面向个性化学习的数据挖掘方法与应用研究
发布时间：2021-09-07 03:17
个性化学习旨在根据学习者个体的认知水平、学习能力等,选择合适的学习资源与学习方式,使其弥补知识不足,获得最佳发展。近年来,在线学习系统的快速发展,不仅打破了传统课堂学习的时空约束,还提供了丰富的学习资源,吸引了越来越多的学习者,留下了大量的学习数据。这些学习数据蕴含着巨大的科学及市场价值,为实现数据驱动的个性化学习服务,提供了有力的支撑。因此,如何利用数据挖掘等技术对学习者学习数据进行理解、分析,实践个性化学习,已经成为计算机及相关交叉学科的研究热点。现阶段,尽管基于认知心理学等理论的相关方法已取得了一定的成效,但在线场景中的个性化学习研究人面临着学习资源表征苦难、学习过程复杂易变以及学习策略难以量化等挑战。为此,本文系统性地开展了面向个性化学习的数据挖掘方法及应用的探索性研究工作。具体地,针对练习题对象,提出了练习资源的深度表征方法,并在语言类和逻辑类两类典型练习题目的应用中进行验证;针对学生对象,分别提出了融合学习因素的知识跟踪方法和融合题目语义的知识跟踪模型;针对学习策略对象,提出了基于多目标学习的个性化推荐方法,提高学生学习效率。本文的研究工作依托于科大讯飞开发的国内领先的在线...
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：163 页
【学位级别】：博士
【部分图文】：
图２．２?—层卷积神经网络示意图：蓝色部分表示卷积操作，红色部分表示池化操作??
?———???加法??练习题??知识点???约分卜?＿？通分??加法?减法：乘法?通分?约分?；＇、、，，／??练习趣１?１?０?０?０?０?乘法？丨??／Ｖ?分式化＊??—??????＿Ｊ?ｔ?Ｖ??练习题?２?１０?１０?０?＊????．一－．．．．???■洧位相减?Ｖ?分式拆分??练习题３＿０?°?１?１?°＿?＾??（ａ）练习－知识Ｑ矩阵样例?（ｂ）?ＤＩＮＡ诊断结果样例??图２．４认知诊断相关知识样例??不同的特征，则反映出学生的知识能力也是不同。项目反映理论仅关注学生在宏??观层次的能力水平（即士可视为学生的一种综合能力），然而在实际应用中，由??于练习题测量知识范围（如函数、几何等）的不同，导致项目反映理论的评估结??果难以刻画学生微观层面（即不同知识点）上的能力水平。??２．３．２认知诊断分析??认知诊断理论是新一代测量理论的代表，其目的是能够对学生个体微观知??识层面进行评估分析，即得到学生在不同知识范围（如函数、几何等）上的学习??水平。相关研究中，最具有代表性的模型是确定性技能诊断模型（Ｄｅｔｅｒｍｉｎｉｓｔｉｃ??Ｉｎｐｕｔ，Ｎｏｉｓｙ?Ａｎｄ?ｇａｔｅ，?ＤＩＮＡ）?ｌ６３ｊ。ＤＩＮＡ模型引入了练习－知识矩阵，称为Ｑ矩阵，??该矩阵定义每一个练习题的知识范围，由一组显示的知识／技能表示。图２．４（ａ）展??示了一个Ｑ矩阵的样例，其中可以看出练习题２考察了?“加法”和“乘法”两个知??识点。在实际应用中，Ｑ矩阵通常由教育学专家（如教师）进行标注。在ＤＩＮＡ??模型中，学生由一个二元离散向量所表示
