具体实施方式

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。

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。

为便于本领域技术人员理解本发明，下面对本发明各实施例中涉及的部分术语或名词做出解释：

认知跟踪(Knowledge Tracing，KT)，是一种根据学生过去的练习表现，精确地追踪其动态变化的认知状态的一项技术。

AUC(Area Under Curve)，定义为ROC曲线下与坐标轴围成的面积，是衡量模型优劣的一种性能指标。

本发明实施例可以应用于各种学习对象的认知分析系统/认知分析软件中，例如，应用于各种在线教育软件、教育平台。本实施例获取教育平台上的数据集，基于面向多个知识点的认知跟踪模型(或者简称为认知模型)，能够分析学习对象(例如，在校学生，使用在线教育软件的学习对象等)在未来作答习题的结果，以更好地服务学习对象。本发明实施例提出的认知分析方法，不仅拓宽了现有BKT模型的应用场景，使其不仅可以处理题目中考察多个知识点的情况，而且可以单独跟踪每个知识点的变化，在以后的时间步出现新的不同知识点组合考察的题目时依然有效，同时，跟踪具有多知识点的问题，但可以有效避免原始BKT中算法复杂度随着知识点数目增大而指数增长的问题，并且使用启发式优化方法调优参数，利用群体智能，能够避免局部最优。

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。

实施例一

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：

步骤S102，获取历史过程中所有学习对象作答习题的得分集合和每个习题所考察的知识点集合，其中，每个习题对应有多个知识点。

步骤S104，基于得分集合和知识点集合，分析学习对象对每个知识点的认知概率参数集合以及每个知识点对关联题目的影响因子集合。

步骤S106，采用认知概率参数集合以及每个知识点对关联题目的影响因子集合，构建认知模型。

步骤S108，采用认知模型，分析目标学习对象作答新习题的答对概率。

通过上述步骤，可以采用先获取历史过程中所有学习对象作答习题的得分集合和每个习题所考察的知识点集合，其中，每个习题对应有多个知识点，然后基于得分集合和知识点集合，分析学习对象对每个知识点的认知概率参数集合以及每个知识点对关联题目的影响因子集合，之后采用认知概率参数集合以及每个知识点对关联题目的影响因子集合，构建认知模型，最后采用认知模型，分析目标学习对象作答新习题的答对概率。在该实施例中，采用一种能够面向多知识点的认知分析技术，能够解决传统BKT无法处理一道题目同时考察多个知识点的场景，采用认知模型分析学习对象作答新习题的答对概率的准确度更高，进而解决了相关技术中无法处理一道习题中同时考察多个知识点，影响对学习对象的认知评估的准确性的技术问题。

下面结合各步骤对本发明实施例进行详细说明。

步骤S102，获取历史过程中所有学习对象作答习题的得分集合和每个习题所考察的知识点集合，其中，每个习题对应有多个知识点。

在本发明实施例中，学习对象包括但不限于：在校学生、需要学习的教师以及需要学习的家长等需要学习的任何年龄的人(也可以是机器人、计算机、服务器)，本发明实施例需要的数据集可以从任意在线教育平台上获取，学习对象作答习题的得分集合表示为Y＝{y}，y∈{0，1}，每个习题所考察到的知识点集合表示为KC。

步骤S104，基于得分集合和知识点集合，分析学习对象对每个知识点的认知概率参数集合以及每个知识点对关联题目的影响因子集合。

在本发明实施例中，设置知识点的数目为I，学习对象的个数为S，进化代数为Gens，以及个体变异率和个体交叉率，设置学习对象对每个知识点的初始掌握概率为(PL₁，PL₂，...，PL_i，...，PL_I)，(i∈{1，2，...，I})，其中，PL_i表示学习对象对第i个知识点的初始掌握情况，学习对象对每个知识点的学习概率为(PT₁，PT₂，...，PT_i，...，PT_I)，(i∈{1，2，...，I})，其中，PT_i表示学习对象对第i个知识点的学习概率，学习对象对每个知识点的遗忘概率为(PF₁，PF₂，...，PF_i，...，PF_I)，(i∈{1，2，...，I})，其中，PF_i表示学生对第i个知识点的遗忘概率。

