Recommendations for K12 Math Exercises Based on Formula Features Extraction and Neural Cognitive Diagnosis

这是一篇关于教育大数据,知识建模,认知诊断,试题推荐的论文, 主要内容为随着线上教育的普及,海量的K12教育资源作为信息被共享到在线教育平台,越来越多的中小学生可以享受到互联网大数据的红利,在个性化教育与自适应教育中得到更好的发展。在智能教育领域,面向学生的个性化试题推荐一直是重要的研究课题,试题推荐技术帮助学生避免题海战术,通过针对薄弱知识点的定向学习来快速高效提升知识能力。在这种时代背景下,中小学生对于在线学习平台上的K12教育试题推荐需求日益迫切。数学作为一切学科的基础,不仅在K12教育中一直占据重要地位,更以其鲜明的体系结构、明确的章节知识划分、客观标准的题型与答案,成为众多线上教育系统青睐的学科资源。因此,本论文以针对K12数学学科的试题推荐技术为切入点展开研究工作,调研对比了传统方案,提出部分现存问题,并基于此提出创新性算法方案设计。目前主流的试题推荐方法模拟传统的基于协同过滤的商品推荐系统,将学生看作顾客,试题看作商品,通过模型对试题打分来进行推荐。然而将协同过滤运用到智能教育领域时,仅考虑了学生或试题间的共性特征,而忽略了学生和试题本身的个性特征,推荐结果可解释性较差。教育心理学中的认知诊断理论能够很好的解决这一问题,它通过试题Q矩阵与学生答题日志,诊断出学生的知识掌握情况,并基于此展开针对性试题推荐,使得推荐结果可解释性更强,推荐效果也更加精准。然而传统的认知诊断模型中的学生-试题交互函数往往由专家人工定义,主观性较强且方法低效,难以准确描述出二者复杂的交互逻辑。此外,传统认知诊断模型的计算规模往往与知识数量成指数关系,导致在处理大规模知识属性集(K12数学学科知识点为千量级)时性能较差。由于学生答题日志的有限性和稀疏性,即难以要求学生答题情况覆盖大部分知识点,易导致认知诊断模型训练效果不佳,对学生知识掌握情况的推断缺乏足够依据,继而造成推荐效果不准的情况。此外,学科知识点之间往往具有紧密的关联结构,如果将这些关联结构运用到推荐过程中,有望进一步增强推荐效果。认知诊断过程中用到的Q矩阵往往由专家人工标注,这一过程耗时耗力,将Q矩阵标注工作自动化是提升推荐系统性能的一个优化点。最后,数学等理工学科试题文本往往包含大量公式,这些公式中隐藏的知识点极易在知识抽取过程中被忽略。由于中文词汇不具有明显边界,一些知识点为多个词语的组合词,如何从组合词中选取最具代表性的知识概念点也是值得研究的问题。本论文针对将传统的试题推荐技术运用到K12数学领域时出现的问题,依次在三个环节提出创新性算法,分别是试题知识建模环节、学生建模环节,和基于这二者工作成果的试题推荐环节。它们有效解决了各自模块的性能瓶颈与可行性问题,提升了最终推荐结果的可解释性和准确性。本论文贡献的这三种方法可以被简略描述如下:1.试题建模:基于公式特征提取的知识抽取方法(BiLSTM+CRF+FFE)本论文第二章主要解决试题建模问题,提出的第一种方法名为基于公式特征提取的知识抽取方法。试题建模第一步往往通过词嵌入技术将题干转化可计算的序列,第二步通过关键词生成技术获取题目中的知识,如概率统计、序列标注、深度学习等方法。传统的知识抽取方案在应用到K12数学教育领域时存在数学公式知识点遗漏、组合候选词难以选取的问题。为此,本文提出的知识建模算法主要由三层处理层构成。第一层为Word2Vec+BiLSTM+CRF神经网络层,用于有效学习试题文本上下文信息并抽取出关键词汇,Word2Vec用于词嵌入,BiLSTM由前向LSTM和后向LSTM组成,用来更好的捕获试题的双向语义,CRF用于对最终的分类做约束,确保标签合法。第二层为公式特征抽取层,通过对LaTex公式组合范式的理解,分两路分别提取数学公式中的显式特征和隐式特征,从而实现对公式知识点的深度抽取。