7篇关于试题推荐的计算机毕业论文

今天分享的是关于试题推荐的7篇计算机毕业论文范文, 如果你的论文涉及到试题推荐等主题,本文能够帮助到你

基于多因素知识追踪的试题推荐系统的研究与实现

这是一篇关于智能教育,知识追踪,多因素,键值对记忆网络,试题推荐的论文, 主要内容为互联网技术突飞猛进的发展拓宽了智能教育平台的发展模式,课堂教育使学生可以在不受时间与地点的限制下畅游知识的海洋。除此外,学生亦可从海量历史学习数据中挖掘所需信息,为学生和老师的个性化教学提供便利,提高了学生的学习效率。以往的推荐算法做了很多尝试,通过为学生推荐试题不断巩固学习成果,让学生更好地规划下一步学习方法,提高自己的学习效率。尽管现有的试题推荐算法在一定程度上可以为学生推荐试题,但仍然具有一定的局限性。一方面协同过滤算法通过寻找相似用户和试题进行试题推荐,忽略了学生对知识的掌握状态,难以根据学生对知识的掌握程度向学生推荐合适难度的试题;另一方面知识建模的方法从学生的个人水平出发,大多数情况下忽略了相似学生的特征。针对以上问题,本文提出一种结合多因素知识追踪模型和协同过滤方法的个性化试题推荐方法,既考虑到学生个人的知识水平也考虑到相似学生的知识水平。主要思想如下:(1)多因素知识追踪模型(Multiple Factors Knowledge Tracing,MFKT)结合影响学生掌握知识的多因素:试题的知识关联和试题的知识难度更新学生对知识的熟练程度,运用动态键值对记忆网络动态更新学生对每个知识概念的掌握程度,再运用长短期记忆网络得到遗忘处理后的知识水平矩阵,从而对学生的知识水平进行建模。(2)结合协同过滤算法,通过学生的知识水平向量得到相似学生的知识水平矩阵,根据学生对知识的掌握程度确定试题的难度范围,从而为学生推荐相应难度范围的试题。(3)结合对系统的需求分析,设计并实现了基于多因素知识追踪的试题推荐系统。此系统分为学生端和教师端,学生端功能包括模考、错题记录、知识掌握可视化和试题推荐等,教师端有科目管理、试卷管理功能等。考虑到系统高效率的运行,分别进行前端和后端的设计。采用Vue框架展示前端功能,运用Spring Boot+My Batis框架进行后端的功能设计。

结合深度知识追踪算法的个性化试题推荐系统研究与实现

这是一篇关于深度学习,试题推荐,知识追踪,个性化教学,记忆网络的论文, 主要内容为由于人工智能的出现,政府部门与各个行业都在大力推进发展,以促进国家经济社会的发展和技术的进步。网络教育具有跨越空间的优越性,学习知识的方式也变得更加丰富和多层次,精准化个性化的教学方式,也随着人们对学生教育需求的升级提到意识层面。然而,由于传统方法往往忽略了学生实时的知识状态或者考虑学生之间的共性特征不充分,其推荐精确度尚有待提高。而深度学习模型在保证较高精度的情况下,通常缺乏可解释性。针对以上问题,本文提出了一种基于学生状态的深度知识追踪算法与基于知识概念预测的个性化试题推荐算法,并设计研发了一套结合深度知识追踪的个性化试题推荐系统,实验结果与分析表明本系统在推荐效果与精度等方面都取得了较优的效果。本文具体的研究内容如下:(1)提出了一种基于学生状态的深度知识追踪算法。该方法运用了记忆增强网络的思想,利用外部存储器用于存储长期记忆信息,设计用于存储学生知识状态的外部动态存储器矩阵,并且在更新动态矩阵时考虑到了学生的知识掌握现状。同时结合学生的认知过程与遗忘理论,进一步完善模型的遗忘机制。通过对比实验证明,该算法提高了知识追踪的效果,使深度知识追踪的过程更易理解。(2)提出了一种基于知识概念预测的个性化试题推荐算法。该方法采用长短期记忆网络(Long Short-Term Memory,LSTM),利用学生的历史回答记录顺序来预测知识概念覆盖率。引入基于学生状态的深度知识追踪算法预测学生知识概念掌握程度模块,实现了知识概念覆盖率与学生掌握程度的统一嵌入,即使在难度标签丢失或存在一定程度偏差的情况下,也可以确保推荐的题目符合所需的难度,特别考虑评估题目的Jaccard距离,以生成试题推荐列表,增加推荐题目的多样性。(3)开发了一套结合深度知识追踪的个性化试题推荐系统。针对中小学生的实际需求,设计了一套面向中小学智慧教育的个性化试题推荐系统,该系统根据学生的历史学习情况进行知识点与试题推荐,进而为每个学生量身定制个性化的题目推荐。实时评估学生的知识状态并在相关界面进行展示,使学生能够及时了解自己的学习进展。辅助教师把控教学进度,及时给有需要的学生提供相应的辅导。该套系统在学生个性化教育方面做了有益的探索。本文结合上述算法,克服了传统试题推荐系统推荐不准确与推荐结果冗余等缺点,并增加知识概念预测模块,提高了推荐精度。该系统既面向中小学学生提供个性化的学习服务,使学生能进行有效学习、自主查漏补缺。同时也为教师提供更详细的学生能力评估,进行精准教学。因此,本系统在中小学学校具有重要的研究意义与推广价值。

