本发明涉及教育数据挖掘技术领域，尤其涉及一种学生认知状态的确定方法及系统。
背景技术：
认知诊断时使用教育领域专家所提出的诊断方法，根据学生的答题记录进行分析的过程。传统教育中的考试通常是由一组学生参加，考试的过程中每个学生回答的是同样的试题。教育领域的专家已经提出了许多针对单次考试结果的认知诊断方法，这些方法可以诊断出学生的学习状态以及学生和试题的交互。对学生认知状态的准确诊断可以有效的帮助学生、教师了解学生的学习情况，同时可以辅助制定个性化学习策略。
发明人对现有的学生的认知状态的确定方法进行研究发现，学生认知状态与作答试题的试题参数相关联，不同的试题对应的试题参数不同，因此，认知状态的确定都是针对单一的考试或练习的学生认知状态进行确定，然而，对于没有参加同一场考试或做过相同试题的学生，由于每次考试的试题参数是独立的，得到的认知状态之间是无法相互比较的。
技术实现要素：
有鉴于此，本发明提供了一种学生认知状态的确定方法，用以解决现有技术中对于没有参加同一场考试或做过相同试题的学生，得到的认知状态之间是无法相互比较的问题。具体方案如下：
一种学生认知状态的确定方法，包括：
获取各个学生针对不同的试题信息进行作答组成的答题信息集，所述答题信息集中包括每一个学生的答题记录以及其对应的试题信息；
依据所述答题信息集在预设的认知诊断模型中获取所述答题信息集对应的试题参数子集；
依据预设的修正方法，对所述试题参数子集进行修正，得到第一试题参数子集；
将所述第一试题参数子集与所述预设的认知诊断模型中的对应项进行替换，得到第一认知诊断模型；
依据所述第一认知诊断模型，确定与所述各个学生对应的目标认知状态子集。
上述的方法，可选的，还包括：
依据所述第一试题参数子集、所述目标认知状态子集和所述第一认知诊断模型确定所述各个学生对于所述答题信息集中各个试题信息作答正确的概率值。
上述的方法，可选的，依据所述答题信息集在预设的认知诊断模型中获取所述答题信息集对应的试题参数子集包括：
选取与所述各个学生对应的初始认知诊断维度，对所述初始认知诊断维度进行初始化，得到初始认知状态；
获取与所述各个学生对应的初始试题参数；
在所述答题信息集中选取与所述各个学生对应的答题记录；
将所述初始认知状态和所述初始试题参数传递到所述预设的认知诊断模型中，依据所述答题记录，确定所述答题信息集对应的试题参数子集。
上述的方法，可选的，依据预设的修正方法，对所述试题参数子集进行修正，得到第一试题参数子集包括：
依据所述答题信息集中的各个试题信息和所述试题参数子集对与所述答题信息集对应的试题映射矩阵进行初始化，得到第一试题映射矩阵；
依据与所述第一试题映射矩阵存在关联关系的优化函数，对所述第一试题映射矩阵进行优化，得到第二试题映射矩阵；
将所述第二试题映射矩阵传递给预设的修正函数对所述试题参数子集进行修正，得到第一试题参数子集。
上述的方法，可选的，依据与所述第一试题映射矩阵存在关联关系的优化函数，对所述第一试题映射矩阵进行优化，得到第二试题映射矩阵包括：
解析与所述第一试题映射矩阵存在关联关系的优化函数中包含的损失项和正则化项；
依据梯度下降法调整所述第一试题映射矩阵，使得所述损失项和所述正则化项的取值最小时，所述优化函数中关联的为第二试题映射矩阵。
一种学生认知状态的确定系统，包括：
第一获取模块，用于获取各个学生针对不同的试题信息进行作答组成的答题信息集，所述答题信息集中包括每一个学生的答题记录以及其对应的试题信息；
第二获取模块，用于依据所述答题信息集在预设的认知诊断模型中获取所述答题信息集对应的试题参数子集；
修正模块，用于依据预设的修正方法，对所述试题参数子集进行修正，得到第一试题参数子集；
替换模块，用于将所述第一试题参数子集与所述预设的认知诊断模型中的对应项进行替换，得到第一认知诊断模型；
第一确定模块，用于依据所述第一认知诊断模型，确定与所述各个学生对应的目标认知状态子集。
上述的系统，可选的，还包括：
第二确定模块，用于依据所述第一试题参数子集、所述目标认知状态子集和所述第一认知诊断模型确定所述各个学生对于所述答题信息集中各个试题信息作答正确的概率值。
上述的系统，可选的，所述第二获取模块包括：
第一选取单元，用于选取与所述各个学生对应的初始认知诊断维度，对所述初始认知诊断维度进行初始化，得到初始认知状态；
获取单元，用于获取与所述各个学生对应的初始试题参数；
第二选取单元，用于在所述答题信息集中选取与所述各个学生对应的答题记录；
