人工智能在教育試題檢索中的應(yīng)用與探索

蘇喻 汪成成 張丹王士進(jìn)

摘要：隨著互聯(lián)網(wǎng)技術(shù)的不斷進(jìn)步，在線(xiàn)教育行業(yè)得到了蓬勃的發(fā)展。借助人工智能和大數(shù)據(jù)技術(shù)，教育個(gè)性化學(xué)習(xí)系統(tǒng)能夠?qū)崿F(xiàn)學(xué)生的學(xué)情分析，為學(xué)生推薦個(gè)性化學(xué)習(xí)資源，從而提升老師的教學(xué)效率和學(xué)生的學(xué)習(xí)效率，并為教育管理者提供決策依據(jù)[1]。

關(guān)鍵詞：智能;教育;試題檢索

常見(jiàn)的教育個(gè)性化學(xué)習(xí)系統(tǒng)通過(guò)多元用戶(hù)數(shù)據(jù)終端收集用戶(hù)行為日志等，一方面對(duì)答題記錄中的試題進(jìn)行建模，構(gòu)建結(jié)構(gòu)化題庫(kù);另一方面對(duì)學(xué)生進(jìn)行學(xué)情建?；?qū)蠋煹氖褂昧?xí)慣建模（即用戶(hù)建模），生成學(xué)生的學(xué)情畫(huà)像或教師的教學(xué)畫(huà)像（即用戶(hù)畫(huà)像）。最后，基于結(jié)構(gòu)化題庫(kù)、用戶(hù)畫(huà)像和具體應(yīng)用場(chǎng)景，融合相關(guān)的人工智能算法，形成一系列的個(gè)性化學(xué)習(xí)應(yīng)用，如基于內(nèi)容的推薦模式等。

個(gè)性化學(xué)習(xí)應(yīng)用中的各種模式，均會(huì)直接或間接利用到試題檢索技術(shù)，比如基于內(nèi)容的推薦模式中，系統(tǒng)根據(jù)一道試題的題面和語(yǔ)義信息，從海量題庫(kù)中找到其相似的試題集合。因此，試題檢索技術(shù)是教育個(gè)性化學(xué)習(xí)系統(tǒng)的基礎(chǔ)性技術(shù)。

一、試題檢索所面臨的挑戰(zhàn)

相較于互聯(lián)網(wǎng)領(lǐng)域的檢索技術(shù)，教育領(lǐng)域?qū)υ囶}的檢索精度要求更高，會(huì)面臨如下諸多難點(diǎn)。

第一，同樣的試題表示呈多樣化。具有同樣知識(shí)點(diǎn)的題目，在題面內(nèi)容表述可能有較大差異。這種特性給試題語(yǔ)義表征造成了困難。

第二，由于不同教育專(zhuān)家對(duì)知識(shí)體系的理解不同，因此知識(shí)點(diǎn)標(biāo)簽沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)體系，如果題庫(kù)不按照某一標(biāo)準(zhǔn)重新標(biāo)注，則不能直接用于檢索。而完全基于人工標(biāo)簽的試題檢索方案要花費(fèi)巨大的人工標(biāo)注量[2]。如何利用試題上已有的多標(biāo)準(zhǔn)的知識(shí)點(diǎn)標(biāo)簽進(jìn)行檢索，給任務(wù)帶來(lái)了難題。

第三，在實(shí)際應(yīng)用場(chǎng)景中，需要從海量的題庫(kù)中實(shí)時(shí)檢索出符合用戶(hù)個(gè)性化需求的試題，既要滿(mǎn)足效率上的實(shí)時(shí)性，又要滿(mǎn)足效果上的可用性。

二、試題檢索的主要流程及相關(guān)技術(shù)介紹

試題檢索系統(tǒng)一般分為三個(gè)主要步驟。首先，根據(jù)被檢索試題的淺層語(yǔ)義特征，采用基于淺層特征的召回技術(shù)，快速?gòu)暮Ａ款}庫(kù)中檢索出和被檢索試題相關(guān)的候選試題集合;然后，利用基于神經(jīng)網(wǎng)絡(luò)的精排技術(shù)，將候選試題集合進(jìn)行二次排序，以獲得更精準(zhǔn)的檢索結(jié)果;此外，對(duì)于一些強(qiáng)調(diào)用戶(hù)個(gè)性化的場(chǎng)景中，還會(huì)利用基于用戶(hù)的個(gè)性化推薦技術(shù)，根據(jù)用戶(hù)的搜索習(xí)慣對(duì)二次排序結(jié)果進(jìn)行調(diào)整，最大程度的滿(mǎn)足用戶(hù)個(gè)性化需求。

基于淺層特征的召回技術(shù)的主要作用是從海量的候選題庫(kù)中快速召回符合條件的相關(guān)試題候選集合，此步驟更加注重于檢索效率。一般而言，被檢索的試題淺層特征為文本中的關(guān)鍵詞，知識(shí)點(diǎn)標(biāo)簽等。該技術(shù)通過(guò)構(gòu)建淺層特征到試題ID的倒排索引存儲(chǔ)形式，可以根據(jù)試題的淺層特征組合快速獲取包含這些特征的試題候選集合。試題檢索中的淺層特征召回技術(shù)一般采用Lucene、Solr、Elasticsearch等[3]。Lucene是基于Java開(kāi)發(fā)的文本信息檢索工具，當(dāng)前流行的檢索召回系統(tǒng)Elasticsearch和Solr都是基于Lucene開(kāi)發(fā)的，提供了比Lucene更為豐富的查詢(xún)語(yǔ)言，并且擴(kuò)展性和查詢(xún)性能更優(yōu)。

