智適應學習系統(tǒng)通過知識追蹤建立學習者模型,并結合領域知識模型和測評算法,對學習者掌握知識點的情況進行有效測評及能力預測,以達到知識追蹤效果,從而個性化學習服務以提高學習效率,被稱為人工智能時代的教育革命。針對智適應學習系統(tǒng)中,缺乏充足學習者數(shù)據(jù)所導致的深度知識追蹤冷啟動問題,和教研經(jīng)驗對知識內容的掌握尚未充分融入到測評與推薦算法中的問題,本文利用深度學習和圖關聯(lián)規(guī)則算法設計思想,結合已有的深度知識追蹤模型,提出了圖規(guī)則-深度知識追蹤(Graph Rule-Deep Knowledge Tracing,GR-DKT)模型,對學習者進行知識追蹤。GR-DKT針對領域知識的結構特征,引入了用于冷啟動階段的項目反應理論(Item Response Theory,IRT)模型,構建出了基于知識結構樹和基于知識圖譜的領域知識模型,然后提出了基于知識圖譜的關聯(lián)規(guī)則進行動態(tài)測評與推薦的圖規(guī)則(Graph Rule,GR)冷啟動算法,并且融入了基于深度學習的DKT-plus深度知識追蹤學習者模型以測評學習者的長期表現(xiàn)能力。GR-DKT根據(jù)時間維度進行多模型融合,根據(jù)數(shù)據(jù)維度和評估效果維度進行實際應用場景...

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內外研究現(xiàn)狀
    1.3 本文主要工作
    1.4 本文組織結構
2 智適應學習系統(tǒng)相關理論與技術研究
    2.1 智適應學習系統(tǒng)簡介
    2.2 知識圖譜與領域知識模型
        2.2.1 知識圖譜在領域知識模型中的應用
        2.2.2 領域知識模型構建示例
    2.3 基于知識追蹤的學習者模型
        2.3.1 項目反應理論及模型應用
        2.3.2 貝葉斯知識追蹤及模型應用
        2.3.3 深度知識追蹤及模型應用
    2.4 深度學習的發(fā)展與應用
3 智適應學習系統(tǒng)的需求分析與概要設計
    3.1 智適應學習系統(tǒng)的需求分析
        3.1.1 功能需求分析
        3.1.2 非功能需求分析
        3.1.3 技術選型
    3.2 智適應學習系統(tǒng)的概要設計
        3.2.1 總體架構設計
        3.2.2 總體功能模塊設計
        3.2.3 數(shù)據(jù)庫設計
4 智適應學習系統(tǒng)的詳細設計與實現(xiàn)
    4.1 基于知識追蹤的GR-DKT模型設計
    4.2 領域知識模型的設計與實現(xiàn)
        4.2.1 領域知識的樹狀結構庫的設計與實現(xiàn)
        4.2.2 細粒度知識點層級知識圖譜的設計與實現(xiàn)
        4.2.3 知識點與習題關聯(lián)規(guī)則庫的解析設計與實現(xiàn)
    4.3 動態(tài)測評與推薦GR算法設計與實現(xiàn)
    4.4 冷啟動階段的IRT學習者模型
    4.5 基于LSTM的 DKT-plus深度知識追蹤學習者模型
        4.5.1 學習者數(shù)據(jù)的預處理及編碼
        4.5.2 LSTM神經(jīng)網(wǎng)絡模型
        4.5.3 DKT-plus的輸出及參數(shù)設置
    4.6 功能模塊及與模型的有效結合的詳細設計與實現(xiàn)
        4.6.1 智學習模塊
        4.6.2 智學情模塊
        4.6.3 課程資源模塊
        4.6.4 個人中心模塊
5 智適應學習系統(tǒng)的功能測試與效果評估
    5.1 智適應學習系統(tǒng)的功能測試
    5.2 GR-DKT模型的效果評估
        5.2.1 實驗數(shù)據(jù)集
        5.2.2 GR冷啟動算法效果驗證
        5.2.3 GR-DKT模型效果驗證
    5.3 多知識追蹤模型對比分析
    5.4 討論與展望
結論
參考文獻
致謝



本文編號：3996894