学习对象的认知分析方法及认知分析装置、电子设备

1.本发明涉及数据处理技术领域，具体而言，涉及一种学习对象的认知分析方法及认知分析装置、电子设备。


背景技术：

2.相关技术中，当前在线教育的不断发展，在线教育促进了学生学习资源的共享。当前在线教育方面，需要跟踪学生的认知过程和每类知识点的理解程度，如对于认知跟踪(kt)，旨在根据学生在不同时间的锻炼表现来追踪他们的认知，因此引起了极大的关注，当前常用的模型为贝叶斯认知跟踪模型(bkt)，该bkt模型主要是将学生的表现和认知状态构建为二值表示，其存在明显的弊端，该弊端包括：
3.弊端1)，对于二值化得分，无论针对主观题或客观题的得分，现有大部分bkt模型只能处理错误或正确的成绩(即0或1)，无法处理连续得分。但是，许多情况经常使用连续得分(例如，主观问题的分数和客观问题的综合分数)。
4.弊端2)，对于二值认知状态，其对学生认知状态评估的准确性较低。学生的二值认知状态限制了bkt模型来将学生认知的变化，只有两个认知状态：未知和已知(即0和1)。其实，连续的认知状态可以为学生提供更准确的度量。例如，学生(0，0，0，0，1，1，1，1)的二值认知序列表示学生在每个时间步的未知或已知认知状态，将学生的认知表示为已知/未知状态，忽略了人类学习过程中的部分已知的情况，限制了kt模型的应用范围(无法适用于主观题得分的场景)和在学习过程中对学生认知的评估准确性。
5.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

6.本发明实施例提供了一种学习对象的认知分析方法及认知分析装置、电子设备，以至少解决相关技术中的学生学习模型采用了二值化得分评估方式，对学生认知状态评估的准确性较低的技术问题。
7.根据本发明实施例的一个方面，提供了一种学习对象的认知分析方法，包括：获取所有学习对象在作答各类型习题时的多个连续得分集、多个模糊得分集以及多个模糊认知集，其中，每种类型习题对应一个知识点，每个所述连续得分集中包含有一个知识点的多个连续得分，所述模糊认知集包含有学习对象对所述知识点的掌握程度；分别基于每个所述连续得分集、多个所述模糊得分集以及多个模糊认知集，确定模糊隶属度分布图；基于多个所述模糊隶属度分布图，构建认知模型；采用所述认知模型，分析目标学习对象在作答同类知识点的习题时的得分。
8.可选地，获取所有学习对象在作答各类型习题时的多个连续得分集、多个模糊得分集以及多个模糊认知集的步骤，包括：初始化连续得分集、模糊得分集以及模糊认知集；获取所有学习对象在历史时间段中作答各类型习题时的得分数据；基于所述得分数据，分析每个所述学习对象在作答每个知识点的多个习题时的连续得分；综合每个所述学习对象
在作答所有知识点的各个习题时的连续得分，确定多个所述连续得分集。
9.可选地，获取所有学习对象在作答各类型习题时的多个连续得分集、多个模糊得分集以及多个模糊认知集的步骤，还包括：对每个所述学习对象的多个连续得分进行聚类处理，得到多个所述模糊得分集；基于每个所述学习对象在作答每个知识点的所有习题时的连续得分集，分析所述学习对象对每个知识点的连续认知值；对每个所述学习对象的多个连续认知值进行聚类处理，得到多个所述模糊认知集。
10.可选地，分别基于每个所述连续得分集、多个所述模糊得分集以及多个模糊认知集，确定模糊隶属度分布图的步骤，包括：采用第一公式计算连续得分隶属于模糊得分集的隶属度，并分析每个所述连续得分与所述模糊得分集之间的隶属度所服从的第一模糊隶属度分布图，其中，所述第一模糊隶属度分布图中数据对应有第一数据均值和第一数据标准差；采用第二公式计算连续认知值隶属于模糊认知集的隶属度，并分析每个连续认知值与模糊认知集之间的隶属度服从的第二模糊隶属度分布图，其中，所述第二模糊隶属度分布图中数据对应有第二数据均值和第二数据标准差；采用第三公式计算模糊得分集隶属于模糊认知集的隶属度，并分析每个所述模糊得分集和每个所述模糊认知集之间的隶属度服从的第三模糊隶属度分布图，其中，所述第三模糊隶属度分布图中数据对应有第三数据均值和第三数据标准差。
11.可选地，在确定模糊隶属度分布图之后，所述认知分析方法还包括：采用第四公式计算连续得分隶属于模糊认知集的隶属度，以确认失误数据和模糊得分数据；分析所述学习对象在面对每个知识点时的模糊认知集的转移概率，得到转移概率矩阵，其中，所述转移概率用于表征所述学习对象在理解每个知识点时的认知变化概率。
