一种基于多尺度知识状态解耦的学生作答预测方法和装置

本技术涉及人工智能教育领域，尤其涉及一种基于多尺度知识状态解耦的学生作答预测方法和装置。

背景技术：

1、如今，随着智能教育和在线学习平台的发展，学生在练习、作答过程中产生了大量历史交互数据，知识追踪技术逐渐利用深度学习、注意力机制以及时序模型对学生知识状态进行动态建模，并根据历史作答序列预测学生后续练习的作答表现。

2、然而，现有的学生作答预测系统通常将学生知识状态作为单一整体进行建模，难以区分长期知识积累、近期作答波动以及整体学习趋势等不同时间尺度下的状态变化，导致不同类型知识状态之间容易产生信息混淆，使短期作答变化对长期知识掌握状态造成干扰，进而降低学生作答预测结果的准确性。

3、因此，亟需一种基于多尺度知识状态解耦的学生作答预测方法和装置。

技术实现思路

1、本技术提供一种基于多尺度知识状态解耦的学生作答预测方法和装置，解决了现有学生作答预测系统难以准确预测学生作答结果的问题。

2、在本技术的第一方面提供了一种基于多尺度知识状态解耦的学生作答预测方法，方法包括：获取目标学生的历史作答序列，并基于历史作答序列获取目标学生对应的知识状态；对知识状态进行多尺度状态解耦处理，得到解耦后的长期知识记忆状态、短期作答波动状态以及整体学习趋势状态；通过长期知识记忆状态构建长期因果专家模型、通过短期作答波动状态构建短期因果专家模型、以及通过整体学习趋势状态构建趋势因果专家模型；基于长期因果专家模型输出目标学生对应的长期作答预测结果、基于短期因果专家模型输出目标学生对应的短期作答预测结果以及基于趋势因果专家模型输出目标学生对应的趋势作答预测结果；通过多专家预测融合机制对长期作答预测结果、短期作答预测结果以及趋势作答预测结果进行融合处理，并输出目标学生对应的作答预测结果。

3、可选地，对知识状态进行多尺度状态解耦处理，具体包括：构建知识追踪因果图；知识追踪因果图的节点表示变量，边表示因果关系；其中，节点包括历史作答序列、知识状态、作答结果、目标练习以及混杂变量；构建历史作答序列到知识状态的第一因果路径；第一因果路径用于描述目标学生基于历史作答序列形成当前知识掌握状态的过程；构建知识状态和目标练习到作答结果的第二因果路径；第二因果路径用于描述目标学生基于知识状态针对目标练习产生作答结果的过程；构建混杂变量同时影响历史作答序列以及作答结果的第三因果路径；第三因果路径用于描述不可观测影响因素对历史作答序列以及作答结果产生干扰的过程；基于第一因果路径、第二因果路径以及第三因果路径对知识状态进行多尺度状态解耦处理。

4、可选地，在通过长期知识记忆状态构建长期因果专家模型、通过短期作答波动状态构建短期因果专家模型、以及通过整体学习趋势状态构建趋势因果专家模型之前，方法还包括：获取历史作答序列对应的练习特征、知识概念特征以及作答结果特征；对知识概念特征与作答结果特征进行融合，并基于练习特征对应的练习难度信息对融合后的交互特征进行调整，得到融合练习属性的交互特征表示；基于注意力机制分别对练习特征对应的练习序列以及交互特征表示对应的交互序列进行特征增强，得到增强后的练习特征表示以及增强后的交互特征表示；基于增强后的练习特征表示以及增强后的交互特征表示，对长期知识记忆状态、短期作答波动状态以及整体学习趋势状态进行特征建模。

5、可选地，基于长期因果专家模型输出目标学生对应的长期作答预测结果，具体包括：基于增强后的练习特征表示生成查询向量和键向量，并基于增强后的交互特征表示生成值向量；基于查询向量、键向量以及值向量，通过注意力机制进行加权建模，并基于历史时间步之间的距离关系对注意力机制对应的注意力权重进行调整，得到长期知识记忆状态特征；对长期知识记忆状态特征和增强后的交互特征表示之间的关联关系进行非线性特征提取，得到长期作答响应特征；将长期知识记忆状态特征和长期作答响应特征进行特征融合，得到长期作答预测结果。

