(19)中华 人民共和国 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 202111263507.2 (22)申请日 2021.10.28 (71)申请人 华中师范大学 地址 430079 湖北省武汉市洪山区珞喻路 152号 (72)发明人 王志锋　严文星　王艳凤　左明章　 罗恒　闵秋莎　董石　田元　夏丹　 叶俊民　 (74)专利代理 机构 北京金智普华知识产权代理 有限公司 1 1401 代理人 张晓博 (51)Int.Cl. G06N 20/00(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06Q 50/20(2012.01) (54)发明名称 多模态的统一智能学习诊断建模方法、 系 统、 介质、 终端 (57)摘要 本发明属于教育大数据挖掘技术领域， 公开 了一种多模态的统一智能学习诊断建模方法、 系 统、 介质、 终端， 通过构建多通道的认知诊断模 型， 对学习者进行初步诊断， 对学习资源进行参 数估计， 得到学习资源参数集与学习者参数集； 对学习资源与学习者进行建模， 获取深度表征特 征； 引入自注 意力机制对学习者特征与学习资源 特征进行融合； 将融合特征作为用来预测学习者 表现情况的数据基础， 构建学习者表现预测网络 得到对学习者作答正确概率的预测值； 通过学习 者与练习题目的特征信息诊断学习者的总体知 识点掌握情况， 获取练习题目的参数表征。 本发 明有利于融合多通道认知诊断模 型的优点， 并设 计神经网络对 学习者进行智能学习诊断， 具有可 扩展性。 权利要求书4页 说明书18页 附图3页 CN 113902129 A 2022.01.07 CN 113902129 A 1.一种多模态的统一智能学习诊断建模方法， 其特征在于， 所述多模态的统一智能学 习诊断建模方法包括以下步骤： 步骤一， 基于学习者历史学习记录及学习资源信息， 构建多通道的认知诊断模型， 形成 可扩展的诊断框架； 在此框架内对学习者进 行初步诊断， 并对 学习资源进 行参数估计， 得到 学习资源参数集与学习者 参数集； 步骤二， 结合深度自编码器以构建学习者特征表征网络与学习资源特征表征网络， 基 于原始参数集分别对学习资源与学习者进行建模， 并获取深度表征 特征； 步骤三， 引入自注意力机制对学习者特征与学习资源特征进行融合， 挖掘各维度特征 间的相关性及重要程度信息， 根据不同重要程度予以不同权值， 对最有效的部分特征予以 更多关注； 步骤四， 将融合特征作为用来预测学习者表现情况的数据基础， 构建学习者表现预测 网络得到对学习者作答正确概率的预测值； 通过学习者与练习题目的特征信息诊断学习者 的总体知识点掌握情况， 获取练习题目的参数表征。 2.如权利要求1所述的多模态的统一智能学习诊断建模方法， 其特征在于， 步骤一中， 所述基于学习者历史学习记录及学习资源信息， 构建多通道的认知诊断模型， 形成可扩展 的诊断框架； 在此框架内对学习者进 行初步诊断， 并对学习资源进 行参数估计， 得到学习资 源参数集与学习者 参数集， 包括： (1)构建学习资源集 合与学习者历史学习数据集 合： S＝{s1， s2， ...， sN} E＝{e1， e2， ...， eM} K＝{k1， k2， ...， kL}； 其中， S为学习者 集合， E为练习题目集 合， K为知识点 集合； (2)用答题矩阵R记录学生历史答题结果， 每一行表示一个学生， 每一列表示一道习题； 如果学生s答对习题e， 则Rse＝1， 否则Rse＝0； 用习题‑知识点矩阵Q表示习题和所考察的知 识点之间的关系， 每一行表示一道题目， 每一列表示一个知识点； 如果习题e考察知识点k， 则Qek＝1， 否则Qek＝0； (3)构建多通道认知诊断模型， 利用Q矩阵和R矩阵， 估计学习者及学习资源参数， 得到 原始参数表征信息， 并据此构建学习者及学习资源参数集； 其中， 所述参数包括： 学习者的知识点掌握情况， 整体能力水平参数， 练习题目的难度、 区分度、 猜测率和失误 率； 所述学习者 参数集、 学习资源参数集定义 为： STUDENT＝{SF1， SF2， ...， SFn} EXERCISE＝{EF1， EF2， ...， EFm}； 其中， SFi代表学习者的某项特 征参数， EFj代表学习资源的某项特 征参数。 3.如权利要求1所述的多模态的统一智能学习诊断建模方法， 其特征在于， 步骤二中， 所述结合深度自编 码器以构建学习者特征表征网络与学习资源特征表征网络， 基于原始 参 数集分别对学习资源与学习者进行建模， 并获取深度表征 特征， 包括： (1)对学习者及学习资源参数进行预处理； 先对所有参数分别进行分段处理， 将连续的 参数值按其大小映射为若干离散值， 再采用One ‑Hot方式编码， 生 成学习者及学习资源参数权　利　要　求　书 1/4 页 2 CN 113902129 A 2向量： studentF＝(SF1， SF2， ...， SFn) exerciseF＝(EF1， EF2， ...， EFm)； 其中， SFi为学习者的某项参数经过One ‑Hot编码得到的特征向量； EFj为学习资源的某 项参数经过One‑Hot编码得到的特 征向量； (2)设计学习者特征深度自编码器， 由一个编码器与一个解码器构成， 编码器把高维输 入编码成低 维的隐变量， 学习最具信息量的特征； 解码器把隐藏层的隐向量还原到初始维 度， 最佳状态就是解码器的输出能够完全地或者近似恢复为原来的输入， 从而使隐向量表 征输入信息， 并达 到降维作用； (3)设计学习资源特征深度自编码器， 所述学习资源特征深度自编码器的组成结构与 学习者特 征深度自编码器 类似。 4.如权利要求3所述的多模态的统一智能学习诊断建模方法， 其特征在于， 步骤(2)中， 所述利用深度自编码器获取隐特 征向量， 包括： 2.1)构建编码器获取隐层学习者特 征向量： studentH1＝g(Ws1×studentF+bs1) studentH2＝g(Ws2×studentH1+bs2)； 其中， g为tanh 激活函数， Ws1， Ws2是编码层节点权 重参数， bs1， bs2为相应的偏置参数； 2.2)构建解码器完成对编码特 征的解码， 得到 输入特征的重构特 征： studentD1＝g(Ws3×studentH2+bs3) studentD2＝g(Ws4×studentD1+bs4)； 其中， g为tanh 激活函数， Ws3， Ws4是解码层节点权 重参数， bs3， bs4为相应的偏置参数； 2.3)提取隐层的特 征向量studentH2作为学习者深度表征 特征； 步骤(3)中， 所述设计学习资源特 征深度自编码器， 包括： 3.1)构建编码器获取隐层学习者特 征向量： exerciseH1＝g(We1×exerciseF+be1) exerciseH2＝g(We2×exerciseH1+be2)； 其中， g为tanh 激活函数， We1， We2是编码层节点权 重参数， be1， be2为相应的偏置参数； 3.2)构建解码器完成对编码特 征的解码， 得到 输入特征的重构特 征： exerciseD1＝g(We3×exerciseH2+be3) exerciseD2＝g(We4×exerciseD1+be4)； 其中， g为tanh 激活函数， We3， We4是解码层节点权 重参数， be3， be4为相应的偏置参数； 3.3)提取隐层的特 征向量exerciseH2作为学习资源深度表征 特征。 5.如权利要求1所述的多模态的统一智能学习诊断建模方法， 其特征在于， 步骤三中， 所述引入自注意力机制对学习者特征与学习资源特征进行融合， 挖掘各维度特征间的相关 性及重要程度信息， 根据不同重要程度予以不同权值， 对最有效的部 分特征予以更多关注， 包括： (1)拼接学习者与练习题目两个维度的特 征： F＝{studentD2， exerciseD}； (2)结合自注意力机制对学习者与练习题目特征进行有效地融合； 其中， 所述结合自注权　利　要　求　书 2/4 页 3 CN 113902129 A 3