知识追踪驱动的智能导学系统设计与实现

张凯 方洋洋

关键词：知识追踪；智能导学系统；个性化；系统实现；设计

0 引言

随着互联网的快速发展，市场上出现了各种各样的在线学习平台。这些平台中较为突出的有中国大学MOOC、超星尔雅、学堂在线等。虽然这些平台提供了丰富的学习资源，但大量杂乱无章的学习内容给学习者带来了困难，比如在寻找符合学习者自身需求的资源时带来了巨大的障碍。此外，这些平台难以有效地展现出学习者实时的知识状态，无法引导学习者根据自身状态进行学习。满足这些需求的关键在于熟练运用知识追踪方法，细致地监测每个学习者的学习轨迹，根据不同的学习者来制定不同的学习计划。因材施教的重要性不言而喻，这不仅是一种教学原则还是蕴含着教育的正义性[1]。根据实验结果明确表明，本系统能够有效地满足上述要求。

1 知识追踪

1.1 知识追踪概念

知识追踪（Knowledge Tracing） 是一种用于教育数据挖掘和教育人工智能（AIED） 领域的技术，用于对个体学习者的知识和技能进行建模和评估。这是一种跟踪学习者学习进度并了解对特定概念或技能掌握程度的方法。知识追踪的主要目标是了解学习者的学习情况以及可能遇到的挑战。主要通过分析学习者与教育内容（如完成练习测验或课程作业）的互动来做到这一点。知识追踪有多种算法和模型，其中贝叶斯知识追踪（BKT） 模型是一种应用广泛的方法。这些模型考虑了学习者回答的正确性、互动的顺序以及学习者随着时间推移忘记信息的可能性等因素。通过应用这些模型，教育工作者和教育系统可以提供个性化的反馈、建议和干预措施，帮助学习者更有效地学习。目前，知识追踪在自适应学习系统、智能辅导系统和在线教育平台中的应用均取得了不错的效果，它在根据学习者个人需求定制教育内容和优化学习体验方面发挥着至关重要的作用。知识追踪过程如图1所示。

在学习者进行作答题目的过程之中，系统不间断地记录学习者的学习数据，其中包括题目中的知识点（矩阵、条件概率、导数等），知识点之间的概念关系（行列式与矩阵、求导数与求积分等），作答反应时间和作答题目的正确与否等。知识追踪模型持续用学习数据作为输入，不断地来计算获取学习者当前时刻的学习状态，从而跟踪学习者的状况并预测未来的状况。

1.2 知识追踪模型

知识追踪模型是实现个性化导学的关键。现有的模型可根据实现的方法分为：概率模型、逻辑模型和基于深度学习的模型。概率模型有Cor?bett和Anderson于1994 年提出的贝叶斯知识追踪（Bayesian KnowledgeTracing） 等，逻辑模型有卡耐基梅隆大学的Koedinger 研究团队提出了Learning FactorsAnalysis模型等[2]。虽然概率模型和逻辑模型具有很好的解释性，但是对于学习者在作答习题时可能受到很多因素的影响的情况下，这两类模型很难获取到这种复杂的认知过程。而由于深度学习能够出色地提取学习数据中的特征，并转化为学习者的知识状态，所以基于深度学习的模型很适合本系统的应用场景。

