En las últimas décadas, cada vez son más los profesores que utilizan generadores de preguntas para proporcionar a los alumnos tareas en línea. Los métodos de aprendizaje por rango (LTR) pueden clasificar parcialmente las preguntas para atender las necesidades de cada alumno y reducir su carga de estudio. Desafortunadamente, clasificar las preguntas para los estudiantes no es trivial debido a tres retos principales: (1) descubrir el conocimiento latente y el nivel cognitivo de los estudiantes es difícil, (2) el contenido de los cuestionarios puede ser totalmente diferente pero los puntos de conocimiento de estos cuestionarios pueden estar intrínsecamente relacionados, y (3) los modelos de clasificación basados en el aprendizaje supervisado, semisupervisado o de refuerzo se centran en la tarea actual sin considerar el rendimiento pasado. En este trabajo, proponemos KFRank, un modelo de clasificación de fusión de conocimientos basado en el aprendizaje por refuerzo, que tiene en cuenta tanto el historial de asignaciones de un estudiante como la relevancia de los cuestionarios con sus puntos de conocimiento. En primer lugar, cargamos el historial de asignaciones de los estudiantes, lo reorganizamos utilizando puntos de conocimiento, y calculamos las características efectivas para la clasificación en términos de la relación entre el conocimiento cognitivo de un estudiante y la pregunta. A continuación, se construye un estimador de similitud para elegir las preguntas históricas, y se utiliza una red neuronal de atención para calcular el valor de atención y actualizar el estado de estudio actual con la fusión de conocimientos. Por último, se utiliza un algoritmo de clasificación basado en un proceso de decisión de Markov para optimizar los parámetros. Se realizaron amplios experimentos con un conjunto de datos reales que abarcan un año y comparamos nuestro modelo con los modelos de clasificación más avanzados (por ejemplo, ListNET y LambdaMART) y con métodos de aprendizaje de refuerzo (como MDPRank). Basándonos en los valores top-k de nDCG, nuestro modelo supera a otros métodos para grupos de estudiantes medios y débiles, cuyas capacidades de estudio son relativamente pobres y, por tanto, sus comportamientos son más difíciles de predecir.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Diseño biónico de la pala de un aerogenerador basado en el perfil aerodinámico del búho real
Artículo:
Simulación numérica del enfriamiento de bloques electrónicos calentados en un canal horizontal por convección mixta de nanofluidos
Artículo:
Métodos de actualización de claves para esquemas de gestión de claves basados en el diseño combinatorio
Artículo:
Efecto del proceso de envejecimiento en diferentes soluciones sobre la estructura de la fibra de kenaf y su adhesión interfacial en compuestos epoxídicos
Artículo:
Síntesis de bosques de MWCNT con catalizador de Fe2O3 soportado en alúmina mediante una técnica de deposición química en fase vapor con catalizador flotante