第三层为后处理层,通过进一步调整组合词汇的综合得分,来提升知识抽取的准确性。这套方案能够自动高效地标注出试题中的知识点,从而得到试题Q矩阵,为后续学生建模提供重要依据。在实验阶段,本文选取2018-2020各地区中考数学真题(无图客观题)作为实验数据,保证了试题知识点经过专家标注、知识点均匀分布、试题难度拉开梯度、以及题型的典型性,通过对比实验验证了公式特征抽取层和后处理层对知识抽取效果的提升。2.学生建模:基于DINA假设的神经认知诊断方法(NeuralDINA)本论文第三章主要解决学生建模问题,提出的第二种方法名为基于DINA假设的神经认知诊断方法。在这一环节,本文以教育心理学领域的认知诊断理论为基础进行研究。认知诊断主要通过学生的答题记录和试题Q矩阵来推断学生的认知状况,诊断结果可以被用作教育资源推荐、学生表现预测、小组分组等后续教育应用中。传统的认知诊断模型往往由专家主观设计的交互函数来模拟学生因子与试题因子之间的交互关系,难以准确捕捉二者复杂的交互逻辑;此外,面向K12数学领域的知识数目量级较大(2000+),由于传统的诊断模型在通过MLE算法进行参数估计时,计算规模与知识数目成指数关系,可行性较低。因此,本文提出的认知诊断方法利用神经网络,直接从答题数据和Q矩阵中学习学生与试题间的交互关系,而非人工设计交互函数,并将学生因子作为模型参数进行训练,训练结束后即得到诊断结果。模型的输入为学生因子与试题因子,通过三层网络结构,输出该学生在试题上的预测得分。网络第一层基于DINA假设,引入了猜测参数和失误参数,模型后两层为全连接层。使用神经网络来训练认知诊断模型能够更加智能高效地学习出学生-试题交互函数,同时也避免了因知识属性较多造成的计算规模指数爆炸问题,大大提升模型训练效率与可行性。在实验阶段,首先通过AVG与STD统计信息验证了数据集中学生知识状态的稳定性,接下来通过模型调参确立了最佳训练参数,并将认知诊断效果评估问题转化为分类问题,用分类问题常用指标(Flscore、AUC等)来评估该方法与传统认知诊断模型的性能差异,验证了 NeuralDINA模型的有效性与优越性。3.基于神经认知诊断与知识层级约束的试题推荐方法(NeuralDINA+KHC)本论文第四章为解决试题推荐问题,提出的第三种方法名为基于神经认知诊断与知识层级约束的试题推荐方法。传统的协同过滤推荐算法具有新用户冷启动和数据稀疏的问题,应用到教育资源推荐领域可解释性较差,即无法向学生说明推荐某一试题的原因,且推荐的试题不一定对学生的知识掌握水平提升有帮助。基于认知诊断的推荐则具有较好的解释性,能够针对学生的薄弱知识点做出针对性推荐。然而学生由于答题日志有限,也难以保证诊断结果的准确性和全面覆盖性。通过稀疏日志矩阵训练出来的模型预测某试题得分较低,可能是该试题考查的知识点未被日志覆盖导致,而并非学生真的未掌握。因此,本文提出一种的试题推荐方法以第三章中训练得到的学生诊断模型为基础,预测试题得分,再通过知识属性层级约束和试题难度控制,对分数做进一步优化调整,最后引入错题库,从中随机挑选部分试题加入待推荐试题集,生成一套构成丰富、针对性强、可解释性强的试题卷。学生做题情况得到反馈后,动态更新神经认知诊断模型与错题库,以便更加准确地分析学习者的知识掌握情况,继而在学习者知识状态变化后,依然能实现后续推荐。在实验阶段,知识层级由知识图谱构建而成,通过对近2200条K12数学公理的数据挖掘,提取出2000+个数学知识实体与2700条实体间关系,并从中抽象出6种实体关系类型(包含、等价、对立、相似、属性、前驱)和3种属性层级结构(前驱知识、后继知识、等价知识)。对于推荐部分,通过五种推荐方法的对比,验证了本推荐方法的有效性、优越性、与可解释性。综上所述,本研究主要贡献在于,针对K12数学教育领域,提出了一套具备可行性与创新性的个性化试题推荐方案,分别在试题知识建模、学生建模、试题推荐这三个环节提出创新性方法设计,有效解决了推荐流程中遇到的一些细节问题,对于智慧教育的发展具备一定的研究意义。

