CN116361744A - 一种面向学习过程性评价的学习者认知追踪方法及*** - Google Patents
一种面向学习过程性评价的学习者认知追踪方法及*** Download PDFInfo
- Publication number
- CN116361744A CN116361744A CN202310343439.3A CN202310343439A CN116361744A CN 116361744 A CN116361744 A CN 116361744A CN 202310343439 A CN202310343439 A CN 202310343439A CN 116361744 A CN116361744 A CN 116361744A
- Authority
- CN
- China
- Prior art keywords
- learner
- cognitive
- cognition
- knowledge
- gate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000019771 cognition Effects 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 120
- 238000011156 evaluation Methods 0.000 title claims abstract description 48
- 230000001149 cognitive effect Effects 0.000 claims abstract description 119
- 230000004044 response Effects 0.000 claims abstract description 82
- 230000008569 process Effects 0.000 claims abstract description 52
- 238000012360 testing method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 230000006998 cognitive state Effects 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 20
- 230000003993 interaction Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000007786 learning performance Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 6
- 238000004806 packaging method and process Methods 0.000 claims description 6
- 241000589562 Brucella Species 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 13
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000005065 mining Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000003491 array Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 241000209504 Poaceae Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明属于智能学***变化过程。
Description
技术领域
本发明属于智能学习评价技术领域,尤其涉及一种面向学习过程性评价的学习者认知追踪方法及***。
背景技术
随着人工智能、大数据、智能教学平台(ITS,intelligent tutoring system)等信息技术的不断发展无形中推动了教育形式由传统向新型模式的转变。《中国教育现代化2035》提出,高校需探求新的教学模式,促进以个性化学习为基础的教学,以推动人工智能在教育方面的应用。海量的教学资源给学习者带来充分便利的同时,也可能使得辅导***给学习者提供的资源不能针对性地满足其特定的需求。因此,如何实现以个性化教学为代表的新型教学模式已经成为智能教育领域的重大问题之一:根据学习者过去的学习活动,掌握学习者的知识状态,预测学习者未来的表现,合理规划学习者的学习路径,为学习者高效推荐学习资源,帮助学习者量身定制学习计划,查漏补缺,构建学练测闭环,真正实现因材施教与个性化学习。
学***,即掌握知识的程度跟随时间变化的过程,以此来预测学习者在未来学习中的作答表现,从而挖掘学习者得分背后所隐含的认知信息,分析学习者自身的优势与不足,最终给出针对性的、个性化的学习辅导。
目前,领域内的研究者提出的学***,具有良好的可解释性;但同时也存在一定的缺陷,如忽略了***台收集的其他信息对模型的影响;两类方法只关注对于学习者的结果性评价,且假设学习者的响应是二进制的,只有正确或错误两种状态(0,1),无法挖掘学习过程中学习者细粒度的认知状态变化信息。
如何有效利用学***的同时捕捉学习资源等客观因素对学习者的潜在影响;如何将面向过程性的学习者学习评价与传统的面向结果性的学习者学习评价有效结合,已经成为学习者认知追踪的难题。
通过上述分析,现有技术存在的问题及缺陷为:
(1)目前基于概率图模型的可解释学习者认知追踪方法忽略习题顺序对学习的影响,增加人工成本,简单的模型架构无法模拟人类大脑学习高度复杂的过程;基于深度学习的高精度学习者认知追踪方法模型内的操作是黑盒的,比如特征的提取和筛选是不可见的,提取到的特征也难以解释。
(2)现有学***台收集的其他信息对模型的影响。
(3)传统学习者认知追踪方法简化学习资源中蕴含的信息,仅使用试题涉及的知识点以及正确性作为模型输入,忽视学习过程中存在的其他特征,导致模型的资源利用率较低;建模学习者认知状态时角度较为单一,没有考虑学习资源等客观因素对学习者在学习过程中的影响,导致模型精确性较低。
