构建个性化知识追踪模型预测学习者知识掌握水平.docx

构建个性化知识追踪模型预测学习者知识掌握水平

摘要：近年来，在在线教学实践中，教育者需要同时应对越来越多的学习者，导致无法精准把握每位学习者的知识薄弱点和问题领域，难以为他们提供量身定制的学习指导。随着人工智能技术的不断发展，采用知识追踪模型作为学习者建模的主要手段，能够根据学生的知识水平及时准确地识别他们的问题领域，协助教师全面了解学生的学习状态，从而为学生推荐个性化学习路径和自适应学习资源。基于学生最初的知识和学习概率的差异，构建一种更加灵活的个性化知识追踪模型。研究结果显示，个性化知识追踪模型的预测效果有所改善。改进模型虽存在一些缺陷，但其为不同学习者赋予不同初始知识和学习概率，可为未来相关研究提供借鉴。

关键词：知识追踪模型；个性化知识追踪模型；学习者；知识水平

1研究背景

教育乃每个人必要的需求之一，若缺少正确教育将难以实现显著进步。传统的教育方式由于受到人力成本的限制，常常无法充分评估学生的知识掌握水平，导致学生在相同的教学节奏和水平下学习，学习的资源和路径也一模一样，这种单一模式的效率较低[1]。根据布鲁姆对不同学校教育水平的研究，接受个性化指导的学生平均成绩比传统班级的学生高出约2个标准偏差，即有50%接受个性化指导的学生表现明显优于传统班级中98%的学生[2]。鉴于学生在知识掌握和获取能力上存在着巨大差异，教育者可通过一对一辅导为每位学生提供个性化教学。但对大规模的学生群体而言，提供一对一辅导是成本较高且不切实际的。

自20世纪60年代初以来，教育领域一直在引入并应用计算机技术[3]。近年来，随着计算机和网络技术的快速发展，在线辅导系统迅猛发展。若在线辅导系统能够根据学生的知识水平提供个性化的教学内容，便能够提高学习效率，消除教育障碍，实现教育公平，同时还可以降低终身学习的经济和时间成本[4]。随着在线学习人数的快速增长，通过分析学习数据来自动生成模拟学生的知识水平，对个性化学习资源的提供变得至关重要。同时，在线学习平台积累了大量学生学习活动数据，能更准确地模拟学生的知识水平。

对比在线辅导系统，学生在寻找知识时需要应对各种资源中冗余的信息，这可能导致学生选择的学习资源和学习路径变得多样化，但不一定高效。正因为此，涌现出一个被称为智能辅导系统的新研究领域。这种特殊类型的在线辅导系统，旨在通过分析学生的知识掌握水平来为每位学生量身定制个性化的学习内容和学习路径，从而帮助学生高效学习[5]。对学生知识掌握水平的分析诊断是智能辅导系统的核心步骤，而实现这一诊断的主要方法是依据学生与系统互动的学习数据进行学习者建模。学习者建模是根据对学生当前知识掌握状况的估计，为学生提供个性化学习资源和学习路径，使学生在更短的时间内掌握知识，培养跨学科思维能力，达成知识与能力共同发展的目标。

在教育领域，只有深入了解学生的学习过程，才能挑选合适的学习者知识模型。可以将典型的学习过程看作一个时间序列，学生的知识掌握情况可以通过不同时间点的问题回答来体现。学生在时间序列中的不同阶段展开学习活动，提高自身的知识水平[6]。建立学习者特定领域内容与能力之间紧密联系的模型，包括知识难度[7]、相似问题相关性[8]、学习者情绪[9]或态度[10]、参与度[11]和游戏行为[12]。需要注意的是，由于学生学习时间跨度可能较长，不能简单地假设学生的知识能力一成不变。比如，如果一个学生做了50道题，但只有25道答对了，不能简单地按照正确题数来评估学生的知识水平。为了更准确地反映时序特征序列和学生学习过程，引入知识追踪模型。

2知识追踪模型介绍

2.1知识追踪模型的起源

1972年，Atkinson首次提出知识追踪模型理论。这一模型认为每个知识点都有相应的学习参数P（T）、失误参数P（S）、猜测参数P（G）和初始参数P（L0）[13]，被视为模拟学生知识掌握情况的经典模型之一。随后，Corbett和Anderson将该模型引入智能教育领域[14]，目前在智能辅导系统中已经成为主流的学生知识掌握情况建模方法之一。

2.2知识追踪模型的原理

为了模拟不同的知识点，知识追踪模型通常将学生要学习的知识结构划分为多个知识点，并建立它们之间的等级关系。在评估学生对知识点的掌握情况时，采用一组二进制变量来表示学生对每个知识点的掌握水平，每组二进制变量代表学生对该知识点“已掌握”或“未掌握”[15]。

具体来说，每个知识点都以五个参数进行建模，包括两个学习参数、两个表现参数和一个遗忘参数，如表1所示。初始参数和学习参数被归类为学生的学习参数，猜测参数和失误参数则为学生的表现参数。值得留意的是，Corbett和Anderson提出的知识追踪模型将遗忘参数设定为0，假设学生在学习过程中没有遗忘现象[16]。知识追踪模型的结构如图1所示：每次学生回答问题后，根据答