入只包含学习者的题目作答情况，有研究人员认为只考虑题目的知识组成部分而忽略其它信息将对知识追踪效果产生负面影响，并且DKT模型无法显式地提取学生的知识状态和题目的知识点向量表示，缺乏可解释性。

动态键值对记忆网络(DKVMN)在DKT的基础上增加了外部记忆模块以提取学生的知识点掌握情况和题目的知识点向量表示，但是依然没有考虑到学生的学习行为等其他信息对学生知识掌握状态的影响。

自注意力知识追踪(SAKT)和基于上下文的注意力知识追踪模型(AKT)等基于注意力机制的模型能够提取重要的特征，捕捉长距离的依赖，并且相对于循环神经网络来说训练速度较快，但是目前的模型均不能显式提取学生的知识状态，缺乏可解释性。

综上所述，现存的知识追踪模型或多或少都存在一定的缺陷。

发明内容