基于知识图谱的试题推荐方法研究与应用

这是一篇关于知识图谱,信息抽取,推荐系统,认知诊断的论文, 主要内容为互联网近年来的迅猛发展推动了在线教育的蓬勃发展,各类在线教育平台在这个机遇下快速崛起。相对于传统的教育方式,在线教育拥有更为灵活多样和个性化的学习方式,同时也提供丰富多样的教学资源,具有高效率的特点,让学习者可以便捷的获取学习资源;另一方面,随着学习资源的爆炸式增长,学习者面临着信息过载的问题,导致学习者在学习过程中出现资源寻找效率低下、甄别信息困难等问题。为了解决这些问题,本文基于学科知识图谱,设计了实时和离线的个性化试题推荐方法。本文主要工作如下:本文的研究基于知识图谱,并以初中生物课程作为研究对象。为了解决领域知识图谱构建过度依赖标注数据的问题,本文提出了一种基于深度学习模型和关系挖掘联合的构建方法。构建学科知识图谱需要学科原始语料作为训练集,本文采集了教材和百度百科的原始语料作为信息抽取的数据集;同时,收集了近千名学生的真实单元测试成绩,构建了学生-试题得分矩阵和试题-知识点矩阵。该方法首先对原始序列进行BIO标注,采用Bi LSTM-CRF模型进行实体抽取,并将抽取结果人工审查后作为知识图谱的实体节点;为了充分挖掘知识点实体之间的关联关系,提出了一种基于R-BERT模型和挖掘考试成绩与原始序列联合的关系抽取方法,利用此方法在小数据集上不断迭代,完善深度学习模型的抽取能力,从而减少信息抽取过程中对人工标注数据的依赖。在针对试题推荐方法的研究中,将知识图谱分别应用到实时推荐和离线推荐中,在实时推荐中,提出了一种以知识图谱辅助的模糊认知诊断模型,充分利用知识点之间的隐藏特征,设计了试题-知识点的权重矩阵,从而减少认知诊断过程中的误差;离线推荐方法中,利用知识图谱的关系网络对试题进行相似度分析,并基于隐语义模型做得分预测,根据预测结果和试题相似度进行推荐,最后与传统的推荐方法进行了对比实验,结果表明,该方法提升了试题推荐的准确性,可以有效提高学习者的学习效率。最后,以学科知识图谱为基础,设计并实现了个性化试题推荐系统,并对冷启动问题提出解决策略,试题推荐系统相对于无差别的输送,能够更有效推荐符合用户自身掌握情况的知识进行查漏补缺,提高用户的个人能力。

