一种基于多算法自适应切换的知识追踪系统及方法与流程

本发明涉及智能教育的知识追踪领域，具体涉及一种基于多算法自适应切换的知识追踪系统及方法。

背景技术：

1、随着人工智能技术在教育领域的深入应用，知识追踪（knowledge tracing）已成为智能教学系统的核心技术。知识追踪通过分析学生的历史答题表现，动态评估学生对各知识点的掌握程度，为个性化学习路径规划和教学干预提供数据支撑。然而，现有知识追踪技术存在以下技术缺陷：

2、缺陷一：单一算法无法兼顾冷启动与数据充足两种场景。 现有智能教学系统通常采用单一的知识追踪算法。项目反应理论（irt）在数据稀疏时能够提供稳定的能力估计，但数据充足时精度不及深度学习模型；深度知识追踪（dkt）在数据充足时能够捕捉复杂的序列模式，但在冷启动阶段因缺乏训练数据而预测偏差大，容易过拟合；贝叶斯知识追踪（bkt）具有良好的可解释性，但在数据稀疏时参数估计不稳定，且无法充分利用序列信息。单一算法无法同时适应数据量从稀疏到充足的全阶段，导致系统在冷启动阶段评估不准、在数据充足阶段精度受限。

3、缺陷二：算法切换生硬，缺乏平滑过渡机制。 部分系统虽尝试在多算法之间切换，但切换逻辑往往采用离散的“非此即彼”策略——数据少时用a算法，数据多时用b算法，切换瞬间产生估计值的跳变，导致学生掌握度评估出现不连续的变化，影响下游教学决策的稳定性和可解释性。

4、缺陷三：bkt参数固定，缺乏自适应调整能力。 现有bkt模型通常采用固定的四参数（先验概率、学习转移概率、猜测概率、失误概率），无法根据学生的实际答题表现动态调整参数。当学生的答题模式发生显著变化时，固定的猜测概率和失误概率无法准确反映学生的真实作答行为，导致掌握度估计偏差累积。

5、缺陷四：知识追踪缺乏遗忘衰减机制。 现有知识追踪模型通常仅基于答题序列更新掌握度，未考虑时间因素对记忆保持的影响。学生长期未练习某知识点时，即使历史掌握度较高，实际掌握水平也可能因遗忘而衰减。现有系统无法模拟这一遗忘过程，导致掌握度评估虚高，后续复习安排缺乏针对性。

6、缺陷五：三种算法各自为政，缺乏协同输出机制。 现有系统通常仅暴露单一算法的输出结果，bkt、dkt、irt三种算法各自独立运行，调用方无法根据题型特点灵活选择最优的追踪器输出，无法实现多算法在应用层的协同价值。

技术实现思路

1、本发明的目的在于克服现有技术的缺点，提供一种基于多算法自适应切换的知识追踪系统及方法，以克服现有技术中单一算法无法兼顾不同数据量场景、算法切换生硬、bkt参数固定、缺乏遗忘衰减、算法输出各自为政的技术缺陷。

2、本发明采取如下技术方案实现上述目的，第一方面，本发明提供一种基于多算法自适应切换的知识追踪系统，包括：

3、数据获取模块，用于获取学生在目标知识点上的历史答题交互序列，所述交互序列包含若干条答题记录，每条答题记录包括知识点标识和正确性标志；

4、贝叶斯知识追踪器，采用四参数贝叶斯模型对各知识点的掌握概率进行追踪，所述四参数包括先验未掌握概率、学习转移概率、猜测概率和失误概率，所述贝叶斯知识追踪器基于学生答题结果通过贝叶斯更新公式实时更新掌握概率，并独立于其他追踪器并行运行；

5、深度知识追踪器，采用循环神经网络结构的深度知识追踪模型，以所述交互序列为输入，对各知识点的掌握概率进行预测；

6、项目反应理论追踪器，采用基于项目反应理论的能力评估模型，通过学生答题表现估计其潜在能力参数，并映射为各知识点的掌握概率；

7、算法自适应切换模块，根据所述交互序列的序列长度，自动选择所述深度知识追踪器和所述项目反应理论追踪器中的一种或两种的组合进行掌握度估计，并输出所述贝叶斯知识追踪器的追踪结果作为独立基线：

8、当所述序列长度小于第一预设阈值时，所述算法自适应切换模块采用所述项目反应理论追踪器的估计结果作为掌握度输出；

9、当所述序列长度大于等于所述第一预设阈值且小于第二预设阈值时，所述算法自适应切换模块将所述深度知识追踪器的预测值与所述项目反应理论追踪器的估计值进行加权融合，以融合结果作为掌握度输出；