?第２章研究现状与基础知识???Ｐ（Ｌ）—??Ｐ（Ｇ）Ｐ（Ｓ）?Ｐ（Ｇ）?Ｐ（Ｓ）?Ｐ（Ｇ）?Ｐ（Ｓ）??ＪＬ?Ｊｒ??（＾０＾）?（＾ｗ）??图２．Ｓ贝叶斯知识跟踪模型：灰色圈表示观测变量，白色圈表示隐变量??示学生未经过学习时对知识欠的先验，（２）学习参数户（乃建模学生知识状态的??转移概率，（３）猜测参数Ｐ（Ｇ）表示学生未掌握该知识的情况下仍然答对练习的??概率，（４）失误参数尸（力表示学生掌握该知识的情况下仍然答错练习的概率。??经典的ＢＫＴ模型具有较强的假设。它认为学生的知识学习过程是不会遗忘??的，即学生的知识变化是一个只增不减的状态，因此当学生对于改知识掌握概??率达到〗（完全掌握）时，将永远处于掌握状态，为了克服这种不足，Ｎｅｄｕｎｇａｄｉ??等人将学习参数ｐ（ｒ）分为两个部分，即学习部分和遗忘部分，改进了传统??ＢＫＴ模型。进一步，大量研究通过加人外部学习因素，如难度因素［６６］、学生个??性因素［６８＇８１］、知识层级结构［６７］等，提高ＢＫＴ模型的建模能力。??传统ＢＫＴ模型只能建模学生在单个知识上的学习情况，因此，它通常将学??生对于多个知识的学习过程视为多个离散过程。为了能够联合跟踪学生在多个??知识上的学习状态，研究者利用章节２．２．１中所述的循环神经网络模型建模学生??学习记录，从而提出了深度知识追踪模型（Ｄｅｅｐ?Ｋｎｏｗｌｅｄｇｅ?Ｔｒａｃｉｎｇ，ＤＫＴ）?［８２］。??相较于ＢＫＴ模型，ＤＫＴ具有如下优势：一是它打破了知识之间的独立性，在隐??空间中建模了学生多个知识点的综合状态，具有更强的语义表达能力。二是它不??再局限于一介马尔科夫性质（即学生当前的知识状态仅与其上
【参考文献】：
期刊论文
[1]智慧教育研究现状与发展趋势[J]. 郑庆华,董博,钱步月,田锋,魏笔凡,张未展,刘均. 计算机研究与发展. 2019(01)
[2]面向大规模认知诊断的DINA模型快速计算方法研究[J]. 王超,刘淇,陈恩红,黄振亚,朱天宇,苏喻,胡国平. 电子学报. 2018(05)
[3]试题知识点预测:一种教研知识强化的卷积神经网络模型[J]. 胡国平,张丹,苏喻,刘青文,李佳,王瑞. 中文信息学报. 2018(05)
[4]面向在线智慧学习的教育数据挖掘技术研究[J]. 刘淇,陈恩红,朱天宇,黄振亚,吴润泽,苏喻,胡国平. 模式识别与人工智能. 2018(01)
[5]“互联网+”时代中国远程教育的机遇和挑战[J]. 陈丽,林世员,郑勤华. 现代远程教育研究. 2016(01)
本文编号：3388737
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：163 页
【学位级别】：博士
【部分图文】：
图２．２?—层卷积神经网络示意图：蓝色部分表示卷积操作，红色部分表示池化操作??
