改进知识追踪模型对提升学习者知识掌握预测效果的研究
发布时间：2021-08-06 20:07
近年来,在线学习系统越来越普及,教育者在线教学的过程中需要同时面对的学习者越来越多,追踪每个学习者的知识状态并提供个性化的学习指导成为巨大的挑战。另一方面,在线学习系统中学习者是通过各种冗余信息自我查找知识,导致学习资源和学习路径的选择多样化却不一定有效。为了解决教育者和学习者面临的上述问题,引入知识追踪模型自动追踪学习者学习过程既可以向教育者反馈学习者知识掌握情况,让教育者更了解每个学习者;也可以推断学习者的知识弱点,向学习者推荐合适的学习路径和学习资源。本研究通过2008—2018年相关文献的内容分析,梳理了知识追踪模型的发展和存在的问题,并从学习者、数据两个层面归纳模型在预测精度、教学应用存在的问题。在此基础上,以KDD Cup 2010教育比赛数据集为载体,实施改进知识追踪模型的数据建模和具体应用分析。首先构建遗忘知识追踪模型对比分析其和原始知识追踪模型的预测精度,探索遗忘知识追踪模型使用学习者所有数据与部分数据的预测准确性差异;其次基于学习者初始概率和学习概率不同构建个性化知识追踪模型追踪学习者的学习差异;然后根据不同分段依据构建分段个性化知识追踪模型对不同分段学习者学习参数...
【文章来源】：浙江工业大学浙江省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
数据集记录结构
据集1后部分 中 0.3 0.7 1 0.81据集1后部分 高 0.45 0.7 1 0.835据集2后部分 低 0.1 0.8 1 0.82据集2后部分 中 0.25 0.8 1 0.85据集2后部分 高 0.4 0.8 1 0.88注：计算公式：P(L1)= P(L0)+((1-P(L0))*P(T)*t).3 学习者平均知识掌握与对应预测精度分析在前文验证了对于知识追踪模型改进的有效性基础上，在文章这一小节测精度更好的个性化知识追踪模型分析数据集 1、2 中学习者做不同题量时平均知识掌握概率及其对应预测精度 AUC。具体结果如图 4-1 和图 4-2 所这两个图中，很容易发现随着学习者做题量的变化个性化知识追踪模型预习者知识掌握和模型预测精度也在浮动变化。特别是当答题数据足够长时知识追踪模型可以更好区分这两种性能，随着做题量的变化学习者知识掌型预测精度的曲线符合学习者学习规律和模型预测时效，因此认为在这两集上个性化知识追踪模型给出的学习者认知诊断结果是合理的。
4-2 数据集 2 中学习者不同做题量时的平均知识掌握率与预测精度的对应变化趋势ure 4-2. The corresponding trend of the average knowledge mastery rate and predictiaccuracy of the data set 2 learners when they are different in the amount of questions 各分段学习者平均知识掌握分析在文章这一小节应用预测精度更好的分段个性化知识追踪模型分析数据集各分段学习者做不同题量时得出的平均知识掌握概率。具体结果如图 4-3 和示，从这两个图中，可以看出低分段和中分段的学习者随着做题量的增加测的学习者知识掌握也在增加并趋于稳定；高分段学习者随着做题量的增预测的学习者知识掌握有所减少并趋于稳定，并且各分段学习者的掌握率象也体现出了天花板效应，即当快要接近顶端时，自然而然就会感觉到一见的障碍阻隔在上面，所以他们的掌握情况往往只能到某一阶段就不可能上去了。这样的情况就是所谓的玻璃天花板的障碍。随着题量变化各分段在这两个数据集上使用分段个性化知识追踪模型给出的学习者认知诊断结势变化是可接受的。
【参考文献】：
期刊论文
[1]人工智能支持下的智适应学习模式[J]. 李海峰,王炜. 中国电化教育. 2018(12)
[2]基于BKT模型的网络教学跟踪评价研究[J]. 李景奇,卞艺杰,方征. 现代远程教育研究. 2018(05)
[3]基于贝叶斯知识跟踪模型的慕课学生评价[J]. 王卓,张铭. 中国科技论文. 2015(02)
[4]基于“态度”的知识追踪模型及集成技术[J]. 闾汉原,申麟,漆美. 徐州师范大学学报(自然科学版). 2011(04)
本文编号：3326406
【文章来源】：浙江工业大学浙江省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
数据集记录结构
据集1后部分 中 0.3 0.7 1 0.81据集1后部分 高 0.45 0.7 1 0.835据集2后部分 低 0.1 0.8 1 0.82据集2后部分 中 0.25 0.8 1 0.85据集2后部分 高 0.4 0.8 1 0.88注：计算公式：P(L1)= P(L0)+((1-P(L0))*P(T)*t).3 学习者平均知识掌握与对应预测精度分析在前文验证了对于知识追踪模型改进的有效性基础上，在文章这一小节测精度更好的个性化知识追踪模型分析数据集 1、2 中学习者做不同题量时平均知识掌握概率及其对应预测精度 AUC。具体结果如图 4-1 和图 4-2 所这两个图中，很容易发现随着学习者做题量的变化个性化知识追踪模型预习者知识掌握和模型预测精度也在浮动变化。特别是当答题数据足够长时知识追踪模型可以更好区分这两种性能，随着做题量的变化学习者知识掌型预测精度的曲线符合学习者学习规律和模型预测时效，因此认为在这两集上个性化知识追踪模型给出的学习者认知诊断结果是合理的。
4-2 数据集 2 中学习者不同做题量时的平均知识掌握率与预测精度的对应变化趋势ure 4-2. The corresponding trend of the average knowledge mastery rate and predictiaccuracy of the data set 2 learners when they are different in the amount of questions 各分段学习者平均知识掌握分析在文章这一小节应用预测精度更好的分段个性化知识追踪模型分析数据集各分段学习者做不同题量时得出的平均知识掌握概率。具体结果如图 4-3 和示，从这两个图中，可以看出低分段和中分段的学习者随着做题量的增加测的学习者知识掌握也在增加并趋于稳定；高分段学习者随着做题量的增预测的学习者知识掌握有所减少并趋于稳定，并且各分段学习者的掌握率象也体现出了天花板效应，即当快要接近顶端时，自然而然就会感觉到一见的障碍阻隔在上面，所以他们的掌握情况往往只能到某一阶段就不可能上去了。这样的情况就是所谓的玻璃天花板的障碍。随着题量变化各分段在这两个数据集上使用分段个性化知识追踪模型给出的学习者认知诊断结势变化是可接受的。
【参考文献】：
期刊论文
[1]人工智能支持下的智适应学习模式[J]. 李海峰,王炜. 中国电化教育. 2018(12)
[2]基于BKT模型的网络教学跟踪评价研究[J]. 李景奇,卞艺杰,方征. 现代远程教育研究. 2018(05)
[3]基于贝叶斯知识跟踪模型的慕课学生评价[J]. 王卓,张铭. 中国科技论文. 2015(02)
[4]基于“态度”的知识追踪模型及集成技术[J]. 闾汉原,申麟,漆美. 徐州师范大学学报(自然科学版). 2011(04)
本文编号：3326406
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3326406.html
