基于知识点与错误率关联的个性化智能组卷模型

大数据环境下的个性化学习模型研究是大规模网络学习环境下的研究热点,本文针对传统的智能组卷策略存在数据训练不足、个性化特点不突出、题库试题知识点分布不均匀等问题,将大数据运用于组卷之中,提出了基于知识点权重与错误率关联的个性化训练模型,优化了抽题的法则并使得个性化特点更精确,在一定程度上有利于学生对薄弱点和盲点的深入理解与消化.本文采用将每章节题目的知识点转化为树形进行管理的方法,并在知识点树中加入知识点错误率元素,来优化基于知识点的抽题结果,研究出适合个人学习情况的个性化模拟练习策略.最后将此新研究模型应用于教学教育系统进行实验研究,研究表明对此关键点的改进更有利于普遍提升学生的整体成绩.

基于改进模糊认知诊断的个性化试题推荐方法

在智慧教育领域中,随着试题资源的广泛式增长,学生在海量的试题资源当中很难找到合适的试题进行作答。因此,如何对学生进行个性化的试题推荐是智慧教育中一个重要的问题。然而,传统的模糊认知诊断模型对学生在主观题上作答未能实现良好的诊断效果,导致试题推荐效果不理想。为了解决上述问题,论文提出了一种基于改进模糊认知诊断的个性化试题推荐方法(FuzzyCDF-X),在主观题上假设学生对于知识点的掌握个数越多,其答对试题的概率越大,并引入知识点权重因子对试题推荐的影响。实验结果表明,FuzzyCDF-X方法在FrcSub数据集和Math1数据集上的推荐精确度分别可以达到84.72%和90.75%,均优于所对比模型,在个性化试题推荐上具有较高的精准性。

基于遗传算法的组卷技术研究与改进

优化了自动组卷的约束条件,并针对知识点的考核层次问题进行了算法改进。在初始化种群时使用知识点权重分级表,按知识点权重顺序来选取试题生成初始种群中的染色体,使种群从最初时起就满足对知识点的考核层次要求,并在遗传算子的设计中保持了种群知识点的稳定性。结果表明,改进算法在保证知识点覆盖率的同时,能提高重要知识点的覆盖率。