一种基于深度知识追踪和遗传算法的个性化组卷方法与流程

1.本发明涉及智能教育领域，尤其涉及一种基于深度知识追踪和遗传算法的个性化组卷方法。


背景技术：

2.随着计算机的飞速发展，在线考试系统已经得到了广泛的应用，而智能组卷则是考试系统中一个重要的组成部分。对于学生来说，通过试卷和试题自我检测是一种很好的查缺补漏的学习方式，也是检验学习效果的重要工具，但在实际生活中老师并不能根据每一位学生的学习情况进行针对性的出题、布置作业、出测试卷。并且试卷的难易程度、知识点也不免会有出题教师的主观因素，所以需要一种可以针对每一个学生的学习状况个性化组卷的方法。
3.目前大部分组卷系统是通过给定的组卷参数：题型、难度、知识点等约束进行随机组卷，这种方法一般用以班级考试的整体试卷，不能针对每个学生对知识点掌握的程度生成适合学生巩固知识的试卷。而一部分通过试卷完成度、试卷知识点覆盖度、试卷信度和试卷效度等方面建立指标函数智能组卷对学生进行个性化试题推荐的方法，在学生对知识点的掌握程度上获得的预测值准确度并不高。这种方法的缺点是不能根据学生对知识点的掌握程度对让学生对薄弱的知识点进行巩固。


