在线学习系统中的学生建模与个性化课程推荐方法技术方案

本发明专利技术公开了一种在线学习系统中的学生建模与个性化课程推荐方法，属于教育数据挖掘领域，本发明专利技术主要研究学生的认知水平建模以及个性化课程推荐推荐，首先，基于认知诊断模型对学生的知识掌握状态进行判断，并利用系统平台上的数据分析学生的学习行为，进而综合课程掌握情况对学生的认知能力进行建模；其次，对在线课程建模；最后根据学生认知水平融合在线课程的特征进行个性化推荐。本发明专利技术基于学生认知水平并结合在线课程的特征指标来进行个性化推荐，不但能帮助用户进行更加精准的个性化课程推荐，而且使得在线课程推荐更具可解释性和可接受性。

【技术实现步骤摘要】
在线学习系统中的学生建模与个性化课程推荐方法
本专利技术属于教育数据挖掘领域，具体涉及一种在线学习系统中的学生建模与个性化课程推荐方法。
技术介绍
近年来，以Coursera、Udacity、edX等为代表的大规模在线开放课程(MassiveOnlineOpenCourses，简称MOOCs)大大促进了在线教育的发展，为广大高校和个人学习用户都带来了新的重要契机，大大方便了学习者对新知识的获取。与此同时，不断快速增长的海量学习资源往往会给学习者在面临“信息过载”和“信息迷航”时无所适从。如何准确地为学习者推荐学习资源，是一个亟待解决的重要研究问题。已有的推荐算法大多从单一维度(学生学习行为或兴趣偏好)建模，没有综合考虑学生本身和课程本身的影响因素，对于推荐结果的可解释性和合理性仍然存在不足之处。
技术实现思路
针对现有技术中存在的上述技术问题，本专利技术提出了一种在线学习系统中的学生建模与个性化课程推荐方法，设计合理，克服了现有技术的不足，具有良好的效果。为了实现上述目的，本专利技术采用如下技术方案：一种在线学习系统中的学生建模与个性化课程推荐方法，包括如下步骤：步骤1：学生建模；根据学生的课程学习情况和课程层次结构分析图，使用DINA模型对学生课程掌握程度进行建模，获得学生的课程掌握情况，并结合学习行为、兴趣，通过模糊层次分析法进一步抽象学生认知能力；步骤2：在线课程建模；通过对不同在线平台上课程特征的分析，对课程难易程度进行建模，并量化；步骤3：学生个性化推荐；建立课程隐式评分模型，根据预测评分，并结合待推荐课程难易程度，进行综合排序并选择相应的课程，从而向每个学生进行个性化在线课程Top-N推荐。优选地，在步骤1中，在基于DINA模型的课程掌握情况建模过程中，给定学生集合S＝{S1，S2，...，Su}、试题集合J＝{J1，J2，...，Jv}和学生试题得分矩阵R＝[ruv]U×V，其中，ruv＝1表示学生u答对试题Jv，ruv＝0表示学生u答错试题Jv；对在试题集合J所考察的所有知识点K＝{K1，K2，...，Kk}，试题与知识点关联情况由Q矩阵定义：Q＝[qvk]V×K，其中，qvk＝1表示试题Jv考查知识点k，qvk＝0表示试题Jv未考查知识点k；通过联合学生的做题情况R矩阵和试题知识点关联Q矩阵对学生进行建模，每个学生Su描述为一个知识点掌握程度向量αu＝{αu1，αu2，...，αuk}，其中每一维对应一个知识点，αuk＝1表示学生u掌握知识点k，αuk＝0表示学生u未掌握知识点k；引入包括失误率和猜测率在内的试题参数来建模学生在真实状态下的答题情况；该模型的数学表达式是：(1)ηuv＝0表示学生Su无法正确回答试题Jv，若ηuv＝1则认为学生Su可以正确回答试题Jv，具体公式如下：(2)失误率sv：虽然掌握了试题的所需要的全部技能属性，但是仍然存在没有答对试题Jv的学生，sv即为这种情况下的概率，具体公式定义如下：sv＝P(Ruv＝0|μuv＝1)；(3)猜测率gv：虽然没有将试题中所需要的全部技能属性都掌握，但是存在将试题Jv答对的学生，gv即为这种情况下的概率，具体公式定义如下：gv＝P(Ruv＝1|μuv＝0)；通过EM算法得到和到的参数估计；学生Su的知识点掌握向量αu通过最大化该学生试题得分后验概率来确定，从而得到学生的二分知识点掌握向量，如下所示：得到学生关于知识点的掌握程度之后，根据课程的知识结构层次分析图将各个知识点映射到该在线课程的每一章节，分析出学生对于课程章节的掌握情况，每个学生Su描述为一个在线课程章节模块掌握程度向量βu＝{βu1，βu2，...