智能教育系统中的知识追踪模型研究

发布时间：2024-02-21 06:46

　　随着大数据和信息技术的蓬勃发展,数以百万计的学生加入智能教育系统中学习在线课程,如何实现个性化、智能化的教育平台,如何科学地、有针对性地对每一个学生的知识状态进行有效追踪,如何发现学生的知识断点和薄弱点,如何为学生量身定制个性化的学习路径,这是当前知识追踪领域的研究热点。虽然目前提出了很多知识追踪模型,但不能实现真正意义上的个性化教育平台,知识追踪领域面临的挑战如下:(1)当前现有的知识追踪模型都无法对一个以不同速度获取知识的学生进行动态建模,因为每个学生对于知识点的吸收速度都是不一样的。(2)在实际复杂的教育场景中,练习题可能连续出现好几次,当前的知识追踪模型没有考虑到这一因素。(3)平台上的练习题资源数量庞大,学生想在一定的时间内做完所有的练习题几乎是无法实现的,给学生推荐个性化的做题顺序是非常重要的。然而,到目前为止,所有的知识追踪模型都无法自动发现练习题之间的依赖关系,之前,练习题之间的依赖关系都是由专家进行关联的。为了解决当前知识追踪模型所面临的困难,本文的研究内容和主要贡献如下:(1)从学生获取知识点速度的角度出发,对当前最先进的知识追踪模型(动态键值记忆网络)进行改进,提...

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

图2-9NTM结构图

第二章知识追踪中的相关知识21∑(2.30)在轮交互之后，根据来进行预测。这种多轮的交互方法也叫做多跳操作。其参数通常是共享的。每轮交互的外部记忆也能够共享使用，例如和。2.5.3神经图灵机神经图灵机（NeuralTuringmachine，NTM）[49]由外部记忆和控制器两部....

图4-2在ASST2009数据集上练习题ID与记忆片段ID之间的热图

第四章实验及结果分析43数据集上，练习题ID与记忆片段ID之间的热图分别如图4-2、4-3、4-4和4-5所示，正方形的颜色表示相应的练习题与记忆片段之间的相关值。在ASST2009数据集上N与d的取值分别为30和60；在ASST2015数据集上N与d的取值分别为30和20；在J....

图4-3在ASST2015数据集上练习题ID与记忆片段ID之间的热图

河北大学硕士学位论文44图4-3在ASST2015数据集上练习题ID与记忆片段ID之间的热图

图4-4在JUNYI数据集上练习题ID与记忆片段ID之间的热图

第四章实验及结果分析45图4-4在JUNYI数据集上练习题ID与记忆片段ID之间的热图从图4-2、4-3和4-4中可以看出，在DKVMN模型学习的相关关系中，随着记忆片段数量的增加练习题的密度明显增大，大多数练习题与记忆片段数量为20-30时密切相关。相反，在MSKT和LDKT模....

本文编号：3905198