可解释深度知识追踪模型

知识追踪任务通过建模用户的习题作答序列跟踪其认知状态,进而预测其下一时刻的答题情况,实现对用户知识掌握程度的智能评估.当前知识追踪方法多针对知识点建模,忽略了习题信息建模与用户个性化表征,并且对于预测结果缺乏可解释性.针对以上问题,提出了一个可解释的深度知识追踪框架.首先引入习题的上下文信息挖掘习题与知识点间的隐含关系,得到更有表征能力的习题与知识点表示,缓解数据稀疏问题.接着建模用户答题序列获得其当前知识状态,并以此学习个性化注意力,进而得到当前习题基于用户知识状态的个性化表示.最后,对于预测结果,依据个性化注意力选择一条推理路径作为其解释.相较于现有方法,所提模型不仅取得了更好的预测结果,还能为预测结果提供推理路径层面的解释,体现了其优越性.     

时空相关性融合表征的知识追踪模型

知识追踪通过对知识点的表示来描述习题,以此建模知识状态,最终预测学习者的未来表现。然而目前的研究在知识点的表示方面既没有建模历史知识点对当前知识点产生的时间关系上的影响,又未能刻画习题内部各知识点之间产生的空间关系上的作用。为了解决上述问题,提出了时空相关性融合表征的知识追踪模型。首先,以知识点之间的时间相关程度为基础,建模历史知识点对当前知识点的时间作用;其次,利用图注意力网络建模习题所包含的若干知识点之间的空间作用,得到蕴涵了时空信息的知识点表示;最后,利用上述知识点的表示推导出习题的表示,通过自注意力机制得到当前的知识状态。在实验阶段,与五种相关知识追踪模型在四个真实数据集上进行性能对比,结果表明提出的模型在性能方面有更出色的表现。特别地,在ASSISTments2017数据集中所提模型比五个对比模型在AUC、Acc方面分别提升了1.7%~7.7%和7.3%~2.1%;消融实验证明了建模知识点之间时空相关影响的有效性,训练过程实验表明了提出的模型在知识点的表示及其相互作用关系的建模等方面具有一定的优势,应用实例也可看出该模型优于其他知识追踪模型的实际结果。     

一种自适应的个性化学习序列生成研究

根据学生的个性特点生成合适的学习序列是智能教学系统实现的关键,也是系统智能性的重要体现。其难点在于既要考虑知识点之间的逻辑联系,又要适应学生个性化的学习特点。提出了基于知识点之间内在关系指导下的学习序列生成算法,讨论了学生学习水平和用户个性的建模和计算以及对学习序列的调整和优化的方法。采用学习窗口作为活动组织的单元,以适应具有不同学习能力的学生,采用学习模式描述知识内容的组织方式及对应学习方式的不同。原型系统的应用表明了所提方法的有效性,系统具有较强的适应性,能够满足学生的个性化学习需求。     

学习者知识追踪研究进展综述

学习者建模是自适应学习系统的支撑技术之一,其中以知识追踪为代表的学习者知识状态建模研究最为广泛。3种代表性的知识追踪技术分别为基于隐马尔可夫模型的贝叶斯知识追踪、基于逻辑回归模型的可加性因素模型、基于循环神经网络的深度知识追踪。通过综述发现,贝叶斯知识追踪模型适用于含单一知识点的学习任务的知识追踪,可加性因素模型和深度知识追踪模型适用于含多知识点的学习任务的知识追踪,但深度知识追踪模型的教学可解释性不佳。在综述现有研究的基础上,受到知识空间理论的启发,将知识点之间的先决关系融入到知识追踪模型是未来的一个重要研究方向,并初步提出了一种融合知识点先决关系的可加因素模型。     

自主学习任务的导航和自动创建方法研究

网络环境下自主学习是基于计算机网络的自主学习。学习要素由原来基于课堂教学的学习者、内容、技术、教师而重组为学习者、资源、网络学习环境、教师。基本要素的变化使学习支持服务系统的范围更加宽泛。基于此,所谓网络环境下的自主学习是指学习者利用计算机网络提供的学习支持服务系统,根据教师设计的教学要求,自主性地选择学习时间、确定学习目标和学习内容、通过可选择的交互方式主动探究学习过程,实现有意义知识建构的学习方式。为了促进教师在教学过程中的经验交流,增强学习任务的复用,在自主学习系统中添加了知识点体系的概念,并且基于此概念,针对学生的个性化情况,设计了以学习评价为依据的导航算法。系统中还加入了由系统自动生成的学习任务,能够根据学生对知识点的掌握程度,智慧地从题库中抽取题目,自动化地生成任务。     

