|
EDA365欢迎您登录!
您需要 登录 才可以下载或查看,没有帐号?注册
x
摘要:在教育教学的过程中,如何诊断学生的知识水平是一个重要的问题.传统方法大多由教师根据学生的表现和成绩进行人工判断,存在效率低、主观性强的问题,且难以做到针对大量学生的个性化诊断.近年来,认知诊断模型中的 DINA模型被广泛应用于诊断学生个性化知识掌握程度.然而传统DINA模型大多基于小样本数据,当面对在线教育带来的大规模数据处理需求时,存在收敛速度慢的问题,难以实际应用.针对 DINA模型计算时间过长的问题,本文首先给出了DINA模型的收敛性证明,并提出了三种能够加速DINA求解的算法 1)增量算法,它将学生数据划分为多个学生块,每次迭代只访问其中一个学生块;(2)最大嫡方法,它只访问在极大化模型嫡的过程中影响较大的学生数据;(3)基于前两者的混合方法.最后,本文通过真实数据和模拟数据上的实验,分析证明了三种方法均能在保证DINA模型有效性的情况下,达到几倍至几十倍的加速效果,有效地改善了DINA模型的计算效率.
5 N# S! b* _. Z( w! ~; ^
`0 M) K9 j1 L( s关键词:教育数据挖掘;认知诊断;DINA模型;EM算法;加速收敛
% V7 Z9 q U$ |
3 W% P% @! X, F 随着互联网教育的迅猛发展,大量在线智能教育系统进入了公众的视线,为学生实现自主学习提供了可能.然而,在线教育系统在提供便利的同时,由于其具有庞大的学习资源库,往往也会给平台提供自主学习服务带来诸多困难.因此,基于学生学习数据,借助技术手段准确地对学生进行学习分析,从而为学生进行个性化的学习推荐,让在线教育系统做到因材施教,已成为当前面向教育数据挖掘分析的重要研究问题.0 F; ^+ d* a$ y, G; {
1 L/ `5 p; q/ G
- `2 u& g; Y8 r" x' i4 |* @9 a/ k2 b: S$ W5 b) Z6 |
1 z0 m% F- j! L* t f2 }+ L9 ~/ }1 O
9 W' z) y$ V% X& y" V6 U3 e( w
7 D" Q; _( C" u6 {& \ b' m) g _5 z. K0 J4 c6 Y
0 F3 L6 y4 O% Y( Y5 I3 h$ d2 D
|
|