6、可选地，基于短期因果专家模型输出目标学生对应的短期作答预测结果，具体包括：基于增强后的练习特征表示和增强后的交互特征表示，通过时间卷积网络提取局部时间窗口内的交互变化特征，得到短期作答波动状态特征；基于短期作答波动状态特征和增强后的交互特征表示之间的关联关系进行非线性特征提取，得到短期作答响应特征；将短期作答波动状态特征和短期作答响应特征进行特征融合，得到短期作答预测结果。

7、可选地，基于趋势因果专家模型输出目标学生对应的趋势作答预测结果，具体包括：基于增强后的练习特征表示和增强后的交互特征表示，通过门控循环单元对多个历史时间步对应的交互序列进行状态演化建模，得到整体学习趋势状态特征；基于整体学习趋势状态特征和增强后的交互特征表示之间的关联关系进行非线性特征提取，得到趋势作答响应特征；将整体学习趋势状态特征和趋势作答响应特征进行特征融合，得到趋势作答预测结果。

8、可选地，在通过多专家预测融合机制对长期作答预测结果、短期作答预测结果以及趋势作答预测结果进行融合处理之前，方法还包括：通过相似度计算方式，计算长期知识记忆状态特征、短期作答波动状态特征以及整体学习趋势状态特征在相同时刻对应的状态相似度；基于状态相似度约束长期知识记忆状态特征、短期作答波动状态特征以及整体学习趋势状态特征之间的特征差异；基于特征差异，采用同方差不确定性加权方式，对长期作答预测结果对应的预测损失、短期作答预测结果对应的预测损失以及趋势作答预测结果对应的预测损失进行权重调整；基于调整后的预测损失，优化长期因果专家模型、短期因果专家模型以及趋势因果专家模型。

9、在本技术的第二方面提供了一种基于多尺度知识状态解耦的学生作答预测装置，装置包括知识状态构建模块、状态解耦模块以及多专家预测模块，其中，

10、知识状态构建模块，用于获取目标学生的历史作答序列，并基于历史作答序列获取目标学生对应的知识状态。

11、状态解耦模块，用于对知识状态进行多尺度状态解耦处理，得到解耦后的长期知识记忆状态、短期作答波动状态以及整体学习趋势状态。

12、多专家预测模块，用于通过长期知识记忆状态构建长期因果专家模型、通过短期作答波动状态构建短期因果专家模型、以及通过整体学习趋势状态构建趋势因果专家模型。

13、多专家预测模块，用于基于长期因果专家模型输出目标学生对应的长期作答预测结果、基于短期因果专家模型输出目标学生对应的短期作答预测结果以及基于趋势因果专家模型输出目标学生对应的趋势作答预测结果。

14、多专家预测模块，用于通过多专家预测融合机制对长期作答预测结果、短期作答预测结果以及趋势作答预测结果进行融合处理，并输出目标学生对应的作答预测结果。

15、在本技术的第三方面提供了一种电子设备，包括处理器、存储器、用户接口及网络接口，存储器用于存储指令，用户接口和网络接口用于与其他设备通信，处理器用于执行存储器中存储的指令，以使电子设备执行如上述任意一项的方法。

16、在本技术的第四方面提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储有计算机程序，计算机程序被处理器执行如上述任意一项的方法。

17、本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

18、1、获取目标学生的历史作答序列，并基于所述历史作答序列获取知识状态；对所述知识状态进行多尺度状态解耦处理，得到长期知识记忆状态、短期作答波动状态以及整体学习趋势状态；分别基于不同状态构建长期因果专家模型、短期因果专家模型以及趋势因果专家模型，输出对应的长期作答预测结果、短期作答预测结果以及趋势作答预测结果；通过多专家预测融合机制对各预测结果进行融合处理，输出目标学生对应的作答预测结果，从而结合不同时间尺度下的知识状态信息，提高学生作答预测的准确性。

19、2、通过构建知识追踪因果图，并基于历史作答序列到知识状态、知识状态到作答结果以及混杂变量影响历史作答序列和作答结果的多条因果路径，对知识状态进行多尺度状态解耦处理，从而降低不可观测因素以及不同状态因素之间的相互干扰，使长期知识掌握、短期作答变化以及学习趋势能够被独立表征，提高知识状态建模的准确性。

20、3、通过融合练习特征、知识概念特征以及作答结果特征，并结合练习难度信息调整交互特征表示，同时利用注意力机制增强练习序列和交互序列的特征表达，从而充分挖掘不同练习属性以及历史交互行为之间的关联关系，提高学生知识状态特征提取的完整性和有效性。