论文部分内容阅读
伴随着互联网的快速发展,教育领域也发生了巨大的变化。在线教育的出现拓展了传统教育的边界使得每一个学生都能从中获益,同时也促进了教育资源的共享和更加全面的教育评估理论和技术。各种在线学习系统如MOOC在为人们提供在线学习的服务,但是现存的各种在线学习系统都存在或多或少的缺陷:没有针对个人的个性化学习方案、对知识的分类粒度较粗,导致学习者不能很好的完成学习同时学习的体检较差。为了使学习者在学习过程中有一个可参考的学习路径以及更好的评估学习者的掌握情况,本文研究并实现了一种自适应在线学习测评系统。论文主要的工作分为三个方面:1、提出基于Q学习算法的高效学习策略。首先利用分层学习将学科知识建立为网格状的知识地图,随后使用强化学习中的Q学习算法构建一个高效的学习路径,最后学习者根据给出的学习路径进行学习;2、提出改进的选题策略。通过加入曝光率的阈值限制,改进的选题策略使得题库中的试题曝光率更加均匀,不同难度的试题均有可能被选中,题库的安全性得到保障;3、设计并实现自适应在线学习测评系统。基于实用性与可行性的考虑,设计了在线学习系统架构同时实现了系统的各个关键模块。利用分层学习模型将《数据结构》课程的知识地图绘制完成,随后基于Q学习算法构建《数据结构》课程的高效学习路径,并详细描述队列知识单元的学习路径,最后提出改进的选题策略。在论文的模拟实验中,我们将改进的选题策略和传统的选题策略如最大Fisher信息量法和a分层法进行比较,结果显示改进的选题策略在评测指标的对比中优于传统的选题策略。通过构建的高效学习路径与改进的选题策略的相结合,设计并实现了一种自适应在线学习测评系统。