陳 晨，劉 娟，沈 恂，郭 城

（蚌埠學(xué)院計(jì)算機(jī)與信息工程學(xué)院，蚌埠 233030）

0 引言

本校已開(kāi)展C++慕課（MOOC）和網(wǎng)絡(luò)習(xí)題平臺(tái)作為教學(xué)輔助手段多年，新冠疫情更是讓慕課和網(wǎng)課迅速發(fā)展，成為2020 年后的主流教學(xué)方式。教學(xué)過(guò)程中發(fā)現(xiàn)的主要問(wèn)題有：學(xué)生知識(shí)水平不一，缺乏課堂教學(xué)實(shí)時(shí)反饋，教師難以根據(jù)薄弱環(huán)節(jié)及時(shí)調(diào)整，學(xué)生不易發(fā)現(xiàn)自己的知識(shí)薄弱點(diǎn)并有針對(duì)性地進(jìn)行加強(qiáng)鞏固。因此，急需一種可以幫助學(xué)生迅速定位知識(shí)薄弱點(diǎn)的方法。針對(duì)此種情況，我們?cè)贑++課程教學(xué)中引入了一種基于自注意力深度知識(shí)追蹤和協(xié)同過(guò)濾的C++教學(xué)輔助方法，利用一種改進(jìn)后的自注意力深度知識(shí)追蹤算法SAINT-Lite 發(fā)現(xiàn)知識(shí)薄弱點(diǎn)，再結(jié)合協(xié)同過(guò)濾（Collaborative Filtering，CF）進(jìn)行個(gè)性化習(xí)題。本文將這種方法稱為SAINT-Lite-CF。

1 相關(guān)工作

知識(shí)追蹤（Knowledge Tracing）是一個(gè)時(shí)間序列問(wèn)題，根據(jù)學(xué)生過(guò)去的習(xí)題作答情況，預(yù)測(cè)未來(lái)的答題正確率，反映學(xué)生對(duì)知識(shí)點(diǎn)的動(dòng)態(tài)掌握情況。貝葉斯知識(shí)追蹤（Bayesian Knowl?edge Tracing，BKT）［1］是經(jīng)典的非深度知識(shí)追蹤方法。深度知識(shí)追蹤（Deep Knowledge Tracing，DKT）［2］開(kāi)創(chuàng)了深度知識(shí)追蹤方法，主要結(jié)構(gòu)為循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM），隨后動(dòng)態(tài)鍵值對(duì)記憶網(wǎng)絡(luò)（Dynamic Key-Value Memory Networks，DKVMN）［3］之類的改進(jìn)均基于RNN和LSTM。扇貝、英語(yǔ)流利說(shuō)等大量網(wǎng)絡(luò)教學(xué)平臺(tái)廣泛應(yīng)用基于LSTM 的DKT算法進(jìn)行知識(shí)追蹤。DKT 的不足是需要海量數(shù)據(jù)，RNN和LSTM依次處理時(shí)間序列數(shù)據(jù)，訓(xùn)練時(shí)間長(zhǎng)，難以應(yīng)用到高校專業(yè)課程這種小規(guī)模教學(xué)上。Transformer［4］提出自注意力機(jī)制，對(duì)小數(shù)據(jù)集也有很好的性能，Transformer 結(jié)構(gòu)實(shí)現(xiàn)了時(shí)間序列數(shù)據(jù)的并行處理，可以一次處理數(shù)十個(gè)甚至上百個(gè)時(shí)刻數(shù)據(jù)，大大提高訓(xùn)練和執(zhí)行效率。SAKT（Self-Attention Knowledge Tracing）［5］是基于自注意力的第一篇知識(shí)追蹤論文，使用習(xí)題（Exercise）和答案（Result）成對(duì)組成的交互（Interaction）信息，隨后的SAINT（Separated Self-Attention Neural Knowledge Tracing）［6］和SAINT+［7］相對(duì)SAKT 的主要改進(jìn)是引入編碼器（Encoder）和解碼器（Decoder），習(xí)題和答案信息分別進(jìn)入編碼器和解碼器處理，實(shí)驗(yàn)表明這種方式性能更佳。本文工作主要基于SAINT展開(kāi)。

2 方法

2.1 問(wèn)題定義

令習(xí)題庫(kù)總習(xí)題數(shù)為M，某學(xué)生從t1時(shí)刻到ti時(shí)刻做題序列定義為{I1,I2,I3,…,Ii}，Ii為{Ei,Ri}，其中：I 是Interaction（交互），表示在第i時(shí)刻學(xué)生的一次做題行為，E 是Exercise（習(xí)題），表示習(xí)題庫(kù)中一道習(xí)題；R 是Result（答案），表示對(duì)應(yīng)習(xí)題學(xué)生答案。知識(shí)追蹤的任務(wù)是根據(jù)t1到ti時(shí)刻序列預(yù)測(cè)ti+1時(shí)刻學(xué)生回答所有習(xí)題正確概率，表示為一個(gè)M維向量，每1 位取值區(qū)間為［0，1］。

2.2 SAINT-Lite-CF模型介紹

相比DKT 論文中常用的Synthetic、ASSIST和STATICS 數(shù)據(jù)集，本文實(shí)際處理數(shù)據(jù)集規(guī)模較小，為避免模型過(guò)擬合和難以收斂，我們對(duì)SAINT 模型進(jìn)行裁剪，將其稱為SAINT-Lite。后續(xù)實(shí)驗(yàn)和實(shí)踐證明，裁剪后的模型在處理小數(shù)據(jù)集時(shí)，可以獲得較好性能。本文提出方法的整體結(jié)構(gòu)見(jiàn)圖1。

