人工智能自适应在线教育方法研究与应用

With the rapid development of mobile internet, fundamental changes have taken place in the way of knowledge dissemination and acquisition, and online education has drawn wide attention. Traditional adaptive online education based on simple computer programming is difficult to solve the problem of current educational data isolation, resource sharing limitation, lacking characterization and difficult to adapt the dynamic changes. This project focuses on a novel type of adaptive online education based on artificial intelligence, including these aspects: 1) Construct blockchain-based distributed adaptive education resources integration mechanism; 2) Build a differentiated bootstrap adaptive student model; 3)Build a personalized adaptive learning engine for adapting to dynamic changes; 4) Build an artificial intelligence adaptive online education prototype system, to promote the development of adaptive online education research. It is expected that the study of this project will have active affects on eliminating the bottleneck of research on adaptive online education and improve the international competitiveness of China's education field.

随着移动互联网的迅速发展，知识传播与获取的方式产生了根本变化，在线教育引起了人们的广泛关注。基于简单计算机编程的传统自适应在线教育存在教育资源数据孤岛、资源共享受限、学生特征表征不足以及不能适应动态变化等问题。本项目将研究一种新型的基于人工智能的自适应在线教育，重点研究：1)构建基于区块链的分布式自适应教育资源共享机制；2)构建差异化的自适应学生模型；3)构建适应动态变化的个性化自适应学习引擎；4)研发一套人工智能自适应在线教育原型系统，以促进自适应在线教育研究的落地。预期本项目的研究将对突破自适应在线教育的研究瓶颈以及推动我国教育事业的发展起到积极作用。

数字经济时代，大众学习的个性化需求不断增强，时间碎片化问题逐渐增多，为在线教育提供了广阔的发展前景。然而基于简单计算机编程的传统自适应在线教育存在教育资源数据孤岛、资源共享受限、学生特征表征不足以及不能适应动态变化等问题。为了解决以上问题，本项目对支持动态适应学生特征的人工智能自适应在线教育中的关键问题开展了研究，主要研究内容有：（1）构建一种可用于数据和模型分享的模型链，尝试解决教育领域的复杂资源与学习任务的数据模型共享问题；（2）构建面向学生的多级别认知诊断模型，对学生学习状态进行准确评估；（3）研究一种学生神经网络模型更新方法来实现对学生的动态分析；（4）提出了一种基于多层LSTM的深度学生表现预测方法，以LSTM网络结构作为基础架构，从根本上解决了以往的学生表现预测模型存在的数据利用不完全、预测效果较差的问题。（5）针对在线教育课程推荐应用场景中冷启动、偏好动态性以及推荐可解释性的问题，研究了一种具有可解释性的在线课程推荐机制，通过在协同过滤推荐模型中加入时间上下文信息，提升推荐准确度，并利用低层特征与高层特征相结合对学生进行目标课程推荐。