2020 10 25
8月到10月初大致了解了下智慧教育的研究方向和内容,对于研究生阶段要做的事情有了一个笼统的概念,这段时间主要研读了由中国科学技术大学陈恩红、刘淇团队完成,被AAAI-20录用的论文《Neural Cognitive Diagnosis for Intelligent Education Systems》《Neural Cognitive Diagnosis for Intelligent Education Systems》,结合论文需求,把吴恩达的机器学习视频刷了一遍,不过第一次这么系统的读论文,跑代码,比较懊恼的事情是没有把那段时间和同学讨论的东西用电子文案记录下来。所以从这周开始,系统记录研究生阶段研读论文的整个过程,算是对自己成长过程的一个记录,以后还能回头来回味回味这段经历~
本周主题:熟悉论文搜索套路,广泛收集文献(智慧教育);继续学习深度学习相关理论;学习数据挖掘算法,并用代码实现。
智慧教育就是在教育领域引入人工智能技术,由数据驱动,使学生学习过程更加个性化,主要分析建模的对象为试题和学生。
试题的知识点结构是基本资源,学生的认知水平是个性化学习的依据,在智能教学系统中,使用以下三种模型来对学生的知识点掌握情况进行追踪判断
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
*贝叶斯网络的知识追踪方法更加传统,会用到隐马尔可夫模型(这个模型还没完全理解,和概率计算有关,前面的状态影响后面的状态),而循环神经网络(RNN)在不需要人工选取大量特征的情况下优于传统方法。
*基于概率图模型的知识追踪、基于矩阵分解的知识追踪和基于深度学习的知识追踪
*卷积神经网络能够对习题内容进行学习,对习题包含哪些知识点进行分类,补充权威专家标注的知识点。
这周收集的文献集中在知识追踪这块,下周计划是详读这部分文献,以上带*号的是进行重点理解的部分。
这周收获:当然是克服了找论文,看英文文献的恐惧,哇!那么多文献,仿佛大海捞针,一开始确实怕的要命,但一段时间下来,也找到了一些套路,那就是通过不同的论文筛选条件(关键字、最新、引用最多、下载最多等)找到好论文,之后再在各大博客搜索别人的对这篇论文的研读记录,理解效率会快很多。另外的收获就是我开始用Python实践数据挖掘,这周主要做的是亲和性分析和OneR分类算法,以后有时间我会把代码整理出来,加油!下周继续!