基于学习者模糊认知图谱的个性化学习推荐研究

这是一篇关于个性化学习,认知诊断,认知图谱,资源推荐的论文, 主要内容为教育信息化时代,发展以尊重学生个体能力导向的个性化学习,成为教育研究的新态势。目前,常规教学难以适应学生个性化需求的劣势越来越明显,亟需对学生的个体特征进行深层次的挖掘分析。在教学过程中,“优秀、良好、中等、合格、不及格”的五分等级制是教师常用来衡量学生学习效果的依据。然而,被认定为同一分级的学生,其认知状态可能有所不同,因此无法从分数等级中直接观察到学生对知识的真正掌握状况。如果不能明确学习者在学习过程中所产生的认知进化路径,也就无法为其提供及时的认知状态反馈,促进其达到深度学习。在教育领域,运用科学方法从学生的学习行为数据中挖掘出学生的个性特征,是有效实施因材施教的先决条件。鉴于在学习过程中学生存在学习迷航、认知负荷以及认知反馈不及时等问题,本研究在项目反应理论的基础上,结合模糊认知诊断模型和四参数Logistics模型对云南省D学校学生的“高等数学”认知状态进行分析。继而,基于建构主义理论、认知诊断理论、图式理论以及教育目标分类理论提出了构建表征学生认知状态变化的模糊认知图谱的设计方法,并从课程知识图谱构建、学习者认知水平诊断、认知图谱可视化三个角度具体阐述了学习者模糊认知图谱的构建流程。最后,根据以上研究内容,构建具有学习风格倾向测试、认知水平量化评估、认知图谱精准构建、学习路径动态推送、学习同伴相似推荐的个性化学习平台,以实现学习分析技术支持下的精准学习。本研究分析表明:基于学习者的模糊认知图谱进行个性化推荐是对个性化学习相关研究的发展和探索,为个性化推荐提供了新思路,具有一定的借鉴意义,因此本研究在理论与研究方法方面具有一定的创新性。

电力电子导学人工智能系统研究与应用

这是一篇关于开关电源,磁芯材料,认知诊断,知识图谱的论文, 主要内容为开关电源在科学研究、电力建设、国防设施等各个领域上都有重要的应用价值,因此设计与制作高性能、低体积的开关电源尤为重要。在开关电源的核心组成部件中,磁性元件是具有特殊作用的一种,它具备储能、能量转换及隔离等重要功能。其中饱和特性是磁性元件的特有性质,在许多实际应用场合中,电源发热甚至烧毁电路的主要因素就是磁性元件过饱和。但磁性元件设计由于开关电源设计人员认知能力有限,对自身能力与发展认知不足,同时对开关电源整体设计很难形成知识网络,对具体电路故障及其影响因素认知不足,很难建立起电路故障及影响故障相关因素的关系网。因此,本文设计电力电子人工智能导学系统,针对电源设计特定复杂工程问题,以提高认知诊断结果的辨识度为目标,深入研究开关电源磁性元件独特的物理特性,开展对开关电源设计人员的智能化评估,并结合知识图谱技术进行个性化指导,进而提升开关电源的设计质量及效率。首先基于BUCK和BOOST电路原理,分析电路中的性能指标以及计算方法,引入电感磁芯材料类型,利用WEBENCH软件分析不同磁芯材料的电感饱和特性,以及不同的电感饱和特性对电流限制功能的影响,并作为认知诊断模型构建以及个性化实验项目推送的研究基础。其次根据不同电感磁芯材料类型和磁芯饱和特性这一特定的认知技能,设计体现认知技能特征的实验项目任务模型,构建基于贝叶斯网络的认知诊断模型。再引入项目反应理论(IRT),分析认知诊断模型中熟练度模型和证据模型的变量间关系,计算变量间的条件概率。根据设计人员的测试结果,并采用马尔科夫链蒙特卡洛(MCMC)估计方法,通过WINBUGS软件计算认知诊断模型中变量的后验概率分布,诊断出设计人员在开关电源磁性元件设计上的认知能力,区分出设计人员在磁性元件设计能力上的不同熟练度,进而提供个性化指导。并同时得出变量中参数后验估计的期望、标准差、MC误差和95%HPDI等,基于仿真结果分析参数的收敛性,提高认知诊断模型的正确性,有效性和可靠性。最后,基于知识图谱技术,提取实验项目中所包含的知识点和要求掌握的能力点,构建开关电源知识图谱,帮助设计人员快速,准确地查找所需要的实验任务。然后引入新的电源研究任务,逐步增加知识图谱中的节点。同时,对不同的设计人员构建个性化的认知技能图谱。最后,采用皮尔逊相关性方法,开发开关电源设计智能导学系统,根据设计人员的知识或能力短板,个性化推送实验项目,实现个性化智能导学。

