一种智能诊断系统及方法与流程

本发明涉及计算机，具体而言，涉及一种智能诊断系统及方法。

背景技术：

1、目前的认知诊断和知识追踪算法在设计新的诊断函数或融合额外信息进行表征学习时，主要致力于在预测任务上取得更好的结果。然而，由于被测评人员的能力状态通常是未知的，现有方法未能在预测出被测评人员掌握技能的同时输出对预测结果的可靠性。

技术实现思路

1、本发明的目的在于提供一种智能诊断系统及方法，不仅能够预测各个领域的被测评人员掌握的技能，同时也能提供预测结果的可靠性程度，适用于不同的下游任务，从静态和动态两个视角刻画出被测评人员的掌握技能以及可靠性反馈。

2、本发明提供了一种智能诊断系统，所述系统包括：

3、信息处理模块，用于对被测评人员的信息进行编码处理，得到信息编码数据，所述信息编码数据包括第一信息编码数据以及第二信息编码数据；

4、训练模块，用于通过所述第二信息编码数据对第一模型训练，得到所述第二模型，其中，所述第一模型为根据应用场景预先构建的模型，所述应用场景包括认知诊断场景和知识追踪场景；

5、建模模块，用于以第一信息编码数据作为第二模型的第一输入，以使所述第二模型将所述第一信息编码数据建模为分布，构建出所述被测评人员的第一能力分布，并根据所述第一能力分布，预测出所述被测评人员掌握的第一技能以及预测的所述第一技能的可靠性，以及所述第二模型从所述第一能力分布中采样出所述被测评人员的第一能力向量；

6、技能关系模块，用于根据预先标记好的各技能之间的关系构建技能相似图和技能前驱图，以所述技能相似图和所述技能前驱图作为所述第二模型的第二输入，以使所述第二模型利用所述技能相似图和所述技能前驱图对所述第一能力向量进行传播、聚合和更新，输出预测的所述被测评人员掌握的第一全部技能以及预测的所述第一全部技能的可靠性。

7、作为本发明进一步的改进，所述第一模型为可靠性认知诊断模型，采用dina模型、dino模型、nida模型、nido模型、c-rum模型、r-rum模型、m2pl模型、累积概率模型、连续比率模型以及相邻类别模型中的一种。

8、作为本发明进一步的改进，所述第一模型为可靠性知识追踪模型，采用bkt模型、dkt模型、akt模型和ct-ncm模型中的一种。

9、作为本发明进一步的改进，所述信息处理模块还用于对被测评人员的作答试题进行所述编码处理，得到试题编码数据；所述系统还包括：

10、试题处理模块，用于提取所述试题编码数据中的诊断因子，其中，所述诊断因子包括试题难度以及试题区分度。

11、作为本发明进一步的改进，通过重参数技巧从所述被测评人员的第一能力分布中采样出被测评人员的第一能力向量。

12、作为本发明进一步的改进，所述第二模型利用所述技能相似图和所述技能前驱图对所述第一能力向量进行传播、聚合和更新，输出预测的所述被测评人员掌握的第一全部技能以及预测的所述第一全部技能的可靠性，包括：

13、所述被测评人员的第一能力向量在所述技能相似图或所述技能前驱图中进行传播，得到所述被测评人员对当前技能的原始掌握值以及相邻技能的原始掌握值，计算所述当前技能和所述相邻技能之间的注意力权重，其中，所述当前技能和所述相邻技能为所述技能相似图或所述技能前驱图中位于相邻位置的技能；

14、对所述注意力权重进行归一化处理，得到聚合后的注意力权重值；

15、通过所述注意力权重值对所述被测评人员的第一能力向量进行更新，得到更新后的被测评人员的第一能力向量，将所述更新后的被测评人员的第一能力向量中每个维度的值映射至固定区间中，以输出所述被测评人员掌握的第一全部技能以及所述预测的所述第一全部技能的可靠性。

16、作为本发明进一步的改进，所述通过所述第二信息编码数据对第一模型训练，得到所述第二模型，包括：

17、以所述第二信息编码数据作为所述第一模型的第三输入，所述第一模型将所述第二信息编码数据建模为分布，构建出所述被测评人员的第二能力分布，根据所述第二能力分布，预测出所述被测评人员掌握的第二技能以及预测出所述第二技能的可靠性；

18、计算所述第二能力分布以及后验分布之间的kl损失，得到第三模型，其中，所述后验分布通过将所述第二信息编码数据与所述试题编码数据进行拼接和全连接处理得到；

19、所述第三模型采用重参数技巧从所述第二能力分布中采样出所述被测评人员的第二能力向量；

20、以所述技能相似图和所述技能前驱图作为所述第三模型的第四输入，所述第三模型利用所述技能相似图和所述技能前驱图对所述第二能力向量进行传播、聚合和更新，输出预测的所述被测评人员掌握的第二全部技能以及预测的所述第二全部技能的可靠性；

21、计算所述第二全部技能和所述被测评人员的真实掌握技能之间的预测损失，以及所述预测的所述第二全部技能的可靠性的校准损失，得到所述第二模型。

22、作为本发明进一步的改进，所述kl损失具体为：

23、

24、其中，表示所述第二能力分布，表示所述后验分布，kl()为kl损失函数，表示所述kl损失；

25、当所述应用场景为所述认知诊断场景时，所述预测损失具体为：

26、

27、其中，r表示所述被测评人员的真实掌握技能，y表示所述第二全部技能，表示所述预测损失。

28、当所述应用场景为所述知识追踪场景时， 对于所述被测评人员在所述第一模型上第t时刻的预测损失，具体为：

29、

30、其中，表示在第t时刻所述被测评人员的真实掌握技能，表示在第t时刻的所述第二全部技能。表示所述被测评人员在所述第一模型上第t时刻的预测损失；

31、所述被测评人员在所述第一模型上的所有时刻的预测损失具体为：

32、

33、其中，表示当所述应用场景为所述知识追踪场景时的所述预测损失。

34、作为本发明的进一步改进，所述编码处理包括：采用数据编码算法，分别对所述被测评人员的信息和所述被测评人员的作答试题进行加密转换，得到所述信息编码数据和所述试题编码数据。

35、本发明实施例还提供了一种智能诊断方法，所述方法包括：

36、对被测评人员的信息进行编码处理，得到信息编码数据，所述信息编码数据包括第一信息编码数据以及第二信息编码数据；

37、通过所述第二信息编码数据对第一模型训练，得到所述第二模型，其中，所述第一模型为根据应用场景预先构建的模型，所述应用场景包括认知诊断场景和知识追踪场景；

38、以第一信息编码数据作为第二模型的第一输入，以使所述第二模型将所述第一信息编码数据建模为分布，构建出所述被测评人员的第一能力分布，并根据所述第一能力分布，预测出所述被测评人员掌握的第一技能以及预测的所述第一技能的可靠性，以及所述第二模型从所述第一能力分布中采样出所述被测评人员的第一能力向量；

39、根据预先标记好的各技能之间的关系构建技能相似图和技能前驱图，以所述技能相似图和所述技能前驱图作为所述第二模型的第二输入，以使所述第二模型利用所述技能相似图和所述技能前驱图对所述第一能力向量进行传播、聚合和更新，输出预测的所述被测评人员掌握的第一全部技能 以及预测的所述第一全部技能的可靠性。

40、本发明的有益效果为：不仅能够预测各个领域的被测评人员掌握的技能，同时也能提供预测结果的可靠性程度，适用于不同的下游任务，从静态和动态两个视角刻画出被测评人员的掌握技能以及可靠性反馈。