基于模糊认知诊断的作业互评系统研究与实现

这是一篇关于在线学习,作业互评,学生画像,分配策略,KM算法的论文, 主要内容为近年来,随着互联网技术和移动设备的广泛应用与普及,在教育领域中,在线教育以其不受时间空间的限制、快速和及时性、可重复性、费用低廉、丰富的交互性和协作性、支持个性化学习等优势受到拥护和广泛发展,与之产生的众多在线学习平台也得到广泛使用。在线学习平台下,为提高学生对知识点的掌握水平,往往需要学生完成相应的作业。对于作业中的部分客观题目可以通过系统自动根据答案评判,而主观题根据系统评判的效果往往不尽如人意。另外,平台下因学习者众多而带来庞大的作业评阅任务,单靠教师个人无法顺利完成。为了解决上述两个问题,利用学生之间的互评是一种有效的作业评判方法,通过学生之间互评的方式完成作业的批改,一方面可以有效减轻教师的评阅压力,另一方面,可以鼓励学生参与到教师的评阅任务中,加深学生对题目的理解,增强学生们之间的交流与反馈。在当下作业评阅研究中,主要存在两个问题。第一,对学生的能力评估缺乏准确性;第二,评阅分配的策略比较单一,没有考虑其他的分配策略。本文通过开发在线作业互评系统,在分配策略方面对这两个问题进行了改进,主要工作内容如下:采用模糊认知诊断技术实现对学生能力准确评估。在互评分配前期,需要对学生的知识点掌握程度进行诊断,进而更加准确的预测学生对待评作业的得分,将得分作为学生画像的一项属性。在以往的作业互评分配方面,主要通过计算每个知识点所包含题目的正答率来简单的预测其对于知识点的掌握情况,此方法对学生能力评估缺乏准确性。本文采用模糊认知诊断技术对待评阅作业的得分进行预测,并且在原有的模糊认知诊断模型的基础上加入学生答题时间属性,根据在线学习平台下的学生答题数据和每道题目的作答时间,考虑每位学生的潜在特征,知识点的区分度、难度等属性,对客观题和主观题采用不同的计算方式,完成学生对知识点掌握水平的评估,通过待评作业的Q矩阵,完成学生对待评作业的得分预测。本文将答题时间考虑到模糊认知诊断模型中,在描述学生能力差异性方面比以往方法更为准确。采用多种分配策略应用于不同场景。传统作业分配策略都以实现整体互评质量更优为目标,而在实际分配过程中,往往还会产生其他需求。我们期望一种分配策略的整体评阅质量符合一定要求后,整体的评阅时长可以更短;我们还希望通过因材施教让不同能力阶段的学生都能实现成绩上的提升。为解决评阅分配策略单一问题和实现上述场景下的需求,本文提出三种不同的分配策略,分别是按综合质量分配,按最短时间分配,按学习能力分配。为计算三种分配策略的匹配结果,本文在学生画像方面,除待评作业预测得分属性外,还使用了包括学生在团体内的成绩排名,历史评阅能力得分,学生评阅时间和作业相似度数据。应不同策略需求,选择相关属性构建带权重的二分图,通过KM算法计算出最终结果。本文通过与教师评分接近程度、总体回评均值、互评打分与真实分数的RSME值、平均每次评阅用时三项指标对各种策略的分配效果进行分析,实验结果显示三种策略有效的实现了上述不同场景下的需求,对学生能力评估更为准确,在互评分配效果优于其他常见策略。本文中的作业互评系统采用B/S架构,前端使用Thymeleaf+HTML,后端使用Spring Boot+Mybatis+Apache Shiro框架,系统主要使用Java语言和Mysql数据库,分配策略算法使用的Python语言。由教师对相应班级和所选课程下的学生发布作业通知,学生接受通知按照要求完成作业并上传至系统中,教师根据作业提交情况和作业特点,选择一种分配策略,同一团体内的学生根据分配策略的结果接受各自的作业评阅任务,根据评分规则完成对待评作业题目的打分,学生作业被评后,可以根据作业的评阅用时和评阅的准确度对评阅人进行回评打分,至此,完成整个评阅环节。本文开发的作业互评系统缓解了教师的评阅压力,并有效的增强了学生的学习兴趣和互动效果。

