發(fā)布時間：2021-09-13 20:15

　　近年來,在教育信息化、遠(yuǎn)程教育和web2.0等應(yīng)用帶動下,在線教育得到快速發(fā)展。當(dāng)前的在線教育并不是完全以用戶為中心,并不能根據(jù)用戶的認(rèn)知水平和認(rèn)知風(fēng)格,為每個用戶提供最適合的優(yōu)質(zhì)教育資源,進(jìn)行個性化指導(dǎo),從而做到因材施教。實現(xiàn)因材施教的前提是了解用戶的認(rèn)知水平。知識追蹤模型（Knowledge Tracing,KT）根據(jù)用戶的學(xué)習(xí)指標(biāo)推斷用戶知識的事實標(biāo)準(zhǔn),模擬在技能獲取過程中用戶不斷變化的知識狀態(tài)�，F(xiàn)有的知識追蹤模型在模擬學(xué)生知識獲取過程存在特征考慮不全、效果不佳和易過擬合等問題。為更好建模學(xué)生學(xué)習(xí),追蹤學(xué)生知識獲取過程,本文提出了基于貝葉斯神經(jīng)網(wǎng)絡(luò)的深度知識追蹤方法。本文主要是探討不同的貝葉斯神經(jīng)網(wǎng)絡(luò)在深度知識追蹤上的運(yùn)用,研究工作如下:（1）為避免因樣本數(shù)據(jù)形成的模型過擬合現(xiàn)象和少量噪聲數(shù)據(jù)對模型的影響,將貝葉斯方法和LSTM相結(jié)合,讓模型置信區(qū)間的計算成為可能,增強(qiáng)模型泛化能力和抗噪能力,提出了基于貝葉斯-LSTM的深度知識追蹤方法。通過實驗驗證貝葉斯神經(jīng)網(wǎng)絡(luò)在知識追蹤上的有效性。在模型中引入學(xué)生行為向量學(xué)習(xí),挖掘?qū)W生答題行為間及知識點間關(guān)系。（2）針對LSTM結(jié)構(gòu)不能并行計... 

【文章來源】：武漢理工大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【部分圖文】：

論文組織結(jié)構(gòu)

10于貝葉斯-LSTM的深度知識追蹤模型主要包含三個部分：基于嵌入層(Embeddng)的學(xué)習(xí)行為記錄向量化，挖掘行為間向量關(guān)系；基于貝葉斯-LSTM的時序特征抽取層，發(fā)掘?qū)W生學(xué)習(xí)過程中的知識信息轉(zhuǎn)移；輸出映射層，將挖掘的時序特征數(shù)據(jù)映射到各個知識點，獲取各個知識點掌握情況和接下來各個知識點題目答對概率。模型結(jié)構(gòu)如圖2-1所示。圖2-1基于貝葉斯-LSTM的深度知識追蹤模型結(jié)構(gòu)2.1.1基于Embedding的學(xué)生行為編碼學(xué)生的學(xué)習(xí)記錄包含其做題的知識點和相應(yīng)的對錯信息等信息，信息包含文本、數(shù)據(jù)等復(fù)雜形式。在利用神經(jīng)網(wǎng)絡(luò)進(jìn)行深度知識追蹤時，需要將學(xué)生行為記錄數(shù)字化向量化編碼。借鑒自然語言處理中的詞嵌入（WordEmbedding）思想[36]，引入嵌入層（Embedding）得到學(xué)生行為向量。常用的向量化編碼表示有兩種：獨熱表示（One-hotRepresentation）和分散式表示（DistributedRepresentation）。獨熱表示是一個稀疏向量，向量中與一個有效位的值為1，其他值均為零。例如：“知識點A答對”表示為[00010000000000…]“知識點B答對”表示為[00000010000000…]這種向量表示可直接區(qū)分兩個不同的行為，在任意兩個向量間的距離都是相同的，各種行為間也完全獨立，并不能展現(xiàn)出各種學(xué)習(xí)行為間的關(guān)系。而且隨著學(xué)習(xí)知識點的增多，向量的維度過高，模型參數(shù)和計算量增大，不利于模型參數(shù)的訓(xùn)練。分散式表示不僅很好的區(qū)分學(xué)習(xí)行為，而且可以反應(yīng)出學(xué)習(xí)行為間關(guān)系。分散式表示每一位都有值，都有效。對于每一個學(xué)習(xí)行為都有一個唯一的分散式表示。分散式表示可根據(jù)實際需求設(shè)定分散式向量的維度，可有效地降低獨