基于知识图谱的JAVA自适应学习平台设计与实现

这是一篇关于知识图谱,自适应学习,认知诊断,深度学习,试题推荐的论文, 主要内容为在互联网技术快速发展以及教育现代化不断推进的今天,在线学习平台打破“时间”和“空间”的壁垒,以“低准入”的门槛迅速成为了学习者自学的不二选择。然而,爆炸式增长的学习资源以及长期的“碎片化”学习让学习者产生了“学什么”、“怎么学”的新疑问;与此同时,面对体量巨大、学习背景差异明显的学习者,当前大部分在线学习平台给出的学习方案较为单一,不具备普适性。因此,学习服务的自适应已然成为在线教育研究领域的新方向。研究者们希望借助自适应学习平台,提供针对性的评估和指导,并依据学情推荐试题及学习资源。本文构建了 JAVA知识图谱,并基于此完成了 JAVA自适应学习平台的设计与实现,具体如下。首先,针对自适应学习平台目标,主要分析了系统在业务、功能和性能方面的需求,并完成了功能和数据库的设计;然后基于认知诊断模型和资源偏好属性构建可更新学习者模型;接着基于嵌入实现知识点对齐完成JAVA知识图谱的构建,并以此为基础借助深度学习定位学习者的目标知识点;同时,以目标知识点为起点,遍历知识图谱生成最佳学习路径,结合学习者模型为其推荐相应的学习资源和测试题;最后,本研究在Eclipse环境下,采用MVC架构进行了 JAVA自适应学习平台的开发,实现了在线测试、成绩分析、检索问答、资源推荐等功能。本JAVA自适应学习平台的原型系统已经完成,经过测试,平台已基本达到预设目标,可以为学习者提供资源推荐、试题推荐等个性化教学服务,同时可以对测试结果进行统计分析,有效评估学习者的认知能力。在后续的研究中,主要考虑加入学习者认知冲突检测和认知调节,并进一步优化初始模型,解决冷启动问题。

深度学习在学生教育推荐系统中的应用

这是一篇关于在线教育,学习资源,个性化推荐,认知诊断,神经网络的论文, 主要内容为互联网的发展,使得人们之间的交流变得更加方便,地域变得更加广泛,信息也变得更加具有实时性。人们在交流、获取信息的同时,自身也会产生大量的信息在网络中传递,久而久之越来越多的人和组织参与互联网交流,产生的信息量与日俱增。人们在网络上浏览信息的时候,由于信息资源的庞大,难以找到符合自己兴趣的、适合自己的信息资源,基于这样的问题,推荐系统在互联网条件下迅速发展,不仅极大方便了人们的生活,也满足了人们日益增长并且不断变化的需求。网络的发展,也加快了教育发展的进程。如今,为了能够获取更加多元化的知识,学生也已经不满足于日常的课堂学习,逐步开始了在线学习,网络为在线教育奠定了良好的发展基础,学生用户越来越多,学习资源也越来越丰富,于是,在线教育平台也面临了信息过载问题。为了解决这一问题,采用了推荐技术。本文对传统推荐算法和应用深度学习的推荐算法进行了研究,以学生试题资源为背景,结合认知诊断提出了一种基于认知诊断及注意力机制的个性化试题推荐算法。根据学生对试题的作答信息,通过认知诊断建模,得出学生的知识点掌握水平,而后以知识点掌握水平为基础,结合试题资源的知识点信息、题干信息以及专家标注的难度信息,通过神经网络,对试题资源难度进行个性化评估,向学生推荐试题资源。本文通过实验验证了算法的可行性,结果表明该方法能够在不同规模的试题推荐上取得较好的推荐结果。本文主要研究内容如下:(1)对相关文献以及涉及算法进行研究。本文对相关的推荐算法文献逐一进行了介绍,将推荐算法分为传统推荐算法和应用深度学习的推荐算法,按照其领域分别作了解释。(2)个性化试题资源推荐算法设计。传统的在线教育平台学习资源推荐算法,是基于内容的推荐技术和基于协同过滤的推荐技术,并未直接针对于两者的知识点信息。因此,本文提出了上述基于认知诊断及注意力机制的个性化试题推荐算法,对试题资源难度进行个性化评估。(3)本文设计和实现一个学习资源推荐系统,并对系统的设计目标,需求分析,系统流程,模块设计进行介绍。

