|
|
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.- D4 Y. V- J( ~# h
5 Z/ F% E" F3 V u2 ?关键词:教育数据挖掘;认知诊断;DINA模型;EM算法;加速收敛
7 C3 p* q3 c, u3 H/ ?. ^
0 Z3 U3 X6 c$ _9 g 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.$ ]4 p" u8 B6 u- z
8 A" |: R, G% m( L, z6 [) _: V: z( _& ^% d9 M6 `. a
& r$ G( M! O# P: T1 b3 z) ~, Z% ^
( B, j( a; L% K: y, G; W& r# ?% x$ u3 p* _0 M( h+ Z' E
0 a& E8 l% N5 m( u" {# y3 f8 Y% [' q, J, V) L
% r: p' q) v/ J) h. g' k
|
|
/1 
发表于 2021-7-9 14:58
收藏
淘帖
支持！
反对！