基于编程认知诊断模型的学生表现预测
近年来,学生认知诊断是教育数据挖掘领域的重要研究课题,对现代教育的精准反馈有重要的意义.然而,传统的认知诊断模型存在预测准确性低和处理大规模数据时效率低等问题,且现有研究主要围绕传统线下教学展开,缺少针对程序设计教育领域的研究.为了解决上述问题,本文从程序设计教育的特点分析出发,提出了一种基于编程表现的模糊认知诊断模型 P-FuzzyCDF(programming-performance-based fuzzy cognitive diagnosis framework).具体来说,为了处理编程题部分正确的情况,该模型首先模糊了学生对知识点的掌握情况.随后,P-FuzzyCDF将模糊集合理论与教育假设相结合,对学生对问题的掌握情况进行了建模.除此之外,本文还考虑抄袭因素,并最终生成学生在每个问题上的得分.值得注意的是,该模型利用编程教育数据可视化和精确性的特点,对模型中每个部分的参数进行了量化.本文基于真实数据集进行实验,实验结果表明P-FuzzyCDF可以实现较高的精度,其中MAE、MSE和RMSE评估指标的值分别为0.07、0.09和0.01.此外,将P-FuzzyCDF与现有经典方法(如DINA,IRT和FuzzyCDF)进行比较时,P-FuzzyCDF的结果在MAE、MSE和RMSE等指标上取得了明显优势.
教育数据挖掘、认知诊断、学生表现、在线教育、学生行为特征
32
TP399;G40-058.1;O212.1
北京化工大学校级教改项目;北京化工大学校级教改项目
2023-09-25（万方平台首次上网日期，不代表论文的发表时间）
共9页
239-247
