基于知识图谱的自适应学习系统设计与实现

发布时间：2020-06-10 07:14

【摘要】：随着“互联网+”和大数据战略的正式启动,互联网创新技术与各领域的深度融合已成为人们关注的焦点,同时也推动着我国教育事业的变革和创新。2015年是我国教育大数据元年,大量在线教育产品应运而生,为人们带来了极大便利。然而面对平台上海量的学习资源,学习者经常会出现网络迷航、认知过载以及知识碎片化等问题。在这种背景下,自适应学习概念的提出,为在线教育未来发展带来了新的契机。目前,对于自适应学习的研究多集中在理论层面,对于系统技术实现上的关注还远远不够。国内在线教育产品多为数据统计和测试题库类型。虽然个别产品应用了相对复杂的逻辑推导,但离真正意义上的自适应学习还相差甚远。本文从学习者角度出发、充分考虑领域知识的结构特征,重点实现自适应学习系统中一系列大数据关键技术,以期为自适应学习的研究和应用提供参考。本文的主要工作如下:(1)基于自适应学习系统的功能需求分析,对系统的整体框架、工作流程和各单元模型进行设计。(2)基于知识图谱的关联特点完成领域模型的知识表达,给出知识图谱构建方法和应用实例。在此基础上利用FP-Growth算法对学习路径进行关联规则挖掘,实现领域模型的动态更新。(3)参照我国学生模型构建标准设计学生模型的构建方法、构建流程及存储结构,基于IRT测试模型实现学生认知水平的测试和测试题库的构建。(4)基于SVR预测回归模型实现自适应引擎中路径达成度的预测,并完成SVR预测模型的训练、参数调优和预测工作。实验结果表明,在领域模型中,知识图谱可以完成知识图谱的清晰表达,FPGrowth算法可以实现知识点间关联规则的挖掘功能,考虑系统的复杂度和精准度,折中选择最小支持度0.03;在学生模型中,IRT测试模型给出的参数估计值符合正常的学习规律,具备实用性;在自适应引擎模块中,确定了SVR预测模型四个参数的最优组合:不敏感系数为0.05、惩罚系数为8、核函数为rbf和核参数为0.08,此时SVR预测模型的预测效果最佳。本文的主要贡献和创新点如下:(1)从领域知识结构出发,利用知识图谱完成知识结构的有效表达,为领域模型的构建提出了新的研究工具。利用关联规则挖掘算法实现模型的动态更新,充分考虑学生因素对领域模型影响,提高了模型的实用性。(2)本文提出基于SVR的预测回归模型实现自适应引擎功能,将机器学习思想与教育领域相融合,是对自适应学习系统研究的一次探索和创新,为相关研究者和开发者提供了新的研究思路。(3)本文提出基于IRT的测试模型来实现学生对知识掌握程度的测评功能,对相同成绩下的学生能力进行区分,提高了学生模型的客观性和准确度。
【图文】：

吉林大学硕士学位论文比增长 21.5%，预计到 2019 年达 1.6 亿人。2016 年在线教育市场规模达到 1560.2 亿元，同比增长 273%，，预计 2019 2692.6 亿元。在线教育用户及市场规模不断增长主要得益于以下三个方面：（联网技术将在线教育行业的优质资源通过各种形式达到用户；（2）打破时，满足用户碎片化学习的需求；（3）节约成本投入，在线教育节省了大量人租等成本，降低了课程的销售价格。23.00%23.30%23.00%24.00%14000160001800021.80%22.80%27.30%22.90%21.10%25.030.025003000

1.1 2012-2019 中国在线教育用户及市场规中国基础教育大数据发展蓝皮书（2015）》据的发展正式拉开帷幕[10]。报告指出：中国一，再一次证明了我国教育行业存在着真正的20.99001.410941.113494.416252.4.00%23.00%21.50%23.30%20.40%18.00%19.00%20.00%21.00%22.00%23.00%24.00%015 2016 2017 2018 2019（万人） 增长率%700.6839.79981225.415621.80%19.90%18.90%22.80%27.30500100015002000250030002012 2013 2014 2015 201市场规模（亿元） 全国大数据 12390961302GB≈12EB
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP393.09

【参考文献】

相关期刊论文 前9条

1 姜强;赵蔚;刘红霞;李松;;能力导向的个性化学习路径生成及评测[J];现代远程教育研究;2015年06期

2 宁家骏;;“互联网+”行动计划的实施背景、内涵及主要内容[J];电子政务;2015年06期

3 赵蔚;姜强;王朋娇;王丽萍;;本体驱动的e-Learning知识资源个性化推荐研究[J];中国电化教育;2015年05期

4 龙三平;张敏;;在线学习理论研究的现状与趋势——基于SSCI数据库(1994-2013年)的科学计量分析[J];远程教育杂志;2014年03期

5 李昕;荆永君;刘天华;;自适应测试与辅导系统设计与实现[J];现代教育技术;2013年04期

6 闫桂荣;董龙雷;喻磊;;基于机器学习的动力学环境预测方法[J];应用力学学报;2013年01期

7 陈仕品;张剑平;;适应性学习支持系统的学生模型研究[J];中国电化教育;2010年05期

8 袁磊;张浩;陈静;陆剑峰;;基于本体化知识模型的知识库构建模式研究[J];计算机工程与应用;2006年30期

9 安文森;孙彦广;;一种新的支持向量回归核函数构建方法[J];信息与控制;2006年03期

相关博士学位论文 前1条

1 张燕南;大数据的教育领域应用之研究[D];华东师范大学;2016年

相关硕士学位论文 前7条

1 张婷;现代远程教育中个性化学习者模型的研究[D];江南大学;2017年

2 李德阳;个性化学习系统中资源推送方案研究[D];东北师范大学;2017年

3 王静;E-learning系统中基于协同过滤技术的个性化学习研究[D];上海师范大学;2015年

4 王鹏;基于项目反应理论的自适应测试选题策略研究[D];沈阳师范大学;2013年

5 马振平;项目反应理论在中学英语阅读能力评测中的应用研究[D];广州大学;2012年

6 王勤云;计算机自适应测验中选题策略的分析比较[D];山东师范大学;2012年

7 李忠浩;支持向量回归机研究及其应用[D];大连理工大学;2006年

本文编号：2705964