(4)传统的学习者认知追踪方法通常只以学习者最终二进制的作答情况(答对:1;答错:0)作为学习者学习行为的评价方式,无法将细粒度的过程性评价与其有效结合,导致模型的可解释性较差。
发明内容
针对现有技术存在的问题,本发明提供了一种面向学习过程性评价的学习者认知追踪方法及***。
本发明是这样实现的,一种面向学习过程性评价的学习者认知追踪方法,面向学习过程性评价的学习者认知追踪方法包括:***收集学习者数据并基于试题知识认知张量TKC进行多维特征提取,生成作答特征原始四元组;设置超参数,将原始四元组处理成等长的数据格式,对不同维度的作答特征分别编码后融合嵌入,得到分层次地嵌入表示;基于Slip Gate、Guess Gate、Level Gate和Output Gate四种门结构构造认知追踪单元,构建融合门结构的深度认知追踪模型;根据认知状态信息和知识点参数信息追踪并输出不同时刻学习者对每个知识点的认知层级,预测学习者在知识点上的未来作答表现,并进行个性化学习者学习资源推荐。
进一步,面向学习过程性评价的学习者认知追踪方法包括以下步骤:
步骤一,定义并构建“练习-知识-作答-认知层级”四元组:收集学习者的学习资源和作答数据,根据引入布鲁姆认知领域教育目标分类的试题知识认知张量TKC,为每位学习者进行特征提取,生成作答特征原始四元组;
步骤二,进行数据预处理与多维特征编码、融合和嵌入:基于学习者作答特征原始四元组的长度设置超参数,并处理成等长的数据格式;对原始四元组中包含的来自不同维度的学习者作答特征进行编码与融合,得到每个知识点最终分层次地嵌入表示;
步骤三,基于四种门结构构造认知追踪模型:通过对步骤二中的嵌入表示进行封装得到模型输入,并基于Slip Gate、Guess Gate、Level Gate和Output Gate四种门结构构造认知追踪单元,从而构建融合门结构的深度认知追踪模型;
步骤四,追踪并输出学习者在不同时刻的认知层级并预测未来的学习表现:根据追踪过程中的学习者认知状态信息和知识点参数信息,动态地输出不同时刻学习者在每个知识点上的认知层级,并预测学习者未来的作答表现。
进一步,步骤一中的定义并构建“练习-知识-作答-认知层级”四元组包括:
(1)构建学习资源集合与学习者历史作答矩阵;
S={s1,s2,…,sM};
E={e1,e2,…,eN};
K={k1,k2,…,kL};
其中,S为学习者集合,M为学习者数量;E为试题题目集合,N为试题数量;K为知识点集合,L为知识点数量;R为学习者历史作答矩阵,rmn=0表示学习者m在试题n上作答错误,rmn=1表示学习者m在试题n上作答正确。
(2)引入布鲁姆认知领域教育目标分类,将学***,得到在认知层面试题对每种知识点的考察层次具体且统一的定义,从而构建融合布鲁姆认知领域教育目标分类的试题知识认知张量TKC;
其中,七种认知水平分别为未掌握0、知道1、领会2、应用3、分析4、综合5以及评价6;0≤cnl≤6表示试题n考察知识点l到c层级。
(3)根据学习者的历史作答矩阵R与融入布鲁姆认知领域教育目标分类的试题知识认知张量TKC对学习者的学习数据进行特征提取,将学习者的作答记录处理成包含练习、知识、作答、认知层级这四种信息的作答特征四元组Rs;
Rs=(es,(ks,rs,tkcs));
其中,es为学习者s在练习上的交互记录,ks为时间顺序下学习者s作答过的所有知识点的ID序列,rs为ks中知识点ID对应下的学习者s作答情况序列,tkcs为ks中知识点ID对应下的知识点被考察到的TKC层级序列。
进一步,步骤二中的数据预处理与多维特征编码、融合和嵌入包括:
(1)设置超参数MAX_STEP,将原始作答特征四元组处理为等长数据格式;
其中,ks为学习者s作答的知识点ID序列,rs为学习者s作答的真实情况序列,tkcs为学习者s作答的知识点被考察的认知层级序列;0为零向量,当Rs中的es为MAX_STEP的整数倍时,零向量的长度为0,否则零向量的长度为MAX_STEP减去es除以MAX_STEP的余数,C(·)表示数据填充化处理;将填充完毕的ks,rs,tkcs分别重塑为以MAX_STEP为固定列宽的作答矩阵,得到等长的模型输入格式。
(2)针对学习者作答特征四元组Rs中包含的来自知识点不同维度的特征信息IDks、答对答错rs与考察层级tkcs,先分别编码之后再嵌入拼接,得到每个知识点最终分层次地嵌入表示;
其中,eID为知识点k的ID传统独热编码,0向量的维度为数据集中包含的知识点个数L,er为融入知识点ID特征的作答情况编码,etkc为知识点被考察的认知层级的传统独热编码,ek为最终融合知识点ID信息、作答信息以及认知层级信息的多特征编码向量。
进一步,步骤三中的基于四种门结构构造认知追踪模型包括:
(1)封装步骤二中的嵌入表示得到融合知识点作答信息和层级信息的最终模型输入xt;在进行下一步计算前,从xt中分别提取作答特征rt和层级特征tkct,定义kt为t时刻学习者的认知状态向量;
rt=xt⊙A;
tkct=xt⊙B;
其中,A和B为提取参数矩阵。
(2)基于四种门结构构造认知追踪单元,搭建融合门结构的深度认知追踪模型;对应知识点和学习者的不同层面,模型分别设置Slip Gate、Guess Gate、Level Gate和Output Gate。
(3)Slip Gate和Guess Gate聚焦于知识点层面,每个知识点均设有失误参数与猜测参数,表示学习者学习知识点却未能达到指定的认知层级的概率,或学习者未学习知识点却外显达到指定的认知层级的概率;
st=σ(Usrt+Vskt-1+bs);
gt=σ(Ugrt+Vgkt-1+bg);
Level Gate聚焦于学习者层面,当学习者答对考察到某一层级的知识点时,学习者自身对该知识点的认知状态不低于知识点被考察层级,否则暂且认为处于布鲁姆认知领域教育目标分类中的最低层级;
lt=σ(at⊙kt-1);
基于传统的认知诊断方法,将从Slip Gate、Guess Gate和Level Gate中获取的不同层面的信息进行融合更新,得到关于学习者认知状态的隐层信息;
Output Gate根据作答信息rt、层级信息tkct以及隐层信息ct,确定学习者最终的认知状态kt;
ot=σ(Uort+Vokt-1+bo);
kt=ot⊙tanh(ct+Utkctkct);
