一种自适应在线学习测评系统研究与实现

摘要

伴随着互联网的快速发展，教育领域也发生了巨大的变化。在线教育的出现拓展了传统教育的边界使得每一个学生都能从中获益，同时也促进了教育资源的共享和更加全面的教育评估理论和技术。各种在线学习系统如MOOC在为人们提供在线学习的服务，但是现存的各种在线学习系统都存在或多或少的缺陷：没有针对个人的个性化学习方案、对知识的分类粒度较粗，导致学习者不能很好的完成学习同时学习的体检较差。为了使学习者在学习过程中有一个可参考的学习路径以及更好的评估学习者的掌握情况，本文研究并实现了一种自适应在线学习测评系统。 论文主要的工作分为三个方面： 1、提出基于Q学习算法的高效学习策略。首先利用分层学习将学科知识建立为网格状的知识地图，随后使用强化学习中的Q学习算法构建一个高效的学习路径，最后学习者根据给出的学习路径进行学习； 2、提出改进的选题策略。通过加入曝光率的阈值限制，改进的选题策略使得题库中的试题曝光率更加均匀，不同难度的试题均有可能被选中，题库的安全性得到保障； 3、设计并实现自适应在线学习测评系统。基于实用性与可行性的考虑，设计了在线学习系统架构同时实现了系统的各个关键模块。 利用分层学习模型将《数据结构》课程的知识地图绘制完成，随后基于Q学习算法构建《数据结构》课程的高效学习路径，并详细描述队列知识单元的学习路径，最后提出改进的选题策略。在论文的模拟实验中，将改进的选题策略和传统的选题策略如最大Fisher信息量法和a分层法进行比较，结果显示改进的选题策略在评测指标的对比中优于传统的选题策略。通过构建的高效学习路径与改进的选题策略的相结合，设计并实现了一种自适应在线学习测评系统。

目录

声明

第一章 绪 论

1.1 研究工作的背景与意义

1.1.1 课题研究的背景

1.1.2 研究意义

1.2 国内外研究现状

1.2.1 国外研究现状

1.2.2 国内研究现状

1.3 论文主要内容

1.4 论文结构

第二章 相关技术基础

2.1 自适应在线学习

2.1.1 马尔科夫决策过程

2.1.2 隐马尔科夫模型

2.1.3 Q学习算法

2.2 计算机化自适应测验

2.2.1 项目反应模型

2.2.2 题库的建设

2.2.3 初始项目的选择

2.2.4 选题策略

2.2.5 参数估计

2.2.6 终止规则

2.2.7 认知诊断模型

2.3 本章小结

第三章 模型与算法

3.1 分层学习模型

3.2 基于Q学习的学习路径

3.3 改进的自适应在线学习测评选题策略

3.3.1 改进的选题策略

3.3.2 模拟对比实验

3.3.3 实验结果

3.4 本章小结

第四章 系统设计

4.1 项目技术可行性研究

4.2 总体需求分析

4.2.1 系统目的

4.2.2 业务功能分析

4.2.3 用户需求分析

4.2.4 用户用例分析

4.2.4 系统功能需求分析

4.2.5 非功能需求分析

4.3系统设计原则

4.4系统总体设计

4.4.1 系统物理架构设计

4.4.2 业务流程分析

4.5 本章小结

第五章 系统关键模块设计与实现

5.1 移动端关键模块设计与实现

5.1.1 注册登录模块

5.1.2 学习模块

5.1.3 测验模块

5.1.4 学习社区模块

5.1.5 数据可视化模块

5.1.6 个人信息管理模块

5.2数据库设计与实现

5.2.1 试题信息存储设计

5.2.2 用户的测验数据信息设计

5.2.2 用户的基本信息表设计

5.3后端服务器端关键模块实现

5.3.1 请求分发服务器

5.3.2 逻辑服务器集群

5.3.3 缓存解析模块

5.3.4 选题策略模块

5.3.5 计算服务器模块

5.3.6 参数估计模块

5.3.7 数据库管理模块

5.4自适应在线学习测评系统演示

5.5本章小结

第六章 系统测试

6.1测试计划

6.1.1 测试目的

6.1.2 测试方法

6.1.2 测试环境

6.1.3 测试数据集

6.1.4 测试对象

6.2测试结果

6.2.1测试结果分析

6.3本章小结

第七章 总结与展望

7.1 本文工作总结

7.2 展望

致谢

参考文献

攻读硕士学位期间取得的成果