CN108257052A - 一种在线学生知识评估方法及其系统 - Google Patents
一种在线学生知识评估方法及其系统 Download PDFInfo
- Publication number
- CN108257052A CN108257052A CN201810040826.9A CN201810040826A CN108257052A CN 108257052 A CN108257052 A CN 108257052A CN 201810040826 A CN201810040826 A CN 201810040826A CN 108257052 A CN108257052 A CN 108257052A
- Authority
- CN
- China
- Prior art keywords
- student
- result
- knowledge
- represent
- gini
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000014509 gene expression Effects 0.000 claims description 11
- 238000013138 pruning Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 239000012141 concentrate Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000006998 cognitive state Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明大数据挖掘技术领域,公开了一种学生在线知识评估方法及其系统,以全面考虑数据的多个特征性,提高分析结果的准确性,并降低模型的训练时间,提高系统的自动性和优异性的知识掌握情况进行评估,本发明的方法包括与存储学生作答数据的数据库建立网络连接,并从数据库中获取所有学生的相关作答数据后进行去噪得到经过初步筛选后的样本集;依据初步筛选后的样本集基于CART算法对所有学生作答情况进行预测得到第一预测结果;将第一预测结果、每一位学生的真实作答结果和每道题的相应知识点ID进行one‑hot编码,然后将编码结果通过DKT模型进行进一步分析以得出对学生知识掌握情况的评估结果。
Description
技术领域
本发明涉及大数据挖掘技术领域,尤其涉及一种学生在线知识评估方法及其系统。
背景技术
21世纪以来,信息化教育技术走入日常教学过程,教育信息化已经成为计算机融合传统教育而形成的一个重要研究方向。随着互联网的发展,为了打破受地域限制的传统教育模式,探索并开发了各类在线学习系统。在新型的教育模式下,对于学生而言,想要提高学习成绩,不得不面临“信息爆炸”的难题,即,如何从浩如烟海的各类教育资源中快速获取适合自己的部分资源来提高完善自己的知识架构。为此,人们开始将人工智能技术融入智能学习系统,让计算机理解学生的知识掌握状态,自动地从学生学习记录中构建学生画像,从而真正能够做到如同私人教师一般为学生提供个性化服务。目前,大多采用DKT模型或者BKT模型对学生的认知状态进行分析,但是,在采用DKT模型进行知识评估时,只利用了知识点名称和作答结果,并没有数据的其它可用特征,如学生的作答时间、作答次数等,并不能充分利用所有特征数据;此外,在采用BKT模型进行知识评估时,需要考虑特定领域的整体知识结构和评价机制,同时,没有引入知识难度以及个体认知能力差异等因素,往往导致分析结果不够准确等情况发生。
因此,现需提供一种能全面考虑数据的多个特征性,提高分析结果的准确性,并降低模型的训练时间,提高系统的自动性和优异性的在线评估学生知识掌握情况的评估方法及其系统。
发明内容
本发明目的在于提供一种在线学生知识评估方法及其系统,以全面考虑数据的多个特征性,提高分析结果的准确性,并降低模型的训练时间,提高系统的自动性和优异性。
为实现上述目的,本发明提供了一种在线学生知识评估方法,包括:
与存储学生作答数据的数据库建立网络连接,并从所述数据库中获取所有学生的相关作答数据进行去噪得到经过初步筛选后的样本集;
依据所述初步筛选后的样本集基于CART算法对所有学生作答情况进行预测得到第一预测结果;
将所述第一预测结果、每一位学生的真实作答结果和每道题的相应知识点ID进行one-hot编码,然后将编码结果通过DKT模型进行进一步分析以得出对学生知识掌握情况的评估结果。
优选地,所述基于CART算法对所有学生作答情况进行预测得到第一预测结果具体包括以下步骤:
(1)根据所述训练样本集数据计算CART算法的基尼系数:
Gini(D)=1-∑K k=1(|Ck|/|D|)2;
式中,Gini(D)表示基尼系数,K表示将样本集分成的类别数,D表示样本集,Ck表示样本集中属于第K类的样本子集;
(2)根据所述训练样本集中的每一个特征A计算每一个特征A对应的基尼系数:
Gini(D,A)=|D1|*Gini(D1)/|D|+|D2|*Gini(D2)/|D|;