技术实现要素：

4.为了解决以上技术问题，本发明提供了一种基于深度知识追踪和遗传算法的个性化组卷方法，基于在线考试系统，收集学生历史考卷和答题记录，计算出学生的知识点掌握水平。根据学生的知识点掌握程度和知识点重要程度以试题库中的试题为基础形成适合该学生学习的优化试题库，从而针对学生的薄弱知识点进行个性化组卷，生成偏难试卷达到巩固知识和提高学习效率的目的。
5.本发明的技术方案是：
6.一种基于深度知识追踪和遗传算法的个性化组卷方法，包括：
7.首先需要采集学生的考试、答题数据；利用历史学习的知识点进行one-hot编码，输入到模型中，输出学生对知识点的掌握水平预测值；通过学生掌握知识点的程度和知识点的重要程度等因素建立知识点目标函数，基于试题库针对每一个学生生成优化试题库；将优化试题库作为初始化种群输入到遗传算法模型，计算并输出适应度值最高的个体，形成最适合学生巩固知识的个性化试卷，推送给学习者，从而提高学生的学习效率。
8.具体步骤包括：
9.s01：构建知识点库、试题库、优化试题库、试卷模板库，用于存储知识点、与知识点相关的试题以及试卷模板；
10.s02：采集学生每次考试、练习题的数据；
11.s03:根据学生学习的知识点的历史数据进行one-hot编码，输入到训练好的dkt模
型中，输出学生对知识点的掌握水平预测值；
12.s04:根据s03获得的知识点掌握程度预测值和知识点的重要程度建立知识点目标函数，优化试题库；
13.s05:使用遗传算法模型对个体适应度值进行优化，输出适应度值最高的个体，即就是最适合的试卷，推送给学习者；
14.进一步的，
15.s01包括：构建知识点库中的知识点信息包括知识点名称以及知识点重要程度；构建优化试题库，为不同的学生根据年级、科目、知识点掌握情况等信息构建基于试题库的优化试题库，根据学生的知识点掌握情况和知识点重要程度剔除试题库中暂时不需要再继续巩固的知识点的相关试题，学生年级变化时可以向试题库中新增相关试题。
16.进一步的，
17.s03包括：通过学生历史考试和答题记录，获取学生的知识点相关数据，对数据进行one-hot编码，输入到训练好的dkt模型中，输出学生对知识点的掌握水平预测值。在学生对推荐的个性化试卷进行测试后，还能够根据学生本次对知识点相关试题的答题结果，使用dkt模型更新知识点状态，从而获得新的优化试题库。
18.进一步的，
19.s04包括：通过知识点建立的知识点目标函数通过知识点掌握程度预测值和知识点重要程度决定，知识点掌握程度越低，知识点重要程度越高，知识点目标函数越高，通过知识点目标函数筛选知识点相关试题获得优化试题库。
20.进一步的，
21.s05包括：使用s04产生的优化试题库作为初始种群，根据s04获得的知识点掌握程度及其它因素计算个体适应度，通过选择、交叉、变异产生一群更适合环境的个体，最后选择适应度值最高的试卷进行个性化推送。
22.本发明的有益效果是
23.通过对试题库中的试题进行知识点标注，对试题进行分类，为个性化组卷提供了基础；深度知识跟踪算法不仅会分析学习者当前的知识状态，还会考虑到学习者之前所有的学习表现，所以获得学生知识点掌握程度的精确度较高；以学生知识点掌握情况和知识点重要程度生成优化试题库可以剔除部分暂时不需要再巩固的知识点，提高学生的学习效率；结合遗传算法算出适应度最高的试卷，从而为学生推荐最适合巩固知识的个性化试卷。
附图说明
24.图1是本发明提供的一种基于深度知识追踪和遗传算法的个性化组卷方法的流程图。
25.图2是采用深度知识追踪算法构建的知识点掌握水平预测模型示意图。
26.图3是本发明采用的遗传算法的流程图。
具体实施方式
27.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是
本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
28.本发明提出了一种基于深度知识追踪的个性化组卷方法。深度知识追踪算法(deep knowledge tracing，简称dkt)是基于深度神经网络lstm(long short-term memory,长短期记忆网)建立的知识追踪模型，它能够根据学生的答题记录，建模得到学生的知识掌握状态，从而预测学生未来的答题情况。深度知识追踪能够自动捕捉相似题目之间的知识点关联。从而根据学生对知识点的掌握状态和知识点重要程度建立知识点目标函数，从而获得试题的优化试题库，优化试题库是针对每一个学生对知识点掌握的程度和知识点重要程度的值对试题库的试题进行筛选后的学生需要巩固的知识点相关的试题库，剔除了部分学生暂时不需要再继续巩固的知识点相关的试题。遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。本方法可以使用学生的优化试题库库作为遗传算法的初始种群，采用遗传算法模型，可以计算并输出适应度值最高的个体，得到针对学生薄弱知识点的最适合学生巩固知识的试卷，有效提高学生的学习效率。并且在学生完成答题后，能够及时根据学生本次对知识点相关试题的答题结果，使用训练好的dkt模型更新知识点状态，获得新的优化试题库，作为下一次组卷的初始种群。
29.具体步骤包括：
30.s01：构建知识点库、试题库、优化试题库、试卷模板库，用于存储知识点、与知识点相关的试题以及试卷模板；
31.s02：采集学生每次考试、练习题的历史数据；
32.s03:根据学生学习的知识点的历史数据进行one-hot编码，输入到训练好的dkt模型中，输出学生对知识点的掌握水平预测值；
33.s04:根据s03获得的知识点掌握程度预测值和知识点的重要程度建立知识点目标函数，根据试题库产生适合该学生的优化试题库；
34.s05:使用遗传算法模型对个体适应度值进行优化，输出适应度值最高的个体，即就是最适合的个性化试卷，推送给学习者；
35.s01步骤、内容包括：构建知识点库，按照年级不同划分不同年级的知识点库，知识点库内包含知识点信息及知识点重要程度；构建试题库，试题库内包含试题及试题信息，包括试题难度、关联知识点、试题题目答案等；构建优化试题库，为不同的学生根据年级、知识点掌握情况等信息构建基于试题库优化的试题库，根据学生的知识点掌握情况和知识点重要程度剔除试题库中暂时不需要再继续巩固的知识点相关试题，学生年级变化时可向试题库中新增相关试题；构建试卷模板库，根据不同测试应用场景及年级、学科，构建试卷模板库，每套试卷模板中有明确的题型、题量、试题分值等信息。
36.s02步骤、内容包括：其中学生的答题数据包括：答题时间、所有试题、试题分数等信息。
37.s03步骤、内容包括：如图2所示，知识点掌握水平预测模型是对输入向量序列x1
…
xt，通过计算一系列“隐藏”状态h1
…
ht，到输出向量序列y1
…
yt的映射过程。它可以看作是对过去观测的相关信息的连续编码。其中x为学生的答题记录，通过学生回答的题目和该题目的正误计算，将x作为one-hot encoding，将每个one-hot向量通过embedding转为一个维
度小得多的向量，这样每道题目就可以初始化为一个随机的低维向量表征，在之后的数据集上进行训练。使用经过预处理的数据作为dkt模型的输入数据，训练并保存知识点预测模型；通过将用户做题历史记录输入该预测模型，实时预测用户的知识点掌握水平。使用深度知识追踪算法的优点是能够根据每次答题更新知识点状态，只需要保存上一个知识点状态，不需要重复计算。
38.s04步骤、内容包括：根据s03获得的知识点掌握程度预测值和知识点的重要程度建立知识点目标函数，根据试题库生成优化试题库。根据知识点目标函数从题库中抽取符合要求的试题，通过此步骤剔除部分已经掌握的暂时不需要继续巩固的知识点的相关试题，从而生成只含有需要学生继续巩固的知识点的相关试题的优化试题库。
39.s05步骤、内容包括：根据图3的遗传算法图解，包括以下步骤：
40.(1)初始化：设置试题数目、初始种群(优化试题库)、和遗传算法需要的每份试卷的基因位数、基因变异概率以及当前遗传代数；
41.(2)计算个体适应度：公式为：f＝1-(1-m/n)*f1-|ep-p|*f2，其中m/n为知识点覆盖率，ep为期望难度系数，p为种群个体难度系数，f1为知识点分布的权重，f2为难度系数所占权重，f1由知识点掌握程度及重要程度等因素决定。当f1＝0时试卷只限制试题难度系数，当f2＝0时试卷只限制知识点分布。
42.(3)进化种群：通过选择、交叉、变异等函数产生一群更适合环境的个体，使群体进化到优化实体库中越来越好的区域。
43.(4)终止判断：达到条件后停止迭代，将最终种群中的个体再进行一次适应度计算，将个体适应度从大到小进行排序，输出适应度值最高的试卷个体，即最合适的个性化试卷推送给学生。
44.以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。