基于图嵌入的学习诊断与个性化试题推荐研究
这是一篇关于推荐系统,知识追踪,图嵌入,认知诊断的论文, 主要内容为近年来,随着“互联网+”时代和计算机等信息技术的迅速发展,中国现代教育体系发生了根本性的变化,传统教育方式逐渐转变为智能化、个性化的现代教育新方式。同时,我国对智能化、个性化教育的关注也在不断加强。然而传统教育中教育者仅仅提供笼统的终结性测验分数去评估学习者,无法为其提供详细的认知结构和知识掌握情况。教育者提供过量且无差别的学习资源不仅导致学习者认知过载,而且也无法使学习者获得适合其自身需求的学习资源。因此,对学习者特质进行形成性诊断,并做出适应性反馈来满足其个性化学习需求尤为重要。深度知识追踪作为个性化试题推荐中,用于学习者知识评估的典型方法,它能够对学习者做题序列数据进行分析,精准挖掘学习者内在的知识水平,从而帮助教育者和学习者个性化的教与学。然而目前深度知识追踪仍存在数据稀疏、知识点间隐藏关系无法表达以及预测结果缺乏一定可解释性和准确性的问题。因此挖掘知识点间的隐含关系,提高深度知识追踪诊断及预测的准确性,对个性化试题推荐有巨大的意义。同时,认知诊断作为学习者知识状态建模的另一种方法,其可以弥补深度知识追踪模型无法给出学习者具体知识掌握情况的缺点。基于此,本研究首先利用图卷积神经网络算法将含有知识点关系的知识图谱输送到深度知识追踪模型中,将传统深度知识追踪模型改进为基于图嵌入的深度知识追踪模型;然后将改进后的模型与认知诊断相结合,提出基于图嵌入的学习诊断和个性化试题推荐方法,进一步提升了对学习者学习状态的诊断,同时,也提高了对学习者试题推荐的精准性。最后,本研究对武汉市某初中七年级数学期中测试数据进行了训练和分析,首先验证了本研究改进后新模型的有效性;其次利用认知诊断模型计算得到了整体学习者、不同班级群体学习者以及学习者个体对于不同知识点的掌握水平;最后利用基于图嵌入的学习诊断和个性化试题推荐方法为学习者推荐了适合其自身需求的试题,也帮助教育者更好的了解学习者的知识水平,从而调整教学策略,同时也帮助学习者了解自身的知识水平,从而有针对性的学习。
基于知识追踪的课程智能导学平台研究
这是一篇关于知识追踪,学习者画像,个性化推荐,学习路径规划,智能导学的论文, 主要内容为在网络学习资源日益丰富的当今时代,学生的学习途径更加多样化与便捷化,然而也带来了资源选择中的效率问题,在现有学习平台中,学生主要通过检索学习资源的方式来进行学习,这种方式容易产生信息迷航问题。平台中的学习资源也未能充分考虑到学习者的知识状态、能力信息和学习风格等方面的差异性,从而难以为学生提供适切性的学习资源推荐。因此,基于学习者的视角,如何使得在线学习平台更加个性化与智能化,进而提升学习者的学习成效,具有理论与实践意义,也是本文研究的出发点。为此,本文主要进行了基于知识追踪的课程智能导学平台研究,主要内容包括:(1)融合学习者特征与课程知识图谱的案例实践资源推荐算法研究。首先,引入多维知识追踪模型获取学习者在知识状态、能力信息、学习风格等三个维度上的属性取值,以构建细粒度的学习者画像;其次,依据《软件工程》课程注重实践性的特点,完成了能力知识相映射的知识图谱构建;最后,结合学习者特征与课程知识图谱,为学习者提供案例实践资源推荐服务。(2)智能导学平台原型系统设计与开发。首先,把握学习者在线学习需求,对智能导学平台进行了总体设计,包括体系框架、软件功能和数据库设计等;其次,本文在IntelliJIDEA和Visual Studio Code开发环境下,分别进行了智能导学平台后端与前端的开发。其中,后端开发采用Spring Cloud框架,前端采用Vue框架,既为学习者提供了知识图谱展示、智能导学、学习者画像可视化、习题测评、案例实践等功能,也为管理员提供了相应的后台管理功能。本文分别对推荐算法与原型系统进行了对比实验与功能测试,对比实验表明本文算法在精确率、召回率等多个指标上优于基线模型;功能测试表明平台基本实现了预期目标,能够提升学习者的学习成效,帮助学习者掌握理论知识点的同时,提升其实践能力。