式中,D1表示归属于D1类下的人数,D2表示归属于D2类下的人数;
(3)找出对应最小基尼系数Gini(D,A)的特征A,并将该特征A作为判断条件生成CART决策树;
(4)通过剪枝对所述CART决策树进行数据筛选。
优选地,所述步骤(4)中采用后剪枝方法实现剪枝操作。
优选地,所述DKT模型的输入为:
O(eT,cT)+O(aT’,cT);
式中,eT表示T时刻练习对应的知识点ID,cT表示T时刻的作答结果,aT’表示CART模型针对T时刻数据训练得到的结果,+表示将编码结果串联。
优选地,所述DKT模型在分析过程中,实现数据更新所采用的函数为:
hT=tanh(WhxxT+WhhhT-1+bh);
式中,xT表示输入矩阵,hT表示当前时刻隐含层矩阵,Whx表示当前输入矩阵权重,hT-1表示上一时刻隐含层的状态,bh表示隐含层的偏差。
优选地,所述评估结果在DKT模型中的输出公式表示为:
yT=(WyhhT+by);
式中,yT表示评估结果,Wyh表示读出权重矩阵,by表示读出偏差。
与上述方法相对应地,本发明还提供一种在线学生知识评估系统,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法的步骤。
本发明具有以下有益效果:
本发明提供一种在线学生知识评估方法及其系统,首先通过CART算法对所有学生的作答情况进行预测得到第一预测结果,能对所有数据进行初步的自动分析,避免了手动处理数据时的效率低等问题,并能充分考虑数据的多个特征性,然后,将经过CART算法分析预测的第一预测结果、每一位学生的真实作答结果和每道题的相应知识点ID进行one-hot编码,再将编码结果通过DKT模型进行进一步分析以得出对学生知识掌握情况的评估结果,能降低对DKT模型的训练时间,基于数据多特征的基础,提高分析结果的精确性。
与DKT模型结合使用,能通过自动学习各个知识点之间的关系,判断处理各个知识点之间的联系,充分利用数据的异构特征进一步提高对学生知识掌握情况评估的准确性。
下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明优选实施例的方法模型示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例1
参见图1,本实施例提供一种学生知识评估方法,包括以下步骤:
与存储学生作答数据的数据库建立网络连接,并从数据库中获取所有学生的相关作答数据进行去噪得到经过初步筛选后的样本集;
依据所述初步筛选后的样本集基于CART算法对所有学生作答情况进行预测得到第一预测结果;
将第一预测结果、每一位学生的真实作答结果和每道题的相应知识点ID进行one-hot编码,然后将编码结果通过DKT模型进行进一步分析以得出对学生知识掌握情况的评估结果。
具体地,首先与存储学生作答数据的数据库建立网络连接,从数据库中获取相关数据,其包括学生的作答数据及相关题目信息,并将该相关数据导出到csv文件中,其中没每行信息表示一条作答记录,包括recordID,studentID,problemID,questionType,correct,responseTime,skillID,attemptCount,difficultyLevel等数据。为了提高实验的精确性,需提前进行去噪工作,即删除无效数据,并将开放式题目进行删除。例如,如果知识点recordID为空,那么这些为空的记录无法提供学生个体与知识点之间的联系,需要将这些数据删除,此外,对于开放式题目,大多情况下,无论学生的作答是否正确合理,答题平台都将默认为作答正确进行记录,所以为了避免评估结果产生偏差,提前将开放式题目进行删除。通过去噪进行数据预处理后得到训练样本集。
进一步地,基于CART算法对学生作答情况进行预测得到第一预测结果,其具体包括以下步骤:
(1)计算在CART算法中训练样本集的基尼系数:
Gini(D)=1-∑K k=1(|Ck|/|D|)2;
式中,Gini(D)表示基尼系数,K表示将样本集分成的类别数,D表示样本集,Ck表示样本集中属于第K类的样本子集。
然后,根据基尼系数Gini(D)创建根节点N,利用样本集中的每一个特征A及该特征A的每一个可能取值a,根据A≥a与A≤a将样本分为两部分,并计算Gini(D,A)的取值。
(2)根据训练样本集中的每一个特征A计算每一个特征A对应的基尼系数:
Gini(D,A)=|D1|*Gini(D1)/|D|+|D2|*Gini(D2)/|D|;
式中,D1表示归属于D1类下的人数,D2表示归属于D2类下的人数;
(3)找出对应最小基尼系数Gini(D,A)的特征A及其取值a,并将其作为最优切分点生成叶子节点N1和N2(即子集N1和N2),再将叶子节点视为根节点递归调用步骤(1)和步骤(2),直至所有的数据都进行划分完毕后生成CART决策树;
(4)通过剪枝对CART决策树进行数据筛选。
作为本实施例优选的实施方式,上述步骤(4)中采用后剪枝方法实现剪枝操作。需要说明的是,当CART决策树划分得太细时,会产生对噪声数据产生过拟合的情况,因此需要采用剪枝方法解决。可选地,本实施例采用后剪枝方式实现剪枝操作,相比于前剪枝能达到更精准的目的,其有效性能更高,且解释性更强。