10、当所述序列长度大于等于所述第二预设阈值时，所述算法自适应切换模块采用所述深度知识追踪器的预测结果作为掌握度输出。

11、进一步的是，所述算法自适应切换模块在所述序列长度大于等于所述第一预设阈值且小于所述第二预设阈值时的加权融合方式为：

12、计算融合权重，所述融合权重等于所述序列长度除以所述第二预设阈值；

13、融合掌握度等于所述融合权重乘以所述深度知识追踪器的预测值加上第一乘积，所述第一乘积为1减所述融合权重后乘以所述项目反应理论追踪器的估计值。

14、进一步的是，所述项目反应理论追踪器采用二参数逻辑斯蒂模型，所述二参数逻辑斯蒂模型包含区分度参数和难度参数；

15、所述潜在能力参数的批量估计采用迭代估计法：初始化所述潜在能力参数为初始值，每轮迭代计算一阶导数和二阶导数，当所述二阶导数的绝对值小于预设收敛精度时终止迭代，否则按所述一阶导数除以所述二阶导数更新所述潜在能力参数，迭代收敛条件为更新量的绝对值小于预设更新阈值，所述潜在能力参数值域限制在预设值域范围内；

16、所述项目反应理论追踪器还支持在线梯度更新：计算当前潜在能力参数下的正确概率，计算第一差值，所述第一差值为实际作答结果减去所述正确概率，梯度等于所述区分度参数乘以所述第一差值，更新后的潜在能力参数等于当前潜在能力参数加上预设学习率乘以所述梯度，掌握度由潜在能力参数经逻辑斯蒂函数变换得到。

17、进一步的是，所述深度知识追踪器采用长短时记忆网络结构，输入维度为知识点数量乘以预设编码倍数，隐藏层维度为预设隐藏维度值；

18、交互编码方式为：将知识点编号乘以所述预设编码倍数加上正确标志位作为偏移量，其中答对时正确标志位加1、答错时正确标志位加0，在长度为知识点数量乘以所述预设编码倍数的全零向量中对应位置置1，生成当前交互的独热编码向量；

19、网络权重采用预设初始化方法：输入到隐藏的权重矩阵在目标区间内随机采样，所述目标区间的下限为负的根号下预设初始化常数除以第一和值，所述目标区间的上限为正的根号下所述预设初始化常数除以所述第一和值，所述第一和值为输入维度加隐藏维度；隐藏到隐藏的权重矩阵在第二目标区间内随机采样，所述第二目标区间的下限为负的根号下所述预设初始化常数除以第二和值，所述第二目标区间的上限为正的根号下所述预设初始化常数除以所述第二和值，所述第二和值为隐藏维度乘以第三预设常数；遗忘门偏置初始化为第一预设值，其余偏置初始化为第二预设值；

20、前向传播依次计算输入门、遗忘门、输出门和候选记忆单元，输出层将隐藏状态通过softmax函数映射为各知识点的掌握概率。

21、进一步的是，所述深度知识追踪器具有冷启动回退机制：

22、当所述目标知识点的交互序列长度小于所述第一预设阈值时，直接使用所述项目反应理论追踪器的掌握度估计作为所述深度知识追踪器的回退输出。

23、进一步的是，贝叶斯更新方式为：当学生答对时，计算第一乘积因子，所述第一乘积因子为先验掌握概率乘以第一因子，所述第一因子为1减所述失误概率；计算第二乘积因子，所述第二乘积因子为1减所述先验掌握概率后乘以所述猜测概率；后验掌握概率等于所述第一乘积因子除以所述第一乘积因子与所述第二乘积因子之和；当学生答错时，计算第三乘积因子，所述第三乘积因子为所述先验掌握概率乘以所述失误概率；计算第四乘积因子，所述第四乘积因子为1减所述先验掌握概率后乘以第二因子，所述第二因子为1减所述猜测概率；后验掌握概率等于所述第三乘积因子除以所述第三乘积因子与所述第四乘积因子之和；然后通过所述学习转移概率更新为新的后验概率，所述新的后验概率等于所述后验概率加上第三因子，所述第三因子为1减所述后验概率后乘以所述学习转移概率。

24、进一步的是，所述贝叶斯知识追踪器还具有参数自适应机制和遗忘衰减机制：

25、所述参数自适应机制为：当观察数据达到预设触发条数时，根据历史答题正确率调整所述猜测概率和所述失误概率，若正确率大于第一预设正确率阈值则将所述猜测概率和所述失误概率各减小预设步长，若正确率小于第二预设正确率阈值则将所述猜测概率和所述失误概率各增大所述预设步长，调整范围限制在预设下限值和预设上限值之间；

26、所述遗忘衰减机制为：最终掌握度等于当前掌握概率乘以第一系数加上第五乘积因子，所述第一系数为1减衰减因子，所述第五乘积因子为所述先验未掌握概率乘以所述衰减因子，所述衰减因子等于预设衰减率的交互记录条数次方。