其中,Us、Vs、bs,Ug、Vg、bg,Uo、Vo、bo,Utkc为模型训练参数矩阵,at为学习者对知识点的真实作答情况,由rt计算得到,取值范围为{0,1};⊙表示逐元素相乘,σ表示sigmoid激活函数,tanh表示tanh激活函数。
进一步,步骤四中的追踪并输出学习者在不同时刻的认知层级以及预测其未来的学习表现包括:
(1)根据追踪过程中得到的学习者认知状态信息kt,搭建分类函数,输出每个时刻学习者在不同知识点上的具体认知层级;
ct=V×kt×M;
其中,leveln为数据集考察到的认知层级的最大值,V和M分别是维度为[L,1]和[L,leveln]的二维矩阵,cl为输出的学习者认知层级。
(2)添加全连接层进行映射,将学习者的认知状态与知识点作答一一对应,得到学习者在每个知识点上的未来作答表现;
yt=σ(Wkt+b);
其中,W为全连接层的权重系数矩阵,b为全连接层的偏置系数矩阵,由训练得到。
(3)计算模型的损失函数,损失函数为输出预测值yt与真实标签rt之间的交叉熵;
lossCLKT=-∑(rtlogyt+(1-rt)log(1-yt));
(4)根据损失函数值与梯度下降法则更新模型中的所有参数矩阵。
本发明的另一目的在于提供一种应用所述的面向学习过程性评价的学习者认知追踪方法的面向学习过程性评价的学习者认知追踪***,面向学习过程性评价的学习者认知追踪***包括:
多维特征数据提取模块,用于收集学习者的学习资源和作答数据,根据引入布鲁姆认知领域教育目标分类的试题知识认知张量TKC,对学习者的学习数据进行特征提取,将学习者的作答记录处理成包含练习、知识、作答、认知层级这四种信息的作答特征原始四元组;
填充化数据处理模块,用于基于学习者作答特征原始四元组的长度设置超参数,将原始的作答特征四元组处理成等长的数据格式;
多维特征嵌入融合模块,用于针对学习者作答特征四元组中包含的来自知识点不同维度的特征信息ID、答对答错与考察层级,分别编码后再嵌入拼接,得到每个知识点最终分层次地嵌入表示;
深度认知追踪模块,用于封装作答嵌入表示得到所需的模型输入,并基于SlipGate、Guess Gate、Level Gate和Output Gate四种门结构构造认知追踪单元,从而构建融合门结构的深度认知追踪模型,对学习者在学习过程中对于不同知识点的认知状态以及知识点自身的参数信息进行建模与追踪;
认知层级输出模块,用于根据追踪过程中的学习者认知状态信息动态地输出不同时刻学习者在每个知识点上的认知层级;
未来表现预测模块,用于根据追踪过程中的学习者认知状态信息和知识点参数信息预测学习者在知识点上的未来作答表现;
个性化资源推荐模块,用于根据追踪过程中的学习者认知层级信息、知识点参数信息和试题知识认知张量TKC信息进行个性化的学习者学习资源推荐。
本发明的另一目的在于提供一种计算机设备,计算机设备包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行所述的面向学习过程性评价的学习者认知追踪方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行所述的面向学习过程性评价的学习者认知追踪方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端,信息数据处理终端用于实现所述的面向学习过程性评价的学习者认知追踪***。
结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:
第一,针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
本发明提供的面向学***进行建模,有利于准确、有效地对学***进行面向过程性的评价与挖掘,从而促进学***台中学习者的知识掌握与认知层级的追踪与预测提供新思路。
本发明基于Slip Gate、Guess Gate、Level Gate和Output Gate四种门结构构造学***进行建模有助于从客观和主观两种意义上建模学***变化过程,模拟与追踪学习过程中学习者的认知状态以及知识点自身的参数信息,有效地还原了实际场景中学习者认知状态的变化情况。本发明对学习过程中学习者整体知识掌握与具体认知层级的评价与追踪的准确性更高,优于传统学习者认知追踪方法,能够为学习者提供更加可靠的自查信息并为教师提供更合理的辅导信息。另外,本发明对知识点蕴含的丰富特征进行了更加充分的挖掘,在数据预处理环节,不单单只关注知识点的作答情况,还引入教育领域专业知识,将知识点被考察的融合布鲁姆认知领域教育目标分类的试题知识认知张量TKC考虑进来,并使用自定义的多维特征提取与嵌入方法,基于不同维度的信息对知识点进行全方面、细粒度的嵌入表示。
第二,把技术方案看作一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
本发明有效地对关于知识点的多维特征进行了提取和嵌入,并且考虑到了学习者在不同知识点上的认知状态可能会受客观因素如学习资源的影响,对知识点和学习者的参数信息也使用了基于四种门结构的认知追踪单元进行建模,提高了模型的准确性,更加贴近实际。
本发明采用融合了布鲁姆认知领域教育目标分类的试题知识认知张量TKC定义认知层级信息,每一时刻对学***进行更新的同时,细粒度挖掘输出学习者在具体知识点上的层级变化,避免了完全使用“答对”“答错”这一结果来极端评价学习者的知识掌握,充分利用了教育领域的专业知识,提高了模型有效性与可解释性。
本发明提供的面向学习过程性评价的学习者认知追踪方法能够对学习者在知识点上的认知层级进行挖掘,充分考虑影响学习者的主观因素与客观因素之间的相互关系,从而面向过程性追踪与评价学习者的整体知识掌握与具体认知层级,为学习者提供有效的评价与追踪信息,帮助学习者调整后续学习计划,查漏补缺,提高学习效率。
第三,作为本发明的权利要求的创造性辅助证据,还体现在以下几个重要方面:
(1)本发明的技术方案转化后的预期收益和商业价值为:以大数据与人工智能支撑智能学习评价,实现因材施教的教育理念,可广泛应用于智慧教育***、智能导学***、智能助教、自适应学习***等领域,具有巨大的商业价值。
(2)本发明的技术方案填补了国内外业内技术空白:本发明通过构建面向学***评价分析,填补了业内技术仅从“答对”和“答错”两个角度评价学***的变化情况,为学习者的个性化学习提供全面、准确的指导信息。