学生画像生成系统的设计与实现

这是一篇关于学生画像,数据挖掘,机器学习,可视化技术的论文, 主要内容为近年来,教育信息化得到了快速发展。为了有效监测学生的学习成长并为学生推荐适合的学习内容,教育数据挖掘逐渐兴起。其中,学生画像作为教育数据挖掘的关键组成部分,在教育领域的应用中占据了重要的地位。本文对学生画像模型的构建和生成进行了深入研究,发现当前阶段的学生画像研究存在以下问题:计算机领域专家主要从认知层面对画像进行研究,比如做知识点推荐、成绩预测,缺少对学生画像的深层次研究;教育领域专家虽然提出了有深度的学生画像,但局限于理论,缺少技术实现。因此本文结合两个领域知识,提出了一个全面、多维度的学生画像模型,它不仅仅可以展示学生素养的多样性,还可以解释学生的学业表现。同时,本文通过机器学习算法生成画像各个维度的数据,并将画像数据可视化于系统中,使教师能够直观地查看学生画像,更好地了解学生的学习状况。本文主要工作如下:1.创新性地设计了数据集。本文针对教育数据杂乱的问题,使用了打标签的方式处理高中数学课程的知识点和题目数据;然后,将标签导入做题平台,采集学生各类信息来得到基本属性,并结合题目标签构建复杂属性;最后,将数据进行处理和清洗,为画像生成做铺垫。2.基于教育学理论构建学生画像。本文针对计算机科学中构建画像深度不够的问题,基于教育学构建了一个全面、深层次的画像。画像包括十个维度,用“成绩维度”来衡量学生的学业表现,用“数学建模及抽象、数学运算、逻辑推理、专注度、创造性、学习态度、抗压能力、情绪表达、自信程度”九个核心素养维度来表示学生学习和成长的关键特征,同时解释学生成绩。3.基于Boruta-PSO-XGBoost模型预测学生成绩维度。首先使用Boruta算法对特征进行选择,一方面是为了筛选出重要特征,另一方面可以验证复杂属性的合理性;然后使用PSO-XGBoost算法对成绩维度进行预测,与不同的模型做对比实验和消融实验。本文提出的模型在精准率、召回率和F1值上优于传统机器学习模型。4.基于混合神经网络模型预测学生核心素养维度。为了提高核心素养预测的准确率,本文使用FNN网络处理静态数据,使用CNN-LSTM网络处理动态数据,两者融合生成混合神经网络模型。本文提出的模型在精准率、召回率、F1值和准确率上优于基本深度学习模型。5.设计与实现学生画像生成系统。本文将系统分为信息录入模块、画像生成模块、前端展示模块。在系统开发过程中,采用Spring Boot框架构建并实现各项功能;为确保系统各项性能满足需求,对系统进行了功能测试和非功能测试,从而提供一个高质量且稳定的用户体验。

