基于深度知识追踪的在线学习系统研究与实现
这是一篇关于知识追踪,在线学习系统,微服务,深度学习,习题推荐的论文, 主要内容为近年来,互联网与人工智能的发展带动了各行各业的进步,互联网与教育的融合推动了在线教育的迅速发展,学生可以随时随地在线上进行学习,摆脱了传统教育中时间和地点的束缚。随着在线教育规模不断扩大,其存在的问题也逐渐出现。首先,在线学习模式下,学生难以在老师的帮助下分析自身知识掌握情况,无法及时了解到自身短板,从而不能进行针对性的查缺补漏。其次,学生在线学习过程中很难找到合适的学习资料,难以实现针对性的学习与训练。通过知识追踪算法与在线学习系统融合可以很好地解决上述问题,通过知识追踪算法实现的在线学习系统可以利用学习过程中的历史测评数据分析学生的知识掌握状态,引导学生根据分析结果对学习方法做出调整,实现针对性学习与训练。针对在线学习存在的问题,本文首先提出了一个融合全局信息和习题难度的深度知识追踪模型,然后将其用于在线学习系统,设计并实现基于深度知识追踪的在线学习系统。本文主要工作包括:(1)对比分析已有知识追踪算法并对基于图的知识追踪模型GKT(Graphbased Knowledge Tracing)进行改进。通过对比研究现有模型发现,多数知识追踪模型采用长短期记忆网络处理时间序列中的特征,没有考虑知识概念之间的关系与相互影响,而基于图的知识追踪模型利用图对知识概念体系进行建模,充分挖掘了习题之间的关联,但基于图的知识追踪算法存在习题难度及全局信息缺失的问题。针对上述问题,本文提出了一个融合全局信息和习题难度的深度知识追踪模型DDGKT(Difficulty and Deep-based GKT),该模型针对不同学生之间的差异,考虑了习题难度的属性,同时通过融合深度知识追踪模型DKT(Deep Knowledge Tracking)引入全局信息,弥补了部分缺失的信息。引入习题难度及全局信息后,DDGKT模型的特征向量由多部分组成,为了增强特征向量之间的关联性,本文引入了分解机模型来进行特征交叉,将最后的模型命名为FDDGKT(FM and Difficulty Deep-based GKT)模型。最后,本文对改进后的模型在ASSISTments2009和ASSISTments2017数据集上进行了实验,表现良好,优于GKT和DKT模型。(2)设计并实现了一个基于FDDGKT模型的在线学习系统。该系统采用了微服务架构实现,具体实现采用Spring Cloud微服务框架,前端使用Vue实现,采用前后端分离的技术进行开发,最后通过Docker进行微服务部署。该系统包括视频学习、资料下载、知识追踪与诊断等功能,可以根据系统诊断结果进行习题推荐,能够满足学生在线学习中的基本需求。最后,对该系统进行了功能测试以及性能测试,测试结果表明,本文设计的系统性能稳定,各方面都达到了预期目标。本文针对在线学习存在的问题,首先分析了已有算法并对基于图的知识追踪算法进行改进,然后设计并实现了基于微服务架构的在线学习系统,将改进后的算法应用于该系统,从而帮助学生明确知识短板,提高学习效率,实现智能化学习。
基于学生知识追踪的多指标习题推荐算法研究
这是一篇关于智慧教育,习题推荐,知识追踪,协同过滤的论文, 主要内容为个性化习题推荐是教育数据挖掘领域的重要课题,目前众多学者提出了各种习题推荐模型,但仍有许多可以改进的地方:(1)当前主流的模型对于学生特征的研究不够彻底,对于学生整体答题行为内部的关联信息未能充分挖掘,学生学习是一个复杂的行为,需要搭建高可解释性模型。(2)大多数传统模型能够处理的数据量有限,难以应付海量线上教育数据的分析处理。(3)很多模型往往只考虑解决习题推荐场景中的某一个问题,而对于一个良好的推荐行为来说需要考虑多方面的因素。