论文部分内容阅读
知识追踪是教育数据挖掘和学生建模领域的重要研究内容之一。知识追踪任务是指分析学生以往答题记录建模该生当前的知识点理解情况,进而预测学生未来的答题结果。通过追踪学生当前知识点的掌握程度,可以给学生推荐合适的习题和学习资料。针对现有知识追踪算法仅通过答题结果更新学生的知识点理解情况,存在忽略了学生的答题行为对结果的影响、忽略了学生之间学习能力的差异和学生随着做题其自身学习能力的不断变化的问题。本文提出了两个不同的知识追踪算法,并基于这两个算法设计实现了一个在线学习系统原型。具体研究内容及创新点如下:(1)提出了一个基于动态键值记忆网络的多行为特征知识追踪算法。该算法首先依据学生的答题行为数据,采用决策树算法对答题结果预分类,然后将预分类结果隐式合并到动态键值记忆网络中,充分考虑了不同的学习行为对知识点理解水平的影响,能够更加准确地追踪学生的知识点理解水平的变化并预测未来的答题结果。在ASSISTments 2009公开数据集上的实验结果表明,该算法的AUC值比当前主流的知识追踪算法即深度知识追踪算法(Deep Knowledge Tracing,DKT)和动态键值记忆网络算法(Dynamic Key-Value Memory Networks,DKVMN)分别提高了9.2%和8.1%。(2)提出了一个学习能力分段聚类的改进动态键值记忆网络知识追踪算法。该算法通过对学生长期习题作答记录分段,并定义了学习能力特征,动态地将学生按照学习能力进行划分,并提出了一种习题记录表示方法将学生的学习能力和做题行为相融合,最后改进了动态键值记忆网络的读过程,使其在预测学生做题结果时考虑了学生当前的学习能力,进而能够更为准确地预测未来的做题结果。实验结果表明该算法的AUC值相比DKT和DKVMN算法分别提高了11.4%和10.3%。(3)提出了一个基于知识追踪算法的在线学习系统原型,该系统的核心和特色功能是对学生知识点理解水平的智能评测和个性化习题推荐。在学生完成习题后,系统可以根据其习题作答记录准确地追踪学生的知识点理解水平,并对其知识点的薄弱环节通过推荐适合的习题进行强化训练。综上所述,本文提出的算法能够更准确地建模学生的知识点理解水平,进而预测其未来的做题结果,对帮助学生提高学习效率和促进教育个性化发展具有重要意义。