基于知识图谱和知识追踪的个性化习题推荐策略研究
这是一篇关于个性化习题推荐,知识图谱,知识追踪,在线教育的论文, 主要内容为随着互联网技术的进步和人们对高效、灵活学习方式需求的增加,在线教育成为全球教育领域的重要趋势。然而,随着在线教育的发展,出现了信息过载和个性化需求的问题。如何根据每个学生的特性和需求,实现个性化学习成了亟待解决的问题。习题是学习资源的重要组成部分,不仅能帮助学生巩固知识,还能检验学生的学习效果。但目前大多数在线试题网站所提供的习题资源库、筛选方式和结构比较单一,难以满足不同学习者的个性化需求。因此,需要研究高效可靠的习题推荐算法,将学科的知识结构、学习目标、学生的知识水平等融入到推荐方法中,更准确地对学生进行推荐,提高推荐的精度和针对性。针对以上问题,论文详细研究了如何用知识图谱对知识结构进行表示以及运用知识追踪模型对学生的知识水平进行建模,提出一个基于知识图谱和知识追踪的个性化习题推荐策略。论文的主要贡献如下:(1)构建了一个初中数学学科知识图谱。选取初中数学作为学科背景,经过知识点归纳、数据获取及完善、信息抽取、信息存储等步骤,进行数学学科知识图谱的构建。利用知识图谱对学科知识进行组织表示,可以对知识进行深度挖掘和分析,为后续的知识追踪模型和个性化习题推荐提供有力支持。(2)提出了一个特征和关系增强的知识追踪模型(FRKT)。与大部分知识追踪模型只在知识点层面研究不同,FRKT从习题文本和学习记录中分别挖掘出语义信息和难度信息,以更全面的视角对学生的学习过程进行跟踪。在知识状态更新阶段,FRKT利用单向和双向的影响传播模式,考虑知识点之间的多种关系,在空间和时间维度上提高了模型的性能。在Junyi和Eedi两个真实的数据集上进行的模型对比实验表明:FRKT在ACC和AUC两个指标上都优于其他模型。(3)提出了一个基于知识图谱和知识追踪的个性化习题推荐策略(KGFRKTER)。该策略借助知识图谱对知识结构的表征能力,以及知识追踪模型对学生知识状态的追踪评估能力,提高习题推荐的准确性和有效性,还使用模拟退火算法增加推荐习题的多样性。通过在Junyi和Eedi两个数据集上进行模型对比实验可以得到:论文提出的KGFRKT-ER在推荐准确性、习题多样性、能力提高指数三个指标上优于其他对比模型。
基于知识图谱与认知诊断的小学数学个性化习题推荐系统研究
这是一篇关于知识图谱,个性化习题推荐,DINA认知诊断,灰色偏相关评价法的论文, 主要内容为随着在线教育平台、在线学习资源的不断发展,个性化学习一直是教育领域中的一个重要研究问题。而在基础教育阶段,由于受到了学生年龄、学生数量等一系列现实因素的限制,个性化的教学活动开展难度较高。2021年,中国教育部又印发了《关于进一步减轻义务教育阶段学生作业负担和校外培训负担的意见》,强调了要降低在基础教育阶段的中小学生的课后练习、作业方面的负担。利用智能技术给不同学生推荐有针对性的课后练习、家庭作业等,就能够大大减少学校对学生掌握情况较好的基本知识点的反复练习的数量,这样就在减少了学校对课后练习和家庭作业的负荷的前提下,同时又提高了教学质量。目前有关个性化习题推荐系统的研究中,在于学生的认知能力检测、知识点关联等方面尚有所欠缺。因此,本研究设计了一个利用知识追踪技术从知识点掌握情况与认知能力水平两方面对学生进行建模,并根据知识图谱内知识点之间的先后关系,结合学生模型中学生的认知能力,为学生推荐符合其认知能力并且是薄弱知识点的个性化习题推荐系统。本研究主要完成工作有:1.学科知识图谱的建构:通过对小学5年级数学上册“小数的四则混合运算”章节中的教学内容进行分析,构建该章节的学科知识图谱。并将该知识图谱存储于Neo4j数据库,实现了知识图谱的可视化表达。2.学生模型的建构:采用融合DINA认知诊断和灰色偏相关评价的方法,根据对学生知识点的掌握情况和认知能力水平,构建学生模型。同时本研究采用的DINA认知诊断方法获取的学生知识点掌握情况在表现形式上是一种连续型的数据,越接近1则说明学生知识点掌握情况越好。在认知能力水平上则依据布鲁姆的认知目标分类将学习者的认知能力分为了六级。3.个性化练习推荐:基于学生模型中学生的知识点掌握情况、认知能力水平两个方面,再结合知识图谱中知识点之间的先后关系,向学生推荐个性化练习题。