在本发明实施例中，每道题目可能考察了多个知识点，那么这道题目的失误率和猜测率将由这些被考察到的知识点共同决定，所以设置每个知识点对其关联到的题目失误率的影响因子为(S₁，S₂，...，S_i，...，S_I)，(i∈{1，2，...，I})，其中，S_i表示第i个知识点对其关联到的题目失误率的影响因子，失误率表示学习对象能够答对该习题，却答错的概率，设置每个知识点对其关联到的题目猜测率的影响因子为(G₁，G₂，...，G_i，...，G_I)，(i∈{1，2，...，I})，其中，G_i表示第i个知识点对其关联到的题目猜测率的影响因子，猜测率表示学习对象没有学习过该习题却能够答对该习题概率。

可选地，基于得分集合和知识点集合，分析学习对象对每个知识点的认知概率参数集合以及每个知识点对关联题目的影响因子集合的步骤，包括：基于得分集合和知识点集合，分析学习对象对每个知识点的初始掌握概率、学习概率以及遗忘概率；基于学习对象对每个知识点的初始掌握概率、学习概率以及遗忘概率，确定学习对象对每个知识点的认知概率参数集合。

在本发明实施例中，通过分析学习对象对每个知识点的初始掌握概率、学习概率以及遗忘概率，可以获得学习对象在当前时刻对各个知识点的掌握状态为 其中，时刻t的掌握状态用P^(t)表示，掌握状态也称为认知概率参数集合。例如，掌握状态可以大致分为{未掌握、部分掌握、大部分掌握、完全掌握}，未掌握可以表示学习对象答对习题概率为0-0.2，部分掌握可以表示学习对象答对习题概率为0.3-0.5，大部分掌握可以表示学习对象答对习题概率为0.6-0.8，完全掌握可以表示学习对象答对习题概率为0.9-1，本发明实施例在此不做限制。

可选地，基于得分集合和知识点集合，分析学习对象对每个知识点的认知概率参数集合以及每个知识点对关联题目的影响因子集合的步骤，还包括：确认每个知识点对关联题目失误率的第一影响因子以及每个知识点对关联题目猜测率的第二影响因子；以第一影响因子和第二影响因子构建影响因子集合。

在本发明实施例中，第一影响因子为每个知识点对其关联到的题目失误率的影响因子，表示为(S₁，S₂，...，S_i，...，S_I)，(i∈{1，2，...，I})，第二影响因子为每个知识点对其关联到的题目猜测率的影响因子，表示为(G₁，G₂，...，G_i，...，G_I)，(i∈{1，2，...，I})，第一影响因子和第二影响因子构建为影响因子集合。

步骤S106，采用认知概率参数集合以及每个知识点对关联题目的影响因子集合，构建认知模型。

在该实施例中，采用认知概率参数集合以及每个知识点对关联题目的影响因子集合，即学习对象在当前的认知状态，包括当前学习对象对每个知识点的初始掌握概率、学习概率、遗忘概率以及每个知识点对关联题目失误率以及猜测率的影响因子等，构建认知模型。

可选地，采用认知概率参数集合以及每个知识点对关联题目的影响因子集合，构建认知模型的步骤，包括：基于得分集合和知识点集合，采用第一公式计算学习对象在当前认知状态下答对习题的第一概率值；基于每个知识点对关联题目失误率的第一影响因子，采用第二公式计算学习对象作答习题的失误率；基于每个知识点对关联题目猜测率的第二影响因子，采用第三公式计算学习对象作答习题的猜测率；基于学习对象在当前认知状态下答对目标习题的第一概率值、学习对象作答目标习题的失误率以及猜测率，采用第四公式计算学习对象答对习题的第二概率值；基于第一概率值和第二概率值，分析学习对象在当前时刻对各个知识点的掌握状态；基于学习对象在当前时刻对各个知识点的掌握状态，构建对应于学习对象的认知模型。