12.可选地，在基于多个所述模糊隶属度分布图，构建认知模型之后，所述认知分析方法还包括：在多个时间间隔下，分别计算每个学习对象作答与每个知识点关联的习题时的得分数据；基于所述得分数据，分别采用第一公式计算习题得分隶属于多个模糊得分集的第一隶属度，采用第三公式计算每个模糊得分集隶属于多个模糊认知集的第二隶属度，采用第四公式计算每个连续得分属于多个模糊认知集的第三隶属度，采用第二公式计算学习对象在各个时间间隔下的连续认知属于多个模数认知集的第四隶属度；基于所述第一隶属度、所述第二隶属度、所述第三隶属度和所述第四隶属度，更新所述目标学习对象对于每个知识点的多个认知参数，以训练所述认知模型。
13.可选地，采用所述认知模型，分析目标学习对象在作答同类知识点的习题时的得分的步骤，包括：采用所述认知模型和最大期望算法em，计算所述目标学习对象对于每个知识点的多个认知参数，其中，所述多个认知参数包括：转移概率、第一数据均值、第一数据标准差、第二数据均值、第二数据标准差、第三数据均值、第三数据标准差；在第一时间间隔下，采用第五公式计算学习对象对于多个模糊认知集的第一前向学习因子；在第一时间间隔之后的后续时间间隔下，采用第六公式计算学习对象对于多个模糊认知集的非第一前向学习因子；在最大时间间隔下，采用第七公式计算学习对象对于多个模糊认知集的第一后向学习因子；在最大时间间隔的其它前续时间间隔下，采用第八公式计算学习对象对于多个模糊认知集的非第一后向学习因子；基于所述第一前向学习因子、多个非第一前向学习因子、第一后向学习因子、多个非第一后向学习因子，分析目标学习对象在作答同类知识点的习题时的得分。
14.根据本发明实施例的另一方面，还提供了一种学习对象的认知分析装置，包括：获取单元，用于获取所有学习对象在作答各类型习题时的多个连续得分集、多个模糊得分集以及多个模糊认知集，其中，每种类型习题对应一个知识点，每个所述连续得分集中包含有一个知识点的多个连续得分，所述模糊认知集包含有学习对象对所述知识点的掌握程度；确定单元，用于分别基于每个所述连续得分集、多个所述模糊得分集以及多个模糊认知集，确定模糊隶属度分布图；构建单元，用于基于多个所述模糊隶属度分布图，构建认知模型；分析单元，用于采用所述认知模型，分析目标学习对象在作答同类知识点的习题时的得分。
15.可选地，所述获取单元包括：初始化模块，用于初始化连续得分集、模糊得分集以及模糊认知集；第一获取模块，用于获取所有学习对象在历史时间段中作答各类型习题时的得分数据；第一分析模块，用于基于所述得分数据，分析每个所述学习对象在作答每个知识点的多个习题时的连续得分；第一确定模块，用于综合每个所述学习对象在作答所有知识点的各个习题时的连续得分，确定多个所述连续得分集。
16.可选地，所述获取单元还包括：第一聚类模块，用于对每个所述学习对象的多个连续得分进行聚类处理，得到多个所述模糊得分集；第二分析模块，用于基于每个所述学习对象在作答每个知识点的所有习题时的连续得分集，分析所述学习对象对每个知识点的连续认知值；第二聚类模块，用于对每个所述学习对象的多个连续认知值进行聚类处理，得到多个所述模糊认知集。
17.可选地，所述确定单元包括：第一计算模块，用于采用第一公式计算连续得分隶属于模糊得分集的隶属度，并分析每个所述连续得分与所述模糊得分集之间的隶属度所服从的第一模糊隶属度分布图，其中，所述第一模糊隶属度分布图中数据对应有第一数据均值和第一数据标准差；第二计算模块，用于采用第二公式计算连续认知值隶属于模糊认知集的隶属度，并分析每个连续认知值与模糊认知集之间的隶属度服从的第二模糊隶属度分布图，其中，所述第二模糊隶属度分布图中数据对应有第二数据均值和第二数据标准差；第三计算模块，用于采用第三公式计算模糊得分集隶属于模糊认知集的隶属度，并分析每个所述模糊得分集和每个所述模糊认知集之间的隶属度服从的第三模糊隶属度分布图，其中，所述第三模糊隶属度分布图中数据对应有第三数据均值和第三数据标准差。
18.可选地，所述认知分析装置还包括：第四计算模块，用于在确定模糊隶属度分布图之后，采用第四公式计算连续得分隶属于模糊认知集的隶属度，以确认失误数据和模糊得分数据；第三分析模块，用于分析所述学习对象在面对每个知识点时的模糊认知集的转移概率，得到转移概率矩阵，其中，所述转移概率用于表征所述学习对象在理解每个知识点时的认知变化概率。
