【技术实现步骤摘要】
本专利技术涉及在线学习大数据挖掘，特别涉及一种学生情感感知的个性化在线试题推荐方法。
技术介绍
1、在线学习平台的发展为学生提供了便捷的试题练习方式。学生可以通过在线学习平台获取丰富的题库资源，随时随地学习知识。在线学习平台为师生提供了一种广泛的、便利的、智能的学习方式。近年来，出现了许多为学生提供试题练习的在线学习平台，例如assistment、coursera、edx等。但是，由于试题资源过于庞大，学生往往难以有效地找到适合自己的试题，从而影响了他们的学习兴趣和效率。因此，利用教育大数据挖掘技术，根据特定学生的个人特征，精确推荐适合的试题资源给学生是非常必要的。
2、教育领域中的推荐系统可以为学生提供多种形式的学习资源和试题资源，例如视频课程、练习试题等。推荐系统是教育大数据挖掘中信息检索的一个重要分支，它的目标是为学生提供与满足他们需求的学习材料，辅助他们进行试题练习。传统的在线资源推荐方法主要基于协同过滤算法，通过构建用户-资源矩阵，然后根据用户或资源的相似性来推荐学习资源。但是，在在线学习场景中，这些方法存在一些缺陷：它们没有充分考虑学生的个性化特征；推荐的内容缺乏多样性和合理性，导致推荐系统提供的试题资源不能满足学生的个性化需求，不能进行有针对性地训练。
3、为了挖掘学生的试题练习规律，现有的在线试题资源推荐方案多数采用了神经网络、深度学习、强化学习等人工智能算法。然而，这些方法往往过于强调推荐模型的精度，忽视了学生练习过程中表现出地个性化特征。它们未能根据学生自身的学习特点来设计个性化的推荐
4、在认知诊断中，增加数据输入维度可以有效提高认知诊断的效果。此外，利用多源信息来增强推荐系统的数据语义融合也可以丰富用户和物品的表示。因此，在增加情感维度后，情感感知的试题推荐一方面可以提升诊断的准确性；另一方面可以利用更多的学生个性化知识。然而，cdm没有考虑学生答题共性，所推荐的试题覆盖范围小，从而导致后续推荐过程中数据稀疏，所推荐的试题有一定局限性。
技术实现思路
1、专利技术目的：针对上述问题，本专利技术目的是提供一种学生情感感知的个性化在线试题推荐方法，引入学生情感信息，从学生作答试题的个性和共性出发设计在线试题推荐方案，推荐适合学生的试题，提高学生练习效果。
2、为了解决上述技术问题至少之一，根据本专利技术的一方面，提供一种学生情感感知的个性化在线试题推荐方法，包括如下步骤：
3、s1、采集学生进行在线学习的答题行为以及相应的情感记录，进行数据清洗，提取有效信息；
4、s2、基于学生情感数据，利用pca将学生的复杂情感分类，并通过自注意力模块权重调整情感对学生的影响，建模学生外在认知；
5、s3、综合学生外在认知和学生固有认知，引入ncb-irm框架，全面地预测学生个性化响应；
6、s4、利用pmf分解学生答题共性，结合学生个性化预测响应，共同预测学生对试题的响应；
7、s5、根据预测的学生响应，为学生提供合适难度的试题，形成最终的推荐列表。
8、2、根据权利要求1所述的方法，其特征在于，步骤s1采集包括学生情感的在线学习的答题行为记录，提取有效信息；具体为：
9、s11、采集包括学生id、试题id、知识点id、学生在试题上的情感数据e，学生在试题上的响应r；
10、e包含六个情感维度bored、concentrating、confused、frustrated、offtask、gaming；每个维度的情感元素aij属于[0,1]，越接近1，表示学生在这种情感上的表现越强；
11、学生i在试题j的响应用rij表示；若rij＝1表示学生i答对试题j；若rij＝0，则表示学生i答错试题j；
12、s12、对数据清洗，删除包含空条目与冗余的答题行为记录，提取有效信息如下：
13、由学生行为提取学生i在知识点k的潜在知识掌握，用αik表示,αik∈[0,1]；
14、试题矩阵q为包含了所有试题和知识点的关系，元素qjk表示每个试题q考察知识点的情况；若qjk＝1，表示试题j未考察知识点j；若qjk＝0，表示试题j未考察知识点k。
15、3、根据权利要求1所述的方法，其特征在于，步骤s2基于学生情感、学生答题行为和试题矩阵，通过pca算法模块和分层的自注意力模块建模学生外在认知，具体为：