智慧课堂中基于认知诊断的学习任务自适应模型研究与应用

这是一篇关于认知诊断,学习任务,自适应学习,智慧课堂的论文, 主要内容为随着“双减”政策的出现,堂内学习提质增效与精准施教的需求日益高涨。认知诊断等新一代测量技术与教育领域的持续深度融合,为满足学习者在课堂教学中的个性化需求提供了新的思路。智慧课堂是集智能技术工具和促进智慧生成的高效教学课堂,因其富媒体工具、智能化的特点能够接触到海量资源,同时一定程度上促进了师生互动,为提升教学效率提供了良好的环境。然而学习者之间的差异性与课堂内统一步调的教学产生了矛盾,使得堂内学习效果面临着个性与集体相统一的自适应挑战。认知诊断技术支持下的自适应学习能够实时感知学习者认知结构的变化,并让学习任务做出适应性的调整,从而满足学习者的个性化需求。而通过对学习者需求的归类将学习者分层,维持课堂稳定的同时节省教师精力。因此在智慧课堂环境支持下,基于认知诊断的自适应学习成为了检测认知结构变化、优化学习者个性化学习和教师集体化教学相结合、提升堂内学习成效的有效手段和途径。本研究考虑以学习者认知结构为主的相关因素对学习任务自适应的影响,提出了认知诊断支持下学习任务自适应模型及其应用策略,搭建了学习任务自适应系统并加以应用实践。主要研究工作包括以下几个方面:(1)认知诊断支持下学习任务自适应模型构建及实现机制。在前人研究的指导下从学习者与学习任务两个角度对学习任务自适应因素进行归纳总结,基于此提出了认知诊断支持下学习任务自适应模型,并阐述其工作原理及实现机制。(2)认知结构驱动下学习任务自适应的应用策略设计。就上述模型在智慧课堂信息技术课程中的应用设计了三条策略,分别是网络资源支撑下基于任务情境设计的分层课堂组织策略、学习目标驱动下基于教师引导的学习任务自动调整策略、认知诊断支持下面向不同对象的多元评价反馈策略。(3)智慧课堂中基于认知诊断的学习任务自适应系统实现及应用效果分析。首先采用Vue+SSM框架实现了基于认知诊断的学习任务自适应系统,然后在初中八年级信息技术课程中开展教学实验,最后对学习过程性数据与问卷调查结果进行分析探究其应用效果。结果显示:该系统易于使用,在学习成绩与认知属性掌握概率提升方面有良好的辅助效果。

