Personalized Instructional Path Generation for Chinese Language Education Incorporating Reinforcement Learning
Notice bibliographique
Résumé
Personalized learning, in which learners set their own pace and select their own resources according to their own learning needs and characteristics, is the trend of Chinese education and teaching.In this paper, we design a personalized teaching path recommendation model for Chinese education based on reinforcement learning.The knowledge tracking prediction model LTKT is designed to integrate multiple knowledge points as information dimensions for model learning in the data preprocessing stage.The sparse self-attention mechanism is introduced into the encoder and decoder structure and embedded with location coding containing absolute and relative distances to enhance the model's perception of location information.Finally, the RL4ALPR algorithm is designed to model the changing knowledge level, the candidate learning item filtering algorithm is used to narrow down the scope of the recommended learning items, the reinforcement learning algorithm assumes the role of a recommender, and the degree of change in the knowledge level of the learner is regarded as a reward for the improvement of the reinforcement learning recommendation strategy.Simulation experiments are conducted on datasets such as ASSISTments and compared with baseline models such as KNN, GRU4Rec, Random, etc.The model in this paper has an F1 value and an AUC of 0.635 and 0.956 respectively in the evaluation of learning effect, which are the highest among the models.The study makes a useful exploration for the informatization of Chinese education and teaching.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».