，βul}，其中每一维对应课程的一个章节，βul表示学生u对章节1的掌握程度。优选地，在步骤1中，学生的认知能力主要由学生学习行为情况和学生学习成果情况所影响，具体分为如下三个模块：功能维度、结构维度、方法维度；功能维度主要包括学生对课程章节的具体掌握情况；结构维度主要包括做作业、看视频、讨论、阅读维基百科、浏览课程其他模块；方式维度主要包括：网页和客户端；模糊层次分析法具体包括如下步骤：步骤S1：在研究的基础上结合在线课程学习平台对学习行为进行多维度分类，归类如下：(1)基于功能维度的学习行为：学生对课程章节的具体掌握情况；(2)基于结构维度的学习行为：做作业、看视频、讨论、阅读维基百科、浏览课程其他模块；(3)基于方式维度的学习行为：网页和客户端；步骤S2：按照以下原则建立学生认知能力分析体系：(1)定性与定量结合：考虑到影响学生认知能力分析体系的因素的广泛性，必须将定性数据与定量数据相结合；(2)科学性：设定的指标有限，不能将所有因素都考虑进去，要依据认知能力的特点，抓住主要方面和本质特征，使其具有科学性；(3)衡量比较性：基本指标的数据收集必须由客观数据或专家打分数给出，因此指标的确立必须是能够衡量的或能够比较的；(4)层次性：根据各指标的相关性和层次分析法的特点，将指标细分到相关层次；步骤S3：基于在线课程学习的学生认知能力分析体系是依据学生在线课程掌握情况和学生学习情况而建立的，将认知能力评价指标分为三个层次：目标层、准则层和指标层，建立的指标体系层次如下：(1)目标层：将基于学生在线课程学习行为的认知能力Eij设为目标层，其中i代表学生，j代表课程；(2)准则层：准则层主要包括三大模块：U1基于功能维度的学习行为情况、U2基于结构维度的学习行为情况和U3基于方式维度的学习行为情况；(3)指标层：基于功能维度的学习行为情况U1有如下指标：第一章掌握情况U11、第二章掌握情况U12、第三章掌握情况U13，以此类推；基于结构维度的学习情况U2有如下指标：做作业U21、看视频U22、论坛讨论U23、读取课程的维基百科U24、浏览课程其它部分U25；基于方式维度的学生基本学习情况U3有如下指标：网页U31、客户端U32。本专利技术所带来的有益技术效果：本专利技术通过挖掘教学交互过程中记录的大量数据，对学生的学习方式、学习兴趣和学习能力进行建模，构建学生的个性化认知能力模型，并根据学生的认知水平能够生成精准且具有可解释性的个性化课程推荐；同时进行在线课程建模，结合在线课程特征，进一步提高课程推荐的准确性和自适应性。附图说明图1为学生认知能力分析层次结构模型示意图。图2为本专利技术方法的流程图。图3为矩阵分解模型的基本流程图。具体实施方式下面结合附图以及具体实施方式对本专利技术作进一步详细说明：1、简介本专利技术通过挖掘教学交互过程中记录的大量数据，对学生的学习方式、学习兴趣和学习能力进行建模，构建学生的个性化认知能力模型，并根据学生的认知水平能够生成精准且具有可解释性的个性化课程推荐。同时进行在线课程建模，结合在课课程特征，进一步提高课程推荐的准确性和自适应性。2、基于在线课程学习的学生认知能力建模2.1基于DINA(DeterministicInputs，Noisy″And″gatemodel，确定性输入，噪声“和”门模型)模型的课程掌握情况在教育数据挖掘领域中，DINA模型已被应用于个性化试题推荐问题中，并取得了良好效果，本专利技术将DINA模型原理应用于基于认知诊断的个性化课程推荐方法中，使用DINA模型对学生课程以及课程各个模块掌握本文档来自技高网...