圖1 SAINT-Lite-CF 主要結(jié)構(gòu)

總體結(jié)構(gòu)包括編碼器、解碼器和最后的全連接層。編碼器的輸出作為解碼器的輸入，解碼器的輸出作為線性層的輸入。

編碼器由一個(gè)習(xí)題嵌入層（Exercise Embed?ding Layer）和多個(gè)編碼器層組成，習(xí)題和位置信息經(jīng)過(guò)嵌入表示后分別生成d_model 維度向量，這些向量相加并輸入習(xí)題嵌入層。每個(gè)編碼器層由一個(gè)多頭注意力運(yùn)算模塊、點(diǎn)式前饋網(wǎng)絡(luò)（Point-wise Feed-Forward Networks）和層歸一化組成，且每層在其周圍有一個(gè)殘差連接。點(diǎn)式前饋網(wǎng)絡(luò)是全連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，目的是提高模型非線性能力。殘差連接用于避免深度網(wǎng)絡(luò)中梯度消失問(wèn)題。

每個(gè)多頭注意力運(yùn)算模塊有三個(gè)輸入，分別是：Q（查詢，Query）、K（主鍵，Key）、V（數(shù)值，Value），其計(jì)算過(guò)程分成四個(gè)步驟：QKV線性層分拆成多頭，按照比例縮放的點(diǎn)積注意力多頭級(jí)聯(lián)（Concat），最后一層線性層。以上過(guò)程用公式表示為

其中Mask是上三角掩膜，F(xiàn)FN是點(diǎn)式前饋網(wǎng)絡(luò)。

解碼器由一個(gè)答案嵌入層（Result Embed?ding Layer）和多個(gè)解碼器層組成，答案和位置信息經(jīng)過(guò)嵌入表示后生成d_model維度向量，這些向量相加并輸入答案嵌入層。每個(gè)解碼器層由兩個(gè)多頭注意力運(yùn)算模塊、點(diǎn)式前饋網(wǎng)絡(luò)和層歸一化組成，第二層多頭注意力模塊的V和K接收編碼器輸出作為輸入，Q接收第一層多頭注意力模塊的輸出，每層在其周圍同樣有一個(gè)殘差連接。解碼器關(guān)注編碼器的輸出及其自身輸入（自注意力），來(lái)預(yù)測(cè)下一個(gè)時(shí)刻做題的正確概率。

嵌入表示后的習(xí)題矩陣分別作為Q、K、V輸入編碼器（各自權(quán)重不同），輸出O分別作為V、K（各自權(quán)重不同）輸入解碼器的第二層多頭自注意力模塊。嵌入表示后的答案矩陣分別作為另一套Q、K、V（各自權(quán)重不同）輸入解碼器。Q是解碼器第一層多頭自注意力模塊的輸出。編碼器過(guò)程用公式表示為

X在第一個(gè)編碼器層是習(xí)題嵌入層輸出，其余編碼器層是上一個(gè)編碼器層的輸出，Oenc是編碼器輸出，LayerNorm 是層歸一化。解碼器過(guò)程用公式表示為

X在第一個(gè)解碼器層是答案嵌入層輸出，其余解碼器層是上一個(gè)解碼器層的輸出，Odec是解碼器輸出。解碼器的最后輸出經(jīng)過(guò)一個(gè)全連接層，采用Sigmod 激活函數(shù)，輸出每個(gè)知識(shí)點(diǎn)掌握情況，并映射回所有習(xí)題正確概率。

2.3 學(xué)生知識(shí)水平向量/矩陣

令共有I個(gè)學(xué)生，習(xí)題庫(kù)共M個(gè)習(xí)題，N個(gè)知識(shí)點(diǎn)，習(xí)題同知識(shí)點(diǎn)是多對(duì)多關(guān)系，Km表示第m個(gè)習(xí)題對(duì)應(yīng)的N位一維知識(shí)點(diǎn)向量，每位取0 或1，K為所有習(xí)題對(duì)應(yīng)知識(shí)點(diǎn)的M×N矩陣。SAINT-Lite 輸入時(shí)只使用主要知識(shí)點(diǎn)ID，輸出N維向量SKi，表示第i個(gè)學(xué)生所有知識(shí)點(diǎn)掌握情況，以主要知識(shí)點(diǎn)ID 預(yù)測(cè)結(jié)果表示習(xí)題ID 預(yù)測(cè)結(jié)果，將N維向量映射回M維，令其為SEi，所有學(xué)生向量組成I×M的答題正確概率矩陣SE。用答題正確概率矩陣點(diǎn)乘所有習(xí)題對(duì)應(yīng)知識(shí)點(diǎn)矩陣，即SE×K，歸一化后得到所有學(xué)生知識(shí)水平矩陣Y。令Yi表示第i個(gè)學(xué)生的知識(shí)水平向量，Yij表示第i個(gè)學(xué)生對(duì)第j個(gè)知識(shí)點(diǎn)的掌握情況，則KPj為第j個(gè)知識(shí)點(diǎn)均值：

所有KPj組成N維知識(shí)水平均值向量（KP1，KP2，KP3，…，KPN），對(duì)KPj小于閾值（本文取0.5）的知識(shí)點(diǎn)向教師進(jìn)行教學(xué)預(yù)警，表明此知識(shí)點(diǎn)是共性的薄弱環(huán)節(jié)，教師應(yīng)進(jìn)行集中復(fù)習(xí)講解，對(duì)特定學(xué)生KPj過(guò)低的知識(shí)點(diǎn)向該學(xué)生提示重新學(xué)習(xí)課程。

2.4 個(gè)性化習