需要说明的是,CART算法可以对数据特征进行更深入的分析与处理。比如学生的作答时间responseTime,一个学生对一个题目的作答时间的长短可以体现学生对该知识点的掌握熟练程度,即该数据特征在一定程度上对学生个体进行更好的刻画,通过CART算法对数据特征进行充分挖掘,能够使评估结果更为接近实际情况。
进一步地,对经过CART算法预测得到的第一预测结果、学生的真实作答结果以及真实答案对应的知识点ID进行one-hot编码,然后将编码结果作为DKT模型的输入,进而得到评估学生的知识掌握程度的评估结果。具体地,有关DKT模型的相关解释详见相关参考资料:Piech,C.,Bassen,J.,Huang,J.,Ganguli,S.,Sahami,M.,Guibas,L.J.,Sohl-Dickstein,J.:Deep knowledge tracing.In:NIPS,pp.505–513(2015)。
作为本实施例优选的实施方式,DKT模型的输入为:
O(eT,cT)+O(aT’,cT);
式中,eT表示T时刻练习对应的知识点ID,cT表示T时刻的作答结果,aT’表示CART模型针对T时刻数据训练得到的结果,+表示将编码结果串联。值得说明的是,O(·,·)代表one-hot编码,比如,t时刻由CART的得到结果为正确10,真实的作答结果为错误01,则O(aT’,cT)编码结果为1001。所以+表示将编码结果串联,并不是数学意义上的加法。
进一步地,将经过one-hot编码后的数据输入到DKT模型的LSTM全连接网络进行训练,在具体的分析过程中,实现数据更新所采用的函数为:
hT=tanh(WhxxT+WhhhT-1+bh);
式中,xT表示输入矩阵,hT表示当前时刻隐含层矩阵,Whx表示当前输入矩阵权重,hT-1表示上一时刻隐含层的状态,bh表示隐含层的偏差。即,隐含层状态的更新由当前输入矩阵和上一刻隐含层的状态(历史记录数据)共同决定。
最后,评估结果在DKT模型中的输出公式表示为:
yT=(WyhhT+by);
式中,yT表示评估结果,Wyh表示读出权重矩阵,by表示读出偏差。值得说明的是,由于在LSTM全连接网络学习过程中,读出层的上一层是隐含层,在整个网络学习过程中,每个隐含层节点都会和读出层连接,所以每个隐含层节点和读出层之间都有一个比重关系,为方便计算,将这个比重关系记为读出权重。
如上所述,本发明提供一种在线学生知识评估方法及其系统,首先通过CART算法对所有学生的作答情况进行预测得到第一预测结果,能对所有数据进行初步的自动分析,避免了手动处理数据时的效率低等问题,并能充分考虑数据的多个特征性,然后,将经过CART算法分析预测的第一预测结果、每一位学生的真实作答结果和每道题的相应知识点ID进行one-hot编码,再将编码结果通过DKT模型进行进一步分析以得出对学生知识掌握情况的评估结果,能降低对DKT模型的训练时间,基于数据多特征的基础,提高分析结果的精确性。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种在线学生知识评估方法,其特征在于,包括:
与存储学生作答数据的数据库建立网络连接,并从所述数据库中获取所有学生的相关作答数据进行去噪得到经过初步筛选后的样本集;
依据所述初步筛选后的样本集基于CART算法对所有学生作答情况进行预测得到第一预测结果;
将所述第一预测结果、每一位学生的真实作答结果和每道题的相应知识点ID进行one-hot编码,然后将编码结果通过DKT模型进行进一步分析以得出对学生知识掌握情况的评估结果。
2.根据权利要求1所述的在线学生知识评估方法,其特征在于,所述基于CART算法对所有学生作答情况进行预测得到第一预测结果具体包括以下步骤:
(1)根据所述训练样本集数据计算CART算法的基尼系数:
Gini(D)=1-∑K k=1(|Ck|/|D|)2;
式中,Gini(D)表示基尼系数,K表示将样本集分成的类别数,D表示样本集,Ck表示样本集中属于第K类的样本子集;
(2)根据所述训练样本集中的每一个特征A计算每一个特征A对应的基尼系数:
Gini(D,A)=|D1|*Gini(D1)/|D|+|D2|*Gini(D2)/|D|;
式中,D1表示归属于D1类下的人数,D2表示归属于D2类下的人数;
(3)找出对应最小基尼系数Gini(D,A)的特征A,并将该特征A作为判断条件生成CART决策树;
(4)通过剪枝对所述CART决策树进行数据筛选。
3.根据权利要求2所述的在线学生知识评估方法,其特征在于,所述步骤(4)中采用后剪枝方法实现剪枝操作。
4.根据权利要求1所述的在线学生知识评估方法,其特征在于,所述DKT模型的输入为:
O(eT,cT)+O(aT’,cT);
式中,eT表示T时刻练习对应的知识点ID,cT表示T时刻的作答结果,aT’表示CART模型针对T时刻数据训练得到的结果,+表示将编码结果串联。
5.根据权利要求1所述的在线学生知识评估方法,其特征在于,所述DKT模型在分析过程中,实现数据更新所采用的函数为:
