MOOCDR-VSI:一种融合视频字幕信息的MOOC资源动态推荐模型

学习者在面对浩如烟海的在线学习课程资源时往往存在“信息过载”和“信息迷航”等问题,基于学习者的学习记录,向学习者推荐与其知识偏好和学习需求相符的MOOC资源变得愈加重要.针对现有MOOC推荐方法没有充分利用MOOC视频中所蕴含的隐式信息,容易形成“蚕茧效应”以及难以捕获学习者动态变化的学习需求和兴趣等问题,提出了一种融合视频字幕信息的动态MOOC推荐模型MOOCDR-VSI,模型以BERT为编码器,通过融入多头注意力机制深度挖掘MOOC视频字幕文本的语义信息,采用基于LSTM架构的网络动态捕捉学习者随着学习不断变化的知识偏好状态,引入注意力机制挖掘MOOC视频之间的个性信息和共性信息,最后结合学习者的知识偏好状态推荐出召回概率Top N的MOOC视频.实验在真实学习场景下收集的数据集MOOCCube分析了MOOCDR-VSI的性能,结果表明,提出的模型在HR@5,HR@10,NDCG@5,NDCG@10,NDCG@20评价指标上比目前最优方法分别提高了2.35%,2.79%,0.69%,2.2%,3.32%.

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。

融入句法结构和摘要信息的文本蕴含识别模型

文本蕴含识别旨在推断两个句子之间的语义关系,通常分为蕴含、矛盾和中立三种类别。目前,大多数文本蕴含识别方法都是通过互注意力的方法,判定句子之间的语义关系,这种方法只能捕捉局部交互信息,弱化了全局交互信息。据此,提出了融入句法结构和摘要信息的文本蕴含识别模型,通过结合自注意力和互注意力机制的方式,从句子的全局和局部交互信息考虑,并融入句子的句法结构信息,从而更准确地推测句子之间的语义关系;收集和整理了公务员试题的部分选择题,之后,将该模型和文本蕴含识别的思想应用于这部分试题,在试题中,使用摘要信息抽取的方法,解决公务员试题中题目冗长和答案简短导致的长度不对称问题。实验结果表明,该模型在公共数据集和公务员试题上的表现,超越了多个基准模型。

基于知识地图的中小学个性化在线学习服务模型

针对中小学生在线学习过程中存在的学习迷航、认知负荷超载以及学习安排不合理等问题,提出基于学科知识地图的思路进行在线课程内容组织,以及建立在线课程内容资源与学科知识地图中学科知识点之间的关联,然后结合学习者在学科知识点上的学习状态,最终实现个性化的课程内容组织及学习资源推荐服务。论文提出了四环节八步骤的知识地图构建方法,构建了基于知识地图的中小学个性化在线学习服务模型,提出了基于学习者能力水平的学习资源适应度计算方法,并以初中数学学科为例,构建了初中数学学科知识地图,设计了面向初中数学学习的个性化在线学习平台,开发了相应的软件原型系统。