随着信息技术的迅速发展和教育理念的不断创新,智慧教育已经发展为重要的教育研究领域。在智慧教育中,自适应学习是解决学生的个性化学习需求的常用解决方案。为了解决自适应教学中的核心问题,即如何为每个学生精准地推荐最适合其学习需求和学习水平的学习资源,基于人工智能的推荐算法被广泛应用于自适应学习资源推荐中,帮助学生更好地获取个性化的学习资源和服务。本文基于高校课程教学特点,考虑知识点覆盖、知识连贯性、学习能力增长、学习积极性保护和激发等多个目标,综合考量学生的个性化学习基础以及试题的知识点、能力维度、难度等特征,研究了可用于自适应学习的试题推荐系统设计,主要内容包括以下两个方面:(1)设计了一种融合DSFM-LSTM(Deep Structured Feature Model based on Long-Short Term Memory)预测网络,基于多决策树和认知模型的试题并行推荐算法MDT&CD DSFM-LSTM(Parallel Test Recommendation Algorithm based on Multiple Decision Trees and Cognitive Diagnosis with DSFM-based LSTM Prediction Network),用于解决学习资源推荐中的推荐不准确、个性化程度不足等问题。该算法集成多决策树和认知诊断的推荐结果,并利用预测网络预测学生的状态,从而向学生推荐最合适的练习题。实验结果表明,MDT&CD DSFM-LSTM算法的推荐结果与评价效果要优于常用的改进决策树算法,能够帮助学生更好地理解知识点,提升学习能力,具有广泛的应用前景。(2)设计并实现了智能测评系统中学习资源推荐相关的需求分析和功能设计。为实现推荐系统的精准定位需求,设计了36个属性字段的试题库标注方法和相应的数据结构。出于对系统运行效率和稳定性的考虑,本文采用了Web技术和前后端分离的B/S架构;基于My SQL数据库,实现了学习资源推荐系统的题库和数据库的搭建,实现了试题管理、试卷管理和试卷发布等自适应推荐业务功能。这些系统功能的完善,除了可以帮助更好地管理试题和发布测试,同时可以进行数据分析,自动发现学生的问题和不足,并进行有针对性的练习题推荐,实现课程学习的智能辅导,提高学生有效学习的质量和学习效果。
暂无评论