摘要：知识追踪模型（简称KT模型）是从学生的答题表现序列来推断其内在掌握知识情况的隐马尔科夫模型，它在智能辅导系统广泛使用。传统的KT模型通常只适用于对单个知识点能力的建模，且不能对题目难度和分辨度进行推断。但在现今智慧教育环境中，题目序列往往包含多个知识点，需要利用这些知识点对学生能力变化进行综合的评估和分析。为此，文章使用Logistic回归方法扩展KT模型的参数，提出三个面向多知识点的KT模型的改进模型：KTLR—GS模型、KTLR-LFID模型和KTLR—FP模型，分别把猜对概率、犯错概率、题目难度、观测参数和状态转移参数等作为特征引入，从而实现了在多知识点背景下对学生学习能力和综合能力的准确评价，超过了传统KT模型的分析性能。同时，文章还开发了基于xAPI的学习行为分析与可视化系统。集学习行为采集、存储、分析和可视化为一体，利用面向多知识点的KT模型分析学生答题序列中的知识掌握动态变化，并利用可视化的技术帮助教师对每个学生的学习情况进行及时判断。
分类：期刊> 人文社会科学> 社会科学II> 教育理论与教育管理
收录：CSSCI 南大期刊(含扩展版) > 北大期刊(中国人文社会科学期刊) > 知网收录(中) > 维普收录(中) > 万方收录(中) > 国家图书馆馆藏 > 上海图书馆馆藏
关键词：智慧教育 学生能力评估 可视化 知识追踪模型
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