系统首先在学生的基础知识点掌握情况表中抽取出学生的薄弱知识点,然后再通过知识图谱查找与薄弱知识点有关的先验基础知识点,最后按一定的逻辑关系从习题库中提取出包含了学生所需练习的知识点且适合学生的认知能力水平的练习向学生推荐。4.系统实现:根据设计方案,本研究将系统分为了三个部分:知识图谱建构、学生模型生成、个性化习题推荐。以小学五年级的数学中的一个章节为例,作者使用Python编程语言完成了个性化习题推荐系统。系统在设计开发时还保持了较大的扩展性。通过构建其他任意章节、其他学科的知识图谱,并收集一定数量该章节、学科的考试数据作为学生的先验知识检验数据,系统即可计算出对应章节、学科下学生的知识点掌握状态与认知能力水平,即可实现对任意章节、学科的个性化习题推荐。5.系统验证:在所开发的系统中,对生成的推荐习题与学生的知识点进行了抽样检验,验证了按照系统推荐算法进行推荐的习题确实处在学生的优势认知能力水平范围内。同时,将引入了认知能力水平的推荐结果与未引入认知能力水平的推荐结果进行了横向对比,发现不引入认知能力水平的推荐结果中,会出现与学生相对弱势的认知能力水平相关的推荐习题,进一步证明了引入认知能力水平因素作为习题推荐依据确实可以提高个性化习题推荐的准确度。
基于难度的个性化习题推荐关键技术研究
这是一篇关于个性化习题推荐,习题难度,认知诊断Q矩阵,教育知识,图谱的论文, 主要内容为个性化习题推荐可以有效提升学生基于习题的自主学习的成效,是当今智能教育领域重要的研究课题。现有个性化习题推荐技术没有充分考虑推荐习题的难度对学生自主学习成效带来的影响,因此很难帮助学生实现从易至难、循序渐进式的高效自主学习。针对现有研究工作的不足,本文以习题难度建模为切入点,研究了基于难度的个性化习题推荐的若干关键技术,旨在提高学生基于习题的自主学习的学习成效。具体而言,本文主要包含以下两方面的研究内容:(1)研究了基于难度的个性化习题推荐技术(命名为ReDi技术)。ReDi技术将习题难度建模为基于学生知识水平量化的习题主观难度以及基于习题自身属性量化的习题客观难度,并利用描述了知识点间先决依赖关系的教育知识图谱求精习题难度的度量模型。基于所提出的习题难度度量模型,ReDi技术设计了有效的基于习题难度的个性化习题推荐算法,能够按习题由易至难的顺序向学生推荐个性化习题。多次真实课堂实验表明ReDi技术推荐的个性化习题比相关技术大幅提高了学生基于习题的自主学习的成效。(2)研究了基于DINA认知诊断模型的Q矩阵修正技术。Q矩阵的质量直接影响对学生知识水平的诊断质量,从而影响基于认知诊断所量化的习题主观难度的准确性和基于难度的个性化习题推荐的有效性。鉴于此,本文基于记录的学生答题数据并利用流行的DINA认知诊断模型设计了有效的Q矩阵修正技术。该技术能够筛选出Q矩阵中可能存在对习题考察知识点的界定错误,再基于学生分组分析法修正Q矩阵中对习题考察知识点的界定错误。在多个真实教育数据集上的实验结果表明,本文提出的基于DINA认知诊断模型的Q矩阵修正技术比相关技术平均提高了10%的修正准确率。基于难度的个性化习题推荐是值得深入研究的问题,具有重要的理论意义和应用价值。本文研究了基于习题难度的个性化习题推荐技术和基于DINA认知诊断模型的Q矩阵修正技术。基于真实课堂实验和真实教育数据集的实验验证了本文提出的基于难度的个性化习题推荐的各个关键技术的有效性。
融合元学习方法和异构信息网络的冷启动习题推荐
这是一篇关于教育数据挖掘,个性化习题推荐,冷启动推荐,元学习,异构信息网络的论文, 主要内容为近年来,个性化的习题推荐一直是教育领域的重要研究课题,习题推荐通常分为两个过程,一是根据学生的做题记录来了解学生的知识点掌握情况,二是根据学生的知识点掌握情况结合相关学习策略为学生推荐合适的习题,以达到帮助学生学习的目的。根据学生的特点为学生个性化地推荐习题,可以提高学生学习效率,提升学生的知识水平,也可以帮助学生探索新的知识,复习遗忘的知识点。这对帮助学生更好地掌握、探索、学习与巩固知识点都有着重要的意义。习题推荐算法的进一步发展主要面临两个问题:第一,大量的用户行为数据已经成为推荐系统的前提和重要组成部分,推荐系统需要根据用户的历史行为和兴趣预测用户未来的行为和兴趣。对于进入系统的新用户或者刚加入系统的习题,由于用户-习题交互较少,便会产生冷启动问题,进而影响推荐的结果,冷启动推荐一直是一个具有挑战性的问题。