隨著大數(shù)據(jù)和信息技術(shù)的蓬勃發(fā)展,數(shù)以百萬計的學(xué)生加入智能教育系統(tǒng)中學(xué)習(xí)在線課程,如何實現(xiàn)個性化、智能化的教育平臺,如何科學(xué)地、有針對性地對每一個學(xué)生的知識狀態(tài)進行有效追蹤,如何發(fā)現(xiàn)學(xué)生的知識斷點和薄弱點,如何為學(xué)生量身定制個性化的學(xué)習(xí)路徑,這是當(dāng)前知識追蹤領(lǐng)域的研究熱點。雖然目前提出了很多知識追蹤模型,但不能實現(xiàn)真正意義上的個性化教育平臺,知識追蹤領(lǐng)域面臨的挑戰(zhàn)如下:(1)當(dāng)前現(xiàn)有的知識追蹤模型都無法對一個以不同速度獲取知識的學(xué)生進行動態(tài)建模,因為每個學(xué)生對于知識點的吸收速度都是不一樣的。(2)在實際復(fù)雜的教育場景中,練習(xí)題可能連續(xù)出現(xiàn)好幾次,當(dāng)前的知識追蹤模型沒有考慮到這一因素。(3)平臺上的練習(xí)題資源數(shù)量龐大,學(xué)生想在一定的時間內(nèi)做完所有的練習(xí)題幾乎是無法實現(xiàn)的,給學(xué)生推薦個性化的做題順序是非常重要的。然而,到目前為止,所有的知識追蹤模型都無法自動發(fā)現(xiàn)練習(xí)題之間的依賴關(guān)系,之前,練習(xí)題之間的依賴關(guān)系都是由專家進行關(guān)聯(lián)的。為了解決當(dāng)前知識追蹤模型所面臨的困難,本文的研究內(nèi)容和主要貢獻如下:(1)從學(xué)生獲取知識點速度的角度出發(fā),對當(dāng)前最先進的知識追蹤模型(動態(tài)鍵值記憶網(wǎng)絡(luò))進行改進,提...

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-9NTM結(jié)構(gòu)圖

第二章知識追蹤中的相關(guān)知識21∑(2.30)在輪交互之后，根據(jù)來進行預(yù)測。這種多輪的交互方法也叫做多跳操作。其參數(shù)通常是共享的。每輪交互的外部記憶也能夠共享使用，例如和。2.5.3神經(jīng)圖靈機神經(jīng)圖靈機（NeuralTuringmachine，NTM）[49]由外部記憶和控制器兩部....

圖4-2在ASST2009數(shù)據(jù)集上練習(xí)題ID與記憶片段ID之間的熱圖

第四章實驗及結(jié)果分析43數(shù)據(jù)集上，練習(xí)題ID與記憶片段ID之間的熱圖分別如圖4-2、4-3、4-4和4-5所示，正方形的顏色表示相應(yīng)的練習(xí)題與記憶片段之間的相關(guān)值。在ASST2009數(shù)據(jù)集上N與d的取值分別為30和60；在ASST2015數(shù)據(jù)集上N與d的取值分別為30和20；在J....

圖4-3在ASST2015數(shù)據(jù)集上練習(xí)題ID與記憶片段ID之間的熱圖

河北大學(xué)碩士學(xué)位論文44圖4-3在ASST2015數(shù)據(jù)集上練習(xí)題ID與記憶片段ID之間的熱圖

圖4-4在JUNYI數(shù)據(jù)集上練習(xí)題ID與記憶片段ID之間的熱圖

第四章實驗及結(jié)果分析45圖4-4在JUNYI數(shù)據(jù)集上練習(xí)題ID與記憶片段ID之間的熱圖從圖4-2、4-3和4-4中可以看出，在DKVMN模型學(xué)習(xí)的相關(guān)關(guān)系中，隨著記憶片段數(shù)量的增加練習(xí)題的密度明顯增大，大多數(shù)練習(xí)題與記憶片段數(shù)量為20-30時密切相關(guān)。相反，在MSKT和LDKT模....

本文編號：3905198