19.可选地，所述认知分析装置还包括：第五计算模块，用于在基于多个所述模糊隶属度分布图，构建认知模型之后，在多个时间间隔下，分别计算每个学习对象作答与每个知识点关联的习题时的得分数据；第六计算模块，用于基于所述得分数据，分别采用第一公式计算习题得分隶属于多个模糊得分集的第一隶属度，采用第三公式计算每个模糊得分集隶属于多个模糊认知集的第二隶属度，采用第四公式计算每个连续得分属于多个模糊认知集的第三隶属度，采用第二公式计算学习对象在各个时间间隔下的连续认知属于多个模数认知集的第四隶属度；更新模块，用于基于所述第一隶属度、所述第二隶属度、所述第三隶属度和所述第四隶属度，更新所述目标学习对象对于每个知识点的多个认知参数，以训练所述
认知模型。
20.可选地，所述分析单元包括：第七计算模块，用于采用所述认知模型和最大期望算法em，计算所述目标学习对象对于每个知识点的多个认知参数，其中，所述多个认知参数包括：转移概率、第一数据均值、第一数据标准差、第二数据均值、第二数据标准差、第三数据均值、第三数据标准差；第八计算模块，用于在第一时间间隔下，采用第五公式计算学习对象对于多个模糊认知集的第一前向学习因子；第九计算模块，用于在第一时间间隔之后的后续时间间隔下，采用第六公式计算学习对象对于多个模糊认知集的非第一前向学习因子；第十计算模块，用于在最大时间间隔下，采用第七公式计算学习对象对于多个模糊认知集的第一后向学习因子；第十一计算模块，用于在最大时间间隔的其它前续时间间隔下，采用第八公式计算学习对象对于多个模糊认知集的非第一后向学习因子；基于所述第一前向学习因子、多个非第一前向学习因子、第一后向学习因子、多个非第一后向学习因子，分析目标学习对象在作答同类知识点的习题时的得分。
21.根据本发明实施例的另一方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的学习对象的认知分析方法。
22.根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的学习对象的认知分析方法。
23.本发明实施例中，采用获取所有学习对象在作答各类型习题时的多个连续得分集、多个模糊得分集以及多个模糊认知集，分别基于每个连续得分集、多个模糊得分集以及多个模糊认知集，确定模糊隶属度分布图，基于多个模糊隶属度分布图，构建认知模型，采用认知模型，分析目标学习对象在作答同类知识点的习题时的得分。在该实施例中，可以对学习对象在学习过程中的认知状态变化进行更加细微的追踪，使用连续值表示学生的认知状态，这样就可追踪学习对象更细微的认知状态变化，得到更好的作答得分预估表现，对学习对象的认知状态评估的准确性更为准确，从而解决相关技术中的学生学习模型采用了二值化得分评估方式，对学生认知状态评估的准确性较低的技术问题。
附图说明
24.此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
25.图1是根据本发明实施例的一种可选的学习对象的认知分析方法的流程图；
26.图2是根据本发明实施例的一种可选的学习对象的认知分析装置的示意图。
具体实施方式
27.为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
28.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
29.实施例一
30.本实施例可应用于各种对于学习对象(如学生、培训人员)的认知状态跟踪系统或者认知跟踪软件中，不仅可以面向客观题得分进行认知状态变化跟踪，还可以面向主观题得分进行认知状态变化跟踪，提供了一种面向客观题和/或主观题得分的模糊贝叶斯认知跟踪方法fbkt。将模糊理论应用至认知跟踪领域，解决传统bkt无法处理主观题得分的场景，同时，本实施例相比于现有技术，可以追踪更加细微的认知状态变化，得到更好的作答得分预测表现。
31.根据本发明实施例，提供了一种学习对象的认知分析方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
32.图1是根据本发明实施例的一种可选的学习对象的认知分析方法的流程图，如图1所示，该方法包括如下步骤：
