给大家推荐6篇关于智能教育的计算机专业论文

今天分享的是关于智能教育的6篇计算机毕业论文范文, 如果你的论文涉及到智能教育等主题,本文能够帮助到你

基于多因素知识追踪的试题推荐系统的研究与实现

这是一篇关于智能教育,知识追踪,多因素,键值对记忆网络,试题推荐的论文, 主要内容为互联网技术突飞猛进的发展拓宽了智能教育平台的发展模式,课堂教育使学生可以在不受时间与地点的限制下畅游知识的海洋。除此外,学生亦可从海量历史学习数据中挖掘所需信息,为学生和老师的个性化教学提供便利,提高了学生的学习效率。以往的推荐算法做了很多尝试,通过为学生推荐试题不断巩固学习成果,让学生更好地规划下一步学习方法,提高自己的学习效率。尽管现有的试题推荐算法在一定程度上可以为学生推荐试题,但仍然具有一定的局限性。一方面协同过滤算法通过寻找相似用户和试题进行试题推荐,忽略了学生对知识的掌握状态,难以根据学生对知识的掌握程度向学生推荐合适难度的试题;另一方面知识建模的方法从学生的个人水平出发,大多数情况下忽略了相似学生的特征。针对以上问题,本文提出一种结合多因素知识追踪模型和协同过滤方法的个性化试题推荐方法,既考虑到学生个人的知识水平也考虑到相似学生的知识水平。主要思想如下:(1)多因素知识追踪模型(Multiple Factors Knowledge Tracing,MFKT)结合影响学生掌握知识的多因素:试题的知识关联和试题的知识难度更新学生对知识的熟练程度,运用动态键值对记忆网络动态更新学生对每个知识概念的掌握程度,再运用长短期记忆网络得到遗忘处理后的知识水平矩阵,从而对学生的知识水平进行建模。(2)结合协同过滤算法,通过学生的知识水平向量得到相似学生的知识水平矩阵,根据学生对知识的掌握程度确定试题的难度范围,从而为学生推荐相应难度范围的试题。(3)结合对系统的需求分析,设计并实现了基于多因素知识追踪的试题推荐系统。此系统分为学生端和教师端,学生端功能包括模考、错题记录、知识掌握可视化和试题推荐等,教师端有科目管理、试卷管理功能等。考虑到系统高效率的运行,分别进行前端和后端的设计。采用Vue框架展示前端功能,运用Spring Boot+My Batis框架进行后端的功能设计。

教育知识图谱构建方法研究

这是一篇关于智能教育,知识图谱,命名实体识别,关系抽取,注意力机制的论文, 主要内容为随着人工智能以及互联网技术的高速发展,教育行业正在经历着前所未有的改革和创新,在各类的教育信息系统中已经积累了大量的教育数据。知识图谱用图结构来描述知识,通过构建知识图谱把教育领域各个分散的教育数据进行整合建立起概念实体及教学资源之间的关联关系。基于教育知识图谱能够为教育带来众多智能化应用,从而帮助教师实现精准教学,帮助学生实现自适应学习,有望实现真正的“因材施教”。教育领域的知识图谱,也称为“概念图谱”。教育中的概念实体可以定义为教育数据(教材、教辅资料、教学视频字幕及试卷等等)中的k-gram,它应该是语义和句法上正确的短语且能够代表相关学科的知识概念,如:数学中的三角函数、一元一次方程等。概念实体间同时存在多种关系,最常见的是概念实体之间的先后序学习关系、依赖关系等。教育知识图谱的构建主要涉及概念实体的抽取以及实体间关系的判别。如何通过自然语言处理等机器学习技术进行教育知识图谱的构建是当今智能教育研究中的热点和难点之一。本文的研究内容与贡献概括如下:针对概念实体抽取问题,本文结合教育数据的特点,利用领域内结构化的信息提出了概念实体抽取模型。该模型基于注意力机制融合全局的主题信息以及局部的线索词信息引导模型对概念实体进行高效地抽取。此外,为了更好地利用局部的线索词信息,针对线索词种类繁多,难以搜集完备的线索词且不具有泛化性的问题,本文预训练一个软匹配模块以提高线索词的泛化能力。本文在三个数据集上进行了丰富的实验,证明了概念实体抽取模型的高效性和有效性。特别是在标注数据量较少的情况下,抽取效果大幅领先基线模型,极大地减少了对标注数据量的依赖。针对实体间关系抽取问题,本文重点研究概念实体间的两种关系:先后序学习关系和依存关系。在概念实体识别的基础上结合外部知识库(百度百科)提出了判别概念实体间关系的基本特征,然后利用机器学习算法实现实体间关系的高效判别。在真实数据集上的相关实验结果证明了所构建特征的有效性及分类模型的可靠性。

基于多因素知识追踪的试题推荐系统的研究与实现

教育知识图谱构建方法研究

英语读写译训练试题推荐模型的设计与实现

这是一篇关于智能教育,个性化学习,认知诊断,距离计算,试题推荐的论文, 主要内容为云计算、大数据等新一代信息技术的飞速发展,促进了在线教育等智能教育的迅速发展,线上学习已经成为学生主要的学习方式之一。在线教育平台中有非常丰富的试题资源,这对于学生巩固和加强所学的知识起到非常重要的作用。然而,大部分试题系统需要让学生挑选训练的试题,这导致学生面临“数据迷航”问题。学生通常根据自己的主观感受选择试题,缺乏针对性指导,极大地影响了训练效果。如何通过科学诊断学生的认知状况,指导在线教育平台针对不同学生进行个性化试题推荐,是目前智能教育领域的研究热点。本文以高等教育阶段的英语阅读、写作、翻译试题推荐为研究目标,研究了模糊认知诊断模型在英语主观试题和客观试题推荐上的应用。主要的工作如下:(1)融合学生作答时间和作答时长,改进模糊认知诊断模型。通过分析学生作答时间和作答时长对认知诊断的影响,多方位挖掘学生的个性化知识特征。首先,学生作答数据的时效性在不断变弱,因此在对学生进行认知诊断时,应以学生最近的作答为主要依据,越近的作答可参照性越高,其权重也要对应提高。此外,作答时长越短,说明学生对试题所考察的知识点掌握得越好。实验结果表明,融合学生作答时间和作答时长的模糊认知诊断模型能进一步提高认知诊断的准确性。(2)基于融合学生作答时间和作答时长的模糊认知诊断模型,进一步考虑试题难易程度,提出了一种新的个性化试题推荐模型。首先,使用融合学生作答时间和作答时长的模糊认知诊断模型得出学生目前对知识点的掌握情况及能力水平;然后,设计学生个性化知识特征和试题知识特征之间的距离计算方法,根据距离决定试题对学生推荐程度;最后根据推荐程度选出与学生当前知识点掌握程度和能力水平最适配的试题,实现个性化试题推荐。实验结果表明,该推荐方法在英语读写译训练试题推荐上有着相对不错的效果。(3)基于提出的个性化试题推荐模型,本文设计并实现英语读写译训练试题推荐系统,设计开发认知诊断模块与试题推荐模块,实现个性化试题推荐和学生与系统的其他交互功能。