确定单元，用于将所述初始认知状态和所述初始试题参数传递到所述预设的认知诊断模型中，依据所述答题记录，确定所述答题信息集对应的试题参数子集。
上述的系统，可选的，所述修正模块包括：
初始化单元，用于依据所述答题信息集中的各个试题信息和所述试题参数子集对与所述答题信息集对应的试题映射矩阵进行初始化，得到第一试题映射矩阵；
优化单元，用于依据与所述第一试题映射矩阵存在关联关系的优化函数，对所述第一试题映射矩阵进行优化，得到第二试题映射矩阵；
修正单元，用于将所述第二试题映射矩阵传递给预设的修正函数对所述试题参数子集进行修正，得到第一试题参数子集。
上述的系统，可选的，所述优化单元包括：
解析子单元，用于解析与所述第一试题映射矩阵存在关联关系的优化函数中包含的损失项和正则化项；
确定子单元，用于依据梯度下降法调整所述第一试题映射矩阵，使得所述损失项和所述正则化项的取值最小时，所述优化函数中关联的为第二试题映射矩阵。
与现有技术相比，本发明包括以下优点：
本发明公开了一种学生认知状态的确定方法，包括：获取各个学生针对不同的试题信息进行作答组成的答题信息集；依据所述答题信息集在预设的认知诊断模型中获取所述答题信息集对应的试题参数子集；依据预设的修正方法，对所述试题参数子集进行修正，得到第一试题参数子集；将所述第一试题参数子集与所述预设的认知诊断模型中的对应项进行替换，得到第一认知诊断模型；依据所述第一认知诊断模型，确定与所述各个学生对应的目标认知状态子集。上述方法，通过对试题参数子集进行修正，得到第一认知诊断模型，依据所述第一认知诊断模型，实现对于没有参加同一场考试或做过相同试题的学生的认知状态进行比较。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种学生认知状态确定方法流程图；
图2为本申请实施例公开的一种学生认知状态确定方法又一方法流程图；
图3为本申请实施例公开的一种学生认知状态确定系统结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
本发明提供了一种学生认知状态的确定方法，所述方法应用在教育数据挖掘技术领域中多场独立的考试中学生认知状态的确定过程中，所述确定方法的执行主体可以为学生认知状态处理终端中的处理器或者控制器等，所述确定方法的执行流程如图1所示，包括步骤：
s101、获取各个学生针对不同的试题信息进行作答组成的答题信息集，所述答题信息集中包括每一个学生的答题记录以及其对应的试题信息；
本发明实施例中，获取各个学生针对不同的试题信息进行作答组成的答题信息集，其中，各个学生作答的试题信息中，至少有一个与其它的试题信息不同，学生和答题信息之间存在对应关系。
s102、依据所述答题信息集在预设的认知诊断模型中获取所述答题信息集对应的试题参数子集；
本发明实施例中，分别将所述答题信息集中的各个答题记录传递到预设的认知诊断模型中，采用马尔科夫蒙特卡洛mcmc算法，获取与所述答题信息集对应的试题参数子集，其中，所述试题参数子集中的每一个试题参数包括试题区分度参数和试题难度参数。
s103、依据预设的修正方法，对所述试题参数子集进行修正，得到第一试题参数子集；
本发明实施例中，通过对预设的所述试题参数子集中各个试题参数存在关联关系的优化函数进行优化，实现对所述试题参数子集中的各个试题参数进行修正，得到第一试题参数子集。
s104、将所述第一试题参数子集与所述预设的认知诊断模型中的对应项进行替换，得到第一认知诊断模型；
本发明实施例中，将修正得到的所述第一试题参数子集与所述预设的诊断模型中的所述试题参数子集进行替换，将替换后的所述预设的认知诊断模型作为第一认知诊断模型。
s105、依据所述第一认知诊断模型，确定与所述各个学生对应的目标认知状态子集。
本发明实施例中，分别将所述各个学生的答题记录传递到所述第一认知诊断模型，计算得到所述各个学生相对于所述答题信息集的目标认知状态子集。
本发明实施例中，还包括：依据第一试题参数子集、所述目标认知状态子集和所述第一认知诊断模型确定所述各个学生对于所述答题信息集中各个试题信息作答正确的概率值。
本发明公开了一种学生认知状态的确定方法，包括：获取各个学生针对不同的试题信息进行作答组成的答题信息集；依据所述答题信息集在预设的认知诊断模型中获取所述答题信息集对应的试题参数子集；依据预设的修正方法，对所述试题参数子集进行修正，得到第一试题参数子集；将所述第一试题参数子集与所述预设的认知诊断模型中的对应项进行替换，得到第一认知诊断模型；依据所述第一认知诊断模型，确定与所述各个学生对应的目标认知状态子集。上述方法，通过对试题参数子集进行修正，得到第一认知诊断模型，依据所述第一认知诊断模型，实现对于没有参加同一场考试或做过相同试题的学生的认知状态进行比较。