在众多的模型中，经过慎重考虑，本系统采用基于图神经网络知识追踪（graph-based knowledge trac?ing） 模型。这是因为在现代教育环境中，数据驱动和可视化技术逐渐获得了更多的重视[3]。以图表形式呈现知识概念不仅让模型更易于理解，还提高了它的准确性。这一创新方法主要基于图的知识追踪算法，该算法在多个方面都显示出显著优势。第一个方面，基于图的知识追踪算法在模型的解释性和准确性方面都有所提升。传统的知识追踪模型可能仅关注学习者的答题正确率或反应时间，而忽略了知识点之间的复杂互动。通过图表形式，可以直观地看到各个知识点以及之间的联系，这极大地增加了模型的可解释性。第二个方面，与其他普通模型相比，这种方法在学习者知识状态的可视化方面具有明显的优势，每一个节点在图中都代表一个特定的知识点，通过这些节点，教育者和学习者都可以更直观地了解个体或集体的学习状态。这不仅有助于个性化教育，还为进一步的教学改进提供了依据。最后一个方面，在学习过程中，图表还允许通过观察和分析不同节点之间的相互影响来了解不同知识点之间的关系。这是非常重要的，因为知识通常是相互关联和依赖的。通过识别这些依赖关系，教育者可以更精准地制定教学计划，学习者也能更有效地安排自己的学习路径，从而提高整体的学习效率。GKT模型如图2所示。

1.3 知识追踪在智能导学系统的应用

随着网络技术和科学的快速发展，虽然网上的学习资源呈现出指数级的增长，但这些资源的分类和组织却远远落后。这些资源通常没有经过有效分类，内容参差不齐，因此无法为学习者提供真正有针对性的服务。在当今教育环境中，个性化教育的概念受到了越来越多的重视，教育专家和政策制定者都强调应根据学习者的不同特质和需求来进行因材施教。

为了实现这一目标，了解学习者的知识体系、认知风格和学习特点成为至关重要的前提[4]。这需要依赖大量的数据分析，包括但不限于学习者的学科基础、优势学科、答题准确率以及反应时间等。知识追踪技术恰好可以满足这一需求，它使用这些数据作为输入，不仅能够准确地追踪学习者的学习路径，还能预测未来的学习发展。

当前，已有多个将知识追踪模型应用到智能导学系统的案例，这些案例覆盖很多领域并且提供了宝贵的经验和教训。例如在教育类游戏领域中，知识追踪模型也开始受到关注并逐步被应用[5]。依托于知识追踪技术，本系统能够实现一系列核心功能，其中包括个性化学习路径推荐、自适应练习生成以及实时知识状态反馈等，从而更有效地促进学习者的个性化学习。系统还能够提高教育资源的使用效率，还能在更大程度上满足现代教育对个性化和因材施教的需求，具有广阔的应用前景和社会价值。

2 智能导学系统设计与实现

2.1 系统总体设计

系统主要包括两种不同的用户角色，分别是学习者和教育者，各自拥有不同的功能和权限。根据这两种角色，系统的功能和界面被设计成两个不同的端，即学习者端和教育者端。智能导学系统的总体架构如图3所示。

2.2 系统的主要功能

2.2.1 学习者端

学习者端是一个多功能的学习平台，其中包括答题模块、知识状态模块和个人中心模块，每个模块都具有独特的功能和用途，旨在为学习者提供全面的学习支持和个性化的学习体验。学习者的架构图总体设计如图4所示。

答题模块是学习者端的核心组成部分之一。在这个模块中，学习者可以参与各种形式的学习活动，如测验、练习题、作业等。该模块可以根据学习者当前的知识状态从题库中推荐选题，并查看作答历史等功能。学习者从题库选取题目并作答后，在作答历史界面会出现记录查看对错并可以重新作答。具体如图5所示。

知识状态模块旨在帮助学习者更好地了解自己的学习进展和知识掌握情况。该模块提供知识点追踪可视化和个人的知识结构等功能。其中在知识结构中学习者可以查看已掌握和尚未掌握的知识点列表，以便有针对性地继续学习，知识点追踪可视化中以柱状图和折线图等方式展现学习者的知识状态，以及单个知识点的掌握情况。具体如图6所示。

2.2.2 教育者端

教育者端主要包括教育者所管理班级每一位学习者的个人信息以及最新的知识状态模块（所有知识点掌握的情况和单个知识点随着作答次数增加掌握的变化）、习题模块（查看已设计的题目和查看题库以及设计新的题目）、教育者的个人信息模块。教育者端的架构如图7 所示。