16、s21、利用pca算法，将学生的复杂情感进行聚类为两类，分别表示为积极情感和消极情感，表达式为：
17、
18、其中，e是包含六个情感维度的矩阵，·表示向量的点积运算，是情感样本在前两个主成分方向上的投影值，v1、v2分别表示特征向量；
19、s22、在交互层使用两个自注意力模块模拟聚类得到的情感，以为例，与学生知识点潜在掌握情况αik以及试题考察知识点情况qjk交互；
20、输入积极情感时，自注意力模块将试题考察知识点的序列pj作为注意力机制中的键，将情感表示与学生知识点潜在掌握情况序列si分别作为注意力机制中的查询与值；
21、首先，通过余弦相似度计算学生回答试题向量pj与积极情感向量交互的相互影响权重ωp；然后，在考虑特征交互作用后，通过ωp与学生知识点潜在掌握情况si的加权和，得到交互后的积极情感向量op，表达式为：
22、
23、其中pj＝(qj1,qj2,…qjk)，si＝(αi1,αi2,…αik)；
24、类似地，输入消极情感时，交互层通过自注意力模拟学生消极情感、学生知识掌握与作答试题的交互关系，得到交互后的消极情感向量on；
25、
26、s23、聚合层利用另一个自注意力模块，将计算的不同交互情感op、on聚合；
27、将不同类别的交互情感结果op和on分别作为注意力机制中的查询和键，学生的知识掌握情况作为注意力机制中的值，聚合不同的交互情感，得到融合情感特征的学生外在认知θo，表达式为：
28、
29、4、根据权利要求1所述的方法，其特征在于，步骤s3综合外在认知和学生固有认知，引入ncb-irm框架，全面地预测学生个性化响应；已知学生响应rij，分别考虑学生情感特征影响学生响应的两种极端情况；具体为：
30、s31、仅受到情感特征的影响，学生i正确回答了试题j，将学生学习反应函数建模：
31、
32、其中，θ本文档来自技高网...
【技术保护点】
1.一种学生情感感知的个性化在线试题推荐方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤S1采集包括学生情感的在线学习的答题行为记录，提取有效信息；具体为：
3.根据权利要求1所述的方法，其特征在于，步骤S2基于学生情感、学生答题行为和试题矩阵，通过PCA算法模块和分层的自注意力模块建模学生外在认知，具体为：
4.根据权利要求1所述的方法，其特征在于，步骤S3综合外在认知和学生固有认知，引入NCB-IRM框架，全面地预测学生个性化响应；已知学生响应rj，分别考虑学生情感特征影响学生响应的两种极端情况；具体为：
5.根据权利要求1所述的方法，其特征在于，步骤S4基于学生真实响应，利用PMF分解学生答题共性，结合学生个性化预测响应，共同预测学生对试题的响应；具体为：
6.根据权利要求1所述的学生情感感知的个性化在线试题推荐方法，其特征在于，步骤S5根据预测的学生响应，为学生提供合适难度的试题，形成最终的推荐列表；具体为：
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～6中任一项所述的学生情感感知的个性化在线试题推荐方法中的步骤。
...【技术特征摘要】
1.一种学生情感感知的个性化在线试题推荐方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤s1采集包括学生情感的在线学习的答题行为记录，提取有效信息；具体为：
3.根据权利要求1所述的方法，其特征在于，步骤s2基于学生情感、学生答题行为和试题矩阵，通过pca算法模块和分层的自注意力模块建模学生外在认知，具体为：
4.根据权利要求1所述的方法，其特征在于，步骤s3综合外在认知和学生固有认知，引入ncb-irm框架，全面地预测学生个性化响应；已知学生响应rj，分别考虑学生情感特征影响学生响应的两种极端情况；具体为：
5.根据权利要求1所述的方法，其特征在于，步骤s4基于学生真...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。