在召回技術(shù)所獲得的試題候選基礎(chǔ)上，要進(jìn)行二次精排，該部分更加注重檢索精度。隨著深度學(xué)習(xí)技術(shù)在自然語(yǔ)言處理領(lǐng)域的不斷進(jìn)步，基于神經(jīng)網(wǎng)絡(luò)的精排技術(shù)逐漸被提出。此類(lèi)技術(shù)常見(jiàn)的有基于標(biāo)簽預(yù)測(cè)的方法和基于相似試題對(duì)關(guān)系的學(xué)習(xí)方法。前者通過(guò)訓(xùn)練試題知識(shí)點(diǎn)標(biāo)簽預(yù)測(cè)模型，得到稠密的試題語(yǔ)義向量表示，然后利用向量間的距離，去估計(jì)兩道試題語(yǔ)義間的關(guān)系。該種建模方法可以利用TextCNN、Transformer、Bert[4]等模型?；谙嗨圃囶}對(duì)關(guān)系的學(xué)習(xí)方法，模型的輸入是兩道試題文本，訓(xùn)練目標(biāo)是判斷兩道題是否為相似題。二次精排可以通過(guò)訓(xùn)練好的模型直接預(yù)估兩道題的相似度，在擁有大量訓(xùn)練數(shù)據(jù)的情況下能夠取得更好的效果。

在一些場(chǎng)景中，還需要在檢索過(guò)程中考慮用戶(hù)個(gè)性化信息。如在教師給一道考試題搭配相關(guān)鞏固試題的場(chǎng)景中，有些老師傾向于選擇偏同步學(xué)習(xí)類(lèi)的試題，另外一些老師則可能傾向于綜合復(fù)習(xí)類(lèi)。因子分解機(jī)（FM）模型可以將考區(qū)、考試類(lèi)型等二階特征組合融入到模型中，用于個(gè)性化推薦?；谏窠?jīng)網(wǎng)絡(luò)的推薦模型，如Wide&Deep[5]、DeepFM[6]等模型，也可以應(yīng)用到試題個(gè)性化檢索中。近年來(lái)，融入注意力（Attention）機(jī)制[7]和知識(shí)圖譜的推薦系統(tǒng)不斷的被提出，有效的提升了神經(jīng)網(wǎng)絡(luò)模型的可解釋性。試題檢索系統(tǒng)可以采用這些研究方案，對(duì)檢索結(jié)果提供諸如知識(shí)點(diǎn)相似度、試題難度符合度等信息，供用戶(hù)進(jìn)行二次篩選。

三、總結(jié)與展望

隨著教育個(gè)性化學(xué)習(xí)系統(tǒng)被廣大教師學(xué)生的逐步認(rèn)可，可預(yù)見(jiàn)有更多的研究者會(huì)投入到以試題檢索技術(shù)為代表的一系列相關(guān)技術(shù)研究中。我們有理由相信，人工智能會(huì)進(jìn)一步深入到教學(xué)的各個(gè)環(huán)節(jié)中，護(hù)航學(xué)生快樂(lè)學(xué)習(xí)，助力教育者實(shí)現(xiàn)因材施教的夢(mèng)想。

參考文獻(xiàn)：

[1] 劉淇，陳恩紅，黃振亞. 面向個(gè)性化學(xué)習(xí)的學(xué)生認(rèn)知能力分析[J]. 中國(guó)計(jì)算機(jī)學(xué)會(huì)通信， 2017， （04）.

[2] 胡國(guó)平， 張丹， 蘇喻，等. 試題知識(shí)點(diǎn)預(yù)測(cè)：一種教研知識(shí)強(qiáng)化的卷積神經(jīng)網(wǎng)絡(luò)模型[J]. 中文信息學(xué)報(bào)， 2018， v.32（05）：142-151.

[3] 蘇潭英， 郭憲勇， 金鑫. 一種基于Lucene的中文全文檢索系統(tǒng)[J]. 計(jì)算機(jī)工程， 2007， 033（023）：94-96.

[4] Minaee S ， Kalchbrenner N ， Cambria E ， et al. Deep Learning Based Text Classification： A Comprehensive Review[J]. 2020.

[5] Cheng H T ， Koc L ， Harmsen J ， et al. Wide & Deep Learning for Recommender Systems[J]. 2016.

[6] Guo H ， Tang R ， Ye Y ， et al. DeepFM： A Factorization-Machine based Neural Network for CTR Prediction[J]. 2017.

[7] Liu Q ， Huang Z ， Huang Z ， et al. [ACM Press the 24th ACM SIGKDD International Conference - London， United Kingdom （2018.08.19-2018.08.23）] Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining - KDD '18 - Finding Similar Exercises in Online Education Systems[C]// 2018：1821-1830.