[发明专利]基于学生画像的个性化试题推荐方法

权利要求书

1.一种基于学生画像的个性化试题推荐方法，其特征在于，其步骤为：

步骤(1)收集学生数据，构建得分矩阵R，构建知识点考察矩阵Q：通过校园大数据平台提取出学生的提交代码、系统评判记录、作答记录及学生实验的完成情况，得出学生在试题或者实验中的各项得分构建得分矩阵R；对每道试题或每条实验记录，通过专家评判方式对其所涉及知识点进行评估，构建知识点考察矩阵Q；

步骤(2)采用模糊认知诊断模型合理诊断学生的学习状态：根据构建得分矩阵R和知识点考察矩阵Q，通过模糊认知诊断方法获得学生的学习状态矩阵α，判断学生的学习状态，即学生的知识点掌握情况，向量中每个元素代表了学生在每个知识点上的掌握程度；

步骤(3)马尔科夫链蒙特卡洛算法MCMC估计参数：真实环境下，学生作答试题的得分结果的影响因素是多方面的，不仅仅依赖于学生的学习状态，学生的粗心或猜测也会对作答产生影响，因此，每道试题V_m都假设其拥有猜测参数g_m、失误参数s_m，试题归一化参数σ²，会对学生在试题上的得分情况产生影响；使用MCMC算法来估计猜测参数g、失误参数s和试题归一化参数σ²；

在MCMC算法的t次迭代中，从正态分布N(α^t-1,σ_α²)中对学生的学习状态采样，计算学生学习状态的接受概率P(α^t-1,α^t)；分别从均匀分布U(g^t-1-δ_g,g^t-1+δ_g)、U(s^t-1-δ_s,s^t-1+δ_s)和U((σ²)^t-1-δ_σ,(σ²)^t-1+δ_σ)中对试题的猜错参数g、失误参数s以及试题归一化方差σ²采样，计算试题的猜错参数、失误参数以及试题归一化方差参数的接受概率P(g^t-1,g^t)、P(s^t-1,s^t)和P((σ²)^t-1,(σ²)^t)；直到达到最大迭代次数N_t，由MCMC算法估计出参数和

其中：猜测参数g是学生通过猜测正确作答试题的概率；失误参数s为学生本应能正确作答试题，由于失误而未能正确作答试题概率；试题归一化参数σ²表示为试题得分的归一化方差；V_m为题库中的第m道试题；t为第t次迭代；N_t为最大迭代次数；α为学生的学习状态，即学生的知识点掌握情况，向量中每个元素代表了学生在每个知识点上的掌握程度；δ_g、δ_s和δ_σ分别为参数g、s和σ²的采样区间参数，限定采样区间；参数和是经过MCMC迭代N_t次估计出的试题V_m猜测参数、失误参数和归一化参数；

步骤(4)基于效用理论进行试题推荐：根据效用理论设计一个效用函数，根据效用函数计算试题的效用值，并对试题的效用值进行排名，将效用值排名前N的试题推荐给学生，提升学生作答试题的收益。