融合状态关系的知识追踪模型

知识追踪模型建模学习者对每个知识点的状态推断其知识总状态,预测其未来的学习表现。但现有研究在建模知识总状态时,没有融合知识点状态之间的关系,影响了最终的预测效果。针对这一问题,提出一种融合知识点状态关系的知识追踪模型。首先向量化表示数据集中的知识点,构建知识点表示图;其次将知识点表示图扩散至潜式空间以反映其内在结构和本质信息;融合当前时刻的习题与知识点作为引导向量,从知识点表示图的潜式表示中提取知识点状态图;以知识点状态图为基础,推导知识总状态,预测当前习题的表现。通过在三个数据集上对比四个相关模型的实验证明,提出的模型在AUC、ACC和表示质量方面均取得了一定的优势。其中,在 ASSISTments2009数据集上表现最佳,与对比模型中的最优值和最低值比较,AUC分别提升了1.17%、10.57%,ACC分别提升了3.23%、12.17%,表示质量分别提升了1.95%、10.40%。进一步地,可视化地展示了知识点状态及其关系的内部推导过程,以及它们与真实答题结果之间的对应关系,说明模型具备一定的可解释性。同时,将该模型应用于三门课程以预测学生的表现,与相关模型对比取得了更好的结果,说明模型具备一定的实用性。     

非线性学习中学习路径变化率对群体平均知识水平的影响研究

本文运用非线性动力学原理,通过分析非线性学习中学习者的学习路径与知识水平之间的数学关系,引出非线性学习的动力学模型.并在随机网络、小世界网络和规则网络三种环境下,针对学习路径变换率对某一群体平均知识水平存在的影响进行了仿真分析.仿真结果表明,学习路径变化率越大,群体的平均知识水平越容易达到平衡且趋于稳定,并且三种网络环境下小世界网络能较好的模拟真实网络的拓扑结构,这对于在群体的学习中合理优化的调控学习者的学习方向和学习质量有着科学的指导意义.     

基于知识点本体的个性化课程组织方法

基于本体技术和知识管理理论,提出了组织知识的5层结构和使用知识的4层结构.设计开发了知识点本体、学习者本体和学习策略本体,并基于这3个本体查找、选择合适的知识点,生成个性化课程推荐给学习者.实验结果表明:学习者使用该方法自动生成的个性化课程,能够提高自身的学习积极性,用户满意度达到84%以上.     

形式背景下的学习路径与技能评估

在认知学习过程中,学习者可能学习并掌握某些技能,但知识状态却无法发生改变.在此情形下,根据学习者知识状态的改变不足以对其技能进行准确评估,因此,文中基于技能函数,运用形式概念分析的方法寻找学习路径并进行技能评估.首先,介绍后继状态、有效技能和良好技能函数的概念.然后,基于形式背景,在两种情形下讨论技能函数满足良好性的条件,得到满足良好性条件下可进行逐步有效学习和有效评估的结果,并设计获取良好技能背景、良好技能函数及寻找学习路径的算法.最后,在两个数据集上进行实验分析,验证文中算法的有效性,并且得出如下结论:基于良好技能函数得到的学习路径图,不仅可有效指导学习者进行学习,还可根据学习者知识状态的变化评估其是否掌握相应的有效技能.     

基于学生知识点的知识推理方法

针对传统的知识推理技术在学生学习方面研究的不足,知识图谱工具缺乏在学科知识点间复杂关系上的推理能力,基于学生知识点,提出了一种新的知识推理方法。通过学科涵盖知识点和知识点间的关系,构建知识点关联图,并结合学生的薄弱知识点,遍历知识点关联图,挖掘学生最底层的薄弱知识,生成待学习薄弱知识点序列,从而为学生提供学习路径。实验证明,该方法具有一定的可行性。     

基于改进微粒群优化的学习路径优化控制方法

对学生学习的路径控制在智能化教学系统中是一个重要的问题。该文以知识空间理论为基础建立了学习状态空间,通过改进的微粒群算法对该学习状态空间的学习路径进行最优化控制,并利用死亡惩罚函数法把约束最优化学习路径问题转化成了无约束的最优化学习路径控制问题,引入交换子和交换序的概念对微粒群算法进行改进。在结果分析中,通过动态参数法,即动态变化交换子保留概率的方法提高微粒群的收敛效果,达到了最优化学习路径控制的目的。     

基于多维信息特征映射模型的在线学习路径优化方法

针对目前在线学习路径优化方法存在学习路径与学习者匹配度不高的问题,首先构建在线学习路径的多维信息特征映射模型(MIFMM),该模型根据学习者与学习资源的多维信息特征建立,融合了kolb学习风格和学习资源类型信息;然后设计双映射二进制粒子群优化算法(DMBPSO),DMBPSO算法根据进化因子ef将学习路径推荐过程分为收敛和跳出局部最优两种进化状态,采用与进化状态特征相匹配的映射函数选择策略,并对惯性权重进行动态非线性调整,提高学习路径推荐性能;接着将MIFMM模型与DMBPSO算法相融合提出基于多维信息特征映射模型的在线学习路径优化方法(MIFMM-POA);最后将MIFMM-POA方法与其他4种粒子群算法为核心的学习路径优化方法相比较,从寻优精度、寻优过程与寻优时间3个角度进行分析,实验表明MIFMM-POA方法是优化学习路径的有效方法.     

