[发明专利]一种面向在线教育平台的学习者学习能力评估方法

说明书

本发明提出一种面向在线教育平台的学习者学习能力评估方法，所述方法包括输入测验得分矩阵，对测验得分矩阵用多种项目反映理论模型进行训练，选择最优模型计算出的题目参数和学习能力参数θ，利用计算出的题目参数绘制每道题目的信息量曲线，将课程中所有题目按权值将信息量曲线叠加拟合得到多峰曲线，预测学习者的学习能力，将预测的学习能力值随着学习者学习记录的增多代回到测验得分矩阵中逐步修正学习者的学习能力值，使得学习能力值逐步稳定与准确。

技术领域

本发明属于能力评估技术领域，特别是涉及一种面向在线教育平台的学习者学习能力评估方法。

背景技术

对于大规模在线教育平台而言，准确的评价学习者学习能力，是实现智慧教育的前提，是能够精确推荐课程资源和学习伙伴的必要前提。只有准确的分析出不同学生当前的学习能力以及学习障碍，才能很好的实现个性化建模和个性化推荐。目前，不同的大规模在线教育平台在学习能力评价上采取的方法各不相同。Knewton平台采用基于IRT，对学习者的学习能力进行判断。Bock与Aitkin提出的边际极大似然估计期望最大化(marginalmaximum likelihood estimation via the expectation maximization,MMLEEM)算法是IRT中最流行的项目参数估计方法之一。在传统的IRT模型参数估计中，学习者的学习能力一般被假定为服从标准正态分布，单Hsu的研究指出Bock与Aitkin将学习者的学习能力假定为“先验分布”的观点是不合适的，应该将其认为是模型的一部分。Woodruff等在有限混合思想的基础上提出了一个简洁明确的IRT模型参数估计框架。他们认为，尽管IRT在理论上假定学习者的学习能力变量是连续的，然而在具体的估计过程中仍对其进行离散化处理。有限混合是指在学习者的学习能力变量是离散的情境下，研究者所观察到的项目反应的分布就是有限混合。

上述方法中均应用了项目反应理论研究与评估学习者的学习能力，但是主要缺点在于没有充分利用到项目反应理论的中间参数：难度参数和区分度参数；另外，对学习者的学习能力的评估仅仅通过题目量的累加来评估，没有从需要推荐的资源角度比如课程角度，章节角度评估学习者的学习能力。

发明内容

本发明目的是为了解决现有技术中的问题，提出了一种面向在线教育平台的学习者学习能力评估方法。

本发明是通过以下技术方案实现的，本发明提出一种面向在线教育平台的学习者学习能力评估方法，所述方法包括以下步骤：

S1：输入学习者在某门课程或者某门课程某些章节的测验得分矩阵；

S2：对测验得分矩阵用多种项目反应理论模型进行训练，根据赤池信息量准则AIC值、贝叶斯信息准则BIC值和简单优化原则对比多个模型，选择最优模型计算出的题目参数和学习能力参数θ，用加权计算的方法计算学习者的学习能力；

S3：利用S2中计算出的题目参数绘制每道题目的信息量曲线，将课程中所有题目按权值将信息量曲线叠加拟合得到多峰曲线，选取若干个波峰作为课程的多级难度，为课程资源推荐准备课程多级难度指标；

S4：预测学习者的学习能力；

S5：将S4步中预测的学习能力值随着学习者学习记录的增多代回到S1中逐步修正学习者的学习能力值，使得学习能力值逐步稳定与准确。

进一步地，所述测验得分矩阵包括0、1计分题型部分和多级计分题型部分。

进一步地，对0、1计分题型部分进行训练的最优模型为三参数logistic模型，对多级计分题型部分进行训练的最优模型为多级计分模型。

进一步地，所述三参数logistic模型，公式为：