摘要
近些年来。随着计算机网络的迅速发展与普及，在线教育平台在商业领域得到了井喷式的发展。在这个过程中海量的学习者作答数据产生，这些数据中蕴含着大量学习者学习行为过程中知识掌握程度的信息，通过分析研究这些信息既可以让教育者了解每一个学习者的学习进度，也可以向学习者推荐高效的学习路径和恰当的学习资源，从而做到因材施教。但是由于传统的教育数据挖掘方法大都聚焦于研究学生作答是否正确的问题，这对于教育者的启发存在局限性。因此，本文运用知识追踪的方法深度挖掘学生知识掌握程度，并对知识追踪模型进行优化改进，这在如今的在线教育商业中是非常有必要的。 本文首先根据在线教学平台数独模块的学生作答数据构造四个新特征，分别是最大尝试次数、总尝试次数、平均作答时长与正确率。再采用支持向量机模型对学生专项测试的首答正误进行预测，得到模型的准确率、查准率、召回率、F1值分别为0.64，0.81，0.62，0.61。模型表现不太理想，可以认为支持向量机模型在此数据集上不存在预测意义并未学习到有效信息。然后，在细分为两个知识点的场景下，基于学生依次作答状态的序列数据建立项目反应理论模型和贝叶斯知识追踪模型，通过课堂练习和课后作业数据对学生在专项测评上的首答正确率进行预测，得到结论:两个模型在两个测评题上进行预测得到的AUC值分别为0.732、0.749和0.750、0.771。对比三个模型发现，贝叶斯知识追踪模型对测评题的首答状态预测精准率最好，但三个模型效果均不佳。最后，基于学生每个宫格作答状态将学生的知识点掌握程度分成完全未掌握、部分掌握、完全掌握三个等级，并且建立改进的贝叶斯知识点追踪模型。通过模型对学生知识掌握程度进行预测，得到模型评价指标Kappa系数为0.778，说明模型预测结果与实际分类高度一致。由此可以得出结论，基于多分类改进的贝叶斯知识追踪模型在此数据集上表现最优。
NETL