基于决策树和人工神经网络的学生在线答题正确性影响因素研究

答题正确性不仅取决于学生对某一知识点的掌握程度,还受到学生心理状态、答题习惯等多方面因素的影响。为探究学生在线答题正确性的影响因素,该文基于SPSS Modeler,使用决策树和人工神经网络两种统计分析方法,对影响学生答题正确性的平均知识水平、平均粗心程度、行为总数、专注度、沮丧、钻系统的空子这6个因素进行了分析。结果显示:平均知识水平对平均正确性的影响最大,平均粗心程度次之。研究成果将为学生学习行为的改进和老师教学方法的完善提供理论依据与指导。

融合因果推断的动态可解释知识追踪模型

可解释知识追踪对于教学诊断和优化具有重要意义。目前代表性的可解释知识追踪模型缺乏对知识点间因果关系的深入考量,同时未能关注模型中存在的特征混淆问题,影响预测性能。针对上述问题,提出一种融合因果推断的动态可解释知识追踪模型。首先利用因果推断算法挖掘知识点间掌握程度上的因果关系,并制定规则辨别因果效应强度,挖掘得到知识点因果效应特征图,并从中提取知识点外延影响因子特征,作为学生答题正确性预测的特征之一;其次,基于领域知识构建学习能力、习题难度和作答正确率之间的结构因果模型,采用后门调整的方法去除混杂因子的影响;然后,以迭代的方式进行学习能力和答题偏好特征的动态更新;最后,借助树增广朴素贝叶斯分类器实现可解释性知识追踪。在多个公开的数据集上进行实验验证表明,所提模型在保证可解释性的同时可提高预测准确性。