栏目文章

Select

知识追踪综述

刘恒宇, 张天成, 武培文, 于戈

华东师范大学学报(自然科学版) 2019, 2019 (5): 1-15. DOI: 10.3969/j.issn.1000-5641.2019.05.001

摘要（1065）

HTML （401）

PDF （1936KB）（1345）

在教育领域中，科学地、有针对性地对学生的知识状态进行有效追踪具有十分重要的意义.根据学生的历史学习轨迹，可以对学生与习题的交互过程进行建模.在此基础上，能够自动地对学生各个阶段的知识状态进行追踪，进而预测学生表现，实现个性化导学和自适应学习.首先，对知识追踪及其应用背景进行介绍，总结知识追踪所涉及的教育学与数据挖掘理论；其次，总结基于概率图、矩阵分解、深度学习的知识追踪研究现状，并根据方法的不同特点进行更为细致的分类；最后对目前的知识追踪技术进行分析比较，并对未来的研究方向进行展望.

参考文献 | 相关文章 | 多维度评价

Select

共指消解技术综述

陈远哲, 匡俊, 刘婷婷, 高明, 周傲英

华东师范大学学报(自然科学版) 2019, 2019 (5): 16-35. DOI: 10.3969/j.issn.1000-5641.2019.05.002

摘要（617）

HTML （255）

PDF （671KB）（656）

共指消解旨在识别指向同一实体的不同表述，在文本摘要、机器翻译、自动问答和知识图谱等领域有着广泛的应用.然而，作为自然语言处理中的一个经典问题，它是一个NP-Hard的问题.本文首先对共指消解的基本概念进行介绍，对易混淆概念进行解析，并讨论了共指消解的研究意义及难点.本文进一步归纳梳理了共指消解的发展历程，将共指消解从技术层面划分为若干阶段，并介绍了各个阶段的代表性模型，探讨了各类模型的优缺点，其中着重介绍了基于规则、基于机器学习、基于全局最优化、基于知识库和基于深度学习的模型.接着对共指消解的评测会议进行介绍，对共指消解的语料库和常用评测指标进行解释和对比分析.最后，指出了当前共指消解模型尚未解决的问题，探讨了共指消解的发展趋势.

参考文献 | 相关文章 | 多维度评价

Select

面向自动问答的机器阅读理解综述

杨康, 黄定江, 高明

华东师范大学学报(自然科学版) 2019, 2019 (5): 36-52. DOI: 10.3969/j.issn.1000-5641.2019.05.003

摘要（524）

HTML （250）

PDF （1811KB）（485）

人工智能正在深彻地变革各个行业.AI与教育的结合加速推动教育的结构性变革，正在将传统教育转变为智适应教育.基于深度学习的自动问答系统不仅可帮助学生实时解答疑惑、获取知识，还可以快速获取学生行为数据，加速教育的个性化和智能化.机器阅读理解是自动问答系统的核心模块，是理解学生问题，理解文档内容，快速获取知识的重要技术.在过去的几年里，随着深度学习复兴以及大规模机器阅读数据集的公开，各种各样的基于神经网络的机器阅读模型不断涌现.这篇综述主要讲述3方面的内容:介绍机器阅读理解的定义与发展历程；分析神经机器阅读模型之间的优点及不足；总结机器阅读领域的公开数据集以及评价方法.

参考文献 | 相关文章 | 多维度评价

Select

面向初等数学的知识点关系提取研究

杨东明, 杨大为, 顾航, 洪道诚, 高明, 王晔

华东师范大学学报(自然科学版) 2019, 2019 (5): 53-65. DOI: 10.3969/j.issn.1000-5641.2019.05.004

摘要（474）

HTML （202）

PDF （897KB）（364）

随着互联网技术的发展，在线教育已经改变了学生的学习方式.但由于缺乏完整的知识体系，在线教育存在着智能化程度低和“信息迷航”的问题.因此，构建知识体系成为在线教育平台的核心技术.知识点间的关系提取是知识体系构建的主要任务之一，目前比较高效的关系提取算法主要是监督式的.但是这类方法受限于文本质量低、语料稀缺、标签数据难获取、特征工程效率低、难以提取有向关系等挑战.为此，基于百科语料和远程监督思想，研究了知识点间的关系提取算法.提出了基于关系表示的注意力机制，该方法能够提取知识点间的有向关系信息.结合了GCN和LSTM的优势，提出了GCLSTM，该模型更好地提取了句子中的多点信息.基于Transformer架构和关系表示的注意力机制，提出了适用于有向关系提取的BTRE模型，降低了模型的复杂度.设计并实现了知识点关系提取系统.通过设计3组对比实验，验证了模型的性能和效率.

参考文献 | 相关文章 | 多维度评价

Select

基于模糊聚类和支持向量回归的成绩预测

申航杰, 琚生根, 孙界平

华东师范大学学报(自然科学版) 2019, 2019 (5): 66-73,84. DOI: 10.3969/j.issn.1000-5641.2019.05.005

摘要（395）

HTML （201）

PDF （603KB）（338）

现有的成绩预测模型往往过度使用不同类型的属性，导致过于复杂的分数预测方法，或是需要人工参与.为提高学生成绩预测的准确率和可解释性，提出了一种融合模糊聚类和支持向量回归的成绩预测方法.首先引入模糊逻辑来计算隶属度矩阵，根据学生的历史成绩进行聚类，随后对每个聚类簇利用支持向量回归理论对成绩轨迹进行拟合建模.此外，结合学生学习行为等相关属性，对最终的预测结果做调整.在多个基准数据集上进行了实验测试，验证了该方法的有效性.

参考文献 | 相关文章 | 多维度评价

数据驱动的计算教育学 栏目所有文章列表

数据驱动的计算教育学栏目所有文章列表