33.步骤s102，获取所有学习对象在作答各类型习题时的多个连续得分集、多个模糊得分集以及多个模糊认知集，其中，每种类型习题对应一个知识点，每个连续得分集中包含有一个知识点的多个连续得分，模糊认知集包含有学习对象对知识点的掌握程度；
34.步骤s104，分别基于每个连续得分集、多个模糊得分集以及多个模糊认知集，确定模糊隶属度分布图；
35.步骤s106，基于多个模糊隶属度分布图，构建认知模型；
36.步骤s108，采用认知模型，分析目标学习对象在作答同类知识点的习题时的得分。
37.通过上述步骤，可以获取所有学习对象在作答各类型习题时的多个连续得分集、多个模糊得分集以及多个模糊认知集，分别基于每个连续得分集、多个模糊得分集以及多个模糊认知集，确定模糊隶属度分布图，基于多个模糊隶属度分布图，构建认知模型，采用认知模型，分析目标学习对象在作答同类知识点的习题时的得分。在该实施例中，可以对学习对象在学习过程的认知状态变化进行更加细微的追踪，使用连续值表示学生的认知状态，这样就可追踪学习对象更细微的认知状态变化，得到更好的作答得分预估表现，对学习对象的认知状态评估的准确性更为准确，从而解决相关技术中的学生学习模型采用了二值化得分评估方式，对学生认知状态评估的准确性较低的技术问题。
38.下面结合上述各实施步骤来详细说明本发明实施例。
39.步骤s102，获取所有学习对象在作答各类型习题时的多个连续得分集、多个模糊得分集以及多个模糊认知集，其中，每种类型习题对应一个知识点，每个连续得分集中包含有一个知识点的多个连续得分，模糊认知集包含有学习对象对知识点的掌握程度。
40.学习对象可以是指待观察认知状态变化的对象，可以为学生或者培训人员等。
41.本实施例中的知识点可以是指在学习过程中涉及的知识点，例如，对于数学课程，涉及到的知识点包括但不限于：一元二次方程、轴对称变换、同角三角函数等。知识点对应的习题类型既可以为客观题，也可以为作文、阅读理解、论文等主观题。
42.可选的，本实施例涉及的连续得分集可能有一个，也可能为多个，分别确定每个题目的知识点，多个题目可能对应一个知识点。学习在学习过程中，对于同一个知识点是不断认知的过程，可能一次就理解了该知识点的内容，在下一次做题时，直接答对，但是也可能需要多次才能不断理解、掌握，才能不断提高得分，学习对象在学习过程中由未掌握
‑
部分掌握
‑
大部分掌握
‑
完全掌握的过程是本实施例需要分析的内容，通过学生对知识点的掌握情况，预估未来在作答相同知识点的题目的时候，学习对象的得分情况。
43.学习对象在作答某一个知识点的多个题目时，会有不断变化的得分数据，其连续多个时间段的得分数据可以理解为连续得分，每一个知识点的连续得分数据形成为一个连续得分集；通过输入连续得分集中的得分数据，可以分析其模糊得分情况，得到模糊得分集，进而学习对象对该知识点的认知掌握情况，得到模糊认知集。其中，本实施例中的模糊得分集包括但不限于：优、良、中、差。模糊认知集包括但不限于：未掌握、部分掌握、完全掌握。
44.可选的，获取所有学习对象在作答各类型习题时的多个连续得分集、多个模糊得分集以及多个模糊认知集的步骤，包括：初始化连续得分集、模糊得分集以及模糊认知集；获取所有学习对象在历史时间段中作答各类型习题时的得分数据；基于得分数据，分析每个学习对象在作答每个知识点的多个习题时的连续得分；综合每个学习对象在作答所有知识点的各个习题时的连续得分，确定多个连续得分集。
45.本实施例在通过认知模型分析学习对象的认知状态变化过程之前，需要先建立模型，并训练模型，在初始构建认知模型时，会根据历史经验初始化设置一些参数，例如，初始化设置模糊得分集的个数和模糊认知集的个数，设置知识点的个数，设置学生的个数，设置模型训练的最大迭代次数，这些初始化设置的参数可能不是最优参数，后续需要对认知模型不断进行训练，直至查找到最优的参数值。
46.另一种可选的，获取所有学习对象在作答各类型习题时的多个连续得分集、多个模糊得分集以及多个模糊认知集的步骤，还包括：对每个学习对象的多个连续得分进行聚类处理，得到多个模糊得分集；基于每个学习对象在作答每个知识点的所有习题时的连续得分集，分析学习对象对每个知识点的连续认知值；对每个学习对象的多个连续认知值进行聚类处理，得到多个模糊认知集。
