买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华东师范大学申请的专利一种基于学生知识状态和学习能力的知识追踪预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116205295B 。

龙图腾网通过国家知识产权局官网在2025-12-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310193276.5，技术领域涉及：G06N5/022；该发明授权一种基于学生知识状态和学习能力的知识追踪预测方法是由张钰波;何晓丰设计研发完成，并于2023-03-01向国家知识产权局提交的专利申请。

本一种基于学生知识状态和学习能力的知识追踪预测方法在说明书摘要公布了：本发明公开了一种基于学生知识状态和学习能力的知识追踪预测方法，具体包括：1根据历史做题记录，提取出学生在对应知识点上的学习能力；2结合学生能力信息，通过序列神经网络和自注意力网络对学生在各个时间步上的知识状态进行编码；3对待预测的题目，通过自注意力网络从历史时间步上提取出与预测题目对应的知识状态；4结合学生能力和知识状态，将其送入全连接网络预测学生的答题情况。本发明提出将学生学习能力融入到知识追踪模型之中，解决了现有模型只将学生的做题记录反馈为知识掌握程度的问题，通过对学生潜在学习能力的有效挖掘，可以提高知识追踪预测效果。

本发明授权一种基于学生知识状态和学习能力的知识追踪预测方法在权利要求书中公布了：1.一种基于学生知识状态和学习能力的知识追踪预测方法，其特征在于，该方法包括以下具体步骤： 步骤1：计算学生学习能力 1.1给定学生的做题记录χ＝{q1，r1，q2，r2，...，qT，rT}，对题目和题目-回答交互对进行编码，将t时间步的题目编码为： qt＝ct+μt·dt 其中qt是学生在t时间步所做题目，rt是学生答题情况，其值是0或1的二元变量，ct是题目qt所对应知识点的嵌入向量，μt是题目qt的难度向量，dt是题目qt所对应知识点的变化向量； 将题目回答交互对编码为： at＝et+μt·ft 其中et是题目回答交互对qt，rt的嵌入向量，μt是题目qt的难度向量，ft是题目回答交互对qt，rt的变化向量； 1.2对于每个时间步t，从历史做题记录中筛选出最近k次与题目qt具有相同知识点的练习记录，并将筛选得到的这k个题目记为其中μti是题目的难度向量，rti是学生答题情况； 1.3将k个练习记录输入门控循环网络即GRU中；其公式为： 其中是拼接操作，μti是中第i个题目的难度向量，rti是与μti具有相同维度的全1向量或全0向量；最终得到k个输出向量[m1，m2，...mk]，将mk作为学生在时间步t时刻的学习能力mt，即： mt＝mk 步骤2：知识状态编码 2.1每个学生对于题目的难度感受是不同的，如果学生的知识掌握水平已经达到了题目的要求，就会觉得该题目相对容易；而对于那些没有达到题目要求的学生来说，就会觉得该题目是困难的，定义学生的主观题目难度为： 其中tanh是tanh激活函数，σ是Sigmoid激活函数，和是可学习的权重参数，b1和b2是偏置向量；qt是题目qt的嵌入向量，ht-1是学生上一时刻的知识状态，是qt与ht-1的直接差值，是门控向量，用于保留或去除中的信息；最终通过得到学生在时间步t对于题目qt的主观题目难度sdt； 2.2对比学生的学习能力和主观题目难度，如果主观题目难度在学生的学习能力范围之内，那么学生就能理解题目中所包含的内容，能从该次做题中学到更多的知识；而如果主观题目难度超于学生现在的能力，那么学生在做完该题之后的收获会相应的更少一些；定义学生做完题目后的知识获取为： 其中tanh是tanh激活函数，σ是Sigmoid激活函数，和是可学习的权重参数，b3和b4是偏置向量；at是在t时间步题目-回答交互对的嵌入向量，mt是学生在时间步t关于题目qt所对应知识点的学习能力向量，是mt与sdt-1的直接差值，是门控向量，用于保留或去除中的信息，通过得到学生的知识获取程度kat；最终通过kat·at计算得到学生的知识获取 2.3将上一时刻的知识状态ht-1、t时刻获取的知识状态学生学习能力mt拼接起来输入全连接网络，通过门控机制完成知识状态的更新；其公式为： 其中表示拼接操作，是可学习的权重参数，b5是偏置向量，Γt是门控值，用于自适应的结合和ht-1，ht是当前t时刻学生的知识状态； 2.4使用多头注意力机制进一步计算不同时间步上知识状态的相关性，更新知识状态；其公式为： M＝NormQ+MultiHeadQ，K，V HE＝NormM+FFNM 其中M是中间输出值，HE是经过注意力机制后更新的知识状态，Norm是归一化操作，FFN是前馈神经网络，Q，K，V是输入注意力机制的向量，其值均为学生在各个时间步上的知识状态[h1，h2，...，hT]，MultiHeadQ，K，V是多头注意力；其公式为： MultiHeadQ，K，V＝[head1，…，headh]Wo 其中Wo，是可学习的权重参数，dk为Q中向量的维度； 步骤3：知识状态提取 3.1将题目序列输入门控循环网络即GRU中，获取题目序列的顺序和上下文信息；其公式为： pt＝GRUpt-1，qt 其中qt是题目qt的嵌入向量，pt是融合题目顺序和上下文信息的嵌入向量； 3.2根据多头注意力网络提取知识状态；其公式为： M1＝NormQ+MultiHeadQ，K，V M2＝NormHE+MultiHeadMi，M1，HE HD＝NormM2+FFNM2 其中M1和M2是中间输出值，Norm是归一化操作，FFN是前馈神经网络，Q，K，V是输入注意力机制的向量，其值均为步骤3.1中获得的[p1，p2，...，pT]，HE为步骤2.4中获得的知识状态，H＝[hd1，hd2，...，hdT]是最终提取到的知识状态，MultiHeadQ，K，V是多头注意力；其公式为： MultiHeadQ，K，V＝[head，...，head] 其中W是可学习的权重参数，d为Q中向量的维度； 步骤4：答题预测 4.1将t时刻提取到的知识状态hdt、学习能力m，与题目嵌入向量q拼接起来后输入全连接层进行预测；其公式为： 其中表示拼接操作，σ是Sigmoid激活函数，是可学习的权重参数，b是偏置向量，是预测的学生答对题目的概率。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华东师范大学，其通讯地址为：200241 上海市闵行区东川路500号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。