形式背景下的技能约简与评估

知识空间理论(KST)为构建知识评价体系提供了有效的途径.形式概念分析(FCA)是知识发现的有力工具.知识空间理论与形式概念分析间存在密不可分的联系.知识空间理论被运用于评估学习者的知识和指导未来的学习.目前,如何构建准确的知识结构是知识空间理论的重点研究问题.基于技能与问题间的关系,对知识空间理论与形式概念分析间的联...     

基于行为序列分析的学习资源推荐算法研究

利用数据挖掘技术分析网络学习行为数据可以挖掘出其隐含的行为规律特征,为学习者提供个性化的学习资源服务。针对现有的数据挖掘算法在对网络学习行为数据进行分析时普遍存在模型适用性不高的问题,提出了一种基于行为序列分析的学习资源推荐算法。首先,提出行为序列及其相关概念的定义,并提出行为序列相似度计算方法;然后提出基于行为序列相似度的协同过滤推荐算法,计算学习者相似度并为待推荐学习者生成学习资源推荐列表;接着给出基于学习风格的推荐方法,将学习者学习风格特征融入推荐过程;最后,给出基于行为序列分析的学习资源推荐算法的模型。提出的算法没有对行为序列的模式进行限制,具有较高的适用性,对深入研究网络学习行为序列数据为学习者提供个性化学习服务具有一定的借鉴作用。     

一种面向学习路径推荐的知识网络构建方法

随着在线教育的迅速发展,互联网上的教学资源数量也呈现出快速增长的趋势。针对当前在线学习平台普遍存在着教学资源内容重复、人们难以辨别与选择,导致学习者很难应用这些资源构建适合自己的学习路径的问题,提出一种面向学习路径推荐的领域知识网络构建方法。通过对每个学习对象的预备知识与目标知识进行社会标注,构建相应的领域知识网络,然后,运用弗洛伊德算法计算领域知识网络里任意两个知识点间的最短路径,为学习路径推荐提供基础。     

基于集成化建模的个性化和自动化的学习资源选择平台(英文)

In order to automatically select learning resources in an Internet environment according to the background knowledge and the learning objectives of the learners,a platform based on integrated modeling is developed.The platform constitutes three levels and four views.The three levels are database level,knowledge analysis level and modeling level.The four views are user modeling,learning resource modeling,knowledge points modeling and learning process modeling.The process model is used to connect the learners and the learning resources.The workflow optimization method is used to optimize the learning resource selection according to the objectives and background knowledge level of the learner,at the same time,a learning plan is given.Finally,a web-based prototype system is developed by java.     

基于MCPDDPG的智能车辆路径规划方法及应用

针对智能车路径规划过程中常存在动态环境感知预估不足的问题,使用基于蒙特卡罗深度策略梯度学习(Monte Carlo prediction deep deterministic policy gradient, MCPDDPG)的智能车辆路径规划方法,设计一种基于环境感知预测、行为决策和控制序列生成的框架,实现实时的决策...     

A method toward dynamic e-learning services modeling and the cooperative learning mechanism

The advanced information technologies have made it possible for individuals to carry out cooperative learning efficiently and effectively from anywhere and at any time. To capitalize on the individual need and address the issues associated with the late entry into the e-learning area, it has great significance to study the service mechanism of CSCL on e-learning service and e-learning service computing modeling. This paper proposes an e-learning service model supporting for the life-cycle process management. The proposed model is developed by considering the learner’s behaviours during e-learning services, the scheduling policies, and the monitoring mechanism of learning activities. Business process modeling for e-learning services can be taken according to the study ordering of the knowledge points by using workflow modeling technology and process enactment mechanism. The overall life-cycle process management of knowledge is addressed by combining knowledge product modeling, knowledge resource modeling, and credit polices for member selection in research team by considering trust value of learners, advisers and providers in e-learning services. The proposed method can be used for supporting the sustainable development of e-learning services from planning and design, organizing e-learning process, maintenance of the e-learning process, to process improvement, as well as to support learners and advisers to effectively complete innovative team study and complex computation study. Lastly, an extended topic map tool has been developed by adding a knowledge requirement level and an information extraction tool to validate the proposed methodology. These tools can used to guide learners to concentrate on the required knowledge topics and drive knowledge providers to redevelop outdated knowledge hierarchy.     

Interactive and dynamic review course composition system utilizing contextual semantic expansion and discrete particle swarm optimization

In the present learning cycle, new knowledge learning and known knowledge review are two important learning processes. Currently, the major attempts of e-Learning systems are devoted to promote the learners’ learning efficiency in new knowledge learning, but only few in known knowledge review. Hence, this paper proposes the review course composition system which adopts the discrete particle swarm optimization to quickly pick the suitable materials, and can be customized in accordance with the learner’s intention. Furthermore, the greed-like materials sequencing approach is also proposed to smoothe the reading order of the course. As a result, such a composition system satisfies the majority of learners with the customized review courses based on their needs.