47.输入所有学习对象在作答习题时的连续得分集，并初始化所有学习对象初始时间步的连续认知值集，将所有学习对象作答习题的连续得分聚类(可采用常用的聚类算法，如k
‑
means等)为多个模糊得分集，并定义任意一个连续得分y与模糊得分集(如m个)的隶属度服从第一模糊隶属度分布图(例如，称为高斯分布一)，初始化高斯分布中的均值和标准差。
48.同时，本实施例中，还可定义任意一个连续认知值x与模糊认知集(如n个)的隶属度服从第二模糊隶属度分布图(例如，称为高斯分布二)；同时，本实施例还可以定义任意一个模糊得分集和任意一个模糊认知集的隶属度服从第三模糊隶属度分布图(例如，称为高斯分布三)。
49.步骤s104，分别基于每个连续得分集、多个模糊得分集以及多个模糊认知集，确定模糊隶属度分布图。
50.本实施例涉及的模糊隶属度分布图可以为高斯分布对应的分布图。
51.本实施例中，分别基于每个连续得分集、多个模糊得分集以及多个模糊认知集，确定模糊隶属度分布图的步骤，包括：采用第一公式计算连续得分隶属于模糊得分集的隶属度，并分析每个连续得分与模糊得分集之间的隶属度所服从的第一模糊隶属度分布图，其中，第一模糊隶属度分布图中数据对应有第一数据均值和第一数据标准差；采用第二公式计算连续认知值隶属于模糊认知集的隶属度，并分析每个连续认知值与模糊认知集之间的隶属度服从的第二模糊隶属度分布图，其中，第二模糊隶属度分布图中数据对应有第二数据均值和第二数据标准差；采用第三公式计算模糊得分集隶属于模糊认知集的隶属度，并分析每个模糊得分集和每个模糊认知集之间的隶属度服从的第三模糊隶属度分布图，其中，第三模糊隶属度分布图中数据对应有第三数据均值和第三数据标准差。
52.作为本实施例可选的实施方式，在确定模糊隶属度分布图之后，认知分析方法还包括：采用第四公式计算连续得分隶属于模糊认知集的隶属度，以确认失误数据和模糊得分数据；分析学习对象在面对每个知识点时的模糊认知集的转移概率，得到转移概率矩阵，其中，转移概率用于表征学习对象在理解每个知识点时的认知变化概率。
53.通过第四公式计算的隶属度，能够考虑到学习对象在作答习题过程中的失误因素和模糊得分因素，其中，失误因素是指学习对象已掌握某个知识点，但是还是做错了题目的相关得分因素，对此予以考虑，而模糊得分因素是指学习对象未掌握该项知识点，但是还是蒙对的得分因素，语义进行考虑，以综合分析学习对象在作答习题过程中出现的失误因素和蒙对因素。
54.本实施例中涉及的转移概率矩阵可以表征由第一模糊认知集转移至第二模糊认知集的概率，体现学习对象的认知变化概率，包括：从未掌握
‑
部分掌握
‑
完全掌握的认知变化情况。
55.步骤s106，基于多个模糊隶属度分布图，构建认知模型。
56.可选的，在基于多个模糊隶属度分布图，构建认知模型之后，认知分析方法还包括：在多个时间间隔下，分别计算每个学习对象作答与每个知识点关联的习题时的得分数据；基于得分数据，分别采用第一公式计算习题得分隶属于多个模糊得分集的第一隶属度，采用第三公式计算每个模糊得分集隶属于多个模糊认知集的第二隶属度，采用第四公式计算每个连续得分属于多个模糊认知集的第三隶属度，采用第二公式计算学习对象在各个时间间隔下的连续认知属于多个模数认知集的第四隶属度；基于第一隶属度、第二隶属度、第三隶属度和第四隶属度，更新目标学习对象对于每个知识点的多个认知参数，以训练认知模型。
57.步骤s108，采用认知模型，分析目标学习对象在作答同类知识点的习题时的得分。
58.作为本实施例可选的实施方式，采用认知模型，分析目标学习对象在作答同类知识点的习题时的得分的步骤，包括：采用认知模型和最大期望算法em，计算目标学习对象对于每个知识点的多个认知参数，其中，多个认知参数包括：转移概率、第一数据均值、第一数据标准差、第二数据均值、第二数据标准差、第三数据均值、第三数据标准差；在第一时间间隔下，采用第五公式计算学习对象对于多个模糊认知集的第一前向学习因子；在第一时间
间隔之后的后续时间间隔下，采用第六公式计算学习对象对于多个模糊认知集的非第一前向学习因子；在最大时间间隔下，采用第七公式计算学习对象对于多个模糊认知集的第一后向学习因子；在最大时间间隔的其它前续时间间隔下，采用第八公式计算学习对象对于多个模糊认知集的非第一后向学习因子；基于第一前向学习因子、多个非第一前向学习因子、第一后向学习因子、多个非第一后向学习因子，分析目标学习对象在作答同类知识点的习题时的得分。