在本实施例中，设时刻t时目标习题为E^(t)，目标习题E^(t)考察的知识点集合为学习对象在当前时刻t对各个知识点的掌握状态为即当前认知状态为P^(t)。

本发明实施例中的第一公式为：其中，n∈KC_t＝{kc₁，kc₂...，kc_k}，P^(t)表示当前认知状态，计算在不考虑学习对象的猜测和失误因素下，学习对象在当前认知状态下答对该题目的概率η，即第一概率值。第二公式为：其中，n∈KC_t＝{kc₁，kc₂...，kc_k}，S_n表示每个知识点对其关联到的题目失误率的影响因子，计算得到当前学习对象对题目的失误率P(S)。第三公式为：其中，n∈KC_t＝{kc₁，kc₂...，kc_k}，G_n表示每个知识点对其关联到的题目猜测率的影响因子，计算得到当前学习对象对题目的猜测率P(G)。第四公式为：P_corr＝η(1-P(S))+(1-η)*P(G)，其中，η表示第一概率值，P(S)表示当前学习对象对题目的失误率，P(G)表示当前学习对象对题目的猜测率，综合考虑学生的认知状态、学习对象对题目的猜测因素以及失误因素，利用第四公式最后得到学习对象答对当前题目的概率P_corr，即第二概率值。然后通过得到的概率值分析学习对象在当前时刻对各个知识点的掌握状态，用于构建认知模型。

可选地，在构建认知模型之后，认知分析方法还包括：若前一时刻学习对象所作答的题目未涉及目标知识点，确定学习对象从前一时刻到当前时刻对目标知识点的遗忘概率；基于学习对象在前一时刻对各个知识点的掌握状态以及从前一时刻到当前时刻对目标知识点的遗忘概率，采用第五公式计算学习对象在当前时刻对目标知识点的掌握状态，以更新认知模型。

在本实施例中，学习对象的认知状态，即学习对象对各个知识点的掌握情况，随着时间在不断改变。在该实施例中，第五公式为：其中，PF_n表示学习对象从前一时刻到当前时刻对目标知识点的遗忘概率，表示时刻t时学习对象的掌握状态。对于前一时刻t题目没有考察到的知识点，因为学习对象在前一时刻t没有得到练习，因此只考虑学习对象对该知识点的遗忘效果，采用第五公式计算学习对象在当前时刻对目标知识点的掌握状态，用以更新认知模型。

另一种可选地，在构建认知模型之后，认知分析方法还包括：若前一时刻学习对象所作答的题目涉及目标知识点，确定学习对象从前一时刻到当前时刻对目标知识点的遗忘概率；确定学习对象在前一时刻答对目标知识点对应的题目的第一学习概率以及未答对目标知识点对应的题目的第二学习概率；基于学习对象在前一时刻对各个知识点的掌握状态、学习对象从前一时刻到当前时刻对目标知识点的遗忘概率以及在前一时刻答对目标知识点对应的题目的第一学习概率，采用第六公式计算学习对象在当前时刻对目标知识点的掌握状态，以更新认知模型；或者，基于学习对象在前一时刻对各个知识点的掌握状态、学习对象从前一时刻到当前时刻对目标知识点的遗忘概率以及在前一时刻未答对目标知识点对应的题目的第二学习概率，采用第七公式计算学习对象在当前时刻对目标知识点的掌握状态，以更新认知模型。

在该实施例中，第六公式为： 其中，n∈KC_t＝{kc₁，kc₂...，kc_k}，PF_n表示学习对象从前一时刻到当前时刻对目标知识点的遗忘概率，表示前一时刻t时学习对象的掌握状态，S_n表示每个知识点对其关联到的题目失误率的影响因子，G_n表示每个知识点对其关联到的题目猜测率的影响因子。第七公式为： 其中，n∈KC_t＝{kc₁，kc₂...，kc_k}，PF_n表示学习对象从前一时刻到当前时刻对目标知识点的遗忘概率，表示前一时刻t时学习对象的掌握状态，S_n表示每个知识点对其关联到的题目失误率的影响因子，G_n表示每个知识点对其关联到的题目猜测率的影响因子。

在本实施例中，对于时刻t的题目考察到的知识点，因为学习对象在时刻t得到练习，因此需要考虑学生对该知识点的学习效果和遗忘效果，但是在前一时刻t，学习对象答对了该题目和答错了该题目，得到的学习效果是不同的。如果学习对象答对了该题目，则基于学习对象在前一时刻对各个知识点的掌握状态、学习对象从前一时刻到当前时刻对目标知识点的遗忘概率以及在前一时刻答对目标知识点对应的题目的第一学习概率(即学习对象答对了该题目的概率)，采用第六公式计算学习对象在当前时刻对目标知识点的掌握状态，以更新认知模型。如果学习对象答错了该题目，则基于学习对象在前一时刻对各个知识点的掌握状态、学习对象从前一时刻到当前时刻对目标知识点的遗忘概率以及在前一时刻答对目标知识点对应的题目的第二学习概率(即学习对象答错了该题目的概率)，采用第七公式计算学习对象在当前时刻对目标知识点的掌握状态，以更新认知模型。

