小学数学教学的多维知识追踪模型的研究

针对义务教育“双减”政策要求,教师亟需在有限的课堂及课后辅导时间使用更加科学的教育方法和有效的管理工具进行教学的现象,提出小学数学教学的多维知识追踪模型。首先建立知识要素体系,厘清知识结构、突出教学难点和重点;然后采用基于层次分析法的统计分析和基于隐马尔可夫模型的机器学习方法对学生学习知识点的效果进行评估。本模型能够帮助教师掌握个体、群体的知识弱点,为教师因材施教进行个性化学习指导,提高教学成效提供有效工具,并对当前教育新形势下的教育教学具有指导作用。

多知识点知识追踪模型与可视化研究

知识追踪模型(简称KT模型)是从学生的答题表现序列来推断其内在掌握知识情况的隐马尔科夫模型,它在智能辅导系统广泛使用。传统的KT模型通常只适用于对单个知识点能力的建模,且不能对题目难度和分辨度进行推断。但在现今智慧教育环境中,题目序列往往包含多个知识点,需要利用这些知识点对学生能力变化进行综合的评估和分析。为此,文章使用Logistic回归方法扩展KT模型的参数,提出三个面向多知识点的KT模型的改进模型:KTLR-GS模型、KTLR-LFID模型和KTLR-FP模型,分别把猜对概率、犯错概率、题目难度、观测参数和状态转移参数等作为特征引入,从而实现了在多知识点背景下对学生学习能力和综合能力的准确评价,超过了传统KT模型的分析性能。同时,文章还开发了基于xAPI的学习行为分析与可视化系统,集学习行为采集、存储、分析和可视化为一体,利用面向多知识点的KT模型分析学生答题序列中的知识掌握动态变化,并利用可视化的技术帮助教师对每个学生的学习情况进行及时判断。

基于“态度”的知识追踪模型及集成技术

知识追踪模型(knowledge tracing model)被广泛地应用在教育系统(intelligent tutoring system)中以预测学生做题的表现.当学生做题时,教育系统采用该模型持续对学生的知识掌握情况作出评估并根据对每个学生的评估给出针对性的题目.通过对该模型预测精度的研究,提出了改进的知识追踪模型,并采用在线教育系统的数据集对两个模型的预测精度进行了对比.最后采用集成技术(ensemble)综合了所有模型,提高了预测精度.

知识追踪研究综述

知识追踪,旨在根据学生的历史答题记录,对学生随学习时间不断变化的知识状态进行建模,进而预测学生的答题表现,是支撑智慧教育系统的核心模块,受到越来越多研究者的关注。全面梳理了该领域的研究进展,分析了与知识追踪相关的基础理论研究,并按照研究方法的不同,将知识追踪模型分为概率模型、逻辑模型、基于深度学习的模型进行剖析,其中概率模型假设学习遵循马尔可夫过程,逻辑模型是一类基于逻辑函数的模型,而基于深度学习的知识追踪模型依赖于深度学习强大的特征提取能力成为近年来研究的热点。对基于深度学习的知识追踪模型面临的可解释性、缺少学习特征等问题提出的改进方法进行了介绍。给出了目前可供研究者们使用的公共数据集以及不同模型的性能比较。最后,对知识追踪这个快速发展起来的领域进行了总结,针对该领域研究存在的问题,提出了一些未来可能的研究方向。

知识追踪模型在教育领域的应用:2008—2017年相关研究的综述

近年来,随着在线学习系统在教育环境中越来越普及,在线学习人数越来越多,教育者不可能追踪每一个学习者的知识状态并提供个性化的学习指导;在线学习系统中的知识需要学习者通过各种冗余信息自我查找,导致学习资源和学习路径多样化但却不一定有效。为了解决上述问题,一个可以自动追踪学习者知识掌握情况的知识追踪模型对教育者和学习者都是必要的,因为它既可以向教育者反馈学习者知识掌握情况,让教育者更加了解每一个学习者,也可以推断学习者的知识弱点,向学习者推荐高效的学习路径和恰当的学习资源,从而做到因材施教。通过2008—2017年相关文献的内容分析,从知识点、学习者和数据三方面总结知识追踪模型在教育领域的应用。知识追踪模型为教育研究者预测学习者知识掌握提供了一个便捷的途径,一直是教育数据挖掘领域的研究热点。