基于模糊认知诊断的作业互评系统研究与实现

这是一篇关于在线学习,作业互评,学生画像,分配策略,KM算法的论文, 主要内容为近年来,随着互联网技术和移动设备的广泛应用与普及,在教育领域中,在线教育以其不受时间空间的限制、快速和及时性、可重复性、费用低廉、丰富的交互性和协作性、支持个性化学习等优势受到拥护和广泛发展,与之产生的众多在线学习平台也得到广泛使用。在线学习平台下,为提高学生对知识点的掌握水平,往往需要学生完成相应的作业。对于作业中的部分客观题目可以通过系统自动根据答案评判,而主观题根据系统评判的效果往往不尽如人意。另外,平台下因学习者众多而带来庞大的作业评阅任务,单靠教师个人无法顺利完成。为了解决上述两个问题,利用学生之间的互评是一种有效的作业评判方法,通过学生之间互评的方式完成作业的批改,一方面可以有效减轻教师的评阅压力,另一方面,可以鼓励学生参与到教师的评阅任务中,加深学生对题目的理解,增强学生们之间的交流与反馈。在当下作业评阅研究中,主要存在两个问题。第一,对学生的能力评估缺乏准确性;第二,评阅分配的策略比较单一,没有考虑其他的分配策略。本文通过开发在线作业互评系统,在分配策略方面对这两个问题进行了改进,主要工作内容如下:采用模糊认知诊断技术实现对学生能力准确评估。在互评分配前期,需要对学生的知识点掌握程度进行诊断,进而更加准确的预测学生对待评作业的得分,将得分作为学生画像的一项属性。在以往的作业互评分配方面,主要通过计算每个知识点所包含题目的正答率来简单的预测其对于知识点的掌握情况,此方法对学生能力评估缺乏准确性。本文采用模糊认知诊断技术对待评阅作业的得分进行预测,并且在原有的模糊认知诊断模型的基础上加入学生答题时间属性,根据在线学习平台下的学生答题数据和每道题目的作答时间,考虑每位学生的潜在特征,知识点的区分度、难度等属性,对客观题和主观题采用不同的计算方式,完成学生对知识点掌握水平的评估,通过待评作业的Q矩阵,完成学生对待评作业的得分预测。本文将答题时间考虑到模糊认知诊断模型中,在描述学生能力差异性方面比以往方法更为准确。采用多种分配策略应用于不同场景。传统作业分配策略都以实现整体互评质量更优为目标,而在实际分配过程中,往往还会产生其他需求。我们期望一种分配策略的整体评阅质量符合一定要求后,整体的评阅时长可以更短;我们还希望通过因材施教让不同能力阶段的学生都能实现成绩上的提升。为解决评阅分配策略单一问题和实现上述场景下的需求,本文提出三种不同的分配策略,分别是按综合质量分配,按最短时间分配,按学习能力分配。为计算三种分配策略的匹配结果,本文在学生画像方面,除待评作业预测得分属性外,还使用了包括学生在团体内的成绩排名,历史评阅能力得分,学生评阅时间和作业相似度数据。应不同策略需求,选择相关属性构建带权重的二分图,通过KM算法计算出最终结果。本文通过与教师评分接近程度、总体回评均值、互评打分与真实分数的RSME值、平均每次评阅用时三项指标对各种策略的分配效果进行分析,实验结果显示三种策略有效的实现了上述不同场景下的需求,对学生能力评估更为准确,在互评分配效果优于其他常见策略。本文中的作业互评系统采用B/S架构,前端使用Thymeleaf+HTML,后端使用Spring Boot+Mybatis+Apache Shiro框架,系统主要使用Java语言和Mysql数据库,分配策略算法使用的Python语言。由教师对相应班级和所选课程下的学生发布作业通知,学生接受通知按照要求完成作业并上传至系统中,教师根据作业提交情况和作业特点,选择一种分配策略,同一团体内的学生根据分配策略的结果接受各自的作业评阅任务,根据评分规则完成对待评作业题目的打分,学生作业被评后,可以根据作业的评阅用时和评阅的准确度对评阅人进行回评打分,至此,完成整个评阅环节。本文开发的作业互评系统缓解了教师的评阅压力,并有效的增强了学生的学习兴趣和互动效果。

基于学生画像的个性化推荐和学生团队匹配的研究

这是一篇关于创新创业教育,学生画像,个性化推荐,认知诊断,学科竞赛团队匹配的论文, 主要内容为随着高等教育的快速发展以及社会对人才需求的不断增加,创新创业教育已经逐渐成为当前高等教育的一项研究热点。随着创新创业教育的不断发展,个性化推荐在创新创业教育中越来越受到重视;与此同时,学科竞赛作为创新创业教育的一种重要表现形式,其规模日益壮大,且大多数竞赛都要求多个学生组成团队,团队组建的需求日益渐增。因此,在推行创新创业教育的过程中,如何通过各项数据对学生进行画像,进而更好地服务学生,开展更深入的学习推荐和学科竞赛团队匹配等相关研究成为当前亟需解决的一个问题。本文主要通过搭建校园大数据平台,采集和分析学生的理论学习和实践学习等多项数据来构建学生画像,并在此基础上进行个性化试题推荐和学科竞赛团队匹配,具体研究内容如下:首先,研究和构建基于校园大数据平台的学生画像。通过对校园内现有系统的分析,结合创新创业环境下学生的行为特性,开发一系列基于IPv6(Internet Protocol Version 6)的软件系统以丰富学生数据,从而建立校园大数据平台。通过对校园大数据平台所收集的数据进行处理、分析和建模,建立学生画像。然后,研究和实现基于学生画像的个性化试题推荐。针对学生学习状态难以评判的问题,本文基于学生画像提出了一种模糊认知诊断模型从而对学生的学习状态属性做出合理判断;通过学生的学习状态,结合试题对学生学习状态的要求情况,对学生的试题作答情况做出预测;同时基于效用理论,设计基于效用的试题推荐方法,向学生推荐其作答效用高的试题。实验结果表明,本文所提出的F-DINA(Fuzzy-Deterministic-Input,Noise-And)方法相较于传统的DINA(Deterministic-Input,Noise-And)方法和DINO(Deterministic-Input,Noise-Or)方法在试题作答情况的预测结果上拥有更低的均方根误差和平均绝对误差;在推荐系统方面,F-DINA方法相较于DINA方法和DINO方法拥有更高的精确度、召回率和F1值,同时F-DINA方法推荐试题的平均效用也高于DINA方法和DINO方法,能够有效提高学生作答试题的收益。最后,研究和实现基于学生画像的学科竞赛团队匹配。针对当前学科竞赛学生组队难、不合理的现状,本文基于学生画像提出了一种学科竞赛的团队匹配模型。该模型通过对学生和竞赛进行建模,运用效用理论将竞赛团队的效用作为整体收益,通过智能算法实现对学生团队的效用最大化,从而能使得团队和学生获得更高的收益。实验结果表明,本文所提出的CTB(Competition team build)方法相较于传统情况下的团队匹配方法无论是在仿真环境中还是真实环境下都拥有着更好的性能表现,在提高学生和团队整体效用和能力水平的同时,还能缩小学生和团队间的个体差异,避免传统方法中的两极分化的情况。

