【无标题】

摘 要

知识追踪（Knowledge Tracing）是根据学生过去的答题情况对学生的知识掌握情况进行建模，从而得到学生当前知识状态表示的一种技术。知识追踪是基于学生行为序列进行建模，预测学生对知识的掌握程度。知识追踪是构建自适应教育系统的核心和关键。在自适应的教育系统中，无论是做精准推送，学生学习路径规划或知识图谱构建，第一步都是能够精准预测学生对知识的掌握程度。

由于深度学习并不需要人类教会模型不同题目的难易、考核内容等特定的知识，避免了大量的手工标注特征工作量，而且在互联网在线教育行业兴起后，拥有了海量的学生答题记录，这些答题记录就能教会模型将题库中成千上万条题目encode为一个向量，并且能类似于word2vec那样找出题目之间的关联。因此之后各种AI+教育、个性化、智能化教育的概念也火了起来。

但是目前在该领域中，用于知识追踪的网络模型的优化还是一个现存的问题。因此在本文中，我们着重对于网络进行了优化，以期达到最好的效果。

我们通过对于多个网络模型的参数的调试，选择出了最好的模型参数，魔性对于知识追踪的准确率可以达到70%以上。

关键词：知识追踪，深度学习，RNN

Research on Teaching Analysis and Evaluation Methods Based on Knowledge Tracing Models

Abstract

Knowledge Tracing is a technique that models a student's knowledge mastery based on their past answers, in order to obtain a representation of their current knowledge state. Knowledge tracking is based on modeling student behavior sequences to predict their level of mastery of knowledge. Knowledge tracking is the core and key to building an adaptive education system. In an adaptive education system, whether it is precise push, student learning path planning, or knowledge graph construction, the first step is to accurately predict the degree of student mastery of knowledge.

Because deep learning does not require humans to teach the model the difficulty of different topics, assessment content and other specific knowledge, it avoids a large amount of manual annotation feature workload. Moreover, after the rise of the Internet online education industry, it has a large number of student answer records, which can teach the model to encode thousands of questions in the question bank as a vector, and can find the relationship between questions similar to word2vec. Therefore, various concepts of AI+education, personalization, and intelligent education have also become popular since then.

However, currently, the optimization of network models for knowledge tracking is still an existing problem in this field. Therefore, in this article, we focus on optimizing the network in order to achieve the best results.

We have selected the best model parameters by debugging the parameters of multiple network models, and the accuracy of magic in knowledge tracking can reach over 70%.

Key Words: Keywords: knowledge tracking, deep learning, RNN

目    录

第1章 绪论

1.1 研究背景与意义

1.2 研究内容

1.3 论文组织

第2章 技术背景介绍

2.1 Python及Jupyter简介

2.2 Pandas工具包

2.3 RNN

2.4 matplotlib

第3章 知识追踪现状分析

3.1 知识追踪研究现状

3.1.1 知识追踪国内外研究现状

第4章 基于知识追踪模型的教学分析与评价方法的实现

4.1 概要设计

4.2 数据的获取

4.2.1 数据读取

4.2.2 数据整理

4.3 模型参数初始化

4.4 网络结构

4.4.1 网络模型

4.5 模型训练

4.5.1 模型训练过程图

4.5.3 模型调优

结论

参考文献

第1章 绪论

1.1 研究背景与意义

知识追踪是基于学生行为序列进行建模，预测学生对知识的掌握程度。知识追踪是构建自适应教育系统的核心和关键。在自适应的教育系统中，无论是做精准推送，学生学习路径规划或知识图谱构建，第一步都是能够精准预测学生对知识的掌握程度。

知识追踪问题可以描述为：

给定一学生的观测序列  预测下次表现，通常，其代表回答的问题成分（如对应的知识点），代表对应的回答是否正确，通常  。下图描述了一个学生在八年级数学中的知识追踪结果可视化展示。

目前，教育领域通过引入人工智能的技术，使得在线的教学系统成为了智能教学系统（ITS），ITS不同与以往的MOOC形式的课程。ITS能够个性化的为学生制定有效的

学习路径，通过根据学生的答题情况追踪学生当前的一个知识点掌握状况，从而可以做到因材施教。

在智能教学系统中，当前有使用以下三种模型对学生的知识点掌握状况进行一个追踪判断：

IRT（Item response theory） 项目反应理论

BKT（Bayesin knowledge tracing） 基于贝叶斯网络的学生知识点追踪模型

DKT(Deep konwledge traing) 基于深度神经网络的学生知识点追踪模型

1.2 研究内容

本文主要针对模型进行相应的提升，借助学生答题数据记录，进行学生的知识追踪，通过对于模型进行多个参数的调参与调优。实现准确率最高的知识追踪模型。

1.3 论文组织

本文将学生答题数据作为为基础数据，进行数据分析，建立知识追踪模型。本文的研究工作包括：

第1章：绪论简要介绍了本课题研究的背景与意义，研究内容。

第2章：平台系统技术背景介绍。主要介绍了完成课题所需要的主要技术，包括Python、Jupyter、RNN、LSTM等技术。

第3章：介绍国内外研究发展现状。

第4章：完成对整个系统的实现，包括数据说明、数据预处理、数据探索、各个功能模块的实现。

最后对整个项目进行总结分析。