[發(fā)明專利]一種面向程序設(shè)計語言課程個性化學(xué)習(xí)效果分析系統(tǒng)及方法

有效

• 申請?zhí)枺?/td>: 201710280214.2
• 申請日: 2017-04-26
• 公開（公告）號: CN107123068B
• 公開（公告）日: 2021-01-01
• 發(fā)明（設(shè)計）人: 吳文峻;王珊珊
• 申請（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號: G06Q50/20
• 分類號: G06Q50/20
• 代理公司: 北京科迪生專利代理有限責(zé)任公司 11251
• 代理人: 楊學(xué)明;顧煒

1.一種面向程序設(shè)計語言課程個性化學(xué)習(xí)效果分析系統(tǒng)，其特征在于包括：認(rèn)知能力評估、實(shí)踐能力評估模塊、反饋模塊；其中：

認(rèn)知能力評估模塊，通過項(xiàng)目反應(yīng)理論模型訓(xùn)練出的學(xué)生參數(shù)和項(xiàng)目參數(shù)，作為先驗(yàn)數(shù)據(jù)對學(xué)生的普通作業(yè)答題表現(xiàn)進(jìn)行個性化處理，實(shí)現(xiàn)個性化知識跟蹤模型，再通過模型訓(xùn)練和推斷過程，獲取學(xué)生的面向程序設(shè)計語言課程的認(rèn)知能力水平數(shù)據(jù)；

實(shí)踐能力評估模塊，根據(jù)基于SFL技術(shù)的學(xué)生實(shí)踐能力評估算法(SFL-basedPractical Ability Assessment Algorithm，簡稱SFL-PAA算法)對學(xué)生的程序作業(yè)語句集進(jìn)行處理，利用獲得的單元識點(diǎn)分布作為部分觀察變量建立多知識點(diǎn)追蹤模型對學(xué)生程序作業(yè)的答題表現(xiàn)進(jìn)行進(jìn)一步處理，后根據(jù)模型訓(xùn)練和推斷過程，獲得學(xué)生最終的實(shí)踐能力水平；

反饋模塊，針對學(xué)生的雙重能力值分布做出分析，即對認(rèn)知能力評估模塊得到學(xué)生的認(rèn)知能力水平和實(shí)踐能力評估模塊得到的實(shí)踐能力進(jìn)行分析，將實(shí)踐能力不足的知識點(diǎn)反饋給學(xué)生；可視化學(xué)生的認(rèn)知能力軌跡和實(shí)踐能力軌跡，實(shí)現(xiàn)個性化學(xué)習(xí)軌跡展示，描繪各知識點(diǎn)二維能力分布圖，并根據(jù)此圖分析學(xué)生學(xué)習(xí)特點(diǎn)；

所述認(rèn)知能力評估模塊的項(xiàng)目反應(yīng)理論模型具體實(shí)現(xiàn)步驟如下：

(1)依據(jù)學(xué)生在普通作業(yè)的答題表現(xiàn)，設(shè)學(xué)生i在項(xiàng)目j上的答題表現(xiàn)為Y_ij，答題正確的概率為p(Y_ij)，D為常數(shù)，k為循環(huán)次數(shù)下標(biāo)，k的初始值為1，設(shè)待求的參數(shù)為每個學(xué)生的能力參數(shù)θ_i以及每個項(xiàng)目參數(shù)β_j＝(a_j，b_j，c_j)，其中a_j表示區(qū)分度、b_j表示難度、c_j為猜測系數(shù))，待求參數(shù)與答題正確概率的關(guān)系公式如下：

(2)求第k次循環(huán)的學(xué)生參數(shù)θ^k，首先從正態(tài)分布q_θ中隨機(jī)抽樣θ^*～q_θ(θ^k-1，θ)，當(dāng)滿足接受率的范圍之內(nèi)時，則接受此次采樣，令θ^k＝θ^*，否則θ^k＝θ^k-1；

(3)求第k次循環(huán)的項(xiàng)目參數(shù)β^k，從正態(tài)分布q_β中隨機(jī)抽樣β^*～q_β(β^k-1，β)，當(dāng)滿足接受率時，則接受此次采樣令β^k＝β^*，否則β^k＝β^k-1；