基于模糊认知诊断的作业互评系统研究与实现

这是一篇关于在线学习,作业互评,学生画像,分配策略,KM算法的论文, 主要内容为近年来,随着互联网技术和移动设备的广泛应用与普及,在教育领域中,在线教育以其不受时间空间的限制、快速和及时性、可重复性、费用低廉、丰富的交互性和协作性、支持个性化学习等优势受到拥护和广泛发展,与之产生的众多在线学习平台也得到广泛使用。在线学习平台下,为提高学生对知识点的掌握水平,往往需要学生完成相应的作业。对于作业中的部分客观题目可以通过系统自动根据答案评判,而主观题根据系统评判的效果往往不尽如人意。另外,平台下因学习者众多而带来庞大的作业评阅任务,单靠教师个人无法顺利完成。为了解决上述两个问题,利用学生之间的互评是一种有效的作业评判方法,通过学生之间互评的方式完成作业的批改,一方面可以有效减轻教师的评阅压力,另一方面,可以鼓励学生参与到教师的评阅任务中,加深学生对题目的理解,增强学生们之间的交流与反馈。在当下作业评阅研究中,主要存在两个问题。第一,对学生的能力评估缺乏准确性;第二,评阅分配的策略比较单一,没有考虑其他的分配策略。本文通过开发在线作业互评系统,在分配策略方面对这两个问题进行了改进,主要工作内容如下:采用模糊认知诊断技术实现对学生能力准确评估。在互评分配前期,需要对学生的知识点掌握程度进行诊断,进而更加准确的预测学生对待评作业的得分,将得分作为学生画像的一项属性。在以往的作业互评分配方面,主要通过计算每个知识点所包含题目的正答率来简单的预测其对于知识点的掌握情况,此方法对学生能力评估缺乏准确性。本文采用模糊认知诊断技术对待评阅作业的得分进行预测,并且在原有的模糊认知诊断模型的基础上加入学生答题时间属性,根据在线学习平台下的学生答题数据和每道题目的作答时间,考虑每位学生的潜在特征,知识点的区分度、难度等属性,对客观题和主观题采用不同的计算方式,完成学生对知识点掌握水平的评估,通过待评作业的Q矩阵,完成学生对待评作业的得分预测。本文将答题时间考虑到模糊认知诊断模型中,在描述学生能力差异性方面比以往方法更为准确。采用多种分配策略应用于不同场景。传统作业分配策略都以实现整体互评质量更优为目标,而在实际分配过程中,往往还会产生其他需求。我们期望一种分配策略的整体评阅质量符合一定要求后,整体的评阅时长可以更短;我们还希望通过因材施教让不同能力阶段的学生都能实现成绩上的提升。为解决评阅分配策略单一问题和实现上述场景下的需求,本文提出三种不同的分配策略,分别是按综合质量分配,按最短时间分配,按学习能力分配。为计算三种分配策略的匹配结果,本文在学生画像方面,除待评作业预测得分属性外,还使用了包括学生在团体内的成绩排名,历史评阅能力得分,学生评阅时间和作业相似度数据。应不同策略需求,选择相关属性构建带权重的二分图,通过KM算法计算出最终结果。本文通过与教师评分接近程度、总体回评均值、互评打分与真实分数的RSME值、平均每次评阅用时三项指标对各种策略的分配效果进行分析,实验结果显示三种策略有效的实现了上述不同场景下的需求,对学生能力评估更为准确,在互评分配效果优于其他常见策略。本文中的作业互评系统采用B/S架构,前端使用Thymeleaf+HTML,后端使用Spring Boot+Mybatis+Apache Shiro框架,系统主要使用Java语言和Mysql数据库,分配策略算法使用的Python语言。由教师对相应班级和所选课程下的学生发布作业通知,学生接受通知按照要求完成作业并上传至系统中,教师根据作业提交情况和作业特点,选择一种分配策略,同一团体内的学生根据分配策略的结果接受各自的作业评阅任务,根据评分规则完成对待评作业题目的打分,学生作业被评后,可以根据作业的评阅用时和评阅的准确度对评阅人进行回评打分,至此,完成整个评阅环节。本文开发的作业互评系统缓解了教师的评阅压力,并有效的增强了学生的学习兴趣和互动效果。

