[发明专利]基于机器学习的中小学数学能力点缺陷极小样本高精度发现方法

说明书

本发明提供一种基于机器学习的中小学数学能力点缺陷极小样本高精度发现方法，其特征在于，包括：步骤1：构建K12阶段的数学能力图谱，并构建能力点之间的概率联系；步骤2：生成题库，并打上能力点标签数据；步骤3：使用RNN+SortNet的方法来对学生的答题数据以及步骤1得到的数学能力图谱数据进行模型训练，得到学生动态的能力缺陷点排名预测，将当前能力点按掌握程度从低到高排序，从而发现学生在数学学科学习中的能力缺陷点。本方法能够有效定位K12阶段学生在数学学科的最细粒度缺陷能力点，从而有针对性的进行差缺补漏练习和巩固，迅速提升学习成绩和学习兴趣。

技术领域

本发明涉及数学能力缺陷点检测技术领域，具体涉及基于机器学习的中小学数学能力点缺陷极小样本高精度检测方法。

背景技术

数学学科在中小学生学习中占有非常重要的基础性地位，甚至可以说直接决定了一名学生的综合学习能力和考试成绩的高低，因而受到学校、老师、家长和学生的广泛重视。另一方面，数学也是学生普遍反映较难的科目，知识点较为抽象和多变，相同知识点有很多种呈现形式和难度值，教师和学生均不易加以变通、总结和归纳。导致虽然从小学一年级到高中三年级(以下简称K12阶段)，绝大多数学生在数学学科耗费了大量的时间与精力，反复进行大量练习甚至课外补习，收效却不明显。因为无法抓住真正薄弱的知识点(后文称为缺陷点)进行个性化的重点突破，只能是万人一面做大量重复学习，不仅浪费时间，还挫伤了学习积极性与信心。所以准确捕捉学生在数学学科学习中的知识缺陷点不仅可以有效提升学习效率、成绩，而且是个性化学习和兴趣导向学习的基础。

传统学习情境下，有针对性的查漏补缺只能存在于非常有经验的教师组织的小班或1对1(1v1)教学场景，成本高昂，而且由于名师远远供不应求，只能牺牲教育的公平性和普惠性来满足少数城市和富裕家庭的需求，对于数学这一关乎未来国民整体科技素养的基础学科而言，与我国义务教育的宗旨背道而驰。随着近二十年来人工智能特别是其中机器学习算法的爆发式发展，从技术角度首次具备了全民“因材施教”、“千人千面”和兴趣驱动学习的可能性。蓬勃发展的在线教学和电子化学习、考试开始让学习数据线上化和结构化，从而形成可被算法理解和重构的“学习大数据”，让精细化和个性化学习成为可能。并且，由于数学学科的标准化和结构化特点，是特别适合通过大数据和机器学习算法来辅助学习的学科，所以本发明选择数学作为学科突破口，并保留对其他K12学科的延展可能性。在此，本发明须重点解决的问题是：如何仅利用少量学习反馈数据(极少样本量)，高精度(高准确率和召回率)地定位学生在数学学科中的能力缺陷点。

为了更好介绍本发明对前沿机器学习方法的优化和创新，以及如何更好的应用于本发明的目标问题，首先概要介绍相关技术背景，特别是其中涉及的机器学习算法。

A.最细粒度知识图谱构建(Knowledge Graph)

通常的方法是首先根据专业知识构建离散的知识点集合以及先后顺序关系。再运用自然语言处理(NLP)特别是命名体识别(NER)技术来抽取普通学习文本中的核心概念，从而进一步发掘知识点间的概率联系。能力点间的概率关系可以通过题目和能力节点构成的二分网络图上的随机漫步方法来迭代计算和不断优化。

B.排序学习(Learning to Rank)和时序神经网络(RNN)

很多机器学习问题的目标都可以抽象为排序问题，从搜索到推荐再到自动问答系统，本质上都是给定二元组的数据列表，按照某种标准(通常是两者相关性)对这组列表进行排序。排序学习在处理这类问题的优势在于目标函数与目标的一致性，也即我们只关心相对顺序而并不关心具体的数值，换句话说排序学习能够产生相对其他方法更准确的顺序排列。而学生知识薄弱环节的定位正可以看成一个按掌握度从弱到强的排序问题。同时因为学生的学习具有连续性和难以逆转的特征，将对同单个学生的动态模型预测看成一个有机的时序整体会有助于提高模型的准确性和稳定性，同时缓解数据的稀疏性。所以我们融合了深度学习中的时序神经网络(RNN)模型来对连续多次测试数据进行建模，并融合排序学习模型形成一个统一的新模型，实验表明，新模型效果相对传统模型更准确。