key words:教育数据挖掘、知识追踪、深度学习、记忆网络、个性化学习
智能教育系统中,如何有效预测学生表现是非常重要的,也是进行个性化推荐,学习路径规划的基础,常用的预测方式依赖于专家将学习材料进行的知识成分的标注,如题目对应的知识点等,并没有考虑题面信息。而相同的知识点的题目难度,区分度或其他技能要求都是有所不同的,所以作者考虑将体面信息进行利用,提出了Exercise-Enhanced Recurrent Neural Network (EERNN) 进行学生表现预测。
文章所提出模型和DKT模型的核心区别在于,1. 在输入中使用了题目信息,2.使用题目编码后的向量做cosine相似性计算,作为注意力机制的score应用与模型
知识追踪模型(简称KT模型)是从学生的答题表现序列来推断其内在掌握知识情况的隐马尔科夫模型,它在智能辅导系统广泛使用。传统的KT模型通常只适用于对单个知识点能力的建模,且不能对题目难度和分辨度进行推断。但在现今智慧教育环境中,题目序列往往包含多个知识点,需要利用这些知识点对学生能力变化进行综合的评估和分析。为此,文章使用Logistic回归方法扩展KT模型的参数,提出三个面向多知识点的KT模型的改进模型:KTLR-GS模型、KTLR-LFID模型和KTLR-FP模型,分别把猜对概率、犯错概率、题目难度、观测参数和状态转移参数等作为特征引入,从而实现了在多知识点背景下对学生学习能力和综合能力的准确评价,超过了传统KT模型的分析性能。同时,文章还开发了基于xAPI的学习行为分析与可视化系统,集学习行为采集、存储、分析和可视化为一体,利用面向多知识点的KT模型分析学生答题序列中的知识掌握动态变化,并利用可视化的技术帮助教师对每个学生的学习情况进行及时判断。