59.下面通过另一种可选的实施方式来详细说明本实施例，本实施方式中的学习对象为学生。
60.第一步，初始化：
61.步骤1.1，设置模糊得分集的个数为m和模糊认知集的个数为n；设置知识点的个数为i；设置学生的个数为s；设置最大迭代次数为epoch。
62.步骤1.2，定义模糊得分集为表示第m个模糊得分集；模糊认知集为表示第n个模糊认知集。
63.步骤1.3，输入所有学生作答习题的连续得分集合表示为y＝{y}，y∈[0，1]；初始化所有学生初始时间步的连续认知值集合x＝{x}，x∈[0，1]。
[0064]
步骤1.4，将所有学生作答习题的连续得分聚类(可采用常用的聚类算法，如k
‑
means等)为m个模糊得分集。定义任意一个连续得分y与模糊得分集(m个)的隶属度服从高斯分布(以下称为高斯分布一)，初始化高斯分布中的均值和标准差分别为和
[0065]
步骤1.5，定义任意一个连续认知值x与模糊认知集(n个)的隶属度服从高斯分布(以下称为高斯分布二)，此高斯分布中的均值和标准差分别为
[0066]
步骤1.6，定义任意一个模糊得分集和任意一个模糊认知集的隶属度服从高斯分布(以下称为高斯分布三)，此高斯分布中的均值和标准差分别为
[0067]
步骤1.7，初始化转移概率矩阵其中表示由模糊认知集转移至模糊认知集的概率。
[0068]
第二步，建模
[0069]
步骤2.1，设置高斯分布一如公式(1)，表示连续得分y隶属于模糊得分集的隶属度。
[0070][0071]
其中y∈y；m∈{1，2，...，m}
ꢀꢀ
(1)；
[0072]
步骤2.2，设置高斯分布二如公式(2)，表示连续认知x隶属于模糊认知集的隶属度。
[0073][0074]
其中n∈x；n∈{1，2，...，n}
ꢀꢀ
(2)；
[0075]
步骤2.3，设置高斯分布三如公式(3)，表示模糊得分集隶属于模糊认知集的隶属度。
[0076][0077]
其中n∈{1，2，...，n}；m∈{1，2，...，m}
ꢀꢀ
(3)；
[0078]
步骤2.4，由此，根据(1)和(3)可得到连续得分y隶属于模糊认知集的隶属度如公式(4)。
[0079][0080]
其中y∈y；n∈{1，2，...，n}；m∈{1，2，...，m}
ꢀꢀ
(4)。
[0081]
第三步，模型训练：
[0082]
步骤3.1，循环迭代器epoch＝1，当epoch≤epoch时，循环执行操作3.2
‑
3.14。
[0083]
步骤3.2，知识点i＝1，当i≤i时，循环执行操作3.3
‑
3.14。
[0084]
步骤3.3，学生s＝1(s∈{1，2，...，s})，当s≤s时，循环执行操作3.4
‑
3.13。
[0085]
步骤3.4，学生s作答与知识点i(i∈{1，2，...，i})相关联的习题得分为(y1，y2，...，y
t
)，其中t指学生s作答习题的t个时间步(每个时间步作答一题)。使用公式(1)计算得分(y1，y2，...，y
t
)分别属于m个模糊得分集的隶属度
[0086]
步骤3.5，使用公式(3)计算每个模糊得分集隶属于模糊认知集的隶属度
[0087]
步骤3.6，使用公式(4)计算每个连续得分(y1，y2，...，y
t
)分别属于n个模糊认知集的隶属度
[0088]
步骤3.7，使用公式(2)计算该学生在初始时间步(t＝1)的连续认知x1属于n个模糊认知集的隶属度
[0089]
步骤3.8，使时间步t＝1，计算学生s对于n个模糊认知集的前向因子，如公式(5)。
[0090][0091]
步骤3.9，时间步t＝2，当t≤t时，循环执行操作3.10。
[0092]
步骤3.10，计算学生s对于n个模糊认知集的前向因子，如公式(6)。
[0093][0094]
步骤3.11，时间步t＝t，计算学生s对于n个模糊认知集的后向因子，如公式(7)。
[0095][0096]
步骤3.12，时间步t＝t
‑
1，当t≥1时，循环执行操作3.13。
[0097]
步骤3.13，计算学生s对于n个模糊认知集的后向因子，如公式(8)。
[0098][0099]
步骤3.14，使用em算法更新参数：μ
(1)
、σ
(1)
、μ
(2)
、σ
(2)
、μ
(3)
、σ
(3)
。
[0100]
