论文部分内容阅读
随着信息技术的不断发展,克服时间、空间限制的远程教育开始出现。适应性学习系统可以根据学生的学习现状动态调整学习资源的呈现,克服我国传统教育中存在的教育资源分布不均、教学模式单一等问题,对于实现高质量教学有重要的意义。但是相较于国外已经有如Moodle学习管理系统、Knewton个性化学习平台等较为成熟的系统,国内对适应性学习系统的研究还停留在理论阶段,少数已经推广使用的学习系统也普遍存在智慧程度较低的问题。对适应性学习系统的研究、设计、开发、实施是教育领域今后的研究热点之一。个性化学习资源推荐是实现在线学习系统适应性的主要途径,基于数据挖掘技术获取学生在线学习行为数据,再通过学习分析技术构造学生专属学习者模型,并定制化的为其提供适合的学习资源。首先通过查阅大量的文献发现传统学习资源推荐方法主要停留在试题层面,忽视了学生学习的本质其实是对知识点的学习,以及学生的学习过程受到“之前”和“之后”学习行为的影响,具有时序性这一特点。近年来随着人工智能的飞速发展,与深度学习神经网络相结合的推荐方法成为未来研究推荐领域的重要方向。其中双向长短时记忆循环神经网络(Bi-LSTM)善于处理时序问题,且在预测结果产生推荐时同时考虑推荐节点“之前”、“之后”的状态,深度自编码器(Deep Autoencoder)善于处理复杂信息,在协同过滤推荐领域预测用户得分方面有较好表现。然后针对上述情况,本文提出了一种基于双向长短时记忆循环神经网络(Bi-LSTM)和深度自编码器(Deep Autoencoder)的个性化试题资源推荐方法。先进行基于知识点的二次试题推荐,再预测目标学生在推荐试题上的正确率以及在推荐试题上涉及推荐知识点的关键步骤上的得分,最后由上述两个预测结果进行协同判断确定试题最终是否进行推荐。经过与传统推荐算法的对比实验,可以发现本文提出的个性化学习资源推荐方法在推荐结果上有更好的稳定性和可解释性。最后,根据适应性学习系统的功能需求与结构特点,设计开发了一款适应性学习系统,并将本文提出的个性化试题资源推荐算法融入其中,在产生试题资源推荐、克服“题海战术”、提高学习效率方面有较好的表现。