(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211126422.4 (22)申请日 2022.09.16 (71)申请人 北京师范大学 地址 100875 北京市海淀区新 街口外大街 19号 (72)发明人 卢宇　夏雪莹　陈鹏鹤　余胜泉　 (74)专利代理 机构 北京京万通知识产权代理有 限公司 1 1440 专利代理师 许天易 (51)Int.Cl. G06F 16/35(2019.01) G06F 40/30(2020.01) G06N 5/02(2006.01) G06Q 10/06(2012.01) G06Q 50/20(2012.01) (54)发明名称 一种基于多模型的学情分析方法 (57)摘要 本发明提出一种基于多模型的学情分析方 法， 包括： S2.选取知识点下的测试题目进行测 试， 获取用户的作答情况数据， 结合测试题目对 应的学科能力、 题目类型、 题目易错点等特征信 息， 解析测试数据的多维度语义向量； S3.基于生 成的多维度语义向量， 利用复合预测模型， 进行 学情分析。 本发 明提供的学情分析基于复合预测 模型进行集成学习， 能够有效处理在线测试场景 中的学情分析方法对多模型学习算法忽略和学 情分析维度考虑不全的问题。 权利要求书2页 说明书9页 附图1页 CN 115455186 A 2022.12.09 CN 115455186 A 1.一种基于多模型的学情信息分析 方法， 其特 征在于， 包括以下步骤： S2.选取知识点下的测试题目对用户进行测试， 获取用户的作答情况数据， 结合测试题 目的特征信息， 获取测试题目的多维度语义向量； S3.将所述多维度语义向量输入复合预测模型， 获得用户对知 识点的掌握程度YA和知识 点下学科能力掌握情况YB。 2.根据权利要求1所述的学情信 息分析方法， 其特征在于， 所述特征信 息包括学科能力 层级、 题目类型、 题目易 错点层级。 3.根据权利要求2所述的学情信 息分析方法， 其特征在于， 所述测试题目的多维度语义 向量的获取 方法包括： S21、 根据用户的作答数据计算测试题目对应的知识点层级的作答得分率， 并将所述作 答得分率 转换为用户作答情况 特征向量； 所述作答得分率的计算公式为： S22、 计算测试题目的学科能力层级得分率， 并将所述测试题目的学科能力层级得分率 转换为学 科能力层级特 征向量； 所述学 科能力层级得分率的计算公式为： S23、 通过关键词识别测试题目的题目类型， 计算题目类型得分率， 并将所述题目类型 得分率转换为题目类型 特征向量； 所述题目类型 得分率的计算公式为： S24、 计算测试题目的题目易错点层级得分率， 并将所述题目易错点层级得分率转换为 题目易错点层级特 征向量； 所述题目易 错点层级得分率的计算公式为： S25、 将特 征向量拼接形成测试题目的多维度语义特 征向量。 4.根据权利要求2所述的学情信 息分析方法， 其特征在于， 题目易错点层级表征了题目 容易出错的原因， 包括三个维度： 概念理解不透、 思维方法欠缺和解答能力不 足， 其中， 概念 理解不透包括E010101知识点掌握不好、 E010102知识结构化缺乏； 思维方法欠缺包括 E020101思维方法欠缺、 E020201审题不清、 E02 0202信息提取与转换能力较弱、 E020301问题 猜想与假设、 E020302数学建模； 解答能力 不足包括E030101运算能力较弱、 E030201解答步 骤不完整、 E 030202书写不规范。 5.根据权利要求2所述的学情信 息分析方法， 其特征在于， 所述复合预测模型包括单层 或者多层结构神经网络模型、 K ‑近邻模型、 随机森林模型以及逻辑回归模型， 复合预测模型 的输出为 其中P(k)是复合预测模型对第k级 掌握程度的预测概率， P (k,i)是第i个预测模型对第k级掌握程度的预测概率， Wi是第i个预测模型所占的权重值,m 为预测模型的数量。 6.根据权利要求5所述的学情信息分析方法， 其特征在于， 权值Wi根据单个预测模型的权　利　要　求　书 1/2 页 2 CN 115455186 A 2准确率的比例然后归一 化进行确定 。 7.根据权利要求1所述的学情信息分析 方法， 其特 征在于， 还 包括： S1、 将测试题目与带有属性标注 的题目预处理后形成的语义向量输入孪生网络模型， 生成测试题目的属性层级。 8.根据权利要求1所述的学情信 息分析方法， 其特征在于， 所述孪生网络包括编码层与 输出层， 其中， 编码层利用BERT模 型生成测试题目和带有属性标注的题目的语义向量； 输出 层对所述语义向量进 行余弦相似度计算， 以此为权重， 针对每个属性的层 级进行求和计算， 概率最大的属性层级即为测试题目的属性层级。 9.根据权利要求1所述的学情信息分析 方法， 其特 征在于， 还 包括： S4、 重复步骤S2、 S3， 获取多个知识点下的学 科能力掌握情况YBi， i表示第几个知识点； S5、 根据知识点i的重要度、 是否为必测点、 知识点权重计算学科整体掌握程度评分， 根 据预定的阈值判断得 出学科能力的整体掌握程度。 10.根据权利要求9所述的学情信息分析方法， 其特征在于， 所述学科整体掌握程度评 分G的公式为： G＝∑ai(wihi+witi) 其中， hi表示知识点i的重要度， ti表示知识点i是否属于必测点， ai表示知识点i的权 重。权　利　要　求　书 2/2 页 3 CN 115455186 A 3