摘要
随着互联网技术的发展，在线学习已经成为一种常见的学习方式。然而，在在线学习中，老师难以捕捉到学生的学习反应和知识掌握状态，并给出针对性的建议。同时面对海量的教学资源，用户也难以快速准确的找到适合其学习进度、知识掌握程度的课程习题。 如何评估学生知识掌握程度，常见的有认知诊断模型和知识追踪模型。通过分析挖掘学生历史答题数据，来评估学生的知识掌握状态。在当前个性化习题推荐领域，主要有利用深度学习方法为用户建模和利用协同过滤推荐等方法。在常见的知识建模方法中，大多使用模型自动提取习题和知识点特征，忽略了学生学习过程中，复杂的上下文知识背景以及习题和知识点之间的映射关系，且没有考虑到学生学习过程中的群体效应。基于协同过滤的习题推荐策略，没有充分考虑到学生自身的学习特点和知识掌握程度，导致推荐结果的准确性不够精确。 在本文中，针对以上问题，提出了一种基于知识追踪的个性化习题推荐策略。首先利用Q矩阵中习题与知识点的对应关系和学生在知识点上的作答表现得到上下文化的Q矩阵。将提取到的知识点特征向量和学生的作答情况作为深度知识追踪模型的输入，得到更准确的学生知识掌握状态。来预测学生对习题的正确作答概率，和计算习题对于学生的个性化“难度”系数。并利用神经网络，从学生的历史做题交互序列来预测学生在下一时间段所需要学习的知识点概率向量,得到学生的学习范围。然后采用协同过滤算法，为用户找到相似学生群体，使用群体效应来计算和更新学生的知识点掌握状态和下一时间步所要学习的知识点范围。综合考虑学生的知识掌握程度，和所要学习的知识点范围来为学生推荐难度合适且知识点覆盖范围符合其学习进度的习题。并对待推荐的列表进行再过滤，去除习题集中相似性很高的习题，提高推荐结果的多样性。 最后通过对系统进行需求分析，设计并开发了个性化习题推荐系统。主要包括教师端和学生端，学生端功能包括学生考试，错题本，试题推荐等，教师端有考试管理,习题管理等功能。采用前后端分离的B/S架构,主要使用了SpringBoot和Vue.js等技术来进行开发设计。并对系统的完备性和稳定性进行了测试。
NETL