隨著在線教育的蓬勃發(fā)展,越來越多的學(xué)生和個人積極加入在線學(xué)習(xí)平臺中學(xué)習(xí)新技能,以應(yīng)對社會的飛速發(fā)展。為了實現(xiàn)在線教育環(huán)境下高效自主的學(xué)習(xí)以及在線教育平臺智能個性化的教學(xué),如何對學(xué)生在線學(xué)習(xí)過程進行建模、準(zhǔn)確追蹤學(xué)生學(xué)習(xí)狀態(tài)是當(dāng)前研究者必須面對的問題。盡管目前已經(jīng)出現(xiàn)了許多知識追蹤模型,但是這些模型在處理真實在線教育環(huán)境中的知識追蹤問題時仍然存在以下不足:（1）當(dāng)前研究對學(xué)習(xí)數(shù)據(jù)分析時沒有充分考慮學(xué)生學(xué)習(xí)數(shù)據(jù)的復(fù)雜性,因而無法挖掘?qū)W生學(xué)習(xí)數(shù)據(jù)的主要特征;（2）當(dāng)前研究解決知識追蹤問題時,主要是從解決數(shù)學(xué)問題的角度出發(fā),因而模型的可解釋性較差、知識追蹤效果不好;（3）大多數(shù)知識追蹤模型是基于學(xué)生個人的學(xué)習(xí)歷史數(shù)據(jù)追蹤學(xué)生當(dāng)前的知識狀態(tài),因而無法預(yù)測學(xué)生對新知識的學(xué)習(xí)過程;（4）當(dāng)前的知識追蹤方法主要著眼于如何提高知識追蹤效果,而沒有思考在真實的在線教育環(huán)境中模型的訓(xùn)練更新機制。為了解決當(dāng)前知識追蹤模型在真實在線教育環(huán)境中面臨的以上問題,本文的研究內(nèi)容和創(chuàng)新工作主要包括以下幾個方面:（1）對學(xué)生的學(xué)習(xí)數(shù)據(jù)進行分析,提出了基于長短期記憶神經(jīng)網(wǎng)絡(luò)的棧式自編碼器方法以挖掘?qū)W生學(xué)習(xí)的時序性特征,并定... 

【文章來源】：武漢大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

ASSISTMents2009和ASSISTMents2015的可視化

DKT、DKVMN、LMKT模型的AUC值隨訓(xùn)練迭代次數(shù)的變化情況;

DKT、DKVMN、LMKT模型的AUC值隨訓(xùn)練迭代次數(shù)的變化情況

【參考文獻】：
期刊論文
[1]多知識點知識追蹤模型與可視化研究[J]. 徐墨客,吳文峻,周萱,蒲彥均.  電化教育研究. 2018(10)
[2]教育數(shù)據(jù)挖掘研究進展綜述[J]. 周慶,牟超,楊丹.  軟件學(xué)報. 2015(11)



本文編號：2983156