基于模糊认知诊断的作业互评系统研究与实现

这是一篇关于在线学习,作业互评,学生画像,分配策略,KM算法的论文, 主要内容为近年来,随着互联网技术和移动设备的广泛应用与普及,在教育领域中,在线教育以其不受时间空间的限制、快速和及时性、可重复性、费用低廉、丰富的交互性和协作性、支持个性化学习等优势受到拥护和广泛发展,与之产生的众多在线学习平台也得到广泛使用。在线学习平台下,为提高学生对知识点的掌握水平,往往需要学生完成相应的作业。对于作业中的部分客观题目可以通过系统自动根据答案评判,而主观题根据系统评判的效果往往不尽如人意。另外,平台下因学习者众多而带来庞大的作业评阅任务,单靠教师个人无法顺利完成。为了解决上述两个问题,利用学生之间的互评是一种有效的作业评判方法,通过学生之间互评的方式完成作业的批改,一方面可以有效减轻教师的评阅压力,另一方面,可以鼓励学生参与到教师的评阅任务中,加深学生对题目的理解,增强学生们之间的交流与反馈。在当下作业评阅研究中,主要存在两个问题。第一,对学生的能力评估缺乏准确性;第二,评阅分配的策略比较单一,没有考虑其他的分配策略。本文通过开发在线作业互评系统,在分配策略方面对这两个问题进行了改进,主要工作内容如下:采用模糊认知诊断技术实现对学生能力准确评估。在互评分配前期,需要对学生的知识点掌握程度进行诊断,进而更加准确的预测学生对待评作业的得分,将得分作为学生画像的一项属性。在以往的作业互评分配方面,主要通过计算每个知识点所包含题目的正答率来简单的预测其对于知识点的掌握情况,此方法对学生能力评估缺乏准确性。本文采用模糊认知诊断技术对待评阅作业的得分进行预测,并且在原有的模糊认知诊断模型的基础上加入学生答题时间属性,根据在线学习平台下的学生答题数据和每道题目的作答时间,考虑每位学生的潜在特征,知识点的区分度、难度等属性,对客观题和主观题采用不同的计算方式,完成学生对知识点掌握水平的评估,通过待评作业的Q矩阵,完成学生对待评作业的得分预测。本文将答题时间考虑到模糊认知诊断模型中,在描述学生能力差异性方面比以往方法更为准确。采用多种分配策略应用于不同场景。传统作业分配策略都以实现整体互评质量更优为目标,而在实际分配过程中,往往还会产生其他需求。我们期望一种分配策略的整体评阅质量符合一定要求后,整体的评阅时长可以更短;我们还希望通过因材施教让不同能力阶段的学生都能实现成绩上的提升。为解决评阅分配策略单一问题和实现上述场景下的需求,本文提出三种不同的分配策略,分别是按综合质量分配,按最短时间分配,按学习能力分配。为计算三种分配策略的匹配结果,本文在学生画像方面,除待评作业预测得分属性外,还使用了包括学生在团体内的成绩排名,历史评阅能力得分,学生评阅时间和作业相似度数据。应不同策略需求,选择相关属性构建带权重的二分图,通过KM算法计算出最终结果。本文通过与教师评分接近程度、总体回评均值、互评打分与真实分数的RSME值、平均每次评阅用时三项指标对各种策略的分配效果进行分析,实验结果显示三种策略有效的实现了上述不同场景下的需求,对学生能力评估更为准确,在互评分配效果优于其他常见策略。本文中的作业互评系统采用B/S架构,前端使用Thymeleaf+HTML,后端使用Spring Boot+Mybatis+Apache Shiro框架,系统主要使用Java语言和Mysql数据库,分配策略算法使用的Python语言。由教师对相应班级和所选课程下的学生发布作业通知,学生接受通知按照要求完成作业并上传至系统中,教师根据作业提交情况和作业特点,选择一种分配策略,同一团体内的学生根据分配策略的结果接受各自的作业评阅任务,根据评分规则完成对待评作业题目的打分,学生作业被评后,可以根据作业的评阅用时和评阅的准确度对评阅人进行回评打分,至此,完成整个评阅环节。本文开发的作业互评系统缓解了教师的评阅压力,并有效的增强了学生的学习兴趣和互动效果。