| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 课题背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文组织结构 | 第15-17页 |
| 第二章 自适应学习研究综述 | 第17-21页 |
| 2.1 基于项目反应理论的学生模型 | 第17-18页 |
| 2.2 基于贝叶斯知识的学生模型 | 第18-19页 |
| 2.3 基于深度学习的学生模型 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 深度学习的发展与应用 | 第21-32页 |
| 3.1 神经网络模型 | 第22-23页 |
| 3.2 卷积神经网络模型 | 第23-25页 |
| 3.3 深度置信神经网络模型 | 第25-26页 |
| 3.4 递归神经网络模型 | 第26-29页 |
| 3.5 深度学习的不足 | 第29-30页 |
| 3.6 本章小结 | 第30-32页 |
| 第四章 基于LSTM的学生模型 | 第32-45页 |
| 4.1 LSTM递归神经网络 | 第32-34页 |
| 4.2 数据的预处理和编码格式 | 第34-36页 |
| 4.3 数据压缩感知 | 第36-37页 |
| 4.4 Bucketting and padding | 第37-39页 |
| 4.5 注意力机制 | 第39-40页 |
| 4.6 模型输出 | 第40-41页 |
| 4.7 模型的参数设置 | 第41-43页 |
| 4.8 本章小结 | 第43-45页 |
| 第五章 模型效果对比实验分析 | 第45-56页 |
| 5.1 实验数据集Assistments | 第45-46页 |
| 5.2 实验比较 | 第46-55页 |
| 5.2.1 DKT和传统方法的比较 | 第47-49页 |
| 5.2.2 数据压缩感知、bucketing and padding效果对比 | 第49-51页 |
| 5.2.3 DKT注意力机制的比较 | 第51-52页 |
| 5.2.4 多层RNN和单层RNN的比较 | 第52-53页 |
| 5.2.5 数据集的增加的效果 | 第53-55页 |
| 5.3 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-59页 |
| 6.1 本文总结 | 第56-57页 |
| 6.2 未来展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 攻读硕士学位期间发表的学术论文 | 第62-63页 |
| 致谢 | 第63页 |