[發明專利]一種面向在線教育平臺的學習者學習能力評估方法

在審

• 申請號: 201910492025.0
• 申請日: 2019-06-06
• 公開（公告）號: CN110197340A
• 公開（公告）日: 2019-09-03
• 發明（設計）人: 李全龍;董慧嶸
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/04;G06Q50/20;G06F16/9035
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 孫莉莉

本發明提出一種面向在線教育平臺的學習者學習能力評估方法，所述方法包括輸入測驗得分矩陣，對測驗得分矩陣用多種項目反映理論模型進行訓練，選擇最優模型計算出的題目參數和學習能力參數θ，利用計算出的題目參數繪制每道題目的信息量曲線，將課程中所有題目按權值將信息量曲線疊加擬合得到多峰曲線，預測學習者的學習能力，將預測的學習能力值隨著學習者學習記錄的增多代回到測驗得分矩陣中逐步修正學習者的學習能力值，使得學習能力值逐步穩定與準確。

技術領域

本發明屬于能力評估技術領域，特別是涉及一種面向在線教育平臺的學習者學習能力評估方法。

背景技術

對于大規模在線教育平臺而言，準確的評價學習者學習能力，是實現智慧教育的前提，是能夠精確推薦課程資源和學習伙伴的必要前提。只有準確的分析出不同學生當前的學習能力以及學習障礙，才能很好的實現個性化建模和個性化推薦。目前，不同的大規模在線教育平臺在學習能力評價上采取的方法各不相同。Knewton平臺采用基于IRT，對學習者的學習能力進行判斷。Bock與Aitkin提出的邊際極大似然估計期望最大化(marginalmaximum likelihood estimation via the expectation maximization,MMLEEM)算法是IRT中最流行的項目參數估計方法之一。在傳統的IRT模型參數估計中，學習者的學習能力一般被假定為服從標準正態分布，單Hsu的研究指出Bock與Aitkin將學習者的學習能力假定為“先驗分布”的觀點是不合適的，應該將其認為是模型的一部分。Woodruff等在有限混合思想的基礎上提出了一個簡潔明確的IRT模型參數估計框架。他們認為，盡管IRT在理論上假定學習者的學習能力變量是連續的，然而在具體的估計過程中仍對其進行離散化處理。有限混合是指在學習者的學習能力變量是離散的情境下，研究者所觀察到的項目反應的分布就是有限混合。

上述方法中均應用了項目反應理論研究與評估學習者的學習能力，但是主要缺點在于沒有充分利用到項目反應理論的中間參數：難度參數和區分度參數；另外，對學習者的學習能力的評估僅僅通過題目量的累加來評估，沒有從需要推薦的資源角度比如課程角度，章節角度評估學習者的學習能力。

發明內容

本發明目的是為了解決現有技術中的問題，提出了一種面向在線教育平臺的學習者學習能力評估方法。

本發明是通過以下技術方案實現的，本發明提出一種面向在線教育平臺的學習者學習能力評估方法，所述方法包括以下步驟：

S1：輸入學習者在某門課程或者某門課程某些章節的測驗得分矩陣；

S2：對測驗得分矩陣用多種項目反應理論模型進行訓練，根據赤池信息量準則AIC值、貝葉斯信息準則BIC值和簡單優化原則對比多個模型，選擇最優模型計算出的題目參數和學習能力參數θ，用加權計算的方法計算學習者的學習能力；

S3：利用S2中計算出的題目參數繪制每道題目的信息量曲線，將課程中所有題目按權值將信息量曲線疊加擬合得到多峰曲線，選取若干個波峰作為課程的多級難度，為課程資源推薦準備課程多級難度指標；

S4：預測學習者的學習能力；

S5：將S4步中預測的學習能力值隨著學習者學習記錄的增多代回到S1中逐步修正學習者的學習能力值，使得學習能力值逐步穩定與準確。

進一步地，所述測驗得分矩陣包括0、1計分題型部分和多級計分題型部分。

進一步地，對0、1計分題型部分進行訓練的最優模型為三參數logistic模型，對多級計分題型部分進行訓練的最優模型為多級計分模型。

進一步地，所述三參數logistic模型，公式為：