[发明专利]成绩预测方法及装置、存储介质、电子设备

说明书

本公开提供一种成绩预测方法及装置、存储介质、电子设备。所述方法包括：获取学生的历史做题记录以及待预测试题，所述历史做题记录包括历史试题以及该历史试题对应的成绩；将所述历史做题记录和所述待预测试题作为输入，经由成绩预测模型，得到学生的当前知识状态向量以及所述待预测试题的表征向量，并基于所述当前知识状态向量以及所述待预测试题的表征向量，输出所述待预测试题的预测成绩；所述当前知识状态向量用于表示学生当前的知识掌握水平，由基于所述历史做题记录得到的历史知识状态向量计算得到；所述待预测试题的表征向量用于表示所述待预测试题的个性化特征。如此方案，有助于提高成绩预测的准确性。

技术领域

本公开涉及人工智能技术领域，具体地，涉及一种成绩预测方法及装置、存储介质、电子设备。

背景技术

随着大数据和人工智能的发展，个性化学习模式得以广泛应用，它能够评估学生的知识能力，预测学生在各试题上的得分情况，确定学生的薄弱项，为学生推荐个性化的学习资源，使学习变得简单高效。

目前，常用的成绩预测方法大多需要预先对试题进行知识点标注，基于知识点预测学生的做题成绩，即预测学生做对待预测试题的概率。下面对现有的成绩预测方法进行举例说明：

1.基于认知诊断的方法

以DINA模型(英文：Deterministic Inputs,Noisy and Gate，中文：确定性连续技能诊断模型)为例，可以引入试题知识点关联信息Q矩阵，以此表示试题标注了哪些知识点，通过建模诊断学生对知识点的掌握程度，进而根据学生对知识点的掌握程度、以及待预测试题的知识点关联信息，预测学生的做题成绩。该模型中，学生对知识点的掌握程度可以表示为一个多维知识点的能力向量，每一维表示该学生是否掌握了对应知识点，可以用0-1离散值表示，例如，“1”表示掌握了知识点，“0”表示未掌握知识点。

2.基于知识追踪(英文：Knowledge Tracing，简称：KT)的方法

对试题进行知识点标注后，当学生针对某个知识点进行了多道试题的练习时，KT模型可以利用马尔科夫性质建模这一过程，诊断该学生对这一知识点的掌握变化过程，例如，变化过程可以是从未掌握到掌握。

3.基于协同过滤的方法

对学生历史做题记录的得分矩阵进行低秩分解，去冗余得到表示学生特征的学生矩阵、表示试题特征的试题矩阵，然后合并学生矩阵以及试题矩阵，可以得到一个新的得分矩阵，新的得分矩阵可以填充原始得分矩阵中的空缺值，即预测出对应试题的得分。其中，试题特征可以体现为相似试题、相似知识点的教研经验，学生特征可以体现为相似学生的教研经验。低秩分解的方法可以是SVD(英文：Singular value decomposition，中文：奇异值分解)法、概率矩阵分解方法、非负矩阵分解方法等。

上述基于知识点实现的成绩预测方法，存在以下问题：

目前大多由教研人员或一线教师，通过人工方式为每道试题标注合适的知识点，如此方法对标注人员的要求较高，耗时耗力，且随着新试题的加入需要持续投入人力进行标注，可实施性较差；此外，人工标注的主观性较强，针对同一试题，很容易出现不同标注人员的标注结果不一致的情况。

另外，虽然很多试题考察的是相同的知识点，但是试题的难易程度不同，学生的成绩也可能会有多不同，故，单纯的通过知识点进行成绩预测，很可能因为信息缺失较大影响成绩预测的效果，导致预测结果不准确。

发明内容

本公开的主要目的是提供一种成绩预测方法及装置、存储介质、电子设备，有助于提高成绩预测的准确性。

为了实现上述目的，本公开提供一种成绩预测方法，所述方法包括：

获取学生的历史做题记录以及待预测试题，所述历史做题记录包括历史试题以及该历史试题对应的成绩；