一种基于知识图谱的课程学习管理方法

摘要: 本发明涉及教育信息化,尤其涉及一种基于知识图谱的课程学习管理方法。背景技术:1、现有课程学习管理方法通常依赖学习平台记录学习进度、测评成绩和任务完成情况,并按照...
一种基于知识图谱的课程学习管理方法

本发明涉及教育信息化,尤其涉及一种基于知识图谱的课程学习管理方法。

背景技术:

1、现有课程学习管理方法通常依赖学习平台记录学习进度、测评成绩和任务完成情况,并按照教学计划或测评结果进行课程推进、资源推荐和学习提醒。这类方法能够实现基础管理,但对知识点前置依赖、学习行为证据和任务状态之间的关联利用不足,难以判断学习者对目标知识点的掌握是否具有完整知识链支撑。

2、随着知识图谱技术的发展,已有方法开始利用课程知识图谱组织知识点、学习资源和测评内容,并生成学习路径或推荐学习资源。然而,现有方法多依据答题结果、学习时长和任务完成情况判断掌握状态,缺少对前置依赖链的反事实校验。

3、因此,当学习者存在跳跃学习、短期刷题通过、前置知识薄弱但目标任务完成等情况时,现有方法容易将表面完成误判为真实掌握,难以及时识别伪掌握和依赖断裂状态,也无法根据校验结果动态调节学习任务,导致课程学习管理的准确性和闭环性不足。

4、因此,如何提供一种基于知识图谱的课程学习管理方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于知识图谱的课程学习管理方法,本发明采用课程学习知识图谱与改进的反事实依赖正交切比雪夫神经网络模型相结合的方法,通过构建课程学习知识图谱建立学习对象、学习任务、学习证据和状态记录之间的关联关系,并从当前学习任务中追踪目标知识点及前置依赖路径,形成课程依赖子图;在此基础上,将学习过程记录归并至课程依赖子图,生成完成稳定性证据、错误集中性证据和路径跳跃性证据,并通过反事实依赖链正交断裂校验机制对前置依赖关系进行遮蔽校验,识别学习者在目标知识点上的真实掌握、暂态掌握、伪掌握和依赖断裂状态;进一步依据学习状态判定结果调节当前学习任务,并将任务调节记录回写至课程学习知识图谱,实现课程学习过程的动态管理,能够避免仅依据测评结果判断学习状态造成的误判,及时发现前置知识缺失、跳跃学习和表面掌握问题,具有学习状态识别准确、课程任务调节针对性强以及课程学习管理闭环性好的优点。

2、根据本发明实施例的一种基于知识图谱的课程学习管理方法,包括如下步骤:

3、s1、获取课程学习关联数据,对课程学习关联数据进行实体归并、关系抽取和状态标记,构建课程学习知识图谱;

4、s2、以当前学习任务对应节点为起点,在课程学习知识图谱中追踪目标知识点和前置依赖路径,剪除与目标知识点无支撑关系的图谱节点,形成课程依赖子图;

5、s3、将课程学习关联数据中的学习过程记录归并至课程依赖子图,按照完成稳定性、错误集中性和路径跳跃性生成行为证据集合;

6、s4、对课程依赖子图中的前置节点状态、目标节点状态和证据节点状态进行归一化、缺失补齐和向量化编码,形成课程依赖状态向量;

7、s5、通过改进的反事实依赖正交切比雪夫神经网络模型对课程依赖状态向量进行正交展开、依赖遮蔽和残差校验,形成遮蔽残差结果;

8、s6、依据遮蔽残差结果对目标知识点进行掌握校验,生成学习状态判定结果;

9、s7、依据学习状态判定结果调节当前学习任务,将学习状态判定结果和任务调节记录写入课程学习知识图谱,更新节点状态和课程进度状态。

10、可选的,所述s1具体包括:

11、s11、获取课程学习关联数据,对课程学习关联数据进行来源标注、无效字段删除和语义切分;

12、s12、从语义切分后的课程学习关联数据中识别学习对象、学习任务、学习证据和状态记录,进行名称统一、重复合并和指代归并;

13、s13、依据归并后的学习对象、学习任务、学习证据和状态记录建立包含关系、前置依赖关系、证据关联关系和任务状态关系;

14、s14、根据证据关联关系和任务状态关系写入状态标记,以归并后的学习对象、学习任务、学习证据和状态记录作为图谱节点,以包含关系、前置依赖关系、证据关联关系和任务状态关系作为图谱边,构建课程学习知识图谱。

15、可选的,所述s2具体包括:

16、s21、在课程学习知识图谱中查找任务状态为当前执行状态的学习任务节点,确定当前学习任务对应节点;

17、s22、沿当前学习任务对应节点连接的任务状态关系和包含关系查找关联学习对象,将与学习任务节点存在证据关联关系的学习对象确定为目标知识点;

