通过建立循环神经网络推荐系统来为学生推荐课程,以帮助其准备所需的目标课程,这一体系结构是针对学生先前知识背景和发展区域进行个性化定制的,并且通过等级预测和挖掘大学先修关系等测试进行验证。
Dec, 2018
本文提出了一种基于深度学习的学生成绩预测模型,利用Exercise-Enhanced Recurrent Neural Network和Exercise-aware Knowledge Tracing等方法,探索了学生知识获取情况和习题内容等因素,实现了精确的学生成绩预测,并提高了可解释性。
Jun, 2019
本文提出了一种动态、可扩展、透明的教育推荐系统,基于Wikipedia的文本本体自动提取教育资源的知识组件及启发于项目反应理论和知识追踪的一组在线贝叶斯策略。我们的提案TrueLearn专注于向具有足够背景知识并能够理解和学习材料的学习者推荐具备足够新颖性的材料,以帮助学习者提高对主题的知识并保持他们的主动性。我们还构建了一个大型的开放式教育视频讲座数据集,并测试了所提算法的性能,结果显示出建立有效的教育推荐系统的明显前景。
Nov, 2019
本研究旨在通过Integrative approach构建一个新颖的TrueLearn教育推荐系统,该系统由多种学习参考驱动,可以同时考虑学习者的知识和内容的新颖性,并保持长期时间的准确学习者代表性。
Dec, 2019
本文介绍推荐系统中教育推荐的研究现状和挑战,并放出了一个名为PEEK的数据集,为教育和信息推荐系统的个性化算法建设提供基础。
Sep, 2021
本文介绍了一种名为DBE-KT22的新型知识追踪数据集,该数据集从澳大利亚国立大学的在线学生练习系统中收集,可通过澳大利亚数据存档平台进行公开访问。
Aug, 2022
本文提出了一种名为“知识图谱-习题代表性和信息性框架”的方法,以解决单个关系的知识图谱和习题特征模型化的问题。实验证明该框架能够改善学生表现,并为学生推荐合适的习题。
Jul, 2023
使用混合推荐系统,结合协同过滤与基于内容过滤的方法,根据学生和课程信息,通过遗传算法自动发现最佳配置,以更可靠地推荐最适合的课程。实验结果表明,混合模型在课程推荐中的重要性,使用该模型相较于之前的模型表现出色。
Feb, 2024
通过整合大型语言模型(LLMs)和检索增强生成(RAG)技术,RAMO系统旨在克服传统课程推荐系统的冷启动问题,提供个性化的在线课程推荐和通过对话界面增强电子学习体验。
Jul, 2024
本研究解决了现代推荐系统中相关性与多样性之间的权衡问题,传统算法未能充分考虑用户与推荐项的互动。通过提出一个基于用户行为的概率模型,强调在用户互动中最大化多样性,结果表明,该推荐策略在多个数据集上优于现有的先进算法,具有提升用户知识获取的潜力。
Aug, 2024