步骤S108，采用认知模型，分析目标学习对象作答新习题的答对概率。

可选地，在采用认知模型，分析目标学习对象作答新习题的答对概率之后，认知分析方法还包括：对认知模型进行训练，更新学习对象对各个知识点的掌握状态；基于更新后的学习对象对各个知识点的掌握状态，调整认知模型的认知概率参数和影响因子。在本实施例中，对认知模型进行训练的步骤包括：

步骤1：初始化种群；

步骤2：设置循环迭代器gen＝1，当gen≤Gens时，循环执行步骤3-8；

步骤3：评价个体适应度，进化种群，执行步骤4-8；

步骤4：选取学习对象s＝1，(s∈{1，2，...，S})，当s≤S时，循环执行步骤5-8；

步骤5：学习对象答题时间步t＝1，当t≤T时，循环执行步骤6-8；

步骤6：根据认知追踪模型，计算学习对象在时刻t答对题目的概率，将预测值保存到变量Pred中，更新学习对象的认知状态；

步骤7：计算变量Pred和数据集中的评价指标，将评价指标作为个体的适应度值；

步骤8：根据种群中个体的适应度值，利用演化算法，对个体进行交叉变异操作，生成下一代种群；

步骤9：得到最后一代种群中最优个体的DNA值。

在本实施例中，可以通过比较预测答题结果与数据集中学习对象真实答题结果，迭代训练该认知模型，最终得到认知概率参数和影响因子，即学习对象对每个知识点的掌握概率、学习概率、遗忘概率以及每个知识点对关联题目失误率以及猜测率的影响因子等。

实施例二

在本实施例中，使用一种面向混合知识点的贝叶斯认知跟踪方法，以解决现有KT模型无法处理混合知识点的情况以及只是简单扩展原始BKT模型，会导致算法复杂度会随着知识点数目的增大而呈指数级增长的问题。本实施例中的面向混合知识点的贝叶斯认知跟踪方法，具体步骤如下：

步骤1，初始化：

使用启发式优化中的演化算法求解最优参数，将需要优化的参数作为种群中个体DNA。

1.1，设置知识点的数目为I；设置学生的个数为S；设置演化算法进化代数为Gens；设置演化算法种群个体变异率和交叉率；

1.2，设置学生对每个知识点的初始掌握概率(PL₁，PL₂，...，PL_i，...，PL_I)，(i∈{1，2，...，I})，其中，PL_i表示学生对第i个知识点的初始掌握情况；学生对每个知识点的学习概率(PT₁，PT₂，...，PT_i，...，PT_I)，(i∈{1，2，...，I})，其中，PT_i表示学生对第i个知识点的学习概率；学生对每个知识点的遗忘概率(PF₁，PF₂，...，PF_i，...，PF_I)，(i∈{1，2，...，I})，其中，PF_i表示学生对第i个知识点的遗忘概率。每道题目可能考察了多个知识点，那么这道题目的失误率和猜测率将由这些被考察到的知识点共同决定，设置每个知识点对其关联到的题目失误率的影响因子为(S₁，S₂，...，S_i，...，S_I)，(i∈{1，2，...，I})，其中，S_i表示第i个知识点对其关联到的题目失误率的影响因子；设置每个知识点对其关联到的题目猜测率的影响因子为(G₁，G₂，...，G_i，...，G_I)，(i∈{1，2，...，I})，其中，G_i表示第i个知识点对其关联到的题目猜测率的影响因子；

