發(fā)布時間：2024-05-27 20:07

　　知識追蹤模型(簡稱KT模型)是從學生的答題表現(xiàn)序列來推斷其內(nèi)在掌握知識情況的隱馬爾科夫模型,它在智能輔導系統(tǒng)廣泛使用。傳統(tǒng)的KT模型通常只適用于對單個知識點能力的建模,且不能對題目難度和分辨度進行推斷。但在現(xiàn)今智慧教育環(huán)境中,題目序列往往包含多個知識點,需要利用這些知識點對學生能力變化進行綜合的評估和分析。為此,文章使用Logistic回歸方法擴展KT模型的參數(shù),提出三個面向多知識點的KT模型的改進模型:KTLR-GS模型、KTLR-LFID模型和KTLR-FP模型,分別把猜對概率、犯錯概率、題目難度、觀測參數(shù)和狀態(tài)轉(zhuǎn)移參數(shù)等作為特征引入,從而實現(xiàn)了在多知識點背景下對學生學習能力和綜合能力的準確評價,超過了傳統(tǒng)KT模型的分析性能。同時,文章還開發(fā)了基于xAPI的學習行為分析與可視化系統(tǒng),集學習行為采集、存儲、分析和可視化為一體,利用面向多知識點的KT模型分析學生答題序列中的知識掌握動態(tài)變化,并利用可視化的技術(shù)幫助教師對每個學生的學習情況進行及時判斷。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖2學生多知識點追蹤可視化的流程

2。可以看出，KT模型的預測效果遠低于其余4個模型，KTLR-GS、KTLR-LFID、KTLR-FP模型的預測效果都優(yōu)于LR-DBN。其中，KTLR-FP模型的AUC是5個模型中最高的，同時，MAE、MSE、RMSE是5個模型中最小的，表示在初中代數(shù)數(shù)據(jù)集上KTLR-FP模型是....

本文編號：3983043