融入认知诊断的数学教育游戏设计与开发——以分数加减法为例

这是一篇关于认知诊断,数学教育游戏,分数加减法,游戏行为的论文, 主要内容为数学是其他各科学习的基础,不仅是知识、公式的学习,更重要的是数学素养的养成,而义务教育阶段的数学教育一直是游戏化学习的重要应用领域。精心设计和开发的教育游戏不仅可以让学生在场景任务下进行沉浸式学习,还可以让学生降低学习过程中枯燥感,提高学生的参与度。许多研究表明,数学教育游戏不管是在评价学生学习方面,还是在提高学生数学认知、数学技能等方面都具有独特的优势。传统的数学教育游戏在设计和评价方面存在某些弊端,例如并未给出详细的游戏任务设计方法,在游戏反馈阶段也无法对学生的知识掌握模式给予精准的反馈。基于项目反应理论和经典测试理论的传统的教育评价方式能够对考生分数和能力给予相应的评价,但却无法精确化得出学生关于知识掌握的相关结论。针对学生游戏结果的反馈也仅停留在游戏的通关结果、获得的虚拟奖励等基础反馈层面。本研究试图在认知诊断理论、流理论等相关理论的指导下,以Uuity3D作为开发工具,开发一款数学教育游戏《小小考古员》,详尽说明游戏任务的开发过程、游戏任务之间存在的逻辑关联、以及游戏数据收集和分析等方面。在游戏中,学生完成系统推送的所有关卡,根据学生对所有关卡的掌握情况得出结论,为学生显示相应的诊断报告,针对学生薄弱点进行补救教学,并对学生未通过的关卡进行二次闯关,探索补救教学的效果。研究采用文献分析法、问卷调查法、实验法等研究方法,按照“文献综述——理论研究——相关案例分析——教育游戏模型构建——教育游戏开发——游戏应用效果与验证”的研究思路开展研究工作。下面将概括研究内容与相关成果。(1)文献综述与理论研究。本研究通过分析和阅读大量相关文献,了解前人在认知诊断及数学教育游戏领域方面的研究,进而提出研究问题,详细的阐述相关理论并完善概念界定。(2)融入认知诊断的数学教育游戏模型的构建。通过对以往传统数学教育游戏模型的分析,借鉴其可行之处,结合认知诊断理论,最终构建出包括“任务模型”、“学生模型”、“教师模型”三大基础模型的游戏功能模型。(3)融入认知诊断的数学教育游戏的设计。首先结合相关理论分析游戏需求,其次阐述游戏化教学设计,对学习者、游戏化教学内容等方面进行分析,然后对游戏设计的原则进行阐述,最后根据以上三小节的内容对游戏主体,包括游戏元素、游戏任务、游戏反馈等方面进行详细的设计。(4)融入认知诊断的数学教育游戏的开发与应用。实例开发阶段,以分数加减法作为学习内容,以unity3D为开发工具,c#为开发语言,实现游戏开发。游戏开发完成之后,通过实验法收集学生游戏数据,对学生的游戏行为以及认知属性模式进行分析。对学生在游戏过程中产生的流体验进行问卷调查,结果显示学生产生了较高的流体验,认知诊断的判准度和游戏任务区分度都较高,学生在补救教学后认知属性掌握程度有所提升,并且探究了学生在完成游戏任务的过程中存在的差异。由于研究时间和研究者能力有限,在游戏的设计与开发方面多有不足,在未来的研究工作中,将进一步弥补和完善,以取得更好的研究成果。

基于学习者模糊认知图谱的个性化学习推荐研究

这是一篇关于个性化学习,认知诊断,认知图谱,资源推荐的论文, 主要内容为教育信息化时代,发展以尊重学生个体能力导向的个性化学习,成为教育研究的新态势。目前,常规教学难以适应学生个性化需求的劣势越来越明显,亟需对学生的个体特征进行深层次的挖掘分析。在教学过程中,“优秀、良好、中等、合格、不及格”的五分等级制是教师常用来衡量学生学习效果的依据。然而,被认定为同一分级的学生,其认知状态可能有所不同,因此无法从分数等级中直接观察到学生对知识的真正掌握状况。如果不能明确学习者在学习过程中所产生的认知进化路径,也就无法为其提供及时的认知状态反馈,促进其达到深度学习。在教育领域,运用科学方法从学生的学习行为数据中挖掘出学生的个性特征,是有效实施因材施教的先决条件。鉴于在学习过程中学生存在学习迷航、认知负荷以及认知反馈不及时等问题,本研究在项目反应理论的基础上,结合模糊认知诊断模型和四参数Logistics模型对云南省D学校学生的“高等数学”认知状态进行分析。继而,基于建构主义理论、认知诊断理论、图式理论以及教育目标分类理论提出了构建表征学生认知状态变化的模糊认知图谱的设计方法,并从课程知识图谱构建、学习者认知水平诊断、认知图谱可视化三个角度具体阐述了学习者模糊认知图谱的构建流程。最后,根据以上研究内容,构建具有学习风格倾向测试、认知水平量化评估、认知图谱精准构建、学习路径动态推送、学习同伴相似推荐的个性化学习平台,以实现学习分析技术支持下的精准学习。本研究分析表明:基于学习者的模糊认知图谱进行个性化推荐是对个性化学习相关研究的发展和探索,为个性化推荐提供了新思路,具有一定的借鉴意义,因此本研究在理论与研究方法方面具有一定的创新性。