(3)本发明的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难题:在学***挖掘与追踪时,人们一直渴望实现细粒度的、过程性的学***的评价方式。学***的技术难题。
(4)本发明的技术方案克服了技术偏见:传统的学习者认知追踪方法简单地假定学习者对于知识点的学习状态只有结果性评价的“答对”和“答错”两种情况,这种偏见极大地阻碍了学习者认知追踪的应用。本发明从专业的教育领域知识出发,构建面向学习过程性评价的学习者认知追踪方法,破解了传统技术偏见,极大提升了本发明的应用价值。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的面向学习过程性评价的学习者认知追踪方法的流程图;
图2是本发明实施例提供的面向学习过程性评价的学习者认知追踪方法的原理图;
图3是本发明实施例提供的试题知识认知TKC张量热力图;
图4是本发明实施例提供的实验结果对比图;
图5是本发明实施例提供的学习者认知层级挖掘结果示例雷达图;
图6是本发明实施例提供的学***追踪结果示例折线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种面向学习过程性评价的学习者认知追踪方法及***,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的面向学习过程性评价的学习者认知追踪方法包括以下步骤:
S101,***收集学习者的学习资源和作答数据并基于试题知识认知张量TKC进行多维特征提取,生成作答特征原始四元组;
S102,设置超参数,将原始四元组处理成等长的数据格式,对不同维度的作答特征分别编码后融合嵌入,得到分层次地嵌入表示;
S103,基于Slip Gate、Guess Gate、Level Gate和Output Gate四种门结构构造认知追踪单元,构建融合门结构的深度认知追踪模型;
S104,追踪并输出不同时刻学习者对每个知识点的认知层级,预测学习者在知识点上的未来作答表现并进行个性化学习资源推荐。
作为优选实施例,如图2所示,本发明实施例提供的面向学习过程性评价的学习者认知追踪方法具体包括以下步骤:
(1)定义并构建“练习-知识-作答-认知层级”四元组:收集学习者的学习资源和作答数据,根据引入布鲁姆认知领域教育目标分类的试题知识认知张量TKC,为每位学习者进行特征提取,生成作答特征原始四元组;
(2)数据预处理与多维特征编码、融合和嵌入:基于学习者作答特征原始四元组的长度设置超参数,将其处理成等长的数据格式;对原始四元组中包含的来自不同维度的学习者作答特征进行编码与融合,得到每个知识点最终分层次地嵌入表示;
(3)基于四种门结构构造认知追踪模型:通过对步骤二中的嵌入表示进行封装得到所需的模型输入,并基于Slip Gate、Guess Gate、Level Gate和Output Gate四种门结构构造认知追踪单元,从而构建融合门结构的深度认知追踪模型;
(4)追踪并输出学习者在不同时刻的认知层级以及预测其未来的学习表现:根据追踪过程中的学习者认知状态信息和知识点参数信息,动态地输出不同时刻学习者在每个知识点上的认知层级,并预测学习者未来的作答表现。本发明实施例中出现的符号及其含义解释如表1所示。
表1符号描述
本发明实施例提供的步骤(1)中的定义并构建“练习-知识-作答-认知层级”四元组包括:
(1.1)构建学习资源集合与学习者历史作答矩阵;
S={s1,s2,…,sM}
E={e1,e2,…,eN}
K={k1,k2,…,kL}
其中,S为学习者集合,M为学习者数量;E为试题题目集合,N为试题数量;K为知识点集合,L为知识点数量;R为学习者历史作答矩阵,rmn=0表示学习者m在试题n上作答错误,rmn=1表示学习者m在试题n上作答正确。
(1.1.1)从华中师范大学人工智能教育学部2021级本科生《C语言程序与设计》课堂中采集到的数据集信息如表2所示。
表2数据集信息
学习者数量 | 51 |
试题数量 | 124 |
知识点数量 | 17 |
学习者最长交互记录 | 124 |
学习者最短交互记录 | 10 |
总交互记录 | 6165 |
(1.1.2)进行数据集预处理。首先将交互记录少于50的学习者剔除;然后使用零填充方法解决学习者交互记录缺失的问题,最后按时间顺序排列所有学习者的交互记录,最终得到50位学习者对124道试题的二维作答矩阵R(即维度为[50,124])。
(1.1.3)本数据集共包含17个知识点,详细的知识点说明如表3所示。
表3知识点说明
知识点 | 描述 |
k1 | 程序 |
k2 | 函数 |
k3 | 注释 |
k4 | 算法 |
k5 | 数据结构 |
k6 | 标识符 |
k7 | 数据类型 |
k8 | 常量与变量 |
k9 | 算术运算符 |
k10 | 输入语句 |
k11 | 输出语句 |
k12 | 表达式 |
k13 | 逻辑运算符 |
k14 | 判断语句 |
k15 | 循环语句 |
k16 | 指针 |
k17 | 数组 |
(1.2)引入布鲁姆认知领域教育目标分类,将学***,得到在认知层面试题对每种知识点的考察层次具体且统一的定义,从而构建融合布鲁姆认知领域教育目标分类的试题知识认知张量TKC;
其中,七种认知水平分别为未掌握(0)、知道(1)、领会(2)、应用(3)、分析(4)、综合(5)、评价(6);0≤cnl≤6表示试题n考察知识点l到c层级。
如图3所示,根据布鲁姆提出的认知领域教育目标分类,由教育专家对每道试题考查的知识点及其层级进行标注,构建不同的试题-知识-认知张量TKC。考虑到课堂对刚接触编程的一年级本科生的教学目标,在本数据集中,知识点被考察的最高层级为第3级应用层面。
(1.3)根据学习者的历史作答矩阵R与融入布鲁姆认知领域教育目标分类的试题知识认知张量TKC对学习者的学习数据进行特征提取,将学习者的作答记录处理成包含练习、知识、作答、认知层级这四种信息的作答特征四元组Rs;
Rs=(es,(ks,rs,tkcs))
其中,es为学习者s在练习上的交互记录,ks为时间顺序下学习者s作答过的所有知识点的ID序列,rs为ks中知识点ID对应下的学习者s作答情况序列,tkcs为ks中知识点ID对应下的知识点被考察到的TKC层级序列。也就是说,在关注关于知识点的特征时,不单单考虑学习者对每个知识点的作答情况,还从知识点自身参数出发,将知识点被考察的TKC层级信息加入进来。
