(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
专利 一种基于多模型的学情分析方法
文档预览
中文文档
13 页
50 下载
1000 浏览
0 评论
0 收藏
3.0分
温馨提示:本文档共13页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 SC 于 2024-02-18 22:26:37上传分享