11熱表示帶來的數(shù)據(jù)維度過高的影響。學(xué)習(xí)行為間關(guān)系較為復(fù)雜，其分散式表示并不能直接給出。在自然語言處理中，詞向量分散式表示可通過中間層——嵌入層訓(xùn)練得到。為得到學(xué)習(xí)行為的分散表示，在模型結(jié)構(gòu)中輸入層之后加入嵌入層。在訓(xùn)練知識追蹤模型的同時，得到學(xué)習(xí)行為的向量分散式表示。根據(jù)學(xué)習(xí)行為的標(biāo)號可找到與其對應(yīng)的分散式向量表示，如圖2-2所示，通過向量間的歐式距離可得到學(xué)習(xí)行為間的相似關(guān)系，也間接地反映了知識點間的關(guān)系。圖2-2學(xué)習(xí)行為編碼圖示嵌入層根據(jù)知識追蹤的任務(wù)導(dǎo)向，訓(xùn)練學(xué)習(xí)行為的分散式表示，降低了數(shù)據(jù)維度和模型計算的復(fù)雜度，可有效的提高知識追蹤模型的準(zhǔn)確度，同時，為后續(xù)對學(xué)生行為關(guān)系分析和知識點間關(guān)系提供了量化的數(shù)據(jù)。2.1.2基于貝葉斯-LSTM的時序特征抽取RNN在處理時序數(shù)據(jù)有著優(yōu)良的表現(xiàn)，RNN允許信息持久化，在NLP和語音識別均有良好的效果[37-38]。而學(xué)生行為數(shù)據(jù)是具有時序的數(shù)據(jù)，RNN在知識追蹤上有著巨大潛力。將RNN運(yùn)用于學(xué)生知識追蹤，成為近年來的研究知識追蹤的一種趨勢。但RNN等神經(jīng)網(wǎng)絡(luò)的典型訓(xùn)練需要大量的標(biāo)記數(shù)據(jù)來控制過擬合的風(fēng)險。對于較小的訓(xùn)練數(shù)據(jù)，數(shù)據(jù)的高頻特性往往使神經(jīng)網(wǎng)絡(luò)更容易陷入過擬合。貝葉斯神經(jīng)網(wǎng)絡(luò)是解決這一問題的一種有原則的方法。利用RNN的特性，可很好的抽取學(xué)習(xí)時序數(shù)據(jù)的特征。RNN模型按時間展開結(jié)構(gòu)如圖2-3所示，從結(jié)構(gòu)中可看出，RNN的參數(shù)是共享的，可通過輸入先

【參考文獻(xiàn)】：
期刊論文
[1]知識追蹤模型在教育領(lǐng)域的應(yīng)用:2008—2017年相關(guān)研究的綜述[J]. 李菲茗,葉艷偉,李曉菲,史丹丹.  中國遠(yuǎn)程教育. 2019(07)
[2]基于貝葉斯知識跟蹤模型的慕課學(xué)生評價[J]. 王卓,張銘.  中國科技論文. 2015(02)
[3]大數(shù)據(jù)視角分析學(xué)習(xí)變革——美國《通過教育數(shù)據(jù)挖掘和學(xué)習(xí)分析促進(jìn)教與學(xué)》報告解讀及啟示[J]. 徐鵬,王以寧,劉艷華,張海.  遠(yuǎn)程教育雜志. 2013(06)
[4]自適應(yīng)學(xué)習(xí)系統(tǒng)學(xué)習(xí)者學(xué)習(xí)風(fēng)格模型的研究現(xiàn)狀與展望[J]. 高虎子,周東岱.  電化教育研究. 2012(02)
[5]基于“態(tài)度”的知識追蹤模型及集成技術(shù)[J]. 閭漢原,申麟,漆美.  徐州師范大學(xué)學(xué)報(自然科學(xué)版). 2011(04)
[6]數(shù)據(jù)挖掘技術(shù)在教育中的應(yīng)用研究[J]. 楊永斌.  計算機(jī)科學(xué). 2006(12)

博士論文
[1]面向基礎(chǔ)教育的自適應(yīng)學(xué)習(xí)服務(wù)系統(tǒng)研究與應(yīng)用[D]. 廖軼.北京交通大學(xué) 2017



本文編號：3395272