[发明专利]一种基于DKT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DKT的信息处理方法及装置。该方法包括：获取预设数量的答题者关于目标题库的答题信息样本；基于答题者的做题数量对答题信息样本进行聚类，得到多个训练样本子集；采用迭代方式依次利用多个训练样本子集中的每个训练样本子集对DKT网络进行训练，得到目标DKT网络模型；利用目标DKT网络模型对当前答题者的做题情况进行预测。本发明实施例通过采用上述技术方案，可减少不同答题者做题量波动剧烈给DKT网络模型带来的过拟合误差，进而提高DKT网络模型的预测精度及准确度。

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DKT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、项目反映理论(Item response theory,IRT)及深度学习知识追踪(DeepKnowledge Tracing，DKT)等。

DKT网络模型是2015年斯坦福(Stanford)大学的学者提出的一种基于神经网络的模型，能够对学生的做题情况(如做对或做错)进行预测，可适用于自适应学习系统，但该模型理论及实践并不成熟，预测精度及准确度有待提高。

发明内容

本发明实施例的目的是提供一种基于DKT的信息处理方法及装置，以对现有的基于DKT网络模型预测答题者做题情况的方案进行优化。

一方面，本发明实施例提供了一种基于DKT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；

基于答题者的做题数量对所述答题信息样本进行聚类，得到多个训练样本子集；

采用迭代方式依次利用所述多个训练样本子集中的每个训练样本子集对DKT网络进行训练，得到目标DKT网络模型；

利用所述目标DKT网络模型对当前答题者的做题情况进行预测。

另一方面，本发明实施例提供了一种基于DKT的信息处理装置，包括：

答题样本获取模块，用于获取预设数量的答题者关于目标题库的答题信息样本；

聚类模块，用于基于答题者的做题数量对所述答题信息样本进行聚类，得到多个训练样本子集；

训练模块，用于采用迭代方式依次利用所述多个训练样本子集中的每个训练样本子集对DKT网络进行训练，得到目标DKT网络模型；

预测模块，用于利用所述目标DKT网络模型对当前答题者的做题情况进行预测。