[发明专利]一种习题预测方法、系统、设备及存储介质

说明书

本发明公开了一种习题预测方法、系统、设备及存储介质，包括从答题记录模型中获取答题记录信息，构建答题记录三元组向量模型；从习题‑知识点关联模型中获取习题‑知识点关联信息，基于答题记录三元组向量模型R和习题‑知识点关联模型生成习题难度模型和学生能力模型；由答题记录三元组向量模型R、习题难度和学生能力模型得到损失函数，由损失函数迭代更新至迭代次数达到上限，得到学生‑因子矩阵元素和习题‑因子矩阵元素；将学生‑因子矩阵元素和习题‑因子矩阵元素进行元素乘积运算，得到习题预测模型，生成预测习题。本发明解决现有技术中存在的无法自适应学生学习进度，知识点掌握水平动态变化，而实现习题个性化预测的技术问题。

技术领域

本发明属于智能教育领域，具体涉及一种习题预测方法、系统、设备及存储介质。

背景技术

传统课堂教育和在线学习平台，都收集并存储了大量的学生习题作答记录。如何根据这些作答记录来挖掘学生和习题信息，检验学生是否已经掌握课程的知识点，提高学生的学习效率，帮助学生选择合适的习题予以学习，受到了智能教育领域相关人员和社会各届的广泛关注。

习题预测算法通过学生的作答记录预测学生未做过习题的得分，之后再根据预测值为学生选择合适的习题，这种方式实现深度挖掘学习行为模式，揭示习题数据之间隐藏的关系和模式，了解学生掌握知识的过程，从而有助于掌握学生的学习规律，便于更全面地评价学生及个性化干预指导。通过优化学习过程，有利于学习能力的提高和学习兴趣的培养和思考能力的提升，提供个性化的服务，做到因材施教。

目前，已有多种算法应用于习题预测领域，其中最常用的三种模型有知识追踪模型、认知诊断模型和矩阵分解模型。知识追踪模型通过跟踪学生的习题记录，获取其知识点掌握程度以实现预测学生答题的正确性，但由于在一定程度上代表学生的平均水平，其缺陷在于：无法做到个性化习题预测；认知诊断模型源于教育心理学，是一种通过从答题记录中发现学生状态来预测学生表现的技术，其缺陷在于：存在着高额时间复杂度的问题，难以处理大规模习题记录；矩阵分解模型的缺陷在于：对观测数据与缺失数据权重设置均衡不切实际，更新模型仍需递归计算。

发明内容

针对上述现有技术的不足与缺陷，本发明的目的在于提供一种习题预测方法，以解决现有技术中存在的无法自适应学生学习进度，知识点掌握水平动态变化，而实现习题个性化预测的技术问题。

为了实现上述任务，本发明采用以下技术方案：

一种习题预测方法，该方法包括如下步骤：

步骤1，从答题记录模型中获取答题记录信息，从得到的答题记录模型中提取答题记录三元组向量，构建答题记录三元组向量模型Ru，i，r_ui，其中u表示学生编号、i表示习题编号、r_ui表示学生u解答习题i的正确性；

步骤2，从习题-知识点关联模型中获取习题-知识点关联信息，基于答题记录三元组向量模型R和习题-知识点关联模型生成习题难度模型和学生能力模型；

步骤3，由答题记录三元组向量模型R、习题难度和学生能力模型得到损失函数，由损失函数迭代更新至迭代次数达到上限，得到学生-因子矩阵元素和习题-因子矩阵元素；

步骤4，将学生-因子矩阵元素和习题-因子矩阵元素进行元素乘积运算，得到习题预测模型，生成预测习题，并将预测得到的习题推送至学生答题界面。

进一步地，步骤2中所述的由习题-知识点关联模型生成习题难度模型和学生能力模型，包括：

步骤2.1、基于习题-知识点关联模型，由式(1)得出习题难度模型的元素：

d_ui＝Q_ij*(failure(x_uj)-success(x_uj)) 式(1)