摘要
智慧在线学习系统通过知识追踪方法为每个学习者建立个性化学习模型，根据知识追踪模型和评估算法，对学习者知识点掌握情况和学习能力进行有效评估和预测以达到知识追踪效果，从而为学习者个性化推荐学习方案以提高学习者学习效率。在互联网条件下，与传统的教育形式相比，智能在线教育能够更好地规划学习者的学习时间、学习计划。根据学习者过去的学习信息，能够更好地接受学习者的反馈，为其制定未来的学习策略。但在线教育平台由于需要大量的学习者在线教育数据及学习者信息对模型进行训练，在对学习者的个性化指导方面还存在研究空间。因此，建立个性化的智能教育系统在现代在线教育领域具有重要的研究价值。 知识追踪任务旨在根据学习者的历史学习交互，追踪学习者的知识状态变化，并预测学习者未来的学习效果。现存的大多数KT模型只是根据学习者在学习交互中的表现来判断他们的知识状态，没有充分注意到学习者在学习过程中的学习行为和遗忘行为对知识状态的影响，没有充分考虑知识概念难度和问题难度对知识追踪的影响。因此，本文从知识追踪自身存在的问题出发，借助门控机制和注意力机制的最新研究和进展，提出了两种基于深度学习的知识追踪方法，完成的主要工作如下： 提出了一种基于自注意力的知识追踪模型。首先，从学习者的交互序列中提取学习者自身属性，使用题目难度嵌入策略来提升模型的性能和可解释性。其次，利用Transformer模型对学习者和题目的各种特征信息进行处理，通过注意力机制捕捉学习者之间的不同知识状态水平。最后，在三个真实的大规模数据集上的实验表明，ADKT优于当前先进的知识追踪模型SAINT+，AUC提高了4%。 提出了一个基于门控机制的注意力知识追踪模型。首先，通过计算习题与知识概念之间的知识权重,使用带权的习题嵌入来代替原始的习题嵌入。其次，设计了两个门控机制，模拟学习者学习过程中的遗忘行为和学习行为，结合学习交互记录和知识概念难度，以跟踪学习者对知识概念掌握的动态变化。最后，在四个真实的大规模数据集上的实验表明，GMAKT优于当前先进的知识追踪模型AKT，AUC提高了3%。 设计了智慧在线学习系统，利用本文提出的知识追踪模型GMAKT根据学习者过去的历史答题记录来预测和评估学习者对各个知识点的掌握情况。根据学习者对各种知识点的掌握情况建立各个学习者的学习模型，推荐知识点相对薄弱或者还需要加强的知识点相关的练习题，为每位学习者制定专属的个性化学习计划并生成相应的学习报告。
NETL