在本数据集中,学习者的作答特征四元组示例如下所示:
Rs=(1,(5,0,3))
本发明实施例提供的步骤(2)中的数据预处理与多维特征编码、融合和嵌入包括:
(2.1)考虑到不同学习者的作答特征四元组长度可能会不一致,设置超参数MAX_STEP,将原始的作答特征四元组处理成等长的数据格式,方便后续输入到模型中去;
其中,ks为学习者s作答的知识点ID序列,rs为学习者s作答的真实情况序列,tkcs为学习者s作答的知识点被考察的认知层级序列;0为零向量,当Rs中的es为MAX_STEP的整数倍时,零向量的长度为0,否则零向量的长度为MAX_STEP减去es除以MAX_STEP的余数,C(·)表示数据填充化处理;将填充完毕的ks,rs,tkcs分别重塑为以MAX_STEP为固定列宽的作答矩阵,得到等长的模型输入格式;
(2.2)针对学习者作答特征四元组Rs中包含的来自知识点不同维度的特征信息ks(ID)、rs(答对答错)与tkcs(考察层级),先分别编码之后再嵌入拼接,得到每个知识点最终分层次地嵌入表示;
其中,eID为知识点k的ID传统独热编码,0向量的维度为数据集中包含的知识点个数L(本数据集中L=17),er为融入了知识点ID特征的作答情况编码,etkc为知识点被考察的认知层级的传统独热编码,ek为最终融合了知识点ID信息、作答信息以及认知层级信息的多特征编码向量。
本发明实施例提供的步骤(3)中的基于四种门结构构造认知追踪模型包括:
(3.1)使用pytorch框架下DataLoader方法对输入数据进行封装,得到深度学习算法可以使用的输入数据xt;
(3.2)xt是融合了知识点作答信息和层级信息的编码向量,在进行下一步计算之前,首先从xt中分别提取作答特征rt和层级特征tkct,定义kt为t时刻学习者的认知状态向量;
rt=xt⊙A
tkct=xt⊙B
其中,A和B为提取参数矩阵,其值可手动设置,也可与模型一起训练得到;
(3.3)基于四种门结构构造认知追踪单元,搭建融合门结构的深度认知追踪模型;对应知识点和学习者的不同层面,模型分别设置了Slip Gate、Guess Gate、Level Gate和Output Gate;
(3.4)Slip Gate和Guess Gate聚焦于知识点层面,每个知识点都设有失误参数与猜测参数,即学习者学习了知识点却未能达到指定的认知层级的概率,或学习者未学习知识点却外显达到了指定的认知层级的概率;
st=σ(Usrt+Vskt-1+bs)
gt=σ(Ugrt+Vgkt-1+bg)
Level Gate聚焦于学习者层面,当学习者答对考察到某一层级的知识点时,学习者自身对该知识点的认知状态应不低于知识点被考察层级,否则暂且认为处于布鲁姆认知领域教育目标分类中的最低层级;
lt=σ(at⊙kt-1)
基于传统的认知诊断方法,将从Slip Gate、Guess Gate和Level Gate中获取的不同层面的信息进行融合更新,得到关于学习者认知状态的隐层信息;
Output Gate根据作答信息rt、层级信息tkct以及隐层信息ct,确定学习者最终的认知状态kt;
ot=σ(Uort+Vokt-1+bo)
kt=ot⊙tanh(ct+Utkctkct)
其中,Us、Vs、bs,Ug、Vg、bg,Uo、Vo、bo,Utkc为模型可训练参数矩阵,at为学习者对知识点的真实作答情况,可由rt计算得到,取值范围为{0,1},⊙表示逐元素相乘,σ表示sigmoid激活函数,tanh表示tanh激活函数。
本发明实施例提供的步骤(4)中的追踪并输出学习者在不同时刻的认知层级以及预测其未来的学习表现包括:
(4.1)根据追踪过程中得到的学习者认知状态信息kt,搭建分类函数,输出每个时刻学习者在不同知识点上的具体认知层级;
ct=V×kt×M
其中,leveln为数据集考察到的认知层级的最大值,V和M分别是维度为[L,1]和[L,leveln]的二维矩阵(此数据集中L=17,leveln=3),其值可手动设置,cl即为输出的学习者认知层级。
(4.2)为了将学习者的认知状态与知识点作答一一对应,添加全连接层进行映射,得到学习者在每个知识点上的未来作答表现;
yt=σ(Wkt+b)
其中,W为全连接层的权重系数矩阵,b为全连接层的偏置系数矩阵,可由训练得到。
(4.3)计算模型的损失函数,所述损失函数为输出预测值yt与真实标签rt之间的交叉熵;
lossCLKT=-∑(rtlogyt+(1-rt)log(1-yt))
(4.4)根据步骤(4.3)所求得的损失函数值与梯度下降法则更新模型中的所有参数矩阵。
本发明实施例的实验参数设置如表4所示。
表4实验参数设置
参数 | 值 |
MAX_STEP | 10 |
BATCH_SIZE | 64 |
LEARNING RATE | 0.001 |
EPOCH | 200/500/800 |
INPUT_SIZE | 34 |
LEVEL_SIZE | 3 |
HIDDEN_SIZE | 68 |
OUTPUT_SIZE | 17 |
本发明实施例提供的面向学习过程性评价的学习者认知追踪***包括:
多维特征数据提取模块,用于收集学习者的学习资源和作答数据,根据引入布鲁姆认知领域教育目标分类的试题知识认知张量TKC,对学习者的学习数据进行特征提取,将学习者的作答记录处理成包含练习、知识、作答、认知层级这四种信息的作答特征原始四元组;
填充化数据处理模块,用于基于学习者作答特征原始四元组的长度设置超参数,将原始的作答特征四元组处理成等长的数据格式,方便后续输入到模型中,从而解决不同学习者的作答特征四元组长度不一致的问题;
多维特征嵌入融合模块,用于针对学习者作答特征四元组中包含的来自知识点不同维度的特征信息(ID、答对答错与考察层级),先分别编码后再嵌入拼接,得到每个知识点最终分层次地嵌入表示;
深度认知追踪模块,用于封装作答嵌入表示得到所需的模型输入,并基于SlipGate、Guess Gate、Level Gate和Output Gate四种门结构构造认知追踪单元,从而构建融合门结构的深度认知追踪模型,对学习者在学习过程中对于不同知识点的认知状态以及知识点自身的参数信息进行建模与追踪;
认知层级输出模块,用于根据追踪过程中的学习者认知状态信息动态地输出不同时刻学习者在每个知识点上的认知层级;