面向智能导学的知识追踪和习题推荐研究
这是一篇关于知识追踪,习题推荐,深度强化学习,卷积神经网络,领域知识图谱的论文, 主要内容为随着信息技术和教育的不断融合发展,智能导学技术在教育领域中得到了越来越广泛的应用。智能导学技术可以针对每个学习者不同的学习情况,提供个性化的学习指导,以帮助学习者更好地掌握知识。构建精准的学习者模型,是实现智能导学的关键。作为智能导学中的重要环节,习题推荐通过分析学习者的学习数据,预测学习者的知识水平和学习偏好,并为学习者推荐适合其学习水平和学习偏好的习题,以帮助学习者更好地巩固知识,提高学习效率。在上述研究背景之下,本文开展了一系列研究:首先针对现有的学习者建模方法对习题的难度特征建模方面不够充分、没有细化学生的能力特征和知识状态的问题,提出了一种基于难度感知的卷积知识追踪模型,该模型提取了几类有效的信息对习题的难度特征进行建模,根据学习者的历史学习记录分别建立了两个矩阵,以分别提取学生知识状态和能力水平的微观变化,并引入心理测量模型,使其更具有可解释性。实验表明,该模型有效地增强了习题难度特征,在两个数据分布不同的数据集上,表现都优于主流方法。然后面向程序设计的智能导学,提出了一种基于深度强化学习和策略选择的习题推荐模型,通过引入程序设计领域知识图谱,挖掘知识点之间的隐式关系,并且使用知识图谱嵌入方法来增强习题表示。同时,提出了当前学习策略的概念,对学习者的学习策略进行划分,并且使用策略选择网络来学习策略的动态变化,提升了推荐的性能。最后在习题推荐模型中,使用了前述的知识追踪模型作为学生模拟器,将奖励函数设置为习题序列奖励、知识序列奖励和参与度奖励三类。通过学习者模拟器模拟学习者的答题情况,以保证学习者的参与度奖励值在合理的范围内。实验表明,在两个在线测评系统的数据集上,该推荐模型相比于其他的基线模型在各项推荐系统指标上都有所提升,能提供更优的推荐策略。
基于深度知识追踪的个性化习题推荐方法研究
这是一篇关于习题推荐,知识追踪,矩阵补全,知识图谱,个性化学习的论文, 主要内容为个性化教学是教育理论研究的重要内容,互联网的飞速发展已将个性化学习推上新的高度,互联网丰富的教育资源也给学习者带来沉重的选择负担。习题作为一种重要的学习资源,在检验学习者的学习成果、判断学习者知识点掌握情况等方面扮演着重要角色,是个性化学习中不可或缺的一部分。习题推荐技术是解决学习资源过载、满足学习者个性化需求的重要方法,是提升学习者学习效率的重要手段,已成为学习领域的重要研究课题。目前,个性化习题推荐方法普遍存在数据稀疏和忽略知识点语义信息的问题。针对数据稀疏问题,本文研究了结合深度知识追踪与知识水平矩阵补全的习题推荐方法。针对忽略知识点语义信息问题,在构建蕴含丰富语义信息的数学学科知识图谱的基础上,研究了基于知识图谱的习题推荐方法。本文研究内容如下:1.提出了结合深度知识追踪与知识补全的习题推荐方法。借助深度知识追踪对学习者知识水平建模,融合相似群体的学习信息。进一步,采用SVD++方法对学习者知识水平矩阵补全。该方法缓解了数据稀疏问题,实验结果表明该方法在精确率、召回率和F1值上有明显优势。2.构建了数学学科知识图谱。首先,基于Assistments2009公共数据集,通过数据清洗保留原始数据中具有知识点的答题记录。其次,通过专家抽取知识图谱实体和实体之间的关系。最后,采用Neo4j对知识图谱进行存储,实现知识图谱的可视化表达。3.提出基于知识图谱的习题推荐方法。首先,使用动态键值存储网络得到学习者的知识水平矩阵。其次,通过专家评估知识点之间关系的紧密程度,为知识图谱节点之间的关系赋予权重。最后,结合学习者知识水平矩阵和节点间的关系权重,为知识图谱节点中知识水平值进行补全,并依据补全后的知识图谱向学习者推荐习题。该方法利用了知识点之间的语义信息,缓解了数据稀疏问题。实验结果表明该方法在精确率、召回率和F1值上更具优势。