18、s23、以目标知识点为回溯起点,沿前置依赖关系反向追踪前置知识点,记录目标知识点至前置知识点之间的依赖路径;

19、s24、保留依赖路径上的目标知识点、前置知识点、前置依赖关系、关联学习证据和关联任务状态,形成候选依赖范围;

20、s25、依据前置依赖关系和证据关联关系核验候选依赖范围内节点对目标知识点的支撑关系,删除未接入支撑关系的节点和图谱边;

21、s26、按照前置依赖关系连接保留后的节点和图谱边,形成课程依赖子图。

22、可选的,所述s3具体包括:

23、s31、从课程学习关联数据中抽取学习过程记录,按照课程依赖子图中的目标知识点、前置知识点和关联任务状态进行归类,合并重复记录;

24、s32、将未连接至知识点的学习过程记录通过任务节点回连至课程依赖子图,按照学习发生顺序排列学习过程记录;

25、s33、将排列后的学习过程记录与前置依赖路径进行节点对齐,形成按依赖顺序排列的学习过程序列;

26、s34、检查学习过程序列中的任务完成结果、学习间隔、错误位置、错误重复情况以及任务顺序偏离情况,分别标记完成稳定性证据、错误集中性证据和路径跳跃性证据;

27、s35、将完成稳定性证据、错误集中性证据和路径跳跃性证据写入课程依赖子图,形成行为证据集合。

28、可选的,所述s4具体包括:

29、s41、读取课程依赖子图中的节点状态和行为证据集合,按照前置依赖路径排列节点状态;

30、s42、核对节点状态与行为证据集合的关联关系,将未连接至节点的行为证据回连至关联任务状态;

31、s43、对节点状态中的掌握记录、完成记录和错误记录进行单位统一、取值裁剪和归一化处理,形成规范状态字段;

32、s44、依据前置依赖路径内相邻节点状态和同类行为证据,对规范状态字段中的缺失内容进行补齐,形成完整状态字段;

33、s45、按照前置依赖路径顺序对完整状态字段进行向量化编码,写入节点路径位置;

34、s46、按照节点路径位置拼接编码后的完整状态字段,形成课程依赖状态向量。

35、可选的,所述改进的反事实依赖正交切比雪夫神经网络模型包括课程依赖状态输入层、正交切比雪夫展开层、反事实依赖正交遮蔽层和遮蔽残差结果输出层:

36、课程依赖状态输入层读取课程依赖状态向量,按照前置依赖路径顺序排列向量内的节点状态,将前置节点状态、目标节点状态和证据节点状态分别写入对应的状态槽位,对每个状态槽位附加节点类别标记、证据类别标记和路径序位标记,将文本类标记转换为类别编码,将连续类状态裁剪至统一取值范围,将缺失槽位填入由相邻节点状态和同类证据状态得到的补齐值,再将类别编码、裁剪后的连续类状态和路径序位标记按槽位顺序拼接,形成路径状态嵌入序列;

37、正交切比雪夫展开层读取路径状态嵌入序列,以全一向量作为零阶正交基项,以路径状态嵌入序列作为一阶正交基项,从二阶开始按照切比雪夫递推规则逐阶生成正交基项,将前一阶正交基项与路径状态嵌入序列逐维相乘后加倍,再减去前二阶正交基项,得到当前阶正交基项,将各阶正交基项分别与模型参数中的阶次权重相乘,按照前置节点槽位、目标节点槽位和证据节点槽位分别累加,形成前置知识展开序列、目标知识展开序列和行为证据展开序列;

38、反事实依赖正交遮蔽层中嵌入反事实依赖链正交断裂校验机制,反事实依赖链正交断裂校验机制依据前置依赖路径、前置知识展开序列、目标知识展开序列和行为证据展开序列执行依赖槽位绑定、遮蔽槽位标记、双态槽位组合和遮蔽残差校验,形成正常依赖展开状态、遮蔽依赖展开状态和遮蔽残差校验值;

39、遮蔽残差结果输出层读取正常依赖展开状态、遮蔽依赖展开状态、遮蔽残差校验值和行为证据展开序列,将正常依赖展开状态与遮蔽依赖展开状态逐槽位对齐,对对应槽位的数值作差并取绝对值,得到槽位残差,将所有槽位残差按路径顺序累加得到路径残差,将遮蔽残差校验值与路径残差合并后执行裁剪和归一化处理,再将归一化结果与行为证据展开序列中的完成稳定性证据、错误集中性证据和路径跳跃性证据按照证据类别进行拼接和校验,形成遮蔽残差结果。

40、可选的,所述反事实依赖正交遮蔽层中嵌入反事实依赖链正交断裂校验机制:

41、反事实依赖链正交断裂校验机制读取前置依赖路径、前置知识展开序列、目标知识展开序列和行为证据展开序列,按照前置依赖路径由前置知识点至目标知识点的连接顺序建立依赖槽位,在每个依赖槽位中写入对应知识点标识、路径序位标记和相邻依赖关系标记;

