个性化教育咨询实战案例：从学业规划到成绩突破的全流程服务

随着计算机科学的进步,越来越多的研究人员试图将人工智能和计算机网络技术用于计算机辅助教学(Computer-aided Instruction,CAI)系统。同时,有些研究者还开发了一些高效的程序来测试和提高学生的学习能力,例如,Hopper的计算机辅助教师和考试系统(Computer-aidedtutoring and testing system)。1999年,Giraffa证明了怎样用多agent技术构建交互式智能导师系统(Intelligent Tutoring System)。2000年,Ozdemir和Alpaslan提出了一种用于指导学生网上学习的智能agent。这种agent可以根据学生的知识掌握程度智能地推荐合适的学习站点。从2003年到2004年,Hwang提出一种能向学生提供指导意见的概念模型和评估教育站点的群决策(group-decision)方法。2005年,Chih-Ming提出一种基于项目反映理论的个性化网上学习系统。很明显,开发智能教学系统(Intelligent Tutor System)和学习环境已成为计算机科学和教育领域中一个重要的问题,同时,网上考试系统的开发也吸引着大批的学者。例如IBM一直致力于网上考试系统的开发,GRE(GraduateRecord Examinations)从1999年起就完全采用无纸化的计算机考试形式等。 但是,广播电视大学多数现有网上考试系统只能根据教师预先输入的要求按一定的组卷策略从题库中抽取满足要求的试卷,这些传统的组卷算法并不能实现根据学生特定的学习情况抽取适合每位学生的试卷。传统的阅卷算法也只是简单地给出学生在某次考试的总分数。我们知道分数有时并不能全面地反映一个学生整体能力,学生对某知识点的掌握不能用简单地知道或不知道来判断,更重要的是他对该知识点的学习是处于识记、理解还是应用等水平,所以传统的阅卷算法不能很好地反映学生的这种认知能力。另外,随着在线考试的人数逐渐增加,网络信息流量会急剧上升,从而导致数据传输速度慢并加重服务器负担。 为了降低网络流量,提高系统的响应速度,本文利用智能Agent技术提出一种新的自适应网络考试系统体系结构。为了达到自适应考试的目的,本文提出一种新的学生模型SM。在学生模型SM的基础上,本文又提出基于SM的个性化智能组卷算法和阅卷算法,实验证明,在试题库设计合理的情况下,这些算法是可行的、正确的。

教育大数据背景下融入情感分析的生成性学习路径推送策略研究*