技術(shù)特征：

1.一種基于數(shù)據(jù)驅(qū)動的知識點掌握狀態(tài)的預(yù)測系統(tǒng)，其特征在于：包括測試題目的生成和屬性標注模塊、訓(xùn)練數(shù)據(jù)采集模塊、基于測試數(shù)據(jù)的多維度特征提取模塊、數(shù)據(jù)驅(qū)動的預(yù)測模型建立模塊，其中：

測試題目的生成和屬性標注模塊：根據(jù)課程標準按照所屬學科及知識點之間的父子關(guān)系進行整理，對每個學科形成N層知識點結(jié)構(gòu)；同時，根據(jù)學習者進行相應(yīng)學科的認知活動能力和心理調(diào)節(jié)能力，將學科能力進行分級；根據(jù)所述的N層知識點結(jié)構(gòu)和學科能力分級，生成所需測試題目；對于所述生成的所有測試題目，進行水平等級劃分，將測試題目劃分為多個等級；對于需測試題目的每個第N層知識點，也就是每個最底層知識點，生成的測試題目數(shù)量需滿足最少題目要求；

訓(xùn)練數(shù)據(jù)采集模塊：基于測試題目的生成和屬性標注模塊生成的測試題目，組織學習者進行測試，測試可以采用線上系統(tǒng)電子化測試或者線下試卷測試；學習者應(yīng)涵蓋同一年齡各層次水平的人群；測試過程應(yīng)在獨立且無干擾的條件下進行；訓(xùn)練數(shù)據(jù)可以分多次、不同時段進行收集，但是不可以在同一學習者上進行反復(fù)測試；同時，如果單一學習者的訓(xùn)練數(shù)據(jù)不完整或者有明顯抄襲、重復(fù)答案等特征，應(yīng)該從訓(xùn)練數(shù)據(jù)集中移除，最終得到有效的訓(xùn)練數(shù)據(jù)；

基于訓(xùn)練數(shù)據(jù)的多維度特征提取模塊：對訓(xùn)練數(shù)據(jù)采集模塊得到的每位學習者的數(shù)據(jù)，首先進行基本特征的逐級特征提取，對測試所涉及的每個第N層知識點，分別計算得分率，所有得分率作為第N層知識點基本特征向量V_N；對于每個第N-1層知識點，如果其下轄的所有第N層知識點均有得分率，則稱為已知知識點，計算已知知識點所下轄的所有知識點的平均得分率作為該N-1層知識點的基本特征值；如果該N-1層知識點下轄知識點的得分率部分缺失或者全部缺失，則該第N-1層知識點稱為未知知識點；未知知識點的基本特征值為空；對所有第N-1層已知知識點，得到其基本特征向量V_N-1；同理，能夠得到各層已知知識點的基本特征向量V_N-2,V_N-3,…,V₁；同時，將學習者的性別、年齡個人特征作為補充特征向量G，從而完成訓(xùn)練數(shù)據(jù)的多維度特征提取，多維度特征包括各層已知知識點的基本特征向量V_N-2,V_N-3,…,V₁和補充特征向量G；標注訓(xùn)練數(shù)據(jù)中已知知識點掌握程度Y_A，標注根據(jù)各項得分率結(jié)合經(jīng)驗規(guī)則進行，標注的知識點掌握程度可以分為多個等級；

數(shù)據(jù)驅(qū)動的預(yù)測模型建立模塊：對于標注的已知知識點掌握程度Y_A，根據(jù)各層已知知識點的基本特征向量V_N-2,V_N-3,…,V₁及補充特征向量G，建立多元分類算法的單一預(yù)測模型，預(yù)測出知識點A的掌握程度Y_A；所述單一預(yù)測模型是指基于單個預(yù)測模型，包括人工神經(jīng)網(wǎng)絡(luò)、隨機森林或邏輯回歸的經(jīng)典模型，先對所述各個預(yù)測模型進行準確度評估，根據(jù)評估結(jié)果，最終決定其中一種模型作為預(yù)測模型。

2.根據(jù)權(quán)利要求1所述的一種基于數(shù)據(jù)驅(qū)動的知識點掌握狀態(tài)的預(yù)測系統(tǒng)，其特征在于：所述標注已知知識點掌握程度Y_A的多個等級包括卓越、優(yōu)秀、良好、合格以及不合格。

3.根據(jù)權(quán)利要求1所述的一種基于數(shù)據(jù)驅(qū)動的知識點掌握狀態(tài)的預(yù)測系統(tǒng)，其特征在于：所述數(shù)據(jù)驅(qū)動的預(yù)測模型建立模塊實現(xiàn)如下：

