一种作业认知缺陷诊断与自适应矫正系统的制作方法

本发明涉及智能教育，具体涉及一种作业认知缺陷诊断与自适应矫正系统。

背景技术：

1、现有的教育诊断系统多依赖于对学生错题的表面特征进行分析，典型方法包括语义相似度比对和错误模式聚类。这类方法通过将学生答案与标准答案进行文本或结构上的匹配，识别出“哪里错了”以及“属于哪一类错误”，并在群体层面归纳常见错误类型。然而，此类技术仅停留在对错误现象的描述与归类，难以深入揭示错误背后的认知成因。尤其在面对复杂解题过程时，无法准确判断是哪一个前置知识点的缺失或错误关联导致了最终的答题偏差。此外，现有系统在推荐补救学习内容时，往往采用通用策略或基于经验规则推送复习材料，缺乏针对个体认知结构缺陷的精准干预路径规划，导致矫正效率低、个性化不足。

技术实现思路

1、针对现有技术的不足，本发明旨在提供一种作业认知缺陷诊断与自适应矫正系统。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种作业认知缺陷诊断与自适应矫正系统，包括动态认知知识图谱构建模块、因果诊断模块、反事实干预推理模块、个性化矫正路径生成模块和自适应练习推荐模块；

4、动态认知知识图谱构建模块用于根据学科教材、课程标准及历史的学生作答数据，自动构建包含知识点节点及其相互关系的动态知识图谱；所述知识点节点之间的相互关系至少包括先决条件关系和逻辑推导关系；

5、因果诊断模块用于在学生出现答题错误的情况时，通过比对该学生在当前错题的实际解题过程和当前错题的标准解题路径，识别出导致路径偏离的缺失或错乱的关键知识点；根据动态认知知识图谱找出关键知识点的所有前置知识点，并据此构建结构因果模型；

6、反事实干预推理模块用于结合结构因果模型进行反事实模拟，分别计算各个知识点被掌握后，学生答题正确概率的提升幅度，进而评估各知识点的矫正增益，并据此排序确定最优干预优先级；

7、个性化矫正路径生成模块用于将最高矫正增益的知识点作为目标知识点，结合所述动态认知知识图谱中关于该目标知识点的依赖路径和学生当前对各个知识点的掌握状态，生成一条辅助学生通往目标知识点的最优学习序列；

8、自适应练习推荐模块用于基于强化学习算法，在学生执行最优学习序列过程中，持续监测其对最优学习序列中各个知识点的掌握状态的变化，据此动态推荐最适宜的练习题目。

9、进一步地，动态认知知识图谱构建模块包括节点提取单元和依赖关系挖掘单元；节点提取单元用于从学科教材和课程标准中抽取学科知识点作为图谱节点；依赖关系挖掘单元用于利用优质的学生解题过程的步骤序列，通过序列模式挖掘与规则学习方法，自动识别知识点之间的先决条件与逻辑顺序，建立知识点之间的先决条件关系边和逻辑推导关系边。

10、进一步地，因果诊断模块的执行过程为：

11、将当前错题的标准解题路径表示为按顺序应用的标准知识点原子操作序列，并将学生在当前错题的解题过程分解为错题知识点原子操作序列；通过比对标准知识点原子操作序列和错题知识点原子操作序列，找出导致错题知识点原子操作序列偏离标准知识点原子操作序列的关键知识点；

12、根据动态认知知识图谱找出上述关键知识点所依赖的前置知识点，据此构建结构因果模型，并定义状态传递方程为掌握状态（ki）=f(掌握状态(prereq1)，掌握状态(prereq2)，…，θi）； prereq1，prereq2，…表示知识点ki的各个前置知识点，表示知识点ki的掌握状态由学生对前置知识点的掌握状态及个人掌握阈值θi共同决定，结果预测方程为答题正确的概率p(正确)=g(k1,k2,...,)，表示答题正确的概率由解题过程中涉及的所有知识点的掌握状态共同计算得出；

13、将学生的历史作答数据输入结构因果模型中，通过贝叶斯参数学习或最大似然估计不断调整和学习状态传递方程f和结果预测方程g中的参数，并拟合出学生对知识点ki的个人掌握阈值 θi。

14、更进一步地，反事实干预推理模块包括反事实问题生成单元、干预模拟计算单元和增益计算与排序单元；反事实问题生成单元用于针对结构因果模型中的每个知识点 kd，提出假设性问题：“如果学生掌握了 kd，其答题正确的概率会提高多少？”；干预模拟计算单元用于在训练完成的结构因果模型中执行干预操作do(掌握状态(kd) =1)，保持其他变量不变，重新预测答题正确概率p’(正确)；增益计算与排序单元用于计算矫正增益 gain(kd)=p’(正确)p(正确),并对所有知识点按矫正增益值降序排列，筛选矫正增益最高的知识点作为首要干预的目标知识点。

15、进一步地，个性化矫正路径生成模块的执行过程为：在确定首要干预的目标知识点后，依据所述动态认知知识图谱中的关系边，逆向查找通向该目标知识点所需掌握的所有前置知识点，然后根据知识点间的依赖强度与学生已有的知识点掌握情况，优化路径顺序，生成一条适合该学生的最小代价学习链，所述最小代价学习链以递进式学习任务形式输出。

16、更进一步地，生成最小代价学习链的具体过程为：

17、以首要干预的目标知识点为终点，沿着动态认知知识图谱的关系链逆向回溯，找出通向目标知识点所需的所有前置知识点集合；然后将前置知识点集合中已经掌握的知识点剔除，仅保留尚未掌握或掌握薄弱的前置知识点，构建出待学知识子图；根据知识点间的依赖强度、知识点本身的认知难度以及预估的学习时间，为待学知识子图中的知识点及其连接关系赋予代价权重；其后，在待学知识子图中，利用图搜索算法，寻找一条最优路径，确保这条最优路径上所有待学知识点的总学习代价最小，同时严格满足动态认知知识图谱中的逻辑先后顺序；最终，将这条最优路径上的知识点按先后顺序排列，转化为递进式的学习任务，即生成最小代价学习链。

18、进一步地，自适应练习推荐模块采用深度强化学习框架实现，具体包括状态表示单元、动作空间定义单元、奖励机制设计单元和策略学习单元；状态表示单元表示将学生当前的知识点掌握状态编码为一个向量，构成马尔可夫决策过程的状态 s ；动作空间定义单元用于将可推荐的练习题集合作为动作集合 a ，每道题标注有其所考察的知识点、难度等级和题型；奖励机制设计单元用于以学生答题的准确性、响应时间及知识覆盖广度综合计算即时奖励；策略学习单元用于使用dqn、ppo或其他策略梯度算法训练推荐智能体，使其学习最优策略函数 π(a∣s) ，即在给定状态s下选择能最大化长期能力提升效果的题目进行推荐。

19、本发明的有益效果在于：

20、1、本发明通过构建动态认知知识图谱并结合结构因果模型，实现了对学生错题背后深层知识缺陷的精准归因，突破了传统方法仅能进行错误分类的局限；

21、2、本发明通过引入反事实推理机制，能够模拟“若掌握某知识点，结果会如何改变”，从而科学评估各干预点的预期增益，为个性化矫正提供数据驱动的决策依据；

22、本发明整体上显著提升了教育诊断系统的解释性、精准性与实用性，能够在复杂学科场景下为每位学生提供可理解、可执行、高效益的学习提升路径，有效促进个性化学习与教学质量提升。