1.3，输入所有学生作答习题的得分集Y＝{y}，y∈{0，1}和所有学生作答习题所考察到的知识点集KC。

步骤2，建模：

某一时刻t，学生作答的题目为E^(t)，该题目考察的知识点集合为 学生在当前时刻对各个知识点的掌握状态为

2.1，根据公式(1)，计算在不考虑学生的猜测和失误因素下，学生在当前认知状态，答对该题目的概率η；

其中，n∈KC_t＝{kc₁，kc₂...，kc_k} (1)；

2.2，根据公式(2)(3)，分别计算当前学生对题目的失误率和猜测率；

其中，n∈KC_t＝{kc₁，kc₂...，kc_k} (2)；

其中，n∈KC_t＝{kc₁，kc₂...，kc_k} (3)；

2.3，综合考虑学生的认知状态、学生随题目的猜测因素、失误因素，利用公式(4)得到学生答对当前题目的概率P_corr；

P_corr＝η*(1-P(S))+(1-η)*P(G) (4)；

2.4，更新时刻t+1，学生认知状态的改变，即学生对各个知识点的掌握情况P^(t+1)。

2.4.1，对于时刻t的题目E_t没有考察到的知识点，因为学生在时刻t没有得到练习，因此只考虑学生对该知识点的遗忘效果，按照公式(5)计算；

其中，

2.4.2，对于时刻t的题目E_t考察到的知识点，因为学生在时刻t得到练习，因此需要考虑学生对该知识点的学习效果和遗忘效果，但是在时刻t，学生答对了该题目和答错了该题目，得到的学习效果是不同的，分别按照公式(6)(7)来计算。

其中，n∈KC_t＝{kc₁，kc₂...，kc_k} (6)；

其中，n∈KC_t＝{kc₁，kc₂...，kc_k} (7)；

步骤3，模型训练

3.1，初始化种群；

3.2，设置循环迭代器gen＝1，当gen≤Gens时，循环执行步骤3.3-3.8；

3.3，评价个体适应度，进化种群，执行步骤3.4-3.8；

3.4，选取学生s＝1，(s∈{1，2，...，S})，当s≤S时，循环执行步骤3.5-3.8；

3.5，学生答题时间步t＝1，当t≤T时，循环执行步骤3.6-3.8；

3.6，根据步骤2计算学生在时刻t答对题目的概率，并做二值化，得到学生能否作对当前题目的预测值保存到变量Pred中，并更新学生的认知状态，即学生对各个知识点的掌握程度；

3.7，计算预测值Pred和数据集中学生真实答题结果的AUC、准确度等评价指标，将评价指标作为该个体的适应度值；

3.8，根据种群中个体的适应度值，利用演化算法，对个体进行交叉变异操作，生成下一代种群；

3.9，得到最后一代种群中最优个体的DNA值，即为模型的参数PL、PT、PF、S、G，其中，PL表示掌握概率，PT表示学习概率，PF表示以往概率，S表示每个知识点对其关联到的题目失误率的影响因子，G表示每个知识点对其关联到的题目猜测率的影响因子。

本发明实施例中提出的多知识点贝叶斯认知跟踪方法具有以下有益效果：

(1)拓宽了现有BKT模型的应用场景，使其可以处理题目中考察多个知识点的情况；

(2)单独跟踪每个知识点的变化，在以后的时间步出现新的不同知识点组合考察的题目时依然有效；

(3)跟踪多知识点问题，而且解决了原始BKT中算法复杂度随着知识点数目增大而指数增长的问题。

(4)使用启发式优化方法调优参数，利用群体智能，避免局部最优。

下面通过另一种可选的实施例来说明本发明。

实施例三

本实施例中提供的一种学习对象的认知分析装置包含了多个实施单元，每个实施单元对应于上述实施例一中的各个实施步骤。

图2是根据本发明实施例的一种学习对象的认知分析装置的示意图，如图2所示，该分析装置可以包括：获取单元20，第一分析单元22，构建单元24，第二分析单元26，其中，