本发明实施例中，将根据单次考试的学生认知状态确定视为一个任务，通过对多个独立的任务进行同时的诊断分析，使得处于不同任务中的相似试题有相似的试题参数，在依据各个学生针对不同的试题信息进行作答组成的答题信息集中任意选取一个学生的答题信息进行建模，采用多任务学习的方法，对所述答题信息中的试题参数进行约束，获得受限的试题参数以及精确且具有可比较性的学生认知状态。在进行多任务学生认知诊断的过程中，有如下假设：
假设1：相似的试题应当具有相似的试题特征，例如题面文本、图片等。
假设2：不同任务中的相似试题应当具有相似的试题参数。
具体的方式包括：
s201、获取所述答题信息集中所述学生的答题记录和试题信息，根据单次考试的学生认知状态确定视为一个任务，确定所述答题信息集中任务数量；
确定多任务认知诊断工作当中所收集的任务数量t，每一个任务t＝1,2,...,t均包含对应的学生集合ut＝{ut1,ut2,...,utu}及试题集合vt＝{vt1,vt2,...,vtv}。其中tu为任务t中的学生数量，tv为任务t中的试题数量。收集每个任务中的学生答题记录y＝{y1,y2,...,yt}以及相对应的试题信息f＝{f1,f2,...,ft}。对于每一个任务t＝1,2,...,t，yt是大小为tu×tv的学生答题记录矩阵，ytuv为学生utu在试题vtv上的得分情况；ft是大小为tv×d的试题信息矩阵，矩阵的每一行ftv代表试题vtv对应的d维试题信息向量，其维度d由预处理的方式确定，如平均wordembeding方法、抽取one-hot特征方法等。初始知诊断维度m，即待诊断的学生能力维度，并使用随机数初始化所述初始认知诊断维度，得到所述学生的初始认知状态θ＝{θ1,θ2,...,θt}，对于每一个任务t＝1,2,...,t，θt是大小为m×tu的学生认知状态矩阵，矩阵的每一列θtu为一个学生的认知状态；最后，使用随机数初始化试题参数ξ＝{ξ1,ξ2,...,ξt}，ξt是大小为tv×m试题参数矩阵，矩阵的每一行ξtv表代表一道试题的参数，如试题难度、区分度等。
s202、根据获取到的所述学生答题信息，对每个任务进行认知诊断建模，获得所述学生认知状态向量及其对应的试题参数向量；
以mirt认知诊断模型为例，每一道试题vtv的试题参数向量可以表示为ξtv＝[αtv,βtv]，其中αtv是和学生认知状态维度相对应的试题区分度参数，βtv是单维的试题难度参数。
因此，在每一个任务t中，学生utu正确作答试题vtv的概率可以表示为：
其中，θtu是学生utu对应的认知状态向量，φ为已有的认知诊断方法的概率函数。使用所述mcmc估计方法，可以根据学生的答题记录，获得θtu、αtv和βtv的估计值。
s203、根据试题的试题信息对试题参数进行限制，从而不同任务中试题相近的试题有相似的参数。
依据所述试题信息和所述试题参数向量对与所述学生对应的试题映射矩阵进行初始化，得到第一试题映射矩阵w＝{w1,w2,...,wt}，对于每一个任务t＝1,2,...,t，wt是用来关联试题的试题信息ft和试题参数矩阵at＝(αt1,αt2,...,αtv)t，大小为d×m，且wt满足下式：
at＝ftwt(t＝1,2,...,t)(2)
在确定了所述第一试题映射矩阵wt的情况下，可以得到试题vtv的区分度向量αtv同试题信息向量ftv的关联，即可以使用试题信息向量与所述第一试题映射矩阵表示试题参数向量：
αtv＝ftvwt(3)
从而，在多任务认知诊断的过程中，学生utu正确作答试题vtv的概率可以表示为：
则有优化函数：
其中，yt是任务t的学生答题记录矩阵，
最小化上式，可以使得处于不同任务中的相似试题有相似的试题参数，并得到不同认知诊断任务中准确的学生认知状态。
使用梯度下降法对进行优化，有：
其中
在对所述第一试题映射矩阵w进行如上约束后，可以获得第二试题映射矩阵wt'，并根据所述第二试题映射矩阵wt'计算第一试题参数a't：
a't＝ftwt'(t＝1,2,...,t)(7)
从s203中对w的约束可以看出，更新后的试题参数a't＝(α't1,α't2,...,α'tv)t中，相似试题有相近的试题参数。
