基于知识图谱与协同过滤的个性化试题推荐

当前,传统协同过滤的试题推荐仅考虑了用户的做题数据,忽略了试题背后的知识点信息。为此,提出一种基于知识图谱与协同过滤的个性化试题推荐算法(KGeP-CF)。首先,构建知识图谱存储知识点关系。然后,使用TransE模型学习知识点实体的向量表示,使用余弦相似度计算知识点相似度,提取知识点间的相关性,并将其应用于计算试题相似度得到综合试题相似度。最后,结合用户知识点掌握情况推荐用户个性化试题。实验表明,该方法在课程试题推荐上表现出良好的推荐性能,相较于多种推荐算法,KGeP-CF算法推荐性能更优,对其他应用场景也具有一定的参考价值。

基于认知诊断的两阶段试题推荐方法

针对个性化试题推荐系统中,未标注知识点试题的推荐精度欠佳问题,提出了一种基于认知诊断的两阶段试题推荐方法。第一阶段由专家筛选出学习单元中的典型试题并进行知识点标注,运用认知诊断模型,量化得出学生的知识掌握状态。第二阶段基于学生的知识掌握状态,计算学生之间的知识含盖关系,并基于含盖关系对未标注试题进行个性化推荐。实验表明,文章提出的试题推荐方法,推荐试题的平均作答正确率达到了90%,平均试题超纲率低于10%,显著优于现有的基于kNN和矩阵分解的协同过滤推荐方法。

学生智能试题推荐系统持续使用意愿影响因素研究

智能试题推荐系统作为改变学习方式的一种新技术,在数字化学习领域愈加受重视,它的发展推动着规模个性化学习方式的转变,但在智能试题推荐系统上升发展的阶段,面临着持续使用意愿不高的问题。本研究在信息系统期望确认模型的基础上加以扩展,结合高中生的特征,构建了高中生智能试题推荐系统持续使用意愿影响因素模型。通过实证研究法验证模型发现:满意度、感知有用性、知识焦虑、内容质量、自我效能感对高中生智能试题推荐系统持续使用意愿产生直接影响;期望确认度、内容质量和感知有用性对其产生间接影响;期望确认度、感知有用性和满意度在模型中的中介效应得到验证;成绩在高中生的特征变量(知识焦虑、自我效能感)与持续使用意愿间的关系中起到正向调节作用,经验在自我效能感与高中生的持续使用意愿关系中有正向调节作用。根据实证研究结果,从系统、学生、教师三个维度提出对应策略建议,分别为系统开发人员有针对性地优化完善系统、学生高效利用系统提高学习成绩、教师合理组织运用系统实现精准化教学三个方面提供一定的参考。

基于多模态语义分析的试题推荐方法

在教育场景下,教育资源推荐是一项关键且基础的任务,教育资源呈现出显著的多源、异构和多模态特性,给教育资源的理解、应用带来了巨大的挑战。对此,该文提出了一种基于多模态语义分析的试题推荐方法:首先进行多模态教育资源的特征抽取以及不同模态数据之间的语义关联,构建多模态教育资源的理解表示框架;并利用相同领域任务进行多模态视频和试题特征的预训练,进行关联知识建模;最后,利用线上收集的数据进行视频-试题关联特征微调,得到更加鲁棒的特征表示,进行多模态教学视频的相关性试题推荐。在教育领域数据集上的实验结果表明,该文所提出的方法能有效提升现有方法的效果,具有很好的应用价值。

基于认知诊断的个性化试题推荐方法

面向学生的个性化试题推荐是智能教育领域重要的研究课题,现有的试题推荐工作大多采用协同过滤的方法或基于认知诊断的方法.然而,协同过滤的试题推荐方法往往忽略了学生的学习状态(知识点掌握情况);基于认知诊断的方法只能建模单个学生的学习状态,不能利用相似学生的共性特征.针对以上问题,文中提出一种基于学生知识点掌握程度的协同过滤试题推荐方法.该推荐方法分为3步:第1步结合认知诊断模型,根据学生已有的答题情况和试题知识点的关联对学生的试题掌握水平进行建模;第2步将学生的试题掌握水平用于概率矩阵分解预测学生的答题情况;第3步根据得分预测和试题难度向学生进行相应的试题推荐.该推荐方法同时考虑了被推荐学生学习的个性和群组学生学习的共性,在保证试题推荐解释性的同时提高了试题推荐的可靠性.最后,文中通过大量对比实验证明了该方法在进行学生试题推荐时能够保持精确性和可解释性.

反馈式个性化试题推荐方法

面向学生的试题推荐是个性化在线教育领域重要的研究课题,现有的试题推荐方法忽视了难度和认知层次的区分。通过从难度、认知层次、题型和考核的知识点对试题属性进行标准化,以及定义难度能力矩阵和认知能力矩阵来评价学生的能力,提出基于内容的试题推荐算法和基于反馈的自适应的难度调整策略。个性化的试题推荐系统框架以及应用表明,该方法能够客观评价学生的能力和试题特性,能根据学生个体差异进行推荐的同时避免教师在试题属性初始设置中的偏差。