hT=tanh(WhxxT+WhhhT-1+bh);
式中,xT表示输入矩阵,hT表示当前时刻隐含层矩阵,Whx表示当前输入矩阵权重,hT-1表示上一时刻隐含层的状态,bh表示隐含层的偏差。
6.根据权利要求1所述的在线学生知识评估方法,其特征在于,所述评估结果在DKT模型中的输出公式表示为:
yT=(WyhhT+by);
式中,yT表示评估结果,Wyh表示读出权重矩阵,by表示读出偏差。
7.一种在线学生知识评估系统,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1-6任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810040826.9A CN108257052B (zh) | 2018-01-16 | 2018-01-16 | 一种在线学生知识评估方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810040826.9A CN108257052B (zh) | 2018-01-16 | 2018-01-16 | 一种在线学生知识评估方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108257052A true CN108257052A (zh) | 2018-07-06 |
CN108257052B CN108257052B (zh) | 2022-04-22 |
Family
ID=62741246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810040826.9A Active CN108257052B (zh) | 2018-01-16 | 2018-01-16 | 一种在线学生知识评估方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108257052B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146296A (zh) * | 2018-08-28 | 2019-01-04 | 南京葡萄诚信息科技有限公司 | 一种人工智能评估人才方法 |
CN109859553A (zh) * | 2018-12-04 | 2019-06-07 | 广东宜教通教育有限公司 | 一种基于学生做题情况的能力评测方法 |
CN110059297A (zh) * | 2019-04-22 | 2019-07-26 | 上海乂学教育科技有限公司 | 适用于自适应学习的知识点学习时长预测方法及其应用 |
CN110223553A (zh) * | 2019-05-20 | 2019-09-10 | 北京师范大学 | 一种答题信息的预测方法及系统 |
CN111627289A (zh) * | 2020-05-27 | 2020-09-04 | 西北工业大学 | 一种导航雷达模拟训练效果评价方法 |
CN111797825A (zh) * | 2020-04-29 | 2020-10-20 | 上海奇初教育科技有限公司 | 一种智能评卷系统 |
CN111798138A (zh) * | 2020-07-07 | 2020-10-20 | 广州视源电子科技股份有限公司 | 数据处理方法、计算机存储介质及相关设备 |
CN111985560A (zh) * | 2020-08-19 | 2020-11-24 | 中南大学 | 知识追踪模型的优化方法、系统及计算机存储介质 |
CN114117033A (zh) * | 2022-01-25 | 2022-03-01 | 山东建筑大学 | 知识追踪方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1425133A (zh) * | 1999-10-13 | 2003-06-18 | 西格雷特生物科学有限公司 | 检测和识别试样中分子事件的系统和方法 |
CN101226551A (zh) * | 2008-01-30 | 2008-07-23 | 北京航空航天大学 | 一种海量数据的快速建模方法 |
CN101334784A (zh) * | 2008-07-30 | 2008-12-31 | 施章祖 | 计算机辅助报告与知识库产生的方法 |
CN102291435A (zh) * | 2011-07-15 | 2011-12-21 | 武汉大学 | 一种基于地理时空数据的移动信息搜索及知识发现系统 |
US20130316315A1 (en) * | 2012-05-24 | 2013-11-28 | Jae Song | Method And System For Improving Testing Assessment |
CN104778250A (zh) * | 2015-04-14 | 2015-07-15 | 南京邮电大学 | 基于遗传规划决策树的信息物理融合系统数据分类方法 |