?———???加法??练习题??知识点???约分卜?＿？通分??加法?减法：乘法?通分?约分?；＇、、，，／??练习趣１?１?０?０?０?０?乘法？丨??／Ｖ?分式化＊??—??????＿Ｊ?ｔ?Ｖ??练习题?２?１０?１０?０?＊????．一－．．．．???■洧位相减?Ｖ?分式拆分??练习题３＿０?°?１?１?°＿?＾??（ａ）练习－知识Ｑ矩阵样例?（ｂ）?ＤＩＮＡ诊断结果样例??图２．４认知诊断相关知识样例??不同的特征，则反映出学生的知识能力也是不同。项目反映理论仅关注学生在宏??观层次的能力水平（即士可视为学生的一种综合能力），然而在实际应用中，由??于练习题测量知识范围（如函数、几何等）的不同，导致项目反映理论的评估结??果难以刻画学生微观层面（即不同知识点）上的能力水平。??２．３．２认知诊断分析??认知诊断理论是新一代测量理论的代表，其目的是能够对学生个体微观知??识层面进行评估分析，即得到学生在不同知识范围（如函数、几何等）上的学习??水平。相关研究中，最具有代表性的模型是确定性技能诊断模型（Ｄｅｔｅｒｍｉｎｉｓｔｉｃ??Ｉｎｐｕｔ，Ｎｏｉｓｙ?Ａｎｄ?ｇａｔｅ，?ＤＩＮＡ）?ｌ６３ｊ。ＤＩＮＡ模型引入了练习－知识矩阵，称为Ｑ矩阵，??该矩阵定义每一个练习题的知识范围，由一组显示的知识／技能表示。图２．４（ａ）展??示了一个Ｑ矩阵的样例，其中可以看出练习题２考察了?“加法”和“乘法”两个知??识点。在实际应用中，Ｑ矩阵通常由教育学专家（如教师）进行标注。在ＤＩＮＡ??模型中，学生由一个二元离散向量所表示
?第２章研究现状与基础知识???Ｐ（Ｌ）—??Ｐ（Ｇ）Ｐ（Ｓ）?Ｐ（Ｇ）?Ｐ（Ｓ）?Ｐ（Ｇ）?Ｐ（Ｓ）??ＪＬ?Ｊｒ??（＾０＾）?（＾ｗ）??图２．Ｓ贝叶斯知识跟踪模型：灰色圈表示观测变量，白色圈表示隐变量??示学生未经过学习时对知识欠的先验，（２）学习参数户（乃建模学生知识状态的??转移概率，（３）猜测参数Ｐ（Ｇ）表示学生未掌握该知识的情况下仍然答对练习的??概率，（４）失误参数尸（力表示学生掌握该知识的情况下仍然答错练习的概率。??经典的ＢＫＴ模型具有较强的假设。它认为学生的知识学习过程是不会遗忘??的，即学生的知识变化是一个只增不减的状态，因此当学生对于改知识掌握概??率达到〗（完全掌握）时，将永远处于掌握状态，为了克服这种不足，Ｎｅｄｕｎｇａｄｉ??等人将学习参数ｐ（ｒ）分为两个部分，即学习部分和遗忘部分，改进了传统??ＢＫＴ模型。进一步，大量研究通过加人外部学习因素，如难度因素［６６］、学生个??性因素［６８＇８１］、知识层级结构［６７］等，提高ＢＫＴ模型的建模能力。??传统ＢＫＴ模型只能建模学生在单个知识上的学习情况，因此，它通常将学??生对于多个知识的学习过程视为多个离散过程。为了能够联合跟踪学生在多个??知识上的学习状态，研究者利用章节２．２．１中所述的循环神经网络模型建模学生??学习记录，从而提出了深度知识追踪模型（Ｄｅｅｐ?Ｋｎｏｗｌｅｄｇｅ?Ｔｒａｃｉｎｇ，ＤＫＴ）?［８２］。??相较于ＢＫＴ模型，ＤＫＴ具有如下优势：一是它打破了知识之间的独立性，在隐??空间中建模了学生多个知识点的综合状态，具有更强的语义表达能力。二是它不??再局限于一介马尔科夫性质（即学生当前的知识状态仅与其上
【参考文献】：
期刊论文
[1]智慧教育研究现状与发展趋势[J]. 郑庆华,董博,钱步月,田锋,魏笔凡,张未展,刘均. 计算机研究与发展. 2019(01)
[2]面向大规模认知诊断的DINA模型快速计算方法研究[J]. 王超,刘淇,陈恩红,黄振亚,朱天宇,苏喻,胡国平. 电子学报. 2018(05)
[3]试题知识点预测:一种教研知识强化的卷积神经网络模型[J]. 胡国平,张丹,苏喻,刘青文,李佳,王瑞. 中文信息学报. 2018(05)
[4]面向在线智慧学习的教育数据挖掘技术研究[J]. 刘淇,陈恩红,朱天宇,黄振亚,吴润泽,苏喻,胡国平. 模式识别与人工智能. 2018(01)
[5]“互联网+”时代中国远程教育的机遇和挑战[J]. 陈丽,林世员,郑勤华. 现代远程教育研究. 2016(01)
本文编号：3388737
本文链接：https://www.wllwen.com/guanlilunwen/xiangmuguanli/3388737.html
