個性化試題推薦是實現(xiàn)高效學習的有效途徑,幫助學生從"題海戰(zhàn)術(shù)"中解脫出來,對實現(xiàn)適應性教學、促進教育公平具有重要意義。但目前個性化試題推薦方法大多是基于協(xié)同過濾進行試題層面的個性化推薦,沒有聚焦到知識點層面,存在推薦試題定位不準確的問題。針對上述問題,對基于深度自編碼器和二次協(xié)同過濾的個性化試題推薦方法進行了研究。首先考慮到學生對知識點的認知情況進行基于知識點的二次協(xié)同過濾試題推薦,然后應用項目反應理論和深度自編碼器來預測學生在推薦試題上涉及推薦知識點的得分以及綜合得分,最后對預測結(jié)果協(xié)同判斷并控制最終個性化推薦試題的難度,產(chǎn)生最終的推薦試題列表。通過對比實驗驗證提出的推薦方法的推薦結(jié)果相對于傳統(tǒng)試題推薦更具個性化和準確性。 

【文章來源】：計算機科學. 2019,46(S2)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

圖５確定試題推薦列表流程圖實驗與結(jié)果分析

ｓｉｏｎ＋Ｒｅｃａｌｌ（９）其中，ＴＲ表示推薦結(jié)果中推薦正確的項，ＦＲ表示推薦結(jié)果中錯誤的項，ＮＲ表示正確的結(jié)果但是沒有進行推薦。４．２．２平均得分ＡＲ試題推薦與傳統(tǒng)的電影推薦或者音樂推薦并不相同，其本質(zhì)是根據(jù)學生對知識點的實際掌握情況進行相應難度試題的推薦，既不能過于簡單也不能過于困難。所以僅使用傳統(tǒng)基于ＴＯＰ－Ｎ或者評分預測思想進行推薦的評估參數(shù)（準確率、召回率、Ｆ１）進行實驗的評估結(jié)果并不十分全面，因此本文提出了平均得分ＡＲ來作為試題推薦結(jié)果的一個評估參數(shù)，計算方式為ＡＲ＝∑ｎｉ＝１Ｒｎ，其中Ｒ是每個試題的學生得分，ｎ是推薦試題的數(shù)量。ＡＲ表示學生在推薦試題上的平均得分，若果ＡＲ值偏大，則表明推薦試題較為簡單，無法達到練習的目的；如果ＡＲ值偏小，則表明推薦試題難度過大，學生正確率偏低。推薦結(jié)果的ＡＲ值應保持在適當范圍內(nèi)。４．３實驗結(jié)果與分析為了對實驗結(jié)果進行評估，本文引入了以下方法進行對比分析。１）基于項目的協(xié)同過濾方法。根據(jù)學生的學習記錄，找出跟學生表現(xiàn)較好的試題最相似的項目，然后根據(jù)項目的相似分數(shù)從高到低進行推薦。２）基于ＫＮＮ推薦方法。通過學生的做題記錄，計算學生之間的相似度，并根據(jù)最相似的Ｋ個學生的得分情況預測目標學生在試題上的得分情況，并進行推薦。３）基于矩陣分解的推薦方法。將學生與試題得分矩陣Ｒｍ×ｎ，分解為學生矩陣Ｓｍ×ｋ和試題矩陣ＰＴｎ×ｋ，其中學生矩陣Ｓｍ×ｋ表示學生

【參考文獻】：
期刊論文
[1]認知診斷評估對實現(xiàn)有效診斷教學的促進作用[J]. 孫琳琳.  世界最新醫(yī)學信息文摘. 2018(20)
[2]基于深度學習的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機學報. 2018(07)
[3]智能教育與教育智能化技術(shù)研究[J]. 徐立芳,莫宏偉,李金,梁紅,欒寬.  教育現(xiàn)代化. 2018(03)
[4]教育大數(shù)據(jù)研究綜述[J]. 杜婧敏,方海光,李維楊,仝賽賽.  中國教育信息化. 2016(19)
[5]錯題管理系統(tǒng)中個性化推薦練習算法的設計與實現(xiàn)[J]. 王文泉.  中國教育信息化. 2016(11)
[6]發(fā)展教育大數(shù)據(jù):內(nèi)涵、價值和挑戰(zhàn)[J]. 楊現(xiàn)民,唐斯斯,李冀紅.  現(xiàn)代遠程教育研究. 2016(01)
[7]基于粒子群優(yōu)化算法的學習資源推薦方法[J]. 楊超.  計算機應用. 2014(05)
[8]基于錯題庫的個性化練習生成模型研究[J]. 蔣一君,邱飛岳,劉迎春,吳皖贛.  中國教育信息化. 2011(08)
[9]基于概念圖的教學內(nèi)容智能調(diào)整模型及算法實現(xiàn)[J]. 申瑞民,湯軼陽,韓鵬,楊帆.  上海交通大學學報. 2002(05)



本文編號：3054519