【技术保护点】
1.在线学习系统中的学生建模与个性化课程推荐方法，其特征在于：包括如下步骤：步骤1：学生建模；根据学生的课程学习情况和课程层次结构分析图，使用DINA模型对学生课程掌握程度进行建模，获得学生的课程掌握情况，并结合学习行为、兴趣，通过模糊层次分析法进一步抽象学生认知能力；步骤2：在线课程建模；通过对不同在线平台上课程特征的分析，对课程难易程度进行建模，并量化；步骤3：学生个性化推荐；建立课程隐式评分模型，根据预测评分，并结合待推荐课程难易程度，进行综合排序并选择相应的课程，从而向每个学生进行个性化在线课程Top‑N推荐。

【技术特征摘要】
1.在线学习系统中的学生建模与个性化课程推荐方法，其特征在于：包括如下步骤：步骤1：学生建模；根据学生的课程学习情况和课程层次结构分析图，使用DINA模型对学生课程掌握程度进行建模，获得学生的课程掌握情况，并结合学习行为、兴趣，通过模糊层次分析法进一步抽象学生认知能力；步骤2：在线课程建模；通过对不同在线平台上课程特征的分析，对课程难易程度进行建模，并量化；步骤3：学生个性化推荐；建立课程隐式评分模型，根据预测评分，并结合待推荐课程难易程度，进行综合排序并选择相应的课程，从而向每个学生进行个性化在线课程Top-N推荐。2.根据权利要求1所述的在线学习系统中的学生建模与个性化课程推荐方法，其特征在于：在步骤1中，在基于DINA模型的课程掌握情况建模过程中，给定学生集合S＝{S1，S2，...，Su}、试题集合J＝{J1，J2，...，Jv}和学生试题得分矩阵R＝[ruv]U×V，其中，ruv＝1表示学生u答对试题Jv，ruv＝0表示学生u答错试题Jv；对在试题集合J所考察的所有知识点K＝{K1，K2，...，Kk}，试题与知识点关联情况由Q矩阵定义：Q＝[qvk]V×K，其中，qvk＝1表示试题Jv考查知识点k，qvk＝0表示试题Jv未考查知识点k；通过联合学生的做题情况R矩阵和试题知识点关联Q矩阵对学生进行建模，每个学生Su描述为一个知识点掌握程度向量αu＝{αu1，αu2，...，αuk}，其中每一维对应一个知识点，αuk＝1表示学生u掌握知识点k，αuk＝0表示学生u未掌握知识点k；引入包括失误率和猜测率在内的试题参数来建模学生在真实状态下的答题情况；该模型的数学表达式是：(1)ηuv＝0表示学生Su无法正确回答试题Jv，若ηuv＝1则认为学生Su可以正确回答试题Jv，具体公式如下：(2)失误率sv：虽然掌握了试题的所需要的全部技能属性，但是仍然存在没有答对试题Jv的学生，sv即为这种情况下的概率，具体公式定义如下：sv＝P(Ruv＝0|μuv＝1)；(3)猜测率gv：虽然没有将试题中所需要的全部技能属性都掌握，但是存在将试题Jv答对的学生，gv即为这种情况下的概率，具体公式定义如下：gv＝P(Ruv＝1|μuv＝0)；通过EM算法得到和到的参数估计；学生Su的知识点掌握向量αu通过最大化该学生试题得分后验概率来确定，从而得到学生的二分知识点掌握向量，如下所示：得到学生关于知识点的掌握程度之后，根据课程的知识结构层次分析图将各个知识...

【专利技术属性】
技术研发人员：赵中英，蔚覃，周慧，李超，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东,37