27、进一步的是，知识追踪系统还包括统一api接口，所述贝叶斯知识追踪器、所述深度知识追踪器和所述项目反应理论追踪器均通过所述统一api接口对外暴露知识掌握度查询和更新接口，调用方根据题型选择使用对应的追踪器结果。

28、第二方面，本发明提供一种基于多算法自适应切换的知识追踪方法，应用于上述所述的基于多算法自适应切换的知识追踪系统，包括以下步骤：

29、步骤s1：获取学生在目标知识点上的历史答题交互序列；

30、步骤s2：判断所述交互序列的序列长度；

31、步骤s3：当所述序列长度小于第一预设阈值时，采用项目反应理论追踪器估计学生潜在能力参数，通过逻辑斯蒂函数将所述潜在能力参数映射为掌握概率，作为最终掌握度输出；

32、步骤s4：当所述序列长度大于等于所述第一预设阈值且小于第二预设阈值时，启动深度知识追踪器对所述交互序列进行前向传播计算，获得所述深度知识追踪器的预测值，同时获取所述项目反应理论追踪器的估计值，计算融合权重，所述融合权重等于所述序列长度除以所述第二预设阈值且上限为1.0，融合掌握度等于所述融合权重乘以所述深度知识追踪器的预测值加上第六乘积因子，所述第六乘积因子为1减所述融合权重后乘以所述项目反应理论追踪器的估计值，将所述融合掌握度作为最终掌握度输出；

33、步骤s5：当所述序列长度大于等于所述第二预设阈值时，启动深度知识追踪器对所述交互序列进行完整前向传播计算，将输出层经softmax函数映射后的对应知识点的概率值作为最终掌握度输出；

34、步骤s6：贝叶斯知识追踪器独立于步骤s3至s5并行运行，基于每次答题结果执行贝叶斯更新，输出结构化的知识点掌握概率作为独立基线追踪结果。

35、进一步的是，该知识追踪方法还包括步骤s7：所述贝叶斯知识追踪器在观察数据达到预设触发条数时触发参数自适应：计算历史答题正确率，若正确率大于第一预设正确率阈值则将猜测概率和失误概率各减小预设步长，若正确率小于第二预设正确率阈值则将猜测概率和失误概率各增大所述预设步长，调整范围限制在预设下限值和预设上限值之间；

36、所述贝叶斯知识追踪器在掌握度计算时引入遗忘衰减：衰减因子等于预设衰减率的交互记录条数次方，最终掌握度等于当前掌握概率乘以第一系数加上第七乘积因子，所述第一系数为1减所述衰减因子，所述第七乘积因子为先验未掌握概率乘以所述衰减因子。

37、本发明与现有技术相比，具有以下有益效果：

38、多算法自适应切换兼顾冷启动与长期精度。 本发明通过irt在数据稀疏时（如序列长度<5条）提供稳定的能力估计，通过dkt在数据充足时（如序列长度≥10条）捕捉复杂的序列交互模式，通过5至10条之间的alpha加权融合实现从irt到dkt的平滑过渡，解决了单一算法无法兼顾不同数据量场景的技术缺陷，实现了冷启动与长期精度的统一。

39、加权融合实现算法切换的平滑过渡。本发明在序列长度5至10条之间采用alpha =长度/10的线性加权融合策略，融合权重从0.5连续变化至1.0，避免了算法切换瞬间的估计值跳变，保证了掌握度评估的时间连续性和下游决策的稳定性。

40、bkt参数自适应提升模型拟合精度。 本发明在观察数据达到20条时触发参数自适应，根据历史正确率动态调整猜测概率和失误概率（正确率高时降低猜测和失误概率，正确率低时升高），使bkt模型能够根据学生的实际答题模式自适应调整参数，提升了掌握度估计的准确性。

41、遗忘衰减机制模拟记忆曲线。 本发明在bkt掌握度计算中引入基于交互记录条数的遗忘衰减因子（衰减率为0.1的n次方），学生长期未练习时掌握度自动向先验概率衰减，模拟了艾宾浩斯遗忘曲线，使掌握度评估更贴近学生的真实记忆状态，为后续复习安排提供更准确的依据。

42、dkt冷启动回退保障稀疏数据可用性。 本发明在dkt中设置了冷启动回退机制，当交互序列长度小于5条时直接使用irt的估计值作为dkt的输出，避免了dkt在训练数据不足时因过拟合导致的预测偏差。

43、统一api接口实现多算法协同输出。 本发明通过统一api接口将bkt、dkt、irt三种追踪器的输出同时暴露，调用方可根据题型特点灵活选择最优追踪器（如概念题用bkt、序列题用dkt、冷启动用irt），实现了多算法在应用层的协同价值，提升了系统的灵活性和可扩展性。