摘要：智能教育中,试题推荐方法是数据挖掘在教育测量领域的新运用,是自适应测试的智能化和个性化程度的重要体现,目前主流的试题推荐方法有两类,分别是协同过滤试题推荐方法和认知诊断试题推荐方法,前者忽略了独立个体的知识属性,后者缺乏对种群的共性评估。针对上述问题,为提高试题推荐的精确度和效率,综合考虑独立被试者的知识属性和类环境群体的知识共性,文中提出了基于协同过滤和认知诊断的试题推荐方法。首先,设计了基于多级属性评分的认知诊断模型,并利用该模型对被试者的答题情况进行建模;然后,将被试者的知识属性掌握模式用于概率矩阵分解,预测被试者的潜在答题情况;最后,根据信息量指标向被试者动态地推荐合适的试题。试题推荐方法综合考虑了个体的个性特征和群体的共性特征,提高了解释性和可靠性。实验结果表明,相比单协同过滤试题推荐算法和认知诊断选题策略,所提方法的测试效率分别提升了20.35%和2.5%。

摘要：个性化试题推荐能够帮助学生摆脱"题海战术",是在线教育、个性化教育领域的重要研究课题。已有的个性化试题推荐利用知识关联规则与推荐算法来设计针对试题或知识单元层面的推荐策略,甚少提及知识关联本身,研究重心向算法实现和推荐系统设计方面倾斜。因此,本研究将知识关联思想纳入研究体系,对个性化试题推荐进行系统阐述,首先根据知识关联的类型与结构建立不同层级的关联关系,其次构建"知识单元—试题"二次推荐的个性化试题推荐概念模型,最后从认知诊断、薄弱知识单元定位、试题规律生成三部分对概念模型的实现机制进行理论剖析,以期给教育工作者和研究人员循证实践提供信息借鉴。

摘要：提出一种新的个性化试题推荐方法,基于答题行为分析学生的答题风格相似度,以此作为学生的共性特征指导划分学生群组,基于模糊认知诊断框架分析学生的知识点掌握情况,通过综合考虑学生的个体学习特性和群组共性,使用概率矩阵分解方法为学生推荐试题。最后设计并实现了一个真实的个性化试题推荐系统。

摘要：设计了一种融合LSTM预测网络,基于多决策树和认知诊断的试题并行推荐算法MDT&CD-LSTM,用于解决自适应教育中的学习资源推荐问题。该算法集成多决策树和认知诊断的推荐结果,并利用LSTM网络预测学生的知识状态,从而向学生推荐最合适的试题。实验结果表明,该自动推荐算法可以有效地提高试题推荐结果的准确性,比改进决策树模型精确度提升了21.67%,误差均值减少了26.52%。该算法能够满足学生的个性化学习需求,帮助学生更好地理解知识点,具有广阔的应用前景。