CN104852992A (zh) * | 2015-06-09 | 2015-08-19 | 湖北天盾电子技术有限公司 | 一种基于多通信网络与传感设备的安全应急在线智能系统 |
CN106779166A (zh) * | 2016-11-23 | 2017-05-31 | 北京师范大学 | 一种基于数据驱动的知识点掌握状态的预测系统及方法 |
CN106815369A (zh) * | 2017-01-24 | 2017-06-09 | 中山大学 | 一种基于Xgboost分类算法的文本分类方法 |
CN107122452A (zh) * | 2017-04-26 | 2017-09-01 | 中国科学技术大学 | 时序化的学生认知诊断方法 |
CN107123068A (zh) * | 2017-04-26 | 2017-09-01 | 北京航空航天大学 | 一种面向程序设计语言课程个性化学习效果分析系统及方法 |
-
2018
- 2018-01-16 CN CN201810040826.9A patent/CN108257052B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1425133A (zh) * | 1999-10-13 | 2003-06-18 | 西格雷特生物科学有限公司 | 检测和识别试样中分子事件的系统和方法 |
CN101226551A (zh) * | 2008-01-30 | 2008-07-23 | 北京航空航天大学 | 一种海量数据的快速建模方法 |
CN101334784A (zh) * | 2008-07-30 | 2008-12-31 | 施章祖 | 计算机辅助报告与知识库产生的方法 |
CN102291435A (zh) * | 2011-07-15 | 2011-12-21 | 武汉大学 | 一种基于地理时空数据的移动信息搜索及知识发现系统 |
US20130316315A1 (en) * | 2012-05-24 | 2013-11-28 | Jae Song | Method And System For Improving Testing Assessment |
CN104778250A (zh) * | 2015-04-14 | 2015-07-15 | 南京邮电大学 | 基于遗传规划决策树的信息物理融合系统数据分类方法 |
CN104852992A (zh) * | 2015-06-09 | 2015-08-19 | 湖北天盾电子技术有限公司 | 一种基于多通信网络与传感设备的安全应急在线智能系统 |
CN106779166A (zh) * | 2016-11-23 | 2017-05-31 | 北京师范大学 | 一种基于数据驱动的知识点掌握状态的预测系统及方法 |
CN106815369A (zh) * | 2017-01-24 | 2017-06-09 | 中山大学 | 一种基于Xgboost分类算法的文本分类方法 |
CN107122452A (zh) * | 2017-04-26 | 2017-09-01 | 中国科学技术大学 | 时序化的学生认知诊断方法 |
CN107123068A (zh) * | 2017-04-26 | 2017-09-01 | 北京航空航天大学 | 一种面向程序设计语言课程个性化学习效果分析系统及方法 |
Non-Patent Citations (2)
Title |
---|
HAIQIN YANG: "Implicit Heterogeneous features Embedding in Deep Knowledge Tracing", 《COGNITIVE COMPUTATION》 * |
谢杰: "学生在线学习行为评估系统的设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146296A (zh) * | 2018-08-28 | 2019-01-04 | 南京葡萄诚信息科技有限公司 | 一种人工智能评估人才方法 |
CN109859553A (zh) * | 2018-12-04 | 2019-06-07 | 广东宜教通教育有限公司 | 一种基于学生做题情况的能力评测方法 |
CN109859553B (zh) * | 2018-12-04 | 2022-02-08 | 广东宜教通教育有限公司 | 一种基于学生做题情况的能力评测方法 |
CN110059297A (zh) * | 2019-04-22 | 2019-07-26 | 上海乂学教育科技有限公司 | 适用于自适应学习的知识点学习时长预测方法及其应用 |
CN110223553A (zh) * | 2019-05-20 | 2019-09-10 | 北京师范大学 | 一种答题信息的预测方法及系统 |
CN111797825A (zh) * | 2020-04-29 | 2020-10-20 | 上海奇初教育科技有限公司 | 一种智能评卷系统 |
