针对智慧教育场景下, 在线学习评价的全面性和有效性所面临的不足, 构建了一个基于模糊层次分析法 (fuzzy analytic hierarchy process, FAHP) 和模糊综合评价法 (fuzzy synthetic evaluation method, FSEM) 的在线学习行为指标评价框架. 框架以CIPP (context, input, process, product) 教育评价模型为指导, 融合教育评价标签类目体系, 确立了学习探索、编程实践、知识掌握、创新协作和沟通交互这5个维度, 并细化为二级指标和三级指标, 从而实现了评价的全面覆盖. 通过FAHP-FSEM计算各级指标权重, 并进行一致性检验, 确保了评价的科学性和合理性. 以水杉在线平台为案例, 利用大规模多源的过程化学习数据, 从多维度、多视角进行了综合评价, 并通过可视化大屏呈现学生画像和学习行为特征. 所提框架为个性化学习效果的提升和在线教育改革提供了有力数据支持, 具有广泛的应用前景.
提出了一种基于OpenRank的开源贡献度评价方法, 旨在解决开源项目实践中学生的贡献度量化评估问题. 以 “开源软件设计与开发”课程中的软件开发实践教学为背景, 设计了开源实践教学模式中学生的贡献度评价方法, 提出了一种基于开发者协作网络的OpenRank算法, 以评估学生在项目讨论、问题解决、代码编写等方面的贡献和价值. 实验结果表明, OpenRank与传统评分方法在评价学生表现方面具有一致性, 更能全面展示学生在开源项目中各个方面的贡献. 因此, OpenRank与传统评分方法的结合, 能更加科学、全面地评价学生在开源项目中的贡献度与综合技能.
提出了一种基于自注意力融合的多图知识追踪方法(multi-graph knowledge tracing method based on self-attention, SA-MGKT), 旨在通过学生的历史答题数据, 对其知识的掌握程度进行模型化, 并评估其未来学习的表现. 首先, 该方法构建了学生–习题异质图来表示学生–习题的高阶关系, 通过图对比学习技术捕获学生的答题偏好, 并采用3层LightGCN进行图表征学习. 然后, 引入概念关联超图和有向转换图的信息, 通过超图卷积网络和有向图卷积网络进行节点嵌入. 最后, 通过引入自注意力机制, 成功融合了习题序列的内部信息以及多图表征学习所蕴含的潜在信息, 从而显著提升了知识追踪模型的准确性. 实验数据在3个标准数据集上均展现出令人鼓舞的结果, 模型的分类性能得到了大幅提升, 具体表现为相对于基线模型, 在评估指标上分别提高了3.51%、17.91%和1.47%. 这些结果充分验证了融合多图信息和自注意力机制对于增强知识追踪模型性能的有效性.
近年来, 大规模开放在线课程(massive open online courses, MOOCs)已成为获取知识和技能的重要途径. 然而, 因课程数量激增导致信息过载的问题日益严重. 知识概念推荐旨在识别并向学生推荐需要掌握的特定知识点. 现有研究通过建立异质信息网络应对数据稀疏性, 但在充分挖掘异质信息网络数据和考虑学习者与知识概念之间多样互动方面存在局限性. 为了解决这些问题, 本文提出了一种名为融合异质信息网络与行为感知的知识概念推荐(heterogeneous learning behavior-aware knowledge concept recommendation, HLB-KCR)的新方法. 首先, 使用基于元路径的随机游走和skip-gram算法生成富含语义信息的元路径嵌入, 并通过两阶段元路径嵌入增强模块优化嵌入效果; 其次, 构建融入时间上下文信息的多类型交互图, 利用图神经网络(graph neural network, GNN)进行消息传递, 更新节点嵌入, 获得包含时间和交互类型信息的深度嵌入表示; 再次, 引入语义注意力模块, 将元路径嵌入与多类型交互嵌入相融合; 最后, 使用扩展的矩阵分解评分预测模块优化推荐算法. 在大型公开的MOOCCubeX数据集上进行大量的实验证明了HLB-KCR的有效性与合理性.
大规模在线开放课程 (massive open online courses, MOOCs) 中, 知识概念推荐旨在分析和提取平台上的学习记录, 进而为用户推荐个性化的知识概念, 避免主观盲目地挑选学习内容导致的低效性. 然而, 现有的知识概念推荐方法缺乏对用户行为数据的多维度利用, 例如序列信息和复杂类型交互. 鉴于此, 提出了一种基于序列感知与多元行为数据的MOOCs知识概念推荐方法, 提取知识概念的序列信息, 并与图卷积网络输出的特征通过注意力机制进行聚合, 参与用户下一个感兴趣知识概念的预测. 此外, 利用多元对比学习, 将用户兴趣偏好与不同的交互关系融合, 准确学习到复杂交互中的个性化特征. 在MOOCCube数据集上的实验结果表明, 所提出的方法在多项指标上优于现有的基线模型, 验证了其在知识概念推荐中的有效性和实用性.
中国综合性科技类核心期刊(北大核心)
