[发明专利]一种基于IRT的信息处理方法及装置

说明书

本发明实施例公开了一种基于IRT的信息处理方法及装置。该方法包括：获取答题信息样本，以IRT模型中的学习能力、题目区分度及难度为待估参数构建贝叶斯网络模型，其中，待估参数满足包含超参的预设先验分布，采用变分推断方法确定目标函数对应的变分分布函数，并以目标函数和变分分布函数的接近程度最小为原则，基于贝叶斯网络模型和答题信息样本对超参进行估计，得到超参的参数值，根据所得的超参的参数值对变分分布函数进行更新，基于更新后的变分分布函数对待估参数进行采样，得到对待估参数的估计。本发明实施例可降低对待估参数的先验估计过于固化对估计结果的影响，有效提升估计准确度。

技术领域

本发明实施例涉及信息处理技术领域，尤其涉及一种基于IRT的信息处理方法及装置。

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)模型及项目反映理论(Item response theory,IRT)等。

IRT模型由于其易操作性和灵活嵌入等特点，成为目前主流自适应学习平台(例如Knewton等公司)所采用的评估学生解题信息的分析引擎。IRT采用非线性函数表述学生学习能力和测试题目之间的关系。相对于经典测试理论，项目反映理论能够较好的处理一定规模的数据集，并且给出学生能力与所解题目之间的对应关系。在应用IRT模型时，一般需要对模型中的参数进行估计，现有的估计方案中，如马尔科夫链蒙特卡洛(Markov ChainMonte Carlo，MCMC)方法，答题者的先验信息往往是事先确定好的，例如通常假设所有答题者的能力分布是符合正态分布N(0,1)的，这就给模型的估计带来了先验的固化，影响估计的准确度，降低评估效果。

发明内容

本发明实施例的目的是提供一种基于IRT的信息处理方法及装置，以解决现有的基于IRT的题目信息估计方案因对待估参数的先验估计过于固化而引起的估计结果准确度低的问题。

一方面，本发明实施例提供了一种基于IRT的信息处理方法，包括：

获取预设数量的答题者关于目标题库的答题信息样本；

以IRT模型中的答题者的学习能力、题目的区分度及题目的难度为待估参数构建贝叶斯网络模型，其中，所述待估参数满足包含超参的预设先验分布；

采用变分推断方法确定目标函数对应的变分分布函数，并以所述目标函数和所述变分分布函数的接近程度最小为原则，基于所述贝叶斯网络模型和所述答题信息样本对所述超参进行估计，得到所述超参的参数值，其中，所述目标函数为基于所述答题信息样本的关于所述待估参数的后验估计函数；

根据所得的超参的参数值对所述变分分布函数进行更新；

基于更新后的变分分布函数对所述待估参数进行采样，得到对所述待估参数的估计。

另一方面，本发明实施例提供了一种基于IRT的信息处理装置，包括：