s204、依据所述第一试题参数子集中的每一个实体参数对与其对应的任务进行认知诊断，从而获得准确且具有可比较性的学生认知状态。
在获得了第一试题参数集a't＝(α't1,α't2,...,α'tv)t(t＝1,2,...t)后，根据公式(8)公式认知诊断公式，更新学生认知状态θtu，从而得到准确且具有可比较性的学生认知状态。
本发明实施例中，依据公式(8)，所述第一试题参数子集和所述目标认知状态子集，还可以确定，所述各个学生对于所述答题信息集中各个试题信息作答正确的概率值。
本发明实施例中，与上述的学生认知状态确定方法相对应的本发明还提供了一种学生认知状态确定系统，所述确定系统的结构框图如图3所示，包括：
第一获取模块301，第二获取模块302，修正模块303，替换模块304和第一确定模块305。
其中，
所述第一获取模块301，用于获取各个学生针对不同的试题信息进行作答组成的答题信息集，所述答题信息集中包括每一个学生的答题记录以及其对应的试题信息；
所述第二获取模块302，用于依据所述答题信息集在预设的认知诊断模型中获取所述答题信息集对应的试题参数子集；
所述修正模块303，用于依据预设的修正方法，对所述试题参数子集进行修正，得到第一试题参数子集；
所述替换模块304，用于将所述第一试题参数子集与所述预设的认知诊断模型中的对应项进行替换，得到第一认知诊断模型；
所述第一确定模块305，用于依据所述第一认知诊断模型，确定与所述各个学生对应的目标认知状态子集。
本发明公开了一种学生认知状态的确定系统，包括：获取各个学生针对不同的试题信息进行作答组成的答题信息集；依据所述答题信息集在预设的认知诊断模型中获取所述答题信息集对应的试题参数子集；依据预设的修正方法，对所述试题参数子集进行修正，得到第一试题参数子集；将所述第一试题参数子集与所述预设的认知诊断模型中的对应项进行替换，得到第一认知诊断模型；依据所述第一认知诊断模型，确定与所述各个学生对应的目标认知状态子集。上述系统，通过对试题参数子集进行修正，得到第一认知诊断模型，依据所述第一认知诊断模型，实现对于没有参加同一场考试或做过相同试题的学生的认知状态进行比较。
本发明实施例中，所述确定系统还包括：第二确定模块306。
其中，
所述第二确定模块306，用于依据所述第一试题参数子集、所述目标认知状态子集和所述第一认知诊断模型确定所述各个学生对于所述答题信息集中各个试题信息作答正确的概率值。
本发明实施例中，所述第二获取模块302包括：
第一选取单元307，获取单元308，第二选取单元309和确定单元310。
其中，
所述第一选取单元307，用于选取与所述各个学生对应的初始认知诊断维度，对所述初始认知诊断维度进行初始化，得到初始认知状态；
所述获取单元308，用于获取与所述各个学生对应的初始试题参数；
所述第二选取单元309，用于在所述答题信息集中选取与所述各个学生对应的答题记录；
所述确定单元310，用于将所述初始认知状态和所述初始试题参数传递到所述预设的认知诊断模型中，依据所述答题记录，确定所述答题信息集对应的试题参数子集。
本发明实施例中，所述修正模块303包括：
初始化单元311，优化单元312和修正单元313。
其中，
所述初始化单元311，用于依据所述答题信息集中的各个试题信息和所述试题参数子集对与所述答题信息集对应的试题映射矩阵进行初始化，得到第一试题映射矩阵；
所述优化单元312，用于依据与所述第一试题映射矩阵存在关联关系的优化函数，对所述第一试题映射矩阵进行优化，得到第二试题映射矩阵；
所述修正单元313，用于将所述第二试题映射矩阵传递给预设的修正函数对所述试题参数子集进行修正，得到第一试题参数子集。
本发明实施例中，所述优化单元312包括：
解析子单元314和确定子单元315。
其中，
所述解析子单元314，用于解析与所述第一试题映射矩阵存在关联关系的优化函数中包含的损失项和正则化项；
所述确定子单元315，用于依据梯度下降法调整所述第一试题映射矩阵，使得所述损失项和所述正则化项的取值最小时，所述优化函数中关联的为第二试题映射矩阵。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
最后，还需要说明的是，在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上对本发明所提供的一种学生认知状态的确定方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。