基于知识图谱和知识追踪的试题推荐系统的设计与实现

这是一篇关于试题推荐,知识图谱,贝叶斯知识追踪的论文, 主要内容为伴随着互联网的蓬勃发展,越来越多的在线教育系统开始普及,提供了题库供学习者查漏补缺。但是很多题库资源冗余,只是简单的罗列知识点和相应的试题,并不能按照学生对于知识概念的理解状况以及答题情况来推送适宜的练习题。因此针对这些需求提出了基于知识图谱和贝叶斯知识追踪的试题推荐系统,该系统通过知识图谱来存储课程知识点并且使用贝叶斯知识追踪来评估用户对每个知识点的掌握状态,基于掌握状态和答题情况向用户推荐试题。系统使用知识图谱来关联初中数学课程的概念和知识点。通过对教科书和网络上的教学资源爬虫获得资源库,然后对资源库的文本信息抽取得到知识点实体,使用图数据库来进行管理知识图谱节点。系统对爬取的试题文本进行分词,提取特征词遍历知识图谱,计算特征词和节点属性的语义相似度,来将试题和知识图谱节点进行匹配。并且系统通过贝叶斯知识追踪技术对学生进行建模,通过设置模型的初始参数,再根据学生的答题序列,使用最大期望算法对贝叶斯追踪模型进行训练。得到贝叶斯追踪模型后,用来解码隐状态序列,评估学习者的学习情况。用户对某一个知识点掌握程度达到贝叶斯追踪模型阈值之后根据知识图谱来寻找需要练习的下一个知识点,否则重新生成该知识点的推荐试题供用户练习。根据用户对当前知识点的掌握情况去寻找掌握情况相似用户,提取其他用户的错题来练习,同时对用户的错题进行分析,使用词向量的权重计算余弦相似度,选取相似试题推送给用户。试题推荐系统经过测试稳定性良好,没有出现崩溃和异常,同时系统能够正确的评估学习者的掌握情况,根据需要推荐合适的试题。并且提供视频、资料等各种学习资源,可以满足用户的需求。

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。

基于神经图模型的试题推荐在线考试系统设计与研究

这是一篇关于在线考试,题目练习,试题推荐,神经图协同过滤算法,NGCF-Att,注意力机制的论文, 主要内容为考试对于学生的整个学习过程来说是尤为重要的环节。然而,传统的纸质化考试在人工出题、试卷印刷、学生考试、人工阅卷和成绩统计等过程中,会产生大量的人力消耗和时间开销,而且试题选择固定或随机,缺乏学生个体针对性。针对传统纸质化考试存在的问题,本文设计开发了在线考试系统。目前,虽然在线考试系统已经应用非常普遍,但是这些系统往往忽略了学生个性化的学习需求。市面上存在的考试系统,主要以营利为目的,更加注重界面的美观设计和功能的扩展;而很多高校的考试系统,则是为了测评学生近期的学习情况,所以更加关注核心的线上考试功能,相对比较简单。在如今数据量巨大、信息过载的时代,推荐系统作为一种个性化的解决方案,已经广泛应用在各个领域;而个性化的学习方式才能更好地激发学生的学习兴趣,更针对性地帮助学生学习,提高成绩。为实现学生个性化的学习需求,并满足学校和平台的要求,本文实现的考试系统除了具备基本的自动组卷、阅卷功能外,还具有模拟试卷、知识点练习和错题重做等题目练习功能;同时将推荐算法引入所开发的考试系统中。本文主要聚焦于练习试题的推荐,在学生题目练习功能模块的知识点练习中设计了两种练习方式,分别为自主随机抽题练习和利用推荐算法推荐题目练习。针对题目推荐功能,本文研究了一种基于神经图模型的推荐算法,用于进行试题的推荐,可根据学生历史的错题记录,为学生推荐一些适合他们的易错题和知识点掌握不牢的题目。而实验也表明,本文研究的推荐算法相比其他类似的几种算法在推荐效果上有所提升。本文主要工作如下:(1)针对学校和平台的需求,开发了一款在线考试系统,并且就学生个性化的学习需求,对推荐系统领域的一些典型应用进行了学习和了解,并探索了基于内容推荐、基于模型推荐和协同过滤等经典的传统推荐算法的原理。(2)针对考试系统试题推荐练习的功能,进行了推荐算法研究。在神经图协同过滤算法(NGCF)的基础上进行了改进,提出一种基于深度学习和注意力机制(Attention)的推荐算法模型NGCF-Att。首先,在NGCF的交互层采用多层神经网络代替了内积;其次,在传播层的消息构建中引入了注意力机制。(3)使用Tensorflow实现推荐算法,并在可映射为本系统数据库格式的Amazon-book和Gowalla等公开数据集上进行实验来验证推荐算法的效果。