随着在线教育的蓬勃发展,越来越多的学生和个人积极加入在线学习平台中学习新技能,以应对社会的飞速发展。为了实现在线教育环境下高效自主的学习以及在线教育平台智能个性化的教学,如何对学生在线学习过程进行建模、准确追踪学生学习状态是当前研究者必须面对的问题。尽管目前已经出现了许多知识追踪模型,但是这些模型在处理真实在线教育环境中的知识追踪问题时仍然存在以下不足:(1)当前研究对学习数据分析时没有充分考虑学生学习数据的复杂性,因而无法挖掘学生学习数据的主要特征;(2)当前研究解决知识追踪问题时,主要是从解决数学问题的角度出发,因而模型的可解释性较差、知识追踪效果不好;(3)大多数知识追踪模型是基于学生个人的学习历史数据追踪学生当前的知识状态,因而无法预测学生对新知识的学习过程;(4)当前的知识追踪方法主要着眼于如何提高知识追踪效果,而没有思考在真实的在线教育环境中模型的训练更新机制。为了解决当前知识追踪模型在真实在线教育环境中面临的以上问题,本文的研究内容和创新工作主要包括以下几个方面:(1)对学生的学习数据进行分析,提出了基于长短期记忆神经网络的栈式自编码器方法以挖掘学生学习的时序性特征,并定义了学生的学习能力特征,根据这两个特征对学生进行聚类分析;(2)从人的学习认知过程出发,对当前的深度知识追踪模型进行改进,提出了基于学习记忆过程的知识追踪模型,增强了模型的可解释性,提高了知识追踪效果;(3)根据基于学习记忆过程的知识追踪模型以及学生学习的聚类特征,提出了基于群体学习特征的新知识追踪模型,该模型能够准确地预测学生对新知识的学习过程;(4)根据学生学习的聚类特征,首先提出了针对基于学习记忆过程的知识追踪模型的训练方法,增强了知识追踪模型的个性化表达能力,然后提出了针对基于群体学习特征的新知识追踪模型的训练方法,提高了模型的训练效率,并使该模型能够在真实在线教育环境下高效地在线更新。最后,通过对比实验证明了基于学习记忆过程的知识追踪模型的知识追踪效果高于现有的知识追踪方法,验证了基于群体学习特征的新知识追踪模型的可行性,同时本文分析了学生学习的聚类特征对知识追踪效果的影响,证明了学生学习的聚类特征对于知识追踪的重要意义。