联合学生认知状态的个性化试题推荐之探讨

认知诊断理论对于学生认知心理的分析和学习能力的描画具有很强的可解释性。在教育技术的研究和应用历程中，参数的可解释性是很是重要的一项技术指标。例如，在实际应用历程中，诊断效果的可解释性有助于西席针对学生的单薄知识点开展更深入、准确的指导。基于学生的认知能力的分析效果，小编探索了如何使用数据挖掘方法进步提升多个智能教育应用场景的学生个性化学习效果，如学生学习资源推荐和学生学习路径计划等。

学生往往需要不停举行资源训练以牢固学习到的知识，这里一个焦点的任务是在线学习系统如何基于学生当前的学习状态（知识点掌握情况）为学生推荐合适的训练题（试题）。

在通常的教育教学历程中，为了完成该任务，主要接纳西席部署作业训练和学生学习教辅资料两种方式。然而，陪同着在线教育网站和题库系统的泛应用，庞大的训练资源库使得这种人工履历式的方法难以自动化地完成学生个性化的试题筛选和推荐。近年来，有学者使用数据挖掘算法探索了一种基于学生训练得分预测的试题推荐方法，将学生的训练效果映射成“学生-知识掌握”和“试题知识关联”两个低秩矩阵，通过预测学生在未知训练题上的结果，选择合适的题目举行推荐。更进步，有学者引入时间因素的影响，接纳张量剖析的方式预测学生得分。这一类方法基于协同过滤的思想对学生学习共性举行建模，很好地解决了人工履历式方法耗时耗力的问题，可以举行智能的学生试题推荐。然而，它们在推荐效果可解释性上存在着一些不足，即难以向学生说明推荐某一试题的原因（例如，是否因为学生对哪一个知识点掌握不足？），因此在实际应用中受到一定的限制。

小编实验将学生的认知状态个性融入传统数据挖掘算法中，以增强推荐效果的可靠性和可解释性。试题推荐框架，主要包罗数据输入、学生认知诊断、学生得分预测和试题推荐4个阶段。该框架首先凭据学生答题数据记载，使用认知诊断分析获得学生知识认知状态。然后，将学生诊断效果作为先验知识应用到得分预测的概率矩阵剖析算法中，在思量学生群体之间学习共性的同时，加入了被推荐学生小我私家的学习状态个性。最后，凭据试题的难度规模，筛选出适合目的学生当前学习状态的试题，形成待推荐试题集，并向学生举行推荐。例如，在学习结果的拔高阶段，学生可能需要针对难度较高的试题举行训练，以提升单薄知识点的掌握水平；而在学习的基础牢固阶段，则需要作答中低难度（简朴）的试题，对知识点举行牢固。与此同时，试题推荐框架还可以向学生自动解释被推荐题目所关联的知识点情况。