第二,目前主要的习题推荐策略一般是通过对资源进行评分和排序,或者依赖专家根据经验进行制定,但这种方式往往效率较低,同时难以根据学生学习情况和习题难度来为学生调整推荐方向,并且没有考虑推荐习题结果的多样性,使得推荐效果不好。因此,针对第一个问题,本文以最新解决冷启动推荐问题的模型为基础,融合图卷积神经网络(GCN),提出了Meta HIN-GCN模型。该模型同时利用了模型层面元学习和数据层面异构信息网络来解决冷启动问题。模型将用户-习题-知识点构建成异构信息网络并增加边权信息来丰富数据层面的信息,同时采用GCN来对用户信息进行嵌入,最大程度保留异构图结构的信息,并采用语义增强任务构造器和共同适应元学习器来捕获在元学习环境中基于异构信息网络的语义,进而学习适应多层面语义的一般知识。最后在不同元路径下的预测学生的习题正确概率,并根据注意力机制对元路径结果的进行融合,将合适的习题推荐给学生。针对第二个问题,本文通过引入习题难度、多样性和准确度指标,制定个性化习题推荐策略,根据模型对学生的预测,推荐难度符合预设难度的习题给学生,同时考虑了多样性,在推荐过程中保证推荐习题结果的多样性,令整体的推荐效果更好,推荐结果比原排名推荐的方式更优异、更具可解释性。实验方面,在验证冷启动问题上,本文将数据合理分为多种冷启动场景进行不同的实验验证,保证结果的可靠性和效果的优越性,同时进行参数相关实验,优化调整模型参数,并且与传统推荐模型,异构信息网络模型以及其他冷启动推荐模型进行对比,将本模型的结果进行验证。在习题推荐策略方面,也与目前广泛应用的习题推荐模型进行实验,引入习题难度参数,采取准确度和多样性为指标,对比各项指标的结果的差异和突出性,验证本文模型的推荐效果。
基于学生认知的自适应习题推荐研究与系统实现
这是一篇关于认知诊断,个性化习题推荐,图神经网络,协同过滤,在线答题的论文, 主要内容为近年来随着在线判题(Online Judge)的流行,积累了大量习题,学生选题过程存在盲目性,出现“信息过载”现象。推荐算法在电商、短视频平台上的应用已经非常广泛,因此,可以将推荐算法应用到习题推荐中,根据学生的特点为学生个性化地推荐习题,可以提高学生学习效率,提升学生的知识水平,也可以帮助学生探索新的知识,复习遗忘的知识。这对帮助学生更好地掌握、探索、学习与巩固知识概念有着重要的意义。基于协同过滤的深度学习推荐算法在习题推荐领域已经取得了良好的推荐效果,但是这些方法未能对学生的认知状态、习题所包含的知识概念及其关系等进行充分的挖掘,导致推荐的习题比较单一,不能满足学生个性化的需求。为此,针对学生的认知水平和学生群体性的问题,提出了基于协同过滤与学生认知状态的习题推荐算法。针对学生认知水平和概念与概念、学生与学生、习题与概念等之间的关系,提出了基于图卷积网络与学生认知状态的习题推荐算法。最后,开发了一个自适应习题推荐系统,以上述推荐方法为核心实现对不同认知水平下的学生进行精准的推荐。本文的主要工作如下:(1)提出了基于协同过滤与学生认知状态的习题推荐算法。使用知识追踪算法根据学生的答题记录判断学生对习题的掌握程度。得到学生的认知水平后,利用协同过滤算法找到与其认知水平相近相似的学生,为其推荐适应学生当前认知水平的习题。在两个真实的数据集中实验表明,引入学生认知对提高推荐算法的精准度上有一定的有效性。(2)提出了基于图卷积网络与学生认知状态的习题推荐算法。用户和习题之间既有交互关系,同时课程、知识概念、教师等这些实体之间的关系也有丰富的潜在信息。为解决数据稀疏的影响,将这些实体和关系构建成一个异构信息网络,利用不同的元路径聚合学生、习题和知识概念等之间的关系,来丰富数据层面的信息,此外还加入了学生的认知情况,预测和推荐学生可能感兴趣的并符合学生认知水平的习题。在真实数据集上的实验表明,该算法提高了推荐的精准度。(3)开发了自适应习题推荐系统。大多数平台在进行推荐时利用学生和习题的交互关系,没有考虑知识概念,无法对学生精准推荐。本文开发的自适应习题推荐系统,利用上述两个算法可以对含有或未含有知识概念的习题都有很好的推荐效果,推荐的习题更加适合用户。因此,本文的自适应习题推荐系统结合认知诊断模型推荐的习题有较高的可靠性。
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：毕设工坊 ，原文地址：https://m.bishedaima.com/lunwen/56216.html