CN111627289A (zh) * | 2020-05-27 | 2020-09-04 | 西北工业大学 | 一种导航雷达模拟训练效果评价方法 |
CN111798138A (zh) * | 2020-07-07 | 2020-10-20 | 广州视源电子科技股份有限公司 | 数据处理方法、计算机存储介质及相关设备 |
CN111985560A (zh) * | 2020-08-19 | 2020-11-24 | 中南大学 | 知识追踪模型的优化方法、系统及计算机存储介质 |
CN114117033A (zh) * | 2022-01-25 | 2022-03-01 | 山东建筑大学 | 知识追踪方法及系统 |
CN114117033B (zh) * | 2022-01-25 | 2022-08-16 | 山东建筑大学 | 知识追踪方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108257052B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108257052A (zh) | 一种在线学生知识评估方法及其系统 | |
Morrison et al. | Wildlife-habitat relationships: concepts and applications | |
CN111241243A (zh) | 面向知识测量的试题、知识、能力张量构建与标注方法 | |
CN110991645A (zh) | 一种基于知识模型的自适应学习方法、系统及存储介质 | |
CN107544960B (zh) | 一种基于变量绑定和关系激活的自动问答方法 | |
ElSayed et al. | Research in learning analytics and educational data mining to measure self-regulated learning: A systematic review | |
CN106126492A (zh) | 基于双向lstm神经网络的语句识别方法及装置 | |
CN106373057A (zh) | 一种面向网络教育的成绩不良学习者识别方法 | |
CN113591988B (zh) | 知识认知结构分析方法、系统、计算机设备、介质、终端 | |
Prabhudesai et al. | Automatic short answer grading using Siamese bidirectional LSTM based regression | |
CN109949637A (zh) | 一种客观题目的自动解答方法和装置 | |
WO2024051000A1 (zh) | 一种结构化仿真数据生成系统及生成方法 | |
Sfenrianto et al. | The influence factors of inherent structure in e-learning process | |
Oreski et al. | CRISP-DM process model in educational setting | |
CN113283488B (zh) | 一种基于学习行为的认知诊断方法及系统 | |
CN111476352B (zh) | 基于深度学习的随堂扫码评教数据有效性分析方法 | |
CN116227729B (zh) | 基于机器学习的学习评价方法及装置、设备 | |
Anutariya et al. | MOOC design and learners engagement analysis: a learning analytics approach | |
Scholtes | The team handbook | |
CN117473041A (zh) | 一种基于认知策略的编程知识追踪方法 | |
CN114117033B (zh) | 知识追踪方法及系统 | |
Mahatme et al. | Data mining with fuzzy method towards intelligent questions categorization in E-Learning | |
CN114840679A (zh) | 一种基于乐理知识图谱推理的机器人智能导学方法及应用 | |
Obonya et al. | Identification of important activities for teaching programming languages by decision trees | |
Chen et al. | Innovative Practices in the Teaching Model of University Arts Majors in the Context of the Internet+ Era |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |