| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究目的与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 技术路线 | 第15页 |
| 1.5 论文的组织结构 | 第15-17页 |
| 第二章 相关理论技术简介 | 第17-25页 |
| 2.1 教育数据挖掘 | 第17-18页 |
| 2.1.1 基本概念 | 第17页 |
| 2.1.2 挖掘过程与意义 | 第17-18页 |
| 2.2 难度定义 | 第18-19页 |
| 2.3 关联分析 | 第19-21页 |
| 2.3.1 关联分析相关定义 | 第19-20页 |
| 2.3.2 关联分析步骤 | 第20页 |
| 2.3.3 关联分析算法 | 第20-21页 |
| 2.4 难度预测模型 | 第21-24页 |
| 2.4.1 预测理论与方法 | 第21-22页 |
| 2.4.2 RBF神经网络算法 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 知识点关联性挖掘方法研究 | 第25-37页 |
| 3.1 知识点关联性及其挖掘算法 | 第25-26页 |
| 3.1.1 知识点关联性 | 第25页 |
| 3.1.2 知识点关联性挖掘算法 | 第25-26页 |
| 3.2 基于关联分析的知识点关联性挖掘方法 | 第26-30页 |
| 3.2.1 数据预处理 | 第26-27页 |
| 3.2.2 挖掘过程 | 第27-30页 |
| 3.2.3 关联规则表优化 | 第30页 |
| 3.3 实验与分析 | 第30-36页 |
| 3.3.1 实验数据 | 第31页 |
| 3.3.2 实验环境 | 第31页 |
| 3.3.3 实验过程 | 第31-35页 |
| 3.3.4 实验结果与分析 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 试卷难度预测方法研究 | 第37-51页 |
| 4.1 神经网络预测模型的选取 | 第37页 |
| 4.2 结合关联分析与神经网络的试卷难度预测方法研究 | 第37-45页 |
| 4.2.1 预测模型的构建 | 第37-40页 |
| 4.2.2 难度影响因素的选取 | 第40-42页 |
| 4.2.3 依据试题难度的试卷难度预测方法 | 第42-44页 |
| 4.2.4 结合关联分析与神经网络的试卷难度预测方法 | 第44-45页 |
| 4.3 实验与分析 | 第45-50页 |
| 4.3.1 实验数据 | 第46页 |
| 4.3.2 实验环境与评价指标 | 第46-47页 |
| 4.3.3 实验参数 | 第47-48页 |
| 4.3.4 实验结果与分析 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 教学辅助系统设计与实现 | 第51-57页 |
| 5.1 系统结构与设计 | 第51-52页 |
| 5.2 系统功能 | 第52-53页 |
| 5.2.1 数据管理 | 第52页 |
| 5.2.2 知识点关联性挖掘 | 第52页 |
| 5.2.3 试卷难度预测 | 第52-53页 |
| 5.3 系统实现 | 第53-56页 |
| 5.3.1 运行环境平台 | 第53页 |
| 5.3.2 系统测试 | 第53-56页 |
| 5.3.3 系统评价 | 第56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 个人简历 | 第63页 |