基于协同过滤和认知诊断的试题推荐方法

智能教育中,试题推荐方法是数据挖掘在教育测量领域的新运用,是自适应测试的智能化和个性化程度的重要体现,目前主流的试题推荐方法有两类,分别是协同过滤试题推荐方法和认知诊断试题推荐方法,前者忽略了独立个体的知识属性,后者缺乏对种群的共性评估。针对上述问题,为提高试题推荐的精确度和效率,综合考虑独立被试者的知识属性和类环境群体的知识共性,文中提出了基于协同过滤和认知诊断的试题推荐方法。首先,设计了基于多级属性评分的认知诊断模型,并利用该模型对被试者的答题情况进行建模;然后,将被试者的知识属性掌握模式用于概率矩阵分解,预测被试者的潜在答题情况;最后,根据信息量指标向被试者动态地推荐合适的试题。试题推荐方法综合考虑了个体的个性特征和群体的共性特征,提高了解释性和可靠性。实验结果表明,相比单协同过滤试题推荐算法和认知诊断选题策略,所提方法的测试效率分别提升了20.35%和2.5%。

基于深度自编码器和二次协同过滤的个性化试题推荐方法

个性化试题推荐是实现高效学习的有效途径,帮助学生从“题海战术”中解脱出来,对实现适应性教学、促进教育公平具有重要意义。但目前个性化试题推荐方法大多是基于协同过滤进行试题层面的个性化推荐,没有聚焦到知识点层面,存在推荐试题定位不准确的问题。针对上述问题,对基于深度自编码器和二次协同过滤的个性化试题推荐方法进行了研究。首先考虑到学生对知识点的认知情况进行基于知识点的二次协同过滤试题推荐,然后应用项目反应理论和深度自编码器来预测学生在推荐试题上涉及推荐知识点的得分以及综合得分,最后对预测结果协同判断并控制最终个性化推荐试题的难度,产生最终的推荐试题列表。通过对比实验验证提出的推荐方法的推荐结果相对于传统试题推荐更具个性化和准确性。

结合认知诊断和答题行为分析的试题推荐方法

提出一种新的个性化试题推荐方法,基于答题行为分析学生的答题风格相似度,以此作为学生的共性特征指导划分学生群组,基于模糊认知诊断框架分析学生的知识点掌握情况,通过综合考虑学生的个体学习特性和群组共性,使用概率矩阵分解方法为学生推荐试题。最后设计并实现了一个真实的个性化试题推荐系统。

基于知识关联的个性化试题推荐:概念模型及实现机制

个性化试题推荐能够帮助学生摆脱"题海战术",是在线教育、个性化教育领域的重要研究课题。已有的个性化试题推荐利用知识关联规则与推荐算法来设计针对试题或知识单元层面的推荐策略,甚少提及知识关联本身,研究重心向算法实现和推荐系统设计方面倾斜。因此,本研究将知识关联思想纳入研究体系,对个性化试题推荐进行系统阐述,首先根据知识关联的类型与结构建立不同层级的关联关系,其次构建"知识单元—试题"二次推荐的个性化试题推荐概念模型,最后从认知诊断、薄弱知识单元定位、试题规律生成三部分对概念模型的实现机制进行理论剖析,以期给教育工作者和研究人员循证实践提供信息借鉴。

一种基于遗传算法的试题推荐方法

针对大量试题造成信息过载,导致试题推荐的个性化程度不高、效率低下等问题,根据认知诊断、数据挖掘及自然语言处理等交叉领域的研究,提出一种基于遗传算法的试题推荐方法TCEGA。该方法根据认知诊断模型确定试题与知识点的关联状况,对学生的试题掌握水平进行建模;结合隐含语义分析方法对试题库的数据进行处理,根据试题难度为学生推荐相应的试题。TCEGA考虑了受推荐学生在学习方面的个性,同时考虑了群组学生在学习方面的共性,以提高试题推荐的合理性与准确性。对比实验结果表明,该方法在试题推荐时的准确率达到90.17%,相比传统SOM算法的准确率提高了11.79%,可广泛应用于在线学习的试题推荐场景。

“互联网+”时代个性化试题推荐方法

“互联网+”环境下,网上自主学习已成常态。文章提出一种个性化试题推荐方法,先通过认知诊断模型诊断出学生的认知状态,再采用协同过滤方法推荐试题,能给学生推荐准确且可解释性的试题。

一种融合LSTM预测网络的试题并行推荐算法

设计了一种融合LSTM预测网络,基于多决策树和认知诊断的试题并行推荐算法MDT&CD-LSTM,用于解决自适应教育中的学习资源推荐问题。该算法集成多决策树和认知诊断的推荐结果,并利用LSTM网络预测学生的知识状态,从而向学生推荐最合适的试题。实验结果表明,该自动推荐算法可以有效地提高试题推荐结果的准确性,比改进决策树模型精确度提升了21.67%,误差均值减少了26.52%。该算法能够满足学生的个性化学习需求,帮助学生更好地理解知识点,具有广阔的应用前景。

基于试题网络的个性化学习推荐系统研究

个性化教育的实施对我国教育改革至关重要。然而目前主流教育模式为大班教学,个性化教育面临难以实现学生个性化学习、自主学习等现实困难。为了解决这些困难,文章在教育数据大量产生的背景下,通过基于人工智能技术的试题表征,得到了试题关联网络。在此基础上,文章进一步设计了试题推荐系统,实现了学生的课下自主学习和个性化学习。最后,文章通过具体实施案例,验证了该系统的有效性。总体来说,文章提出的试题关联网络理念和技术实现策略,为个性化教育的实施提供了一种新的方法。