为解决以上问题,针对习题推荐系统中最重要的三个指标:新颖度、难度以及多样性进行研究,最终形成本文的研究内容如下:(1)为满足习题推荐新颖度指标,对学生知识点学习范围进行建模,预测知识点出现概率。在基于LSTM的知识点概率预测模型中融入学生遗忘因素,提出SF-KCAP(Student Forgetting Behavior Based Knowledge Concept Appearance Prediction)模型。(2)为满足习题推荐难度适中这一条件,对学生知识点掌握情况进行预测,研究基于动态键值对记忆网络DKVMN的深度知识追踪模型,最后在模型中融入学生能力及学习态度因素,提出DKVMN-CA(Dynamic Key-Value Memory Networks with Capacity and Attitude Elements for Knowledge Tracing)模型。(3)在前两点对学生用户画像进行建模之后,利用协同过滤User CF算法实现习题推荐多样性指标。综合上述算法提出一种先初筛后过滤的习题推荐系统,实现基于学生知识追踪的多指标习题推荐算法SKT-MIER(Multi-Index Exercise Recommendation Algorithm Based on Students’Knowledge Tracing)。(4)在四个真实的开源知识追踪数据集上对本文提出的推荐模型SKT-MIER以及模型中涉及到的DKVMN-CA模型效果进行评估,并与其它主流模型进行对比,在相应的评价指标上均有所提高。
基于异构多源学习数据的智慧教育平台研制
这是一篇关于教育平台,知识图谱,知识点重要性排序算法,习题推荐的论文, 主要内容为随着互联网的高速增长,越来越多的网络教育平台随之增长,在线教育平台的使用极大地方便了学生的学习和老师的管理,鼎新了教育理念和教育思维,但如何在教学平台中做好个性化推荐、提高学生学习效率依然是个值得研究的问题。面对教育平台中数据的种类和存在方式多种多样,本文在基于大数据的高效组织与处理技术的基础上,提出了异构多源数据的组织与处理,通过异构数据自动收集、异构数据融合技术和异构数据校验技术,建立了异构多源的动态学习模型。通过分析学科知识图谱中的关联关系,本文提出了知识点度量值和节点的度量值的方法,并由此得到知识点重要性排序算法,为基于知识图谱的推荐系统研究打下基础。鉴于传统的推荐算法在教育平台中做习题推荐推荐的效率低,算法难以实现,推荐不准确和习题特征不容易提取等问题,本文提出了基于知识图谱的习题推荐算法,根据课程内容的不同,得到不同的学科知识图谱,结合本文提出的知识点重要性排序算法,计算出知识点重要性排序序列。在教育平台中的新用户可以直接使用知识点重要性排序算法得到推荐列表进行习题推荐,对于已有数据记录的用户可根据已构建的用户行为记录库,得到基于学生本身的正确习题序列、总习题序列以及知识点-习题分布矩阵,并计算出知识点得分序率序列,结合推荐区间函数和知识点重要性排序序列,构建训练集得到习题推荐列表分别推荐给每一位用户。本文实现了多个智慧教育服务平台,并在部分平台上实现了本文提出的基于知识图谱的习题推荐算法的功能,完善了智慧教育服务平台中的智能推送,为学生提供了个性化的习题推荐服务,提高学生学习的效率。
基于知识点权重推荐的智慧识别练习系统的研究与实现