在教育者端，提供了追踪所管班级中所有学习者的知识状态功能，这一功能的核心是可以查看学习者在不同知识点上的掌握情况，以及整个班级在所有知识点上的总体掌握情况。这个功能的价值不仅在于提供了对学习者学习进展的实时洞察，还在于为教育者提供了数据驱动的指导，帮助更好地满足学习者的学习需求和优化教学方法。

教育者通过查看单个知识点的掌握情况，可以识别出每位学习者在特定知识点的强项和薄弱点。这种详细的知识点分析有助于个性化指导，使教育者能够为每位学习者提供适合其需求的支持。同时，教育者还能够监测学习者在特定知识点上的学习趋势，从而了解学习进展是否需要额外的帮助。

总体掌握情况的概览允许教育者快速了解整个班级在所有知识点上的学习状态。这使教育者能够识别出可能需要重点关注和改进的领域，以便根据班级整体表现调整教学策略。这种全局视角为教育者提供了一个更宏观的视图，帮助制定更有效的课程计划和教育策略。同时根据知识点的名称和标识，可以使教育者能够准确识别和讨论特定的知识点，确保教学和学习交流的精确性和清晰性。这有助于促进有意义的教育对话和更好的知识传递。追踪班级学习者知识状态如图8所示。

习题模块能够帮助教育者有效地扩充课程材料和习题，可以保证习题的多样性。具体流程为：首先，教育者需要进行一系列设置，包括题目的唯一标识（题目ID） 、题目文本的具体内容、相关知识点的标识（知识点ID） 、题目类型（单选、多选、填空等）以及正确的答案。一旦完成了这些参数的设置，教育者只需点击操作区域中的“发布到题库”按钮，即可将题目添加到题库中，使其变为学习者可以访问和练习的资源。此外，教育者还可以随时点击“已设计题目”来查看已发布到题库中的所有题目，以确保题库中包含所希望提供的所有练习题目。这一灵活且易于使用的功能使教育者能够自由地创建、编辑和管理题库，以满足不同学习者的学习需求，并丰富教育资源，促进更有成效的教学。已设计习题如图9所示。

3 系统的验证与使用

3.1 实验环境

本智能导学系统的开发采用B/S架构，系统后端在Pycharm专业版上使用Django框架开发，Django框架采用MVC（Model-View-Controller） 的设计模式使得开发复杂的、数据库驱动的网站变得更加简单。Django具有DRY（Don't Repeat Yourself） 原则、表单处理等特点[6]。模型的训练使用PyTorch库 ，前端使用React框架，React 是一个由 Facebook 开发和维护的开源 JavaScript 库[7]，用于构建UI 组件。React具有组件化、声明式编程等特点。数据库采用MySQL存储，操作系统为Windows Server 2021，数据集使用ASSIST2009。实验环境如表1所示

3.2 实验方法

在上述实验环境中，为了评估系统的有效性，需要邀请各种不同年龄段的学习者和教育者使用该系统并通过问卷调查收集用户满意度，作为实验的评估指标。

3.3 评估指标

为了验证系统的有效性和实用性，学习者和教育者的反馈至关重要。因此，计划通过分发在线调查问卷的方式收集使用者对该智能导学系统的使用体验和感受。采用语数外三科类型的题目作为测试题目，满意度采用5分制，从收集的结果来看满意度基本上都在60%以上即大于3。具体如图10所示。

4 结论

本文设计开发和实现了知识追踪驱动的智能导学系统，主要工作如下：

1） 在系统内实现了使用知识追踪模型预测学习者知识掌握状态的功能；2） 开发设计和实现了智能导学系统，并收集了使用者的系统满意度。

根据实验结果以及反馈，可以看出系统中的学习者知识状态准确有效，有助于教育者掌握学习者的状况，辅助学习者找到适合自己的个性化资源。