|
|
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., t5 Q/ p7 ?' t& B, M l# x0 e8 |1 z
) P5 X5 S6 E# ~# r
关键词:教育数据挖掘;认知诊断;DINA模型;EM算法;加速收敛
. ]3 V# v4 Y; K6 A' i `5 ?9 ^6 l. x. y) n. u- f$ e/ k j7 d% L
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.
( Y: s0 K9 a! j5 \8 \' H8 D/ ]$ a$ V7 N1 L6 u! m `$ l; @8 Q
1 ]- f5 e. p9 n$ N$ R+ s1 F
9 ? _; ^; H' R0 e9 Z: F, z4 ^# Q: ]6 J. C$ C' Q$ `8 _5 X
% Q" @" e8 a- T( C# g
8 c. O4 D$ E- F# @* e4 E
7 Y8 Y1 {( h( x/ V. {# O5 V$ f% [& o# C) y
|
|
/1 
发表于 2021-7-9 14:58
收藏
淘帖
支持！
反对！