未来表现预测模块,用于根据追踪过程中的学习者认知状态信息和知识点参数信息预测学习者在知识点上的未来作答表现;
个性化资源推荐模块,用于根据追踪过程中的学习者认知层级信息、知识点参数信息和试题知识认知张量TKC信息进行个性化的学习者学习资源推荐。
将本发明应用实施例提供的面向学习过程性评价的学习者认知追踪方法应用于计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述面向学习过程性评价的学习者认知追踪方法的步骤。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行***,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管的半导体,或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
为了说明本发明实施例提供的学***变化进行建模与追踪,从而预测学习者的未来作答表现,另外,将本发明方法与传统学习者认知追踪方法的实验结果进行对比,采用AUC、F1SCORE、RECALL和PRECISION作为评价指标,对比结果见表5。
表5实验结果
方法 | AUC | F1SCORE | RECALL | PRECISION |
传统学习者认知追踪方法 | 97.72% | 93.10% | 93.88% | 92.33% |
本方法 | 97.92% | 93.38% | 98.37% | 94.95% |
图4是本发明实施例提供的实验结果对比示意图。由实验结果可知,相对于传统学***变化,对于学习者的作答表现预测也有更高的准确性,比传统学习者认知追踪方法更有效。
如图5~图6所示的实验结果说明,本发明实施例提供的面向学***进行建模有助于从客观和主观两种意义上建模学***变化过程,模拟与追踪学***进行更新的同时,细粒度挖掘输出学习者在具体知识点上的层级变化,从而有效预测其在相应知识点上的作答表现,为学习者的学习过程和学习结果提供更加合理和可解释的学习评价。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种面向学习过程性评价的学习者认知追踪方法,其特征在于,包括:***收集学习者数据并基于试题知识认知张量TKC进行多维特征提取,生成作答特征原始四元组;设置超参数,将原始四元组处理成等长的数据格式,对不同维度的作答特征分别编码后融合嵌入,得到分层次地嵌入表示;基于Slip Gate、Guess Gate、Level Gate和Output Gate四种门结构构造认知追踪单元,构建融合门结构的深度认知追踪模型;根据认知状态信息追踪并输出不同时刻学习者对每个知识点的认知层级,预测学习者在知识点上的未来作答表现,并进行个性化学习者学习资源推荐。
2.如权利要求1所述的面向学习过程性评价的学习者认知追踪方法,其特征在于,面向学习过程性评价的学习者认知追踪方法包括以下步骤:
步骤一,定义并构建“练习-知识-作答-认知层级”四元组:收集学习者的学习资源和作答数据,根据引入布鲁姆认知领域教育目标分类的试题知识认知张量TKC,为每位学习者进行特征提取,生成作答特征原始四元组;
步骤二,进行数据预处理与多维特征编码、融合和嵌入:基于学习者作答特征原始四元组的长度设置超参数,并处理成等长的数据格式;对原始四元组中包含的来自不同维度的学习者作答特征进行编码与融合,得到每个知识点最终分层次地嵌入表示;
步骤三,基于四种门结构构造认知追踪模型:通过对步骤二中的嵌入表示进行封装得到模型输入,并基于Slip Gate、Guess Gate、Level Gate和Output Gate四种门结构构造认知追踪单元,从而构建融合门结构的深度认知追踪模型;
步骤四,追踪并输出学习者在不同时刻的认知层级并预测未来的学习表现:根据追踪过程中的学习者认知状态信息和知识点参数信息,动态地输出不同时刻学习者在每个知识点上的认知层级,并预测学习者未来的作答表现。
3.如权利要求2所述的面向学习过程性评价的学习者认知追踪方法,其特征在于,步骤一中的定义并构建“练习-知识-作答-认知层级”四元组包括:
(1)构建学习资源集合与学习者历史作答矩阵;
S={s1,s2,…,sM};
E={e1,e2,…,eN};
K={k1,k2,…,kL};
其中,S为学习者集合,M为学习者数量;E为试题题目集合,N为试题数量;K为知识点集合,L为知识点数量;R为学习者历史作答矩阵,rmn=0表示学习者m在试题n上作答错误,rmn=1表示学习者m在试题n上作答正确;
(2)引入布鲁姆认知领域教育目标分类,将学***,得到在认知层面试题对每种知识点的考察层次具体且统一的定义,从而构建融合布鲁姆认知领域教育目标分类的试题知识认知张量TKC;
其中,七种认知水平分别为未掌握0、知道1、领会2、应用3、分析4、综合5以及评价6;0≤cnl≤6表示试题n考察知识点l到c层级;
(3)根据学习者的历史作答矩阵R与融入布鲁姆认知领域教育目标分类的试题知识认知张量TKC对学习者的学习数据进行特征提取,将学习者的作答记录处理成包含练习、知识、作答、认知层级这四种信息的作答特征四元组Rs;
Rs=(es,(ks,rs,tkcs));
其中,es为学习者s在练习上的交互记录,ks为时间顺序下学习者s作答过的所有知识点的ID序列,rs为ks中知识点ID对应下的学习者s作答情况序列,tkcs为ks中知识点ID对应下的知识点被考察到的TKC层级序列。
4.如权利要求2所述的面向学习过程性评价的学习者认知追踪方法,其特征在于,步骤二中的数据预处理与多维特征编码、融合和嵌入包括:
(1)设置超参数MAX_STEP,将原始作答特征四元组处理为等长数据格式;
其中,ks为学习者s作答的知识点ID序列,rs为学习者s作答的真实情况序列,tkcs为学习者s作答的知识点被考察的认知层级序列;0为零向量,当Rs中的es为MAX_STEP的整数倍时,零向量的长度为0,否则零向量的长度为MAX_STEP减去es除以MAX_STEP的余数,C(·)表示数据填充化处理;将填充完毕的ks,rs,tkcs分别重塑为以MAX_STEP为固定列宽的作答矩阵,得到等长的模型输入格式;