通过上述实施例，拓宽了现有bkt模型的应用场景，使其不仅可以处理客观题得分，还可以处理主观题得分，相比于现有的bkt使用已知和未知形容学生的认知状态，本申请提供了模糊贝叶斯认知跟踪方式fbkt，使用连续值表示学生的认知状态，可以追踪学生更细微的认知状态变化，符合学习过程中部分掌握等认知状态，提高对学习对象在学习过程中的认知状态变化过程进行更为准确的分析。
[0101]
实施例二
[0102]
本实施例提供了一种学习对象的认知分析装置，该认知分析装置涉及到多个实施单元，各实施单元对应于上述实施例一中的各个实施步骤。
[0103]
图2是根据本发明实施例的一种可选的学习对象的认知分析装置的示意图，如图2所示，该认知分析装置可以包括：获取单元21、确定单元23、构建单元25、分析单元27，其中，
[0104]
获取单元21，用于获取所有学习对象在作答各类型习题时的多个连续得分集、多个模糊得分集以及多个模糊认知集，其中，每种类型习题对应一个知识点，每个连续得分集中包含有一个知识点的多个连续得分，模糊认知集包含有学习对象对知识点的掌握程度；
[0105]
确定单元23，用于分别基于每个连续得分集、多个模糊得分集以及多个模糊认知集，确定模糊隶属度分布图；
[0106]
构建单元25，用于基于多个模糊隶属度分布图，构建认知模型；
[0107]
分析单元27，用于采用认知模型，分析目标学习对象在作答同类知识点的习题时的得分。
[0108]
上述学习对象的认知分析装置，可以通过获取单元21获取所有学习对象在作答各类型习题时的多个连续得分集、多个模糊得分集以及多个模糊认知集，通过确定单元23分别基于每个连续得分集、多个模糊得分集以及多个模糊认知集，确定模糊隶属度分布图，通过构建单元25基于多个模糊隶属度分布图，构建认知模型，通过分析单元27采用认知模型，分析目标学习对象在作答同类知识点的习题时的得分。在该实施例中，可以对学习对象在学习过程的认知状态变化进行更加细微的追踪，使用连续值表示学生的认知状态，可以追踪学生更细微的认知状态变化，符合学习过程中部分掌握等认知状态，得到更好的作答得分预估表现，对学习对象的认知状态评估的准确性更为准确，从而解决相关技术中的学生学习模型采用了二值化得分评估方式，对学生认知状态评估的准确性较低的技术问题。
[0109]
可选的，获取单元包括：初始化模块，用于初始化连续得分集、模糊得分集以及模糊认知集；第一获取模块，用于获取所有学习对象在历史时间段中作答各类型习题时的得分数据；第一分析模块，用于基于得分数据，分析每个学习对象在作答每个知识点的多个习题时的连续得分；第一确定模块，用于综合每个学习对象在作答所有知识点的各个习题时的连续得分，确定多个连续得分集。
[0110]
可选的，获取单元还包括：第一聚类模块，用于对每个学习对象的多个连续得分进
行聚类处理，得到多个模糊得分集；第二分析模块，用于基于每个学习对象在作答每个知识点的所有习题时的连续得分集，分析学习对象对每个知识点的连续认知值；第二聚类模块，用于对每个学习对象的多个连续认知值进行聚类处理，得到多个模糊认知集。
[0111]
可选的，确定单元包括：第一计算模块，用于采用第一公式计算连续得分隶属于模糊得分集的隶属度，并分析每个连续得分与模糊得分集之间的隶属度所服从的第一模糊隶属度分布图，其中，第一模糊隶属度分布图中数据对应有第一数据均值和第一数据标准差；第二计算模块，用于采用第二公式计算连续认知值隶属于模糊认知集的隶属度，并分析每个连续认知值与模糊认知集之间的隶属度服从的第二模糊隶属度分布图，其中，第二模糊隶属度分布图中数据对应有第二数据均值和第二数据标准差；第三计算模块，用于采用第三公式计算模糊得分集隶属于模糊认知集的隶属度，并分析每个模糊得分集和每个模糊认知集之间的隶属度服从的第三模糊隶属度分布图，其中，第三模糊隶属度分布图中数据对应有第三数据均值和第三数据标准差。
[0112]
可选的，认知分析装置还包括：第四计算模块，用于在确定模糊隶属度分布图之后，采用第四公式计算连续得分隶属于模糊认知集的隶属度，以确认失误数据和模糊得分数据；第三分析模块，用于分析学习对象在面对每个知识点时的模糊认知集的转移概率，得到转移概率矩阵，其中，转移概率用于表征学习对象在理解每个知识点时的认知变化概率。
[0113]
