個性化學(xué)習(xí)旨在根據(jù)學(xué)習(xí)者個體的認(rèn)知水平、學(xué)習(xí)能力等,選擇合適的學(xué)習(xí)資源與學(xué)習(xí)方式,使其彌補(bǔ)知識不足,獲得最佳發(fā)展。近年來,在線學(xué)習(xí)系統(tǒng)的快速發(fā)展,不僅打破了傳統(tǒng)課堂學(xué)習(xí)的時空約束,還提供了豐富的學(xué)習(xí)資源,吸引了越來越多的學(xué)習(xí)者,留下了大量的學(xué)習(xí)數(shù)據(jù)。這些學(xué)習(xí)數(shù)據(jù)蘊(yùn)含著巨大的科學(xué)及市場價值,為實(shí)現(xiàn)數(shù)據(jù)驅(qū)動的個性化學(xué)習(xí)服務(wù),提供了有力的支撐。因此,如何利用數(shù)據(jù)挖掘等技術(shù)對學(xué)習(xí)者學(xué)習(xí)數(shù)據(jù)進(jìn)行理解、分析,實(shí)踐個性化學(xué)習(xí),已經(jīng)成為計(jì)算機(jī)及相關(guān)交叉學(xué)科的研究熱點(diǎn)�，F(xiàn)階段,盡管基于認(rèn)知心理學(xué)等理論的相關(guān)方法已取得了一定的成效,但在線場景中的個性化學(xué)習(xí)研究人面臨著學(xué)習(xí)資源表征苦難、學(xué)習(xí)過程復(fù)雜易變以及學(xué)習(xí)策略難以量化等挑戰(zhàn)。為此,本文系統(tǒng)性地開展了面向個性化學(xué)習(xí)的數(shù)據(jù)挖掘方法及應(yīng)用的探索性研究工作。具體地,針對練習(xí)題對象,提出了練習(xí)資源的深度表征方法,并在語言類和邏輯類兩類典型練習(xí)題目的應(yīng)用中進(jìn)行驗(yàn)證;針對學(xué)生對象,分別提出了融合學(xué)習(xí)因素的知識跟蹤方法和融合題目語義的知識跟蹤模型;針對學(xué)習(xí)策略對象,提出了基于多目標(biāo)學(xué)習(xí)的個性化推薦方法,提高學(xué)生學(xué)習(xí)效率。本文的研究工作依托于科大訊飛開發(fā)的國內(nèi)領(lǐng)先的在線... 

【文章來源】：中國科學(xué)技術(shù)大學(xué)安徽省 211工程院校 985工程院校

【文章頁數(shù)】：163 頁

【學(xué)位級別】：博士

【部分圖文】：

圖２．２?—層卷積神經(jīng)網(wǎng)絡(luò)示意圖：藍(lán)色部分表示卷積操作，紅色部分表示池化操作??

?———???加法??練習(xí)題??知識點(diǎn)???約分卜?＿？通分??加法?減法：乘法?通分?約分?；＇、、，，／??練習(xí)趣１?１?０?０?０?０?乘法？丨??／Ｖ?分式化＊??—??????＿Ｊ?ｔ?Ｖ??練習(xí)題?２?１０?１０?０?＊????．一－．．．．???■洧位相減?Ｖ?分式拆分??練習(xí)題３＿０?°?１?１?°＿?＾??（ａ）練習(xí)－知識Ｑ矩陣樣例?（ｂ）?ＤＩＮＡ診斷結(jié)果樣例??圖２．４認(rèn)知診斷相關(guān)知識樣例??不同的特征，則反映出學(xué)生的知識能力也是不同。項(xiàng)目反映理論僅關(guān)注學(xué)生在宏??觀層次的能力水平（即士可視為學(xué)生的一種綜合能力），然而在實(shí)際應(yīng)用中，由??于練習(xí)題測量知識范圍（如函數(shù)、幾何等）的不同，導(dǎo)致項(xiàng)目反映理論的評估結(jié)??果難以刻畫學(xué)生微觀層面（即不同知識點(diǎn)）上的能力水平。??２．３．２認(rèn)知診斷分析??認(rèn)知診斷理論是新一代測量理論的代表，其目的是能夠?qū)W(xué)生個體微觀知??識層面進(jìn)行評估分析，即得到學(xué)生在不同知識范圍（如函數(shù)、幾何等）上的學(xué)習(xí)??水平。相關(guān)研究中，最具有代表性的模型是確定性技能診斷模型（Ｄｅｔｅｒｍｉｎｉｓｔｉｃ??Ｉｎｐｕｔ，Ｎｏｉｓｙ?Ａｎｄ?ｇａｔｅ，?ＤＩＮＡ）?ｌ６３ｊ。ＤＩＮＡ模型引入了練習(xí)－知識矩陣，稱為Ｑ矩陣，??該矩陣定義每一個練習(xí)題的知識范圍，由一組顯示的知識／技能表示。圖２．４（ａ）展??示了一個Ｑ矩陣的樣例，其中可以看出練習(xí)題２考察了?“加法”和“乘法”兩個知??識點(diǎn)。在實(shí)際應(yīng)用中，Ｑ矩陣通常由教育學(xué)專家（如教師）進(jìn)行標(biāo)注。在ＤＩＮＡ??模型中，學(xué)生由一個二元離散向量所表示