42、将前置知识展开序列中的展开项按照知识点标识写入对应依赖槽位,将行为证据展开序列中的完成稳定性证据、错误集中性证据和路径跳跃性证据按照知识点标识写入对应依赖槽位;

43、检查每个依赖槽位中的错误集中性证据和路径跳跃性证据,将存在错误集中性证据或路径跳跃性证据的依赖槽位标记为遮蔽槽位,将未标记的依赖槽位保留为支撑槽位;

44、在未遮蔽状态下,将所有依赖槽位中的前置知识展开项与目标知识展开序列按照路径序位逐槽位组合,形成正常依赖展开状态;

45、在遮蔽状态下,将遮蔽槽位中的前置知识展开项置为不参与槽位组合的空置状态,将支撑槽位中的前置知识展开项保持不变,再与目标知识展开序列按照相同路径序位逐槽位组合,形成遮蔽依赖展开状态;

46、将正常依赖展开状态和遮蔽依赖展开状态按照路径序位逐槽位对齐,对对应槽位的展开项进行逐维相减和绝对化处理,得到槽位遮蔽差异;

47、按照前置依赖路径顺序累加槽位遮蔽差异,得到依赖链遮蔽残差;

48、将依赖链遮蔽残差与完成稳定性证据、错误集中性证据和路径跳跃性证据进行校验,保留由错误集中性证据指向的槽位遮蔽差异作为依赖断裂差异,保留由路径跳跃性证据指向的槽位遮蔽差异作为伪掌握差异,将仅由完成稳定性证据指向且未关联错误集中性证据和路径跳跃性证据的槽位遮蔽差异标记为低影响差异,形成遮蔽残差校验值。

49、可选的,所述s6具体包括:

50、s61、将遮蔽残差结果回连至课程依赖子图中的目标知识点和依赖槽位;

51、s62、检查遮蔽残差结果中的槽位遮蔽差异和遮蔽残差校验值,确定被保留的槽位遮蔽差异及对应前置知识点;

52、s63、将被保留的槽位遮蔽差异与行为证据集合进行校验,关联错误集中性证据时标记依赖断裂状态,关联路径跳跃性证据时标记伪掌握状态;

53、s64、未保留槽位遮蔽差异且目标知识点关联完成稳定性证据时标记真实掌握状态,槽位遮蔽差异未被标记为依赖断裂差异或伪掌握差异且仍关联目标知识点时标记暂态掌握状态;

54、s65、按照依赖断裂状态、伪掌握状态、暂态掌握状态和真实掌握状态的顺序生成学习状态判定结果。

55、可选的,所述s7具体包括:

56、s71、将学习状态判定结果回连至课程依赖子图中的目标知识点和关联前置知识点;

57、s72、读取学习状态判定结果中的真实掌握状态、暂态掌握状态、伪掌握状态和依赖断裂状态,分别写入对应知识点的状态字段;

58、s73、对真实掌握状态对应的当前学习任务保留推进标记,对暂态掌握状态对应的当前学习任务写入复核标记;

59、s74、对伪掌握状态或依赖断裂状态对应的关联前置知识点提取证据来源和任务节点,生成补救任务插入记录,并对当前学习任务写入暂缓推进标记;

60、s75、将推进标记、复核标记、补救任务插入记录和暂缓推进标记写入课程学习知识图谱,更新节点状态和课程进度状态。

61、本发明的有益效果是:

62、本发明通过构建课程学习知识图谱,将学习对象、学习任务、学习证据和状态记录建立关联,并基于当前学习任务追踪目标知识点及前置依赖路径,能够形成面向具体学习任务的课程依赖子图。通过将学习过程记录归并至课程依赖子图,并生成完成稳定性证据、错误集中性证据和路径跳跃性证据,本发明能够从课程结构和学习行为两方面刻画学习者的真实学习状态,避免仅依赖测评成绩或任务完成情况进行片面判断。

63、此外,本发明引入改进的反事实依赖正交切比雪夫神经网络模型,对课程依赖状态向量进行正交展开、依赖遮蔽和残差校验,通过反事实依赖链正交断裂校验机制判断目标知识点的掌握结果是否具有前置知识链支撑,从而能够识别真实掌握、暂态掌握、伪掌握和依赖断裂状态。该方式能够有效发现跳跃学习、短期刷题通过和前置知识薄弱造成的表面掌握问题,提高学习状态判定的准确性。

64、在此基础上,本发明根据学习状态判定结果动态调节当前学习任务,并将任务调节记录写入课程学习知识图谱,更新节点状态和课程进度状态,实现课程学习管理的闭环更新。与传统基于学习进度或测评结果的课程管理方法相比,本发明能够更准确地定位学习薄弱环节,提升补救任务的针对性和课程推进的合理性。