步驟(1)基于所述的測試數(shù)據(jù)的多維度特征和訓(xùn)練所用的知識點掌握程度，生成訓(xùn)練數(shù)據(jù)，訓(xùn)練數(shù)據(jù)的輸出為任一給定知識點A的掌握程度；分別利用多個不同的經(jīng)典模型進行訓(xùn)練，包括單層或者多層結(jié)構(gòu)人工神經(jīng)網(wǎng)絡(luò)模型(Artificial Neural Network)、隨機森林(Random Forest)模型以及邏輯回歸(Logistic Regression)模型，其中對于單層神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練算法采用反向傳播算法(Backpropagation)；

步驟(2)通過獨立訓(xùn)練得到m個不同的模型后，利用K次交叉驗證方法，計算所得模型的準確率A₁,A₂,…A_m,取準確率最高的模型為最終預(yù)測模型Ω；最終預(yù)測模型Ω的輸出為{P(j)|j＝1,2,3……}，其中P(j)是最終預(yù)測模型對知識點第j級掌握程度的預(yù)測概率，最后取P(j)中預(yù)測概率數(shù)值最大者所對應(yīng)的等級為該知識點的預(yù)測掌握程度。

4.一種基于數(shù)據(jù)驅(qū)動的知識點掌握狀態(tài)的預(yù)測方法，其特征在于：包括測試題目的生成和屬性標注步驟、訓(xùn)練數(shù)據(jù)采集步驟、基于測試數(shù)據(jù)的多維度特征提取步驟、數(shù)據(jù)驅(qū)動的預(yù)測模型建立步驟，其中：

測試題目的生成和屬性標注步驟：根據(jù)課程標準按照所屬學科及知識點之間的父子關(guān)系進行整理，對每個學科形成N層知識點結(jié)構(gòu)；同時，根據(jù)學習者進行相應(yīng)學科的認知活動能力和心理調(diào)節(jié)能力，將學科能力進行分級；根據(jù)所述的N層知識點結(jié)構(gòu)和學科能力分級，生成所需測試題目；對于所述生成的所有測試題目，進行水平等級劃分，將測試題目劃分為多個等級；對于需測試題目的每個第N層知識點，也就是每個最底層知識點，生成的測試題目數(shù)量需滿足最少題目要求；

訓(xùn)練數(shù)據(jù)采集步驟：基于測試題目的生成和屬性標注步驟生成的測試題目，組織學習者進行測試，測試可以采用線上系統(tǒng)電子化測試或者線下試卷測試；學習者應(yīng)涵蓋同一年齡各層次水平的人群；測試過程應(yīng)在獨立且無干擾的條件下進行；訓(xùn)練數(shù)據(jù)可以分多次、不同時段進行收集，但是不可以在同一學習者上進行反復(fù)測試；同時，如果單一學習者的訓(xùn)練數(shù)據(jù)不完整或者有明顯抄襲、重復(fù)答案特征，應(yīng)該從訓(xùn)練數(shù)據(jù)集中移除，最終得到有效的訓(xùn)練數(shù)據(jù)；

基于訓(xùn)練數(shù)據(jù)的多維度特征提取步驟：對訓(xùn)練數(shù)據(jù)采集步驟得到的每位學習者的數(shù)據(jù)，首先進行基本特征的逐級特征提取，對測試所涉及的每個第N層知識點，分別計算得分率，所有得分率作為第N層知識點基本特征向量V_N；對于每個第N-1層知識點，如果其下轄的所有第N層知識點均有得分率，則稱為已知知識點，計算已知知識點所下轄的所有知識點的平均得分率作為該N-1層知識點的基本特征值；如果該N-1層知識點下轄知識點的得分率部分缺失或者全部缺失，則該第N-1層知識點稱為未知知識點；未知知識點的基本特征值為空；對所有第N-1層已知知識點，得到其基本特征向量V_N-1；同理，能夠得到各層已知知識點的基本特征向量V_N-2,V_N-3,…,V₁；同時，將學習者的性別、年齡個人特征作為補充特征向量G，從而完成測試數(shù)據(jù)的多維度特征提取，多維度特征包括各層已知知識點的基本特征向量V_N-2,V_N-3,…,V₁和補充特征向量G；標注訓(xùn)練數(shù)據(jù)中已知知識點掌握程度Y_A，標注根據(jù)各項得分率結(jié)合經(jīng)驗規(guī)則進行，標注的知識點掌握程度可以分為多個等級；

數(shù)據(jù)驅(qū)動的預(yù)測模型建立步驟：根據(jù)各層已知知識點的基本特征向量V_N-2,V_N-3,…,V₁及補充特征向量G，建立多元分類算法的單一預(yù)測模型，預(yù)測出知識點A的掌握程度Y_A。所述單一預(yù)測模型是指基于單個預(yù)測模型，包括人工神經(jīng)網(wǎng)絡(luò)、隨機森林或邏輯回歸的經(jīng)典模型；先對各個預(yù)測模型進行準確度評估，根據(jù)評估結(jié)果，最終決定其中一種模型作為預(yù)測模型。