知识追踪模型融入遗忘和数据量因素对预测精度的影响

近年来,在线学习的人越来越多,在在线教学过程中教育者需要同时面对更多学习者,不可能了解每一个学习者的知识弱点与问题领域,并据此为学习者提供个性化的学习指导。本研究的目的是及时、准确推断学习者的问题领域,让学习者清楚自身的知识弱点,让教育者更加了解每一个学习者的知识水平,让在线学习系统自动向学习者推荐高效的学习路径和恰当的学习资源。在实验中,分析对比了知识追踪模型及其扩展模型的预测精度,分析了扩展模型使用学习者的所有数据与每个学习者的部分数据的预测准确性差异。结果显示:知识追踪模型可以较好估计学习者知识掌握情况;知识追踪扩展模型的预测精度更好;模型使用学习者部分数据可以获得比使用全部数据更好的预测精度;在学习者学习过程中遗忘时时存在,扩展模型使用部分数据在加快运行进度的同时更有利于精确估计学习者知识水平进而推荐更有效的个性化学习资源与学习路径。

基于贝叶斯知识追踪的网安人才能力智能化评估方法

近年来,网络空间安全形势日益严峻,导致网络空间安全人才(以下简称网安人才)缺口巨大,国家加快网安人才评估的需求愈加强烈。针对当前网安人才能力评估精准度不足的问题,本文提出了一种改进的贝叶斯知识追踪CT-BKT(Cybersecurity Talents Bayesian Knowledge Tracing)模型,通过网安人才能力评估时的个性智能化问答过程,该模型可对网安人才的知识状态进行追踪,从而实现对其能力的动态精准评估。为了验证CT-BKT模型的有效性,本文以Web安全为例,梳理了Web安全的知识技能体系并构建了相应题库,实现了一个面向Web安全领域的网安人才技能智能化评估系统CTIES(Cybersecurity Talents Intelligent Evaluation System)。通过对22名网安人员进行Web安全的能力评估,本文提出的CT-BKT知识追踪模型的对网安人才的知识掌握状态的预测准确率较高,CTIES系统能细致且直观地展现网安人才Web安全的知识掌握程度及相应专业技能水平,验证了本文所提出的网安人才能力评估方法的可行性和有效性。

一种结合深度知识追踪的个性化习题推荐方法

个性化习题推荐是教育数据挖掘领域的重要课题,现有习题推荐方法中,对知识建模的方法大多忽略了对相似学生之间共同特征的利用;而协同过滤方法往往忽略学生对知识的掌握状态.针对以上缺陷,提出一种结合深度知识追踪模型与协同过滤方法的个性化习题推荐方法.该方法首先以深度知识追踪模型对学生知识建模,再结合协同过滤方法,计算学生的习题正确概率,并依据该概率,将一定难度范围内的习题推荐给学生.该方法同时参考了个人的知识水平和相似情况学生的近邻信息,具有更好的模型精度,并能够根据难度范围推荐适合的内容.最后通过实验验证了本文方法的有效性.

基于数据挖掘技术的英语远程个性化教学研究

互联网的发展促使网上教学模式蓬勃发展,由于在线教育学生的个体差异以及兴趣爱好的不同,如何大数据分析学习信息实施个性化教学、激发学生的自主学习能力成为当前研究热点。本文主要探讨了数据挖掘技术在英语远程个性化教学的实际应用。首先以深度有向图知识追踪模型为基础,结合样本分析推荐训练,采用深度学习的知识追踪模型结合图结构规则进行深度融合,定位学生的学习状态,完成精确的知识追踪建模、学习状态识别的训练学习知识方法模型,达到对学生个性化知识推荐的目标,提升学生的主观能动性,激发学习兴趣,改善教育质量的改善。经过实验比对论证,本文提出的融合模型对比经典方法的AUC为0.92、召回率提升0.9%,远高于其他模型,测评准确率更高,推荐效果更好。