(2)针对学习者作答特征四元组Rs中包含的来自知识点不同维度的特征信息ID ks、答对答错rs与考察层级tkcs,分别编码后再嵌入拼接,得到每个知识点最终分层次地嵌入表示;
其中,eID为知识点k的ID传统独热编码,0向量的维度为数据集中包含的知识点个数L,er为融入知识点ID特征的作答情况编码,etkc为知识点被考察的认知层级的传统独热编码,ek为最终融合知识点ID信息、作答信息以及认知层级信息的多特征编码向量。
5.如权利要求2所述的面向学习过程性评价的学习者认知追踪方法,其特征在于,步骤三中的基于四种门结构构造认知追踪模型包括:
(1)封装步骤二中的嵌入表示得到融合知识点作答信息和层级信息的最终模型输入xt;在进行下一步计算前,从xt中分别提取作答特征rt和层级特征tkct,定义kt为t时刻学习者的认知状态向量;
rt=xt⊙A;
tkct=xt⊙B;
其中,A和B为提取参数矩阵;
(2)基于四种门结构构造认知追踪单元,搭建融合门结构的深度认知追踪模型;对应知识点和学习者的不同层面,模型分别设置Slip Gate、Guess Gate、Level Gate和OutputGate;
(3)Slip Gate和Guess Gate聚焦于知识点层面,每个知识点均设有失误参数与猜测参数,表示学习者学习知识点却未能达到指定的认知层级的概率,或学习者未学习知识点却外显达到指定的认知层级的概率;
st=σ(Usrt+Vskt-1+bs);
gt=σ(Ugrt+Vgkt-1+bg);
Level Gate聚焦于学习者层面,当学习者答对考察到某一层级的知识点时,学习者自身对该知识点的认知状态不低于知识点被考察层级,否则暂且认为处于布鲁姆认知领域教育目标分类中的最低层级;
lt=σ(at⊙kt-1);
基于传统的认知诊断方法,将从Slip Gate、Guess Gate和Level Gate中获取的不同层面的信息进行融合更新,得到关于学习者认知状态的隐层信息;
Output Gate根据作答信息rt、层级信息tkct以及隐层信息ct,确定学习者最终的认知状态kt;
ot=σ(Uort+Vokt-1+bo);
kt=ot⊙tanh(ct+Utkctkct);
其中,Us、Vs、bs,Ug、Vg、bg,Uo、Vo、bo,Utkc为模型训练参数矩阵,at为学习者对知识点的真实作答情况,由rt计算得到,取值范围为{0,1};⊙表示逐元素相乘,σ表示sigmoid激活函数,tanh表示tanh激活函数。
6.如权利要求2所述的面向学习过程性评价的学习者认知追踪方法,其特征在于,步骤四中的追踪并输出学习者在不同时刻的认知层级以及预测其未来的学习表现包括:
(1)根据追踪过程中得到的学习者认知状态信息kt,搭建分类函数,输出每个时刻学习者在不同知识点上的具体认知层级;
ct=V×kt×M;
其中,leveln为数据集考察到的认知层级的最大值,V和M分别是维度为[L,1]和[L,leveln]的二维矩阵,cl为输出的学习者认知层级;
(2)添加全连接层进行映射,将学习者的认知状态与知识点作答一一对应,得到学习者在每个知识点上的未来作答表现;
yt=σ(Wkt+b);
其中,W为全连接层的权重系数矩阵,b为全连接层的偏置系数矩阵,由训练得到;
(3)计算模型的损失函数,损失函数为输出预测值yt与真实标签rt之间的交叉熵;
lossCLKT=-∑(rtlogyt+(1-rt)log(1-yt));
(4)根据损失函数值与梯度下降法则更新模型中的所有参数矩阵。
7.一种应用如权利要求1~6任意一项所述的面向学习过程性评价的学习者认知追踪方法的面向学习过程性评价的学习者认知追踪***,其特征在于,面向学习过程性评价的学习者认知追踪***包括:
多维特征数据提取模块,用于收集学习者的学习资源和作答数据,根据引入布鲁姆认知领域教育目标分类的试题知识认知张量TKC,对学习者的学习数据进行特征提取,将学习者的作答记录处理成包含练习、知识、作答、认知层级这四种信息的作答特征原始四元组;
填充化数据处理模块,用于基于学习者作答特征原始四元组的长度设置超参数,将原始的作答特征四元组处理成等长的数据格式;
多维特征嵌入融合模块,用于针对学习者作答特征四元组中包含的来自知识点不同维度的特征信息ID、答对答错与考察层级,分别编码后再嵌入拼接,得到每个知识点最终分层次地嵌入表示;
深度认知追踪模块,用于封装作答嵌入表示得到所需的模型输入,并基于Slip Gate、Guess Gate、Level Gate和Output Gate四种门结构构造认知追踪单元,从而构建融合门结构的深度认知追踪模型,对学习者在学习过程中对于不同知识点的认知状态以及知识点自身的参数信息进行建模与追踪;
认知层级输出模块,用于根据追踪过程中的学习者认知状态信息动态地输出不同时刻学习者在每个知识点上的认知层级;
未来表现预测模块,用于根据追踪过程中的学习者认知状态信息和知识点参数信息预测学习者在知识点上的未来作答表现;
个性化资源推荐模块,用于根据追踪过程中的学习者认知层级信息、知识点参数信息和试题知识认知张量TKC信息进行个性化的学习者学习资源推荐。
8.一种计算机设备,其特征在于,计算机设备包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行如权利要求1~6任意一项所述的面向学习过程性评价的学习者认知追踪方法的步骤。
9.一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行如权利要求1~6任意一项所述的面向学习过程性评价的学习者认知追踪方法的步骤。
10.一种信息数据处理终端,其特征在于,信息数据处理终端用于实现如权利要求7所述的面向学习过程性评价的学习者认知追踪***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310343439.3A CN116361744A (zh) | 2023-03-29 | 2023-03-29 | 一种面向学习过程性评价的学习者认知追踪方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310343439.3A CN116361744A (zh) | 2023-03-29 | 2023-03-29 | 一种面向学习过程性评价的学习者认知追踪方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116361744A true CN116361744A (zh) | 2023-06-30 |
