發(fā)布時間：2024-06-29 00:34

　　智適應(yīng)學(xué)習(xí)系統(tǒng)通過知識追蹤建立學(xué)習(xí)者模型,并結(jié)合領(lǐng)域知識模型和測評算法,對學(xué)習(xí)者掌握知識點(diǎn)的情況進(jìn)行有效測評及能力預(yù)測,以達(dá)到知識追蹤效果,從而個性化學(xué)習(xí)服務(wù)以提高學(xué)習(xí)效率,被稱為人工智能時代的教育革命。針對智適應(yīng)學(xué)習(xí)系統(tǒng)中,缺乏充足學(xué)習(xí)者數(shù)據(jù)所導(dǎo)致的深度知識追蹤冷啟動問題,和教研經(jīng)驗(yàn)對知識內(nèi)容的掌握尚未充分融入到測評與推薦算法中的問題,本文利用深度學(xué)習(xí)和圖關(guān)聯(lián)規(guī)則算法設(shè)計思想,結(jié)合已有的深度知識追蹤模型,提出了圖規(guī)則-深度知識追蹤(Graph Rule-Deep Knowledge Tracing,GR-DKT)模型,對學(xué)習(xí)者進(jìn)行知識追蹤。GR-DKT針對領(lǐng)域知識的結(jié)構(gòu)特征,引入了用于冷啟動階段的項目反應(yīng)理論(Item Response Theory,IRT)模型,構(gòu)建出了基于知識結(jié)構(gòu)樹和基于知識圖譜的領(lǐng)域知識模型,然后提出了基于知識圖譜的關(guān)聯(lián)規(guī)則進(jìn)行動態(tài)測評與推薦的圖規(guī)則(Graph Rule,GR)冷啟動算法,并且融入了基于深度學(xué)習(xí)的DKT-plus深度知識追蹤學(xué)習(xí)者模型以測評學(xué)習(xí)者的長期表現(xiàn)能力。GR-DKT根據(jù)時間維度進(jìn)行多模型融合,根據(jù)數(shù)據(jù)維度和評估效果維度進(jìn)行實(shí)際應(yīng)用場景...

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文主要工作
    1.4 本文組織結(jié)構(gòu)
2 智適應(yīng)學(xué)習(xí)系統(tǒng)相關(guān)理論與技術(shù)研究
    2.1 智適應(yīng)學(xué)習(xí)系統(tǒng)簡介
    2.2 知識圖譜與領(lǐng)域知識模型
        2.2.1 知識圖譜在領(lǐng)域知識模型中的應(yīng)用
        2.2.2 領(lǐng)域知識模型構(gòu)建示例
    2.3 基于知識追蹤的學(xué)習(xí)者模型
        2.3.1 項目反應(yīng)理論及模型應(yīng)用
        2.3.2 貝葉斯知識追蹤及模型應(yīng)用
        2.3.3 深度知識追蹤及模型應(yīng)用
    2.4 深度學(xué)習(xí)的發(fā)展與應(yīng)用
3 智適應(yīng)學(xué)習(xí)系統(tǒng)的需求分析與概要設(shè)計
    3.1 智適應(yīng)學(xué)習(xí)系統(tǒng)的需求分析
        3.1.1 功能需求分析
        3.1.2 非功能需求分析
        3.1.3 技術(shù)選型
    3.2 智適應(yīng)學(xué)習(xí)系統(tǒng)的概要設(shè)計
        3.2.1 總體架構(gòu)設(shè)計
        3.2.2 總體功能模塊設(shè)計
        3.2.3 數(shù)據(jù)庫設(shè)計
4 智適應(yīng)學(xué)習(xí)系統(tǒng)的詳細(xì)設(shè)計與實(shí)現(xiàn)
    4.1 基于知識追蹤的GR-DKT模型設(shè)計
    4.2 領(lǐng)域知識模型的設(shè)計與實(shí)現(xiàn)
        4.2.1 領(lǐng)域知識的樹狀結(jié)構(gòu)庫的設(shè)計與實(shí)現(xiàn)
        4.2.2 細(xì)粒度知識點(diǎn)層級知識圖譜的設(shè)計與實(shí)現(xiàn)
        4.2.3 知識點(diǎn)與習(xí)題關(guān)聯(lián)規(guī)則庫的解析設(shè)計與實(shí)現(xiàn)
    4.3 動態(tài)測評與推薦GR算法設(shè)計與實(shí)現(xiàn)
    4.4 冷啟動階段的IRT學(xué)習(xí)者模型
    4.5 基于LSTM的 DKT-plus深度知識追蹤學(xué)習(xí)者模型
        4.5.1 學(xué)習(xí)者數(shù)據(jù)的預(yù)處理及編碼
        4.5.2 LSTM神經(jīng)網(wǎng)絡(luò)模型
        4.5.3 DKT-plus的輸出及參數(shù)設(shè)置
    4.6 功能模塊及與模型的有效結(jié)合的詳細(xì)設(shè)計與實(shí)現(xiàn)
        4.6.1 智學(xué)習(xí)模塊
        4.6.2 智學(xué)情模塊
        4.6.3 課程資源模塊
        4.6.4 個人中心模塊
5 智適應(yīng)學(xué)習(xí)系統(tǒng)的功能測試與效果評估
    5.1 智適應(yīng)學(xué)習(xí)系統(tǒng)的功能測試
    5.2 GR-DKT模型的效果評估
        5.2.1 實(shí)驗(yàn)數(shù)據(jù)集
        5.2.2 GR冷啟動算法效果驗(yàn)證
        5.2.3 GR-DKT模型效果驗(yàn)證
    5.3 多知識追蹤模型對比分析
    5.4 討論與展望
結(jié)論
參考文獻(xiàn)
致謝



本文編號：3996894