?第２章研究現(xiàn)狀與基礎(chǔ)知識???Ｐ（Ｌ）—??Ｐ（Ｇ）Ｐ（Ｓ）?Ｐ（Ｇ）?Ｐ（Ｓ）?Ｐ（Ｇ）?Ｐ（Ｓ）??ＪＬ?Ｊｒ??（＾０＾）?（＾ｗ）??圖２．Ｓ貝葉斯知識跟蹤模型：灰色圈表示觀測變量，白色圈表示隱變量??示學(xué)生未經(jīng)過學(xué)習(xí)時對知識欠的先驗(yàn)，（２）學(xué)習(xí)參數(shù)戶（乃建模學(xué)生知識狀態(tài)的??轉(zhuǎn)移概率，（３）猜測參數(shù)Ｐ（Ｇ）表示學(xué)生未掌握該知識的情況下仍然答對練習(xí)的??概率，（４）失誤參數(shù)尸（力表示學(xué)生掌握該知識的情況下仍然答錯練習(xí)的概率。??經(jīng)典的ＢＫＴ模型具有較強(qiáng)的假設(shè)。它認(rèn)為學(xué)生的知識學(xué)習(xí)過程是不會遺忘??的，即學(xué)生的知識變化是一個只增不減的狀態(tài)，因此當(dāng)學(xué)生對于改知識掌握概??率達(dá)到〗（完全掌握）時，將永遠(yuǎn)處于掌握狀態(tài)，為了克服這種不足，Ｎｅｄｕｎｇａｄｉ??等人將學(xué)習(xí)參數(shù)ｐ（ｒ）分為兩個部分，即學(xué)習(xí)部分和遺忘部分，改進(jìn)了傳統(tǒng)??ＢＫＴ模型。進(jìn)一步，大量研究通過加人外部學(xué)習(xí)因素，如難度因素［６６］、學(xué)生個??性因素［６８＇８１］、知識層級結(jié)構(gòu)［６７］等，提高ＢＫＴ模型的建模能力。??傳統(tǒng)ＢＫＴ模型只能建模學(xué)生在單個知識上的學(xué)習(xí)情況，因此，它通常將學(xué)??生對于多個知識的學(xué)習(xí)過程視為多個離散過程。為了能夠聯(lián)合跟蹤學(xué)生在多個??知識上的學(xué)習(xí)狀態(tài)，研究者利用章節(jié)２．２．１中所述的循環(huán)神經(jīng)網(wǎng)絡(luò)模型建模學(xué)生??學(xué)習(xí)記錄，從而提出了深度知識追蹤模型（Ｄｅｅｐ?Ｋｎｏｗｌｅｄｇｅ?Ｔｒａｃｉｎｇ，ＤＫＴ）?［８２］。??相較于ＢＫＴ模型，ＤＫＴ具有如下優(yōu)勢：一是它打破了知識之間的獨(dú)立性，在隱??空間中建模了學(xué)生多個知識點(diǎn)的綜合狀態(tài)，具有更強(qiáng)的語義表達(dá)能力。二是它不??再局限于一介馬爾科夫性質(zhì)（即學(xué)生當(dāng)前的知識狀態(tài)僅與其上

【參考文獻(xiàn)】：
期刊論文
[1]智慧教育研究現(xiàn)狀與發(fā)展趨勢[J]. 鄭慶華,董博,錢步月,田鋒,魏筆凡,張未展,劉均.  計(jì)算機(jī)研究與發(fā)展. 2019(01)
[2]面向大規(guī)模認(rèn)知診斷的DINA模型快速計(jì)算方法研究[J]. 王超,劉淇,陳恩紅,黃振亞,朱天宇,蘇喻,胡國平.  電子學(xué)報. 2018(05)
[3]試題知識點(diǎn)預(yù)測:一種教研知識強(qiáng)化的卷積神經(jīng)網(wǎng)絡(luò)模型[J]. 胡國平,張丹,蘇喻,劉青文,李佳,王瑞.  中文信息學(xué)報. 2018(05)
[4]面向在線智慧學(xué)習(xí)的教育數(shù)據(jù)挖掘技術(shù)研究[J]. 劉淇,陳恩紅,朱天宇,黃振亞,吳潤澤,蘇喻,胡國平.  模式識別與人工智能. 2018(01)
[5]“互聯(lián)網(wǎng)+”時代中國遠(yuǎn)程教育的機(jī)遇和挑戰(zhàn)[J]. 陳麗,林世員,鄭勤華.  現(xiàn)代遠(yuǎn)程教育研究. 2016(01)



本文編號：3388737