个性化教学系统中学生学业能力模型构建的研究与应用
| 摘要 | 第3-6页 |
| Abstract | 第6-8页 |
| 第一章 绪论 | 第17-31页 |
| 1.1 研究背景和意义 | 第17-21页 |
| 1.2 国内外研究现状 | 第21-24页 |
| 1.3 研究所面临的主要挑战 | 第24-27页 |
| 1.4 主要研究工作 | 第27-29页 |
| 1.5 论文的组织结构 | 第29-31页 |
| 第二章 融合试题题面的学生学业能力模型构建 | 第31-60页 |
| 2.1 引言 | 第31-34页 |
| 2.2 相关准备知识 | 第34-41页 |
| 2.2.1 Word Embedding | 第34-35页 |
| 2.2.2 递归神经网络 | 第35-38页 |
| 2.2.3 Attention model | 第38-41页 |
| 2.3 融合题面的学生学业能力构建过程 | 第41-51页 |
| 2.3.1 EERNN的整体解决方案 | 第42-43页 |
| 2.3.2 EERNN的建模过程 | 第43-48页 |
| 2.3.3 EERNN的预测过程 | 第48-50页 |
| 2.3.4 模型训练和测试过程 | 第50-51页 |
| 2.4 实验 | 第51-56页 |
| 2.4.1 实验数据描述 | 第51-52页 |
| 2.4.2 对比方法介绍 | 第52-53页 |
| 2.4.3 实验指标 | 第53页 |
| 2.4.4 实验结果 | 第53-56页 |
| 2.5 EERNN在组卷系统中的应用简介 | 第56-59页 |
| 2.6 本章小结 | 第59-60页 |
| 第三章 基于知识图谱的学生学业能力模型构建 | 第60-88页 |
| 3.1 引言 | 第60-62页 |
| 3.2 相关准备知识 | 第62-68页 |
| 3.2.1 知识图谱 | 第62-64页 |
| 3.2.2 锚题和锚题图谱 | 第64-65页 |
| 3.2.3 自编码器 | 第65-66页 |
| 3.2.4 卷积神经网络 | 第66-68页 |
| 3.3 基于知识图谱的自编码模型 | 第68-73页 |
| 3.3.1 任务描述和定义 | 第68-69页 |
| 3.3.2 KAEM整体模型框架 | 第69页 |
| 3.3.3 自编码过程 | 第69-72页 |
| 3.3.4 图谱关系约束 | 第72-73页 |
| 3.4 实验 | 第73-84页 |
| 3.4.1 实验数据描述 | 第73-74页 |
| 3.4.2 对比方法介绍 | 第74-75页 |
| 3.4.3 得分预测效果对比 | 第75-77页 |
| 3.4.4 冷启动情况下的效果对比 | 第77-79页 |
| 3.4.5 得分预测的可解释化 | 第79-82页 |
| 3.4.6 EERNN框架和KAEM框架的对比 | 第82-84页 |
| 3.5 KAEM的应用 | 第84-86页 |
| 3.6 本章小结 | 第86-88页 |
| 第四章 典型学生模板挖掘在分层教学中的应用 | 第88-119页 |
| 4.1 引言 | 第88-91页 |
| 4.2 相关准备知识 | 第91-97页 |
| 4.2.1 利用分层教学的个性化教学系统 | 第91-92页 |
| 4.2.2 字典学习 | 第92-94页 |
| 4.2.3 稀疏编码算法MP和OMP | 第94-96页 |
| 4.2.4 K-SVD | 第96-97页 |
| 4.3 凸字典学习 | 第97-104页 |
| 4.3.1 研究任务和CDL模型描述 | 第97-99页 |
| 4.3.2 CDL模型的求解算法 | 第99-101页 |
| 4.3.3 CDL模型步骤3的收敛性证明 | 第101-104页 |
| 4.4 实验 | 第104-117页 |
| 4.4.1 实验数据描述 | 第104页 |
| 4.4.2 典型学生模板到最近邻学生的距离 | 第104-108页 |
| 4.4.3 保留题目难度信息 | 第108-110页 |
| 4.4.4 专家验证 | 第110-111页 |
| 4.4.5 在图像数据集上的补充实验 | 第111-117页 |
| 4.5 本章小结 | 第117-119页 |
| 第五章 总结和展望 | 第119-123页 |
| 5.1 总结和文章贡献 | 第119-120页 |
| 5.2 未来研究工作展望 | 第120-123页 |
| 参考文献 | 第123-138页 |
| 致谢 | 第138-140页 |
| 攻读博士学位期间发表的学术论文 | 第140-141页 |
