基于教育大数据的答题情况预测方法开题报告

全文总字数：4172字

1. 研究目的与意义（文献综述）

如今，教育大数据领域正试图根据学生的个人学习情况，提供科学的、有针对性的学习辅导，因此有效地追踪每个学生的知识状态显得尤为重要。知识跟踪(knowledge tracing)是个性化教育中关键的研究领域之一，是根据学生的历史学习轨迹来自动追踪学生的知识水平随时间的变化过程^[1]。

为了更好地在智能教学系统系统(intelligent tutoring system)和大规模在线开放课程(massive open online course, mooc)等平台中实时跟踪学生的学习状况，科研工作者提出了众多模型，这些模型可以预测学生在下一个交互（答题）时的正确性。此类模型包括贝叶斯知识追踪(bkt)^[2]，表现因素分析(pfa)^[3]以及基于递归神经网络的深度知识追踪模型(dkt)^[4]等。虽然piech等人提出的dkt模型已体现出其相较于传统模型的优越性^[4],但由于该模型是基于lstm，无法避免模型固有的缺陷：

1）long-term dependency 问题（即无法捕获相距较远的输入之间的关联关系）。其本质原因是rnn体系的梯度消失/爆炸问题，尽管lstm在一定程度上能缓解该问题，然而并未完全避免^[5]。

2. 研究的基本内容与方案

2.1研究的基本内容

（1）处理时间序列数据的深度学习模型

时间序列数据(time series data)是在不同时间上收集到的数据，用于所描述现象随时间变化的情况。这类数据反映了某一事物、现象等随时间的变化状态或程度^[7]，比如语音、文字序列以及上文的用户交互（答题）序列。当前处理此类问题最普遍的方法是rnn体系，除此以外，attention机制和常用于图像处理中的cnn都已被证实能较好处理此类问题^[8][9]。

3. 研究计划与安排

l2020-02-28~2020-03-07：搭建开发环境。

l2020-03-08~2020-03-14：模型架构设计。

l2020-03-15~2020-04-15：模型代码编写与调试

4. 参考文献（12篇以上）

[1] 刘恒宇,张天成,武培文,et al.知识追踪综述[j].华东师范大学学报(自然科学版),2019,2019(5):1-15.

[2] corbett a t, anderson j r . knowledge tracing: modeling the acquisition of procedural knowledge[j]. user modeling and user-adapted interaction, 4(4):253-278.