本技术涉及一种知识追踪方法、装置、设备及存储介质,其中,所述知识追踪方法包括:统计输入的数据并将其归类;根据题目与知识点的关联关系以及对应的嵌入矩阵构建基础图;结合基础图与在线增广函数得到在线增广图;根据在线增广图生成在线表示;根据在线表示预测得到题目的预测初始特征;将多种属性的特征融合得到交互特征;根据交互特征与题目的预测初始特征提取知识状态得到隐式知识状态;细化隐式知识状态得到模型预测值。采用本发明所述的知识追踪方法可以兼顾多方面的学习特征,能够更加准确地预测学生未来的学习情况。
背景技术
近年来,随着在线教育平台的发展和普及,在线教育成为主流的教学方式之一,越来越多的学生、老师和家长关注在线教育加人工智能的教学体系。相比传统的线下教育,在线教育最显著的优势在于其能保留学习者详尽的学习轨迹,提供了调查不同轨迹下学习者行为效能的条件。学习者可以通过查看当前个人的知识点掌握情况,有针对性地学习薄弱知识点以达到掌握课程所有知识点的目的;老师也可以进行个性化教学,根据学生们的知识点掌握情况,有目的地调整教学目标。
为学习者提供个性化的教学指导需要对学习者知识状态进行准确的评估,知识追踪技术在其中扮演着关键角色。知识追踪技术通过分析学生以往的答题记录来评估他们的学习水平,并对他们未来的表现进行预测。具体地,知识追踪技术会构建一个动态模型,该动态模型能够根据学生的历史答题数据随着时间的推移反映学生的知识水平,并用于判断学生对各个知识点的理解程度,这样的动态模型对于监测学生的学习进展至关重要。
基于图神经网络的知识追踪是其中最为先进的知识追踪技术,其使用的知识追踪模型在聚合特征时,采用的方法是相加聚合或平均聚合,未能体现不同节点的重要程度,且循环神经网络及其衍生模型被普遍采用作为基础架构,然而,这些模型常常存在难以捕捉长期依赖关系的问题。此外,对于学习者而言,学习特征包括知识点、题目、答案。在知识追踪的研究中,对学习特征的利用较少,未能合理利用数据集中存在的大量学习特征且题目嵌入方法存在数据稀疏性或解释上的模糊性。
实现思路