可选的，认知分析装置还包括：第五计算模块，用于在基于多个模糊隶属度分布图，构建认知模型之后，在多个时间间隔下，分别计算每个学习对象作答与每个知识点关联的习题时的得分数据；第六计算模块，用于基于得分数据，分别采用第一公式计算习题得分隶属于多个模糊得分集的第一隶属度，采用第三公式计算每个模糊得分集隶属于多个模糊认知集的第二隶属度，采用第四公式计算每个连续得分属于多个模糊认知集的第三隶属度，采用第二公式计算学习对象在各个时间间隔下的连续认知属于多个模数认知集的第四隶属度；更新模块，用于基于第一隶属度、第二隶属度、第三隶属度和第四隶属度，更新目标学习对象对于每个知识点的多个认知参数，以训练认知模型。
[0114]
可选的，分析单元包括：第七计算模块，用于采用认知模型和最大期望算法em，计算目标学习对象对于每个知识点的多个认知参数，其中，多个认知参数包括：转移概率、第一数据均值、第一数据标准差、第二数据均值、第二数据标准差、第三数据均值、第三数据标准差；第八计算模块，用于在第一时间间隔下，采用第五公式计算学习对象对于多个模糊认知集的第一前向学习因子；第九计算模块，用于在第一时间间隔之后的后续时间间隔下，采用第六公式计算学习对象对于多个模糊认知集的非第一前向学习因子；第十计算模块，用于在最大时间间隔下，采用第七公式计算学习对象对于多个模糊认知集的第一后向学习因子；第十一计算模块，用于在最大时间间隔的其它前续时间间隔下，采用第八公式计算学习对象对于多个模糊认知集的非第一后向学习因子；基于第一前向学习因子、多个非第一前向学习因子、第一后向学习因子、多个非第一后向学习因子，分析目标学习对象在作答同类知识点的习题时的得分。
[0115]
上述的认知分析装置还可以包括处理器和存储器，上述获取单元21、确定单元23、构建单元25、分析单元27等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0116]
上述处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置
一个或以上，通过调整内核参数来采用认知模型，分析目标学习对象在作答同类知识点的习题时的得分。
[0117]
上述存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0118]
根据本发明实施例的另一方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述任意一项的学习对象的认知分析方法。
[0119]
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述任意一项的学习对象的认知分析方法。
[0120]
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取所有学习对象在作答各类型习题时的多个连续得分集、多个模糊得分集以及多个模糊认知集，其中，每种类型习题对应一个知识点，每个连续得分集中包含有一个知识点的多个连续得分，模糊认知集包含有学习对象对知识点的掌握程度；分别基于每个连续得分集、多个模糊得分集以及多个模糊认知集，确定模糊隶属度分布图；基于多个模糊隶属度分布图，构建认知模型；采用认知模型，分析目标学习对象在作答同类知识点的习题时的得分。
[0121]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0122]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0123]
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0124]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0125]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0126]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read
‑
only memory)、随机存取存
储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0127]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。