Family
ID=86936348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310343439.3A Pending CN116361744A (zh) | 2023-03-29 | 2023-03-29 | 一种面向学习过程性评价的学习者认知追踪方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116361744A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390522A (zh) * | 2023-12-12 | 2024-01-12 | 华南师范大学 | 基于过程与结果融合的在线深度学习等级预测方法及装置 |
-
2023
- 2023-03-29 CN CN202310343439.3A patent/CN116361744A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390522A (zh) * | 2023-12-12 | 2024-01-12 | 华南师范大学 | 基于过程与结果融合的在线深度学习等级预测方法及装置 |
CN117390522B (zh) * | 2023-12-12 | 2024-03-29 | 华南师范大学 | 基于过程与结果融合的在线深度学习等级预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115545155A (zh) | 一种多层级智能认知追踪方法、***、可存储介质及终端 | |
Ni et al. | HHSKT: A learner–question interactions based heterogeneous graph neural network model for knowledge tracing | |
CN116361744A (zh) | 一种面向学习过程性评价的学习者认知追踪方法及*** | |
CN117390091B (zh) | 一种教育元宇宙中的知识追踪方法及终端 | |
Taraban et al. | Using Paper‐and‐Pencil Solutions to Assess Problem Solving Skill | |
Ho et al. | Application of rough set, GSM and MSM to analyze learning outcome—An example of introduction to education | |
CN113283488B (zh) | 一种基于学习行为的认知诊断方法及*** | |
Chu et al. | A computerized approach to diagnosing student learning problems in health education | |
CN114925610A (zh) | 一种学***建模方法、***、设备及终端 | |
CN115422256A (zh) | 融合学***挖掘方法及*** | |
CN115205072A (zh) | 一种面向长周期测评的认知诊断方法 | |
Koong et al. | The learning effectiveness analysis of JAVA programming with automatic grading system | |
CN114925218A (zh) | 一种基于自适应图的学习者知识认知结构动态挖掘方法 | |
Poturić et al. | Artificial neural network model for forecasting student failure in math course | |
Yue et al. | Augmenting interpretable knowledge tracing by ability attribute and attention mechanism | |
de Souza et al. | Convolutional Neural Network Applied to Code Assignment Grading. | |
CN112785039A (zh) | 一种试题作答得分率的预测方法及相关装置 | |
Pu et al. | EAKT: Embedding Cognitive Framework with Attention for Interpretable Knowledge Tracing | |
Jebli et al. | Proposal of a similarity measure for unified modeling language class diagram images using convolutional neural network. | |
Gomes et al. | A Machine Learning Approach for the Identification of Learners' Misconceptions in Algebraic Problem-Solving | |
CN114155124B (zh) | 一种试题资源推荐方法及*** | |
CN117540104B (zh) | 一种基于图神经网络的学习群体差异评价方法与*** | |
Soriano et al. | An open source video analytics tool for analyzing learner navigation in immersive simulated environments | |
CN117556381B (zh) | 一种面向跨学科主观试题的知识水平深度挖掘方法及*** | |
Yangcai et al. | Course-oriented Knowledge State Model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |