基于深度学习和符号回归的导学策略生成方法及系统

本发明涉及人工智能，尤其涉及一种基于深度学习和符号回归的导学策略生成方法及系统。

背景技术：

1、导学策略是指计算机根据学习者的实际情况，有目的、有计划、有组织地引导学习者主动、热情、高效地投入学习的一种教学过程系统。其最终目的是让学习者按照导学策略学会知识，提高学习者自主获取知识的各种能力。

2、目前，导学策略主要分为两种，一种是基于教学规则生成导学策略，虽然可解释化强，但是这种导学策略个性化不足，效果不佳；另一种是基于数据驱动生成的导学策略，虽然个性化较强，可以根据目标学习者的学习情况生成适用于该目标学习者的导学策略，但是这种方式所生成的导学策略的过程属于黑箱，不可解释，无法对目标学习者的导学策略过程进行可视化展示，也无法对导学策略的生成过程进行直观详细的解释。

技术实现思路

1、本发明提供一种基于深度学习和符号回归的导学策略生成方法及系统，用以解决导学策略的生成过程存在不可解释的问题。

2、一方面，本发明提供了一种基于深度学习和符号回归的导学策略生成方法，所述方法包括：

3、获取当前学习者在学习平台上的的训练日志数据；

4、将所述训练日志数据输入至预先建立的深度回归模型中，输出当前学习者的训练日志数据的关键特征和与所述关键特征对应的知识点掌握度；其中，所述深度回归模型是基于多组学习者的训练日志样本数据，利用神经网络模型训练完成的；

5、利用符号回归算法将当前学习者的所述关键特征和所述知识点掌握度表示为符号化方程，并将所述符号化方程进行整合，得到符号化模型，以生成当前学习者的导学策略。

6、进一步的，一组学习者的训练日志样本数据的获取包括：基于一个学习者的多次训练对应得到的多个训练样本数据，并对多个训练样本数据进行排序。

7、进一步的，所述多组学习者的训练日志样本数据为多个学习者在技能训练学习平台上进行自然训练所生成的数据集。

8、进一步的，所述深度回归模型的得到方法包括：

9、对于任一学习者的训练日志样本数据，将前n次的训练样本数据输入到所述深度回归模型，得到第n+1次的预测知识点掌握度；

10、当所述预测知识点掌握度与学习者在第n+1次训练中所获得的实际知识点掌握度之间的误差小于预设阈值，则表示所述神经网络模型训练完毕，得到所述深度回归模型。

11、进一步的，所述关键特征的得到方法包括：

12、利用所述深度回归模型提取多组训练日志样本数据中的行为特征，对所述行为特征进行筛选，得到所述关键特征。

13、进一步的，所述筛选包括：

14、利用所述深度回归模型对所述行为特征进行特征重要度计算，将所述特征重要度大于设定阈值的行为特征作为所述关键特征。

15、进一步的，所述深度回归模型基于训练日志样本数据建立行为特征、知识点掌握度和训练得分值的关系，具体包括将所述深度回归模块划分为：

16、特征编码模块，用于提取多组训练日志样本数据中的行为特征，并对所述行为特征进行编码，得到编码序列特征；

17、知识点掌握度模块，用于基于所述编码序列特征得到学习者的知识点掌握度；

18、预测模块，用于基于所述知识点掌握度得到对应训练样本数据的得分值。

19、进一步的，对所述行为特征进行编码包括：

20、从学习者的基本特征、练习特征和调度特征三个维度构造行为特征的编码；

21、将训练样本数据对应的练习特征进行加权求和，得到训练日志样本数据的整体特征；

22、将所述基本特征、整体特征和调度特征连接起来，得到编码序列特征。

23、进一步的，所述预测模块包括三参数irt模型。

24、另一方面，本发明还提供了一种基于深度学习和符号回归的导学策略生成系统，该系统至少包括训练日志数据采集模块、神经网络训练模块、符号回归算法模块，用于执行上述任一项所述方法的步骤。

25、总体而言，通过本发明所构思的技术方案，与现有技术相比能够取得下列有益效果：

26、（1）本发明提供一种基于深度学习和符号回归的导学策略生成系统，利用深度学习模型和符号回归算法从训练日志样本数据中学习符号行为模式，通过利用大规模的训练日志样本数据，直接发现技能习得中的隐含模式；借助大数据范式，结合了深度学习和符号回归算法的优势，基于符号化模型将导学策略的生成过程进行可视化，可以更好的分析导学策略生成过程，并对导学策略进行优化，更深入的了解学习者的学习过程，为学习者生成更合适、更个性化的导学策略。

27、（2）本发明提供一种基于深度学习和符号回归的导学策略生成系统，其符号化模型稳健性好、有效性强，不仅避免了人为主观因素影响；而且使实验数据的拟合精度高和可解释性强，通过从复杂的训练日志数据中提取关键模式并将其转化为可读的形式，增强了底层规则的理解和可用性，使得更为精准的生成导学策略，并可以对导学策略生成过程进行可视化分析，更有利于使用者对导学策略的理解和分析，进而优化智能教育系统的导学策略。

28、（3）本发明提供一种基于深度学习和符号回归的导学策略生成系统，引入了“大数据”范式来研究人类行为中的模式和规律，利用自然发生的数据集来挖掘潜在的心理模式和规则。一方面，所利用的实验数据量庞大，通过获取在线训练学习平台中所累积的大量训练日志样本数据，能够提供对认知研究范围之外的新模式或现象的洞察，使获取的行为特征也更多，从而得到人们所不知道的潜在因素；另一方面，庞大的实验数据来自更真实的环境，不受人为受控实验的操作，使得相应的结论往往更具适用性和普遍性，且大规模自然发生的数据集通常会带来更强的发现，使得生成的导学策略更为可靠。此外，本发明从自然发生的数据集中识别潜在的技能并获取定律，为心理学相关研究提供突破性证据，并提升了直接从自然发生的数据集中发现符号控制定律以生成导学策略的能力。

29、（4）本发明提供一种基于深度学习和符号回归的导学策略生成系统，利用符号回归算法发现最符合给定数据集的数学表达式或方程。一方面，与依赖预定义函数形式的传统技术不同，本发明利用符号回归算法，通过组合各种数学运算、函数和变量来搜索最优数学表达式；可以有效地从数据中发现模式以生成导学策略，避免利用人为经验获取结果，使生成的导学策略更为客观。另一方面，与其他机器学习算法相比，本发明通过符号回归算法建立符号化模型，提高了导学策略的生成过程的可解释性和可读性，为研究人员分析和优化导学策略的生成过程提供了新思路。此外，作为一种基于搜索的算法，符号回归算法可以保证在搜索空间内获得最优结果，使得在揭示技能习得模式或行为科学中应用广泛。

30、（5）本发明提供一种基于深度学习和符号回归的导学策略生成系统，利用深度学习模型从大规模训练日志数据中提取行为特征，并得到知识点掌握度，可以更为全面的得到多个变量，避免了因为人为设定行为特征的局限性；此外，利用深度学习模型判断输入的哪些行为特征对预测是有用的，使得可以只将关键特征和对应的知识掌握度利用符号回归算法去学习，缓解了符号回归算法中的组合爆炸问题，极大地减小解空间，提高了符号化模型的稳定性与性能，在一定程度上提高了导学策略的生成效率。