[发明专利]一种基于个性化贝叶斯知识追踪模型构建知识结构的方法

说明书

本发明提出了一种基于个性化贝叶斯知识追踪模型构建知识结构的方法，属于教育信息模型构建技术领域。所述方法包括步骤一、建立观察矩阵和状态矩阵；步骤二、建立贝叶斯知识追踪模型的参数模型；步骤三、建立参数融合模型用于将学习者个性化参数融合到传统贝叶斯知识追踪参数模型中；步骤四、利用前向算法和后向算法完成步骤三获得的参数模型的计算问题定义；步骤五、对所述参数模型采用极大对数似然估计来获得损失函数，利用所述损失函数更新参数θ；然后根据所述损失函数计算参数和权重参数；以此获得基于个性化贝叶斯知识追踪模型，最终完成知识结构的构建。

技术领域

本发明涉及一种基于个性化贝叶斯知识追踪模型构建知识结构的方法，属于教育信息模型构建技术领域。

背景技术

教育信息化进入了新的发展阶段，正在从数字教育转为以大数据分析、人工智能等现代信息技术为支撑的智慧教育。在线教育平台的发展和实现，使多样化的课程类型囊括了各式各样的学习方式和知识点，为构建学习者的知识模型提供有利前提。构建知识结构模型，一方面可以让学习者认识到自身的知识盲点，强化学习，另一方面可以刻画出学习者的学习轨迹和学习意图，实现课程的个性化推荐。

M.Alavi和DE Leidner在2001年提出知识管理及其概念基础，为知识结构提供了基础。Paulheim和Heiko曾提出使用测试和知识评估来构建知识图表示，他们通过对知识点进行问卷和测试来判断学习者是否掌握，然后进行知识推理和评估，但对于在线教育平台来说，学习者大多希望能更加便捷和方便，对于问卷和测试并不感兴趣，因此这种方式虽然准确但并不能普及。摒弃掉对学习者的问卷和测试，那就需要从学习者在平台的数据来分析和评估学习者的知识水平，Pavlik在2009年提出通过绩效因素分析(PFA)来实现知识追踪，主要是根据学习者的日志数据，改进现有教育数据挖掘模型(如学习因素分析(LFA))，结合学习者的测验和成绩，实现对学习者知识状态的评估。知识追踪可以根据时间发展和学习者学习进度，动态调整学习者对于知识点的掌握程度，是一种隐马尔可夫模型的实现，基于此模型，Zachary A.Pardos将贝叶斯知识追踪模型(BKT)应用于edX平台，并提供明确的知识组件模型，允许当前评估之外的学习因素作为参数，进一步完善了知识获取的途径。北京大学的王卓和张铭改进贝叶斯知识追踪模型，提出了Aspect-BKT模型和History-BKT模型，提高了对学习者知识估计的准确率，但考虑到对学习者先验知识重要性的忽略以及对于学习者学习速率的计算精度不足等，因此该模型也需要改进。

发明内容

本发明为了解决现有技术中计算者学习速率的计算江都不足的问题，提出了这一种基于个性化贝叶斯知识追踪模型构建知识结构的方法，所采取的技术方案如下：

一种基于个性化贝叶斯知识追踪模型构建知识结构的方法，所述方法包括：

步骤一、建立观察矩阵和状态矩阵；所述观察矩阵为O＝{o_t},t∈[1,M]，所述观察矩阵用于描述学习者对知识点的答题结果集；所述状态矩阵为S＝{s_i},i∈[1,T]，用于描述学习者对知识点的掌握状态集其中，M代表有关所述知识点的题目的观测结果的个数；t表示观察的序号；o_t表示表示第t个状态；s_i表示表示第i个状态；i表示状态的序号；T代表状态的个数；

步骤二、建立贝叶斯知识追踪模型的参数模型，所述参数模型为λ₁＝{PI^k,A^k,B^k}，所述参数模型描述的是模型中表示知识点的参数；其中，矩阵表示知识点的初始掌握概率p_k(L₀)，其中i∈[1,N]，N代表隐藏状态的个数；矩阵表示知识点的状态转移概率p_k(T)，其中i,j∈[1,N]；矩阵表示知识点的猜对率p_k(G)和误错率p_k(S)，其中j∈[1,N],m∈[1,M]，M表示观测结果的个数；