获取单元20，用于获取历史过程中所有学习对象作答习题的得分集合和每个习题所考察的知识点集合，其中，每个习题对应有多个知识点；

第一分析单元22，用于基于得分集合和知识点集合，分析学习对象对每个知识点的认知概率参数集合以及每个知识点对关联题目的影响因子集合；

构建单元24，用于采用认知概率参数集合以及每个知识点对关联题目的影响因子集合，构建认知模型；

第二分析单元26，用于采用认知模型，分析目标学习对象作答新习题的答对概率。

上述学习对象的认知分析装置，可以通过获取单元20获取历史过程中所有学习对象作答习题的得分集合和每个习题所考察的知识点集合，其中，每个习题对应有多个知识点，然后基于得分集合和知识点集合，通过第一分析单元22分析学习对象对每个知识点的认知概率参数集合以及每个知识点对关联题目的影响因子集合，之后采用认知概率参数集合以及每个知识点对关联题目的影响因子集合，通过构建单元24构建认知模型，最后采用认知模型，通过第二分析单元2分析目标学习对象作答新习题的答对概率。在该实施例中，采用一种能够面向多知识点的认知分析技术，能够解决传统BKT无法处理一道题目同时考察多个知识点的场景，采用认知模型分析学习对象作答新习题的答对概率的准确度更高，进而解决了相关技术中无法处理一道习题中同时考察多个知识点，影响对学习对象的认知评估的准确性的技术问题。

可选地，第一分析单元包括：第一分析模块，用于基于得分集合和知识点集合，分析学习对象对每个知识点的初始掌握概率、学习概率以及遗忘概率；第一确定模块，用于基于学习对象对每个知识点的初始掌握概率、学习概率以及遗忘概率，确定学习对象对每个知识点的认知概率参数集合。

可选地，第一分析单元还包括：第二确定模块，用于确认每个知识点对关联题目失误率的第一影响因子以及每个知识点对关联题目猜测率的第二影响因子；第一构建模块，用以以第一影响因子和第二影响因子构建影响因子集合。

可选地，构建单元包括：第一计算模块，用以基于得分集合和知识点集合，采用第一公式计算学习对象在当前认知状态下答对习题的第一概率值；第二计算模块，用以基于每个知识点对关联题目失误率的第一影响因子，采用第二公式计算学习对象作答习题的失误率；第三计算模块，用以基于每个知识点对关联题目猜测率的第二影响因子，采用第三公式计算学习对象作答习题的猜测率；第四计算模块，用以基于学习对象在当前认知状态下答对目标习题的第一概率值、学习对象作答目标习题的失误率以及猜测率，采用第四公式计算学习对象答对习题的第二概率值；第二分析模块，用于基于第一概率值和第二概率值，分析学习对象在当前时刻对各个知识点的掌握状态；第二构建模块，用以基于学习对象在当前时刻对各个知识点的掌握状态，构建对应于学习对象的认知模型。

可选地，认知分析装置还包括：第三确定模块，用于在构建认知模型之后，若前一时刻学习对象所作答的题目未涉及目标知识点，确定学习对象从前一时刻到当前时刻对目标知识点的遗忘概率；第一更新模块，用于基于学习对象在前一时刻对各个知识点的掌握状态以及从前一时刻到当前时刻对目标知识点的遗忘概率，采用第五公式计算学习对象在当前时刻对目标知识点的掌握状态，以更新认知模型。

可选地，认知分析装置还包括：第四确定模块，用于在构建认知模型之后，若前一时刻学习对象所作答的题目涉及目标知识点，确定学习对象从前一时刻到当前时刻对目标知识点的遗忘概率；第五确定模块，用于确定学习对象在前一时刻答对目标知识点对应的题目的第一学习概率以及未答对目标知识点对应的题目的第二学习概率；第二更新模块，用于基于学习对象在前一时刻对各个知识点的掌握状态、学习对象从前一时刻到当前时刻对目标知识点的遗忘概率以及在前一时刻答对目标知识点对应的题目的第一学习概率，采用第六公式计算学习对象在当前时刻对目标知识点的掌握状态，以更新认知模型；或者，第三更新模块，用于基于学习对象在前一时刻对各个知识点的掌握状态、学习对象从前一时刻到当前时刻对目标知识点的遗忘概率以及在前一时刻未答对目标知识点对应的题目的第二学习概率，采用第七公式计算学习对象在当前时刻对目标知识点的掌握状态，以更新认知模型。

可选地，认知分析装置还包括：第四更新模块，用于在采用认知模型，分析目标学习对象作答新习题的答对概率之后，对认知模型进行训练，更新学习对象对各个知识点的掌握状态；第一调整模块，用于基于更新后的学习对象对各个知识点的掌握状态，调整认知模型的认知概率参数和影响因子。

上述的学习对象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20，第一分析单元22，构建单元24，第二分析单元26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。

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分析目标学习对象作答新习题的答对概率。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。