[发明专利]一种基于预训练的慕课自适应学习系统构建方法和装置

说明书

本发明公开了一种基于预训练的慕课自适应学习系统构建方法和装置，其中，该方法包括：获取第一预设时间内慕课平台记录的学生学习行为数据，以及预设条件下的辅助信息，辅助信息至少包括课程结构元信息和视频字幕文本；基于学生学习行为数据，以预设的粒度对学习行为日志进行聚合与处理，得到学生学习行为序列；基于辅助信息进行知识挖掘，获取课程结构元信息与视频的初始表示；基于学生学习行为序列和初始表示构建学习行为预训练模型，并采用掩码预测任务训练模型；将学习行为预训练模型应用于学习资源推荐和学习资源评估两个核心下游任务。本发明能够对慕课场景的学习行为、学习资源进行统一建模，构建出性能更强、更通用的自适应学习系统。

技术领域

本发明涉及网络信息技术领域，尤其涉及一种基于预训练的慕课自适应学习系统构建方法和装置。

背景技术

自适应学习又称自适应教学，旨在向学生提供个性化的学习体验。传统的课堂学习向所有学习者提供一刀切式的教学场景，学习体验高度同质化；自适应学习则强调通过资源、反馈与路径规划，满足每个学习者的独特需求。自适应学习主要包含三个重要的方向：通过数据挖掘与自然语言处理技术，组织、建模学习材料，获取自适应学习的资源；通过认知诊断与知识追踪技术，实时反馈学生的知识技能掌握程度；通过序列推荐或知识结构获取技术，综合学生的历史表现、当前知识状态与候选对象，为学习者推荐适合的学习资源、规划学习路径，实现自适应学习系统指导学习的核心功能。

尽管深度学习技术已经在自适应学习领域得到广泛应用并取得了优于统计方法的效果，但现有的自适应学习系统构建方法存在两个明显的局限：

一方面，教育学认知框架理论指出，自适应学习子任务间是相互关联、协调统一的，自适应学习系统应该具有任务间信息共享能力与泛化迁移能力；然而现有的方法往往针对每个特定的自适应学习任务设计独立的模型，各模型只考虑与任务相关的部分特征、未充分融合全学习过程的丰富信息，导致自适应学习系统仅是各独立子任务的组合，模型泛化性较差、且系统难以从任务协同中获益。另一方面，大规模在线开放课程(MOOC，以下简称为慕课)能够记录学生在真实场景中的大量细粒度学习行为，为自适应学习系统提供大规模无标签数据；然而面向特定自适应学习任务的数据集仍严重依赖昂贵的专家标注，通常规模较小且难以获得，导致模型无法充分发挥潜能、且造成大量原始信息浪费。

预训练技术源自于自然语言处理领域的语言建模：首先在大规模语料库上对模型进行自监督训练，获取通用的、具有泛化能力的语言表示；再将预训练表示作为下游任务的特征、或在下游任务训练过程中微调模型参数，最终在多种下游任务上达到顶尖效果。类比至自适应学习领域，使用预训练技术对学习过程进行建模，可以促进多种类型的自适应学习下游任务，提高模型在缺乏标注数据时的表现能力。预训练模型能够充分利用学习过程中的多源信息、整合多层次的学习特征，因而可以成为通用的构建自适应学习系统的基础。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的目的在于实现对慕课场景的学习行为、学习资源等进行统一建模，提高学习资源推荐、学习资源评估等多种自适应学习核心任务的效果，提出了一种基于预训练的慕课自适应学习系统构建方法。

本发明的另一个目的在于提出一种基于预训练的慕课自适应学习系统构建装置。

为达上述目的，本发明一方面提出了基于预训练的慕课自适应学习系统构建方法，包括以下步骤：

S1，获取第一预设时间内慕课平台记录的学生学习行为数据，以及预设条件下的辅助信息，所述辅助信息至少包括课程结构元信息和视频字幕文本；

S2，基于所述学生学习行为数据，以预设的粒度对学习行为日志进行聚合与处理，得到学生学习行为序列；

S3，基于所述辅助信息进行知识挖掘，获取所述课程结构元信息与视频的初始表示；