(4)令k＝k+1，重復(fù)執(zhí)行步驟(2)和(3)，獲得采樣樣本θ^B，θ^B+1，...，θ^T；β^B，β^B+1，...，β^T；其中設(shè)達(dá)到抽樣穩(wěn)定條件的下限為B＝900，上限T＝1000，根據(jù)大數(shù)定律，取樣本的均值作參數(shù)的估計值，獲得學(xué)生i的參數(shù)值為項(xiàng)目j的參數(shù)值為

(5)應(yīng)用五折交叉驗(yàn)證法，更換訓(xùn)練集和測試集，重復(fù)執(zhí)行步驟(2)～(4)，選擇最優(yōu)的學(xué)生參數(shù)和項(xiàng)目參數(shù)作為最后所求結(jié)果；

所述認(rèn)知能力評估模塊的個性化知識跟蹤模型具體實(shí)現(xiàn)步驟如下：

(1)基于可觀察的學(xué)生的普通作業(yè)答題序列信息，將學(xué)生參數(shù)和項(xiàng)目參數(shù)作為先驗(yàn)數(shù)據(jù)應(yīng)用到期望最大化算法中，個性化地訓(xùn)練出知識跟蹤模型的學(xué)習(xí)參數(shù)：初始知識水平P(L₀)、學(xué)習(xí)轉(zhuǎn)化率P(T)以及表現(xiàn)參數(shù)：猜對概率P(G)、失誤概率P(S)；

(2)設(shè)回答第i題后的知識狀態(tài)后驗(yàn)概率為P(L_i|evidence_i)，P(L_i)為回答第i道題前的知識狀態(tài)先驗(yàn)概率，為1-P(L_i)，為沒有失誤的概率，為猜錯概率，i初始值為0，若第i題回答正確，知識狀態(tài)后驗(yàn)概率回答錯誤則

(3)設(shè)在回答第i+1題前的知識狀態(tài)先驗(yàn)概率為P(L_i+1)，則根據(jù)回答第i題后的知識狀態(tài)后驗(yàn)概率推導(dǎo)可得獲得回答第i+1題前的知識狀態(tài)先驗(yàn)概率P(L_i+1)為：

(4)重復(fù)執(zhí)行步驟(2)和(3)，獲得學(xué)生答完最后一道題目的知識狀態(tài)后驗(yàn)概率，將其作為學(xué)生認(rèn)知能力水平數(shù)據(jù)；

(5)對比模型預(yù)測率，選擇最佳的學(xué)習(xí)訓(xùn)練模型；

(6)將最佳的學(xué)生認(rèn)知能力水平估計值存儲在系統(tǒng)的數(shù)據(jù)庫中；

所述實(shí)踐能力評估模塊中的基于錯誤定位技術(shù)實(shí)現(xiàn)學(xué)生實(shí)踐能力評估具體實(shí)現(xiàn)步驟如下：

(1)利用基于程序譜的錯誤定位技術(shù)對學(xué)生的程序作業(yè)語句集進(jìn)行錯誤定位：執(zhí)行測試用例并收集代碼覆蓋信息，根據(jù)覆蓋信息計算各覆蓋元素可疑度，根據(jù)可疑度從大到小將各覆蓋元素排序，逐個排查出錯位置進(jìn)行錯誤定位；

(2)用定位效率作為測試標(biāo)準(zhǔn)驗(yàn)證SFL技術(shù)的有效性，若有效則進(jìn)入步驟(3)，若無效則回步驟(1)調(diào)整可疑度計算方法；

(3)根據(jù)錯誤知識點(diǎn)標(biāo)注規(guī)范人工標(biāo)注步驟(1)得出的錯誤定位排序結(jié)果，收集單元知識點(diǎn)分布；

(4)通過SFL-PAA算法估計學(xué)生實(shí)踐能力水平：根據(jù)人工標(biāo)注的結(jié)果，將學(xué)生在一單元中知識點(diǎn)被標(biāo)注錯誤的頻數(shù)除以該單元程序作業(yè)數(shù)目作為該學(xué)生未能在這單元正確實(shí)踐應(yīng)用知識點(diǎn)的概率估計，知識點(diǎn)被標(biāo)注到的頻數(shù)越高，說明學(xué)生在這個知識點(diǎn)上實(shí)踐犯錯的概率越大，真實(shí)的實(shí)踐能力值就越低，把上述概率估計值的補(bǔ)數(shù)作為學(xué)生在這一單元的實(shí)踐能力水平估計值。