基于强化学习的个性化试题推荐系统的研究与实现
这是一篇关于推荐系统,知识追踪,强化学习,迁移强化学习的论文, 主要内容为近年来,随着人工智能、移动互联网技术的高速发展,智慧教育取得了长足进步,基于数据的个性化自适应学习成为当今学术界和教育界共同关注的热点问题。智慧教育作为新时代下的教育产物逐渐走入教育舞台中央,走进人们的生活当中。在网络信息资源日益庞大的今天,对于教育受众而言,海量学习资源使其疲于高效选择,对于社会而言,满足用户个性化教育需求显得尤为重要。当前,为了满足用户的教育需求,推荐系统和推荐技术作为个性化教育资源推荐工具,以习题、课程等为主要内容进行推荐,引导用户学习。然而,目前的推荐系统大多基于内容、协同过滤等静态方法,无法捕捉到足够的用户偏好信息,并且存在数据稀疏性、冷启动等问题,也无法根据用户与推荐系统之间的交互进行实时的反馈并更新推荐策略,这些问题影响了推荐系统的有效性和准确性,使其缺乏灵活性和动态性,无法有效地满足用户的长期需求。同时,现有的强化学习推荐系统中,大都是利用点击记录、商品的点击通过率等交互反馈数据进行强化学习训练,缺乏对用户自身的认知水平的考量。此外,强化学习用于推荐项目时,目前都是通过人工定义智能体的奖励函数,然而对于推荐系统来说统一的奖励定义并不能准确地反映出用户的满意度,未能考虑到奖励的差异化,故而需要针对具体用户的认知诊断结果等信息来个性化定义奖励。本文基于此提出一种基于强化学习的个性化试题推荐模型,旨在通过利用强化学习等技术使教育资源最大程度与用户匹配,考虑到学习者自身的知识水平状态,精准满足用户个性化需求,从而引导其动态学习,并且该技术聚焦于学习者学习效果的长期提升。具体工作如下:(1)利用DKT等知识追踪模型针对学生当前知识状态建模,将整个推荐过程建模为马尔可夫决策过程,即对学生的下一次推荐过程仅与当前学生知识状态有关。同时,通过个性化奖励定义,将智能体探索奖励抽象为当前个人知识状态下的奖励表现形式。综上,通过将深度学习的感知能力与强化学习的决策能力有机结合,将强化学习推荐方法融入到学生的学习过程中,实现学生持久性、长期性知识水平和学习能力的提升。(2)优先采用经验回放机制,利用迁移强化学习等知识,提出了一种基于实例的局部迁移方法,针对目标学生进行基于实例的推荐序列迁移,即有选择地重用从源任务中收集的迁移或轨迹样本的实例,对此,最优推荐序列是不同的,但会有共同的最优子序列对应于特定的学习阶段,故不迁移整个轨迹,而是迁移局部轨迹,以改善目标任务学习的初始化效果或者加快其学习速度,节省了用户线上探索不必要的环境代价。(3)分别针对学生端及教师端的不同需求进行详细分析,设计出系统的总体架构及各模块功能。采用B/S架构,运用Python语言及Django框架进行系统后端的开发,使用My SQL数据库、Redis、文件系统等方式进行数据存储。根据各功能模块的详细设计,使用Py Torch、Numpy等第三方框架将上述关键技术(1)(2)应用到系统当中。针对上述关键技术,设计并完成了一系列实验,实验结果表明,使用结合用户知识状态的强化学习推荐模型能够更好地捕捉学习者偏好,并且能够有效地进行策略学习。相对于其他推荐模型包括强化学习推荐模型,本文的工作更加有效、表现更好,能够聚焦于学习者学习效果的长期提升。同时,结合局部推荐序列迁移的方法能够使强化学习推荐模型效果更优。最后,经过系统功能测试,本文设计的系统实现了预期的目标,满足了智慧教育受众的多样化需求。
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:毕设客栈 ,原文地址:https://m.bishedaima.com/lunwen/46232.html