这是一篇关于在线教育,个性化学习,习题推荐,习题识别的论文, 主要内容为随着在线会议以及远程课堂的蓬勃发展,在线教育逐渐出现在了人们的视野中。传统教育中所有工作都基于教师和学生线下互动,教师随时都可能需要对学生进行干预,这对教师的工作效率有一定的影响。而在线教育平台则可以满足师生们的这些需求,例如在线练习与考试可以帮助教师节省批改时间,减少信息传达失误,也可以让学生在老师不在身边时能进行自主学习。但目前在线练习系统中的个性化内容主要是基于学生行为或是题目本身进行推荐,忽略了教师在教育系统中的意义,本文提出的基于知识点的个性化推荐算法引入了教师对知识点进行评分的机制,在推荐题目时结合学生对知识点的掌握情况和教师对知识点重要程度的评价来综合进行推荐。在论述了文章的背景及意义之后,本文首先介绍了系统开发所使用的相关技术。然后分析了基于内容的推荐算法的优缺点,基于该算法的基本原理设计了一种基于知识点的习题推荐算法,算法综合教师对知识点重要程度的评价与学生对知识点的掌握度来推荐习题,整个推荐流程贴近实际教育工作中布置习题的思想。随后文章介绍了一种手写体识别算法,用于对学生线下完成的作业进行识别与判定,可以在无家长与教师指导的情况下给学生提供一定指导,这使系统对同学们日常线下学习和线上学习都进行了一定覆盖。基于以上理论与研究,本文设计且实现了一款在线教育系统,其中用户端包含在线考试、在线练习、作业自检、通知中心、用户中心这几大版块;管理端包括用户管理、试题管理、课程管理、公告发布这几个版块。整个系统以通知、练习、考试、自检四大板块作为核心,通知版块让学生及时了解课程信息以及学习要点;练习版块通过个性化推荐让学生平时能够查漏补缺,做到有针对性的提升;考试版块则是检验学生的标准,通过对学生的考察让教师了解学生们的学习情况,以便调整教学方案以及在通知中心发布课程学习相关意见;自检版块能让学生自行对线下完成的作业进行评判,使学生在没有指导的情况下可以自评。
基于强化学习的个性化习题推荐辅助教学系统的研究
这是一篇关于习题推荐,强化学习,最近发展区,学习者能力水平,习题难度的论文, 主要内容为习题是一种重要的教学资源,尤其在我国的教学过程中,有效的习题训练对学习者学习起着重要作用。考虑学习者的能力水平为其推荐合适的习题,使其处于学习的“最近发展区”内,从而激发学习者的学习潜力和积极性对促进其学习进步有着重要意义。目前习题推荐的相关研究往往基于相似用户或者基于习题所承载的知识点内容本身,缺乏对学习者实际能力水平与习题难度是否匹配的考虑。此外,不同的研究中采用不同的智能化推荐算法,但都有可能遇到冷启动或者特征数据稀疏问题,导致最终无法进行准确地推荐。所以本研究的研究目的为,将某难度水平的题目个性化地推荐给相应能力水平的学习者。结合“最近发展区”理论,对学习者能力水平和习题难度之间的关系进行探讨,同时构建强化学习模型,利用强化学习的决策,将适当难度的题目推荐给相应能力水平的学习者。本研究将“最近发展区”理论应用于习题训练过程中,通过学习者的历史习题作答记录和习题信息,将学习者的能力水平数值化并划分等级,同时计算习题的难度值,结合强化学习算法构建个性化习题推荐模型辅助教学。本研究的主要工作包括:(一)提出以学习者“最近发展区”理论为依据构建模型,并分为两个维度将其量化。一方面基于项目反应理论构建项目反应模型,采用参数估计的方法量化学习者的能力水平;另一方面利用题目信息中的通过率和平均得分计算习题难度系数,同时构建习题综合难度模型量化习题难度,划分待推荐习题的难度等级。维度被量化后的“最近发展区”为强化学习推荐模型的构建提供环境状态的表示。(二)为实现根据学习者的能力水平在其学习舒适区,即“最近发展区”进行习题推荐的目的。首先对强化学习的环境状态表示、动作集合、奖励策略等进行设计,构建基于强化学习的个性化习题推荐辅助教学系统模型。然后对数据集进行预处理工作进而开始推荐模型实验。最后分析实验结果,评价推荐效果。通过实验证明本研究可以实现为学习者推荐适合其学习难度的习题的目的,使学习者在“最近发展区”内学习,激发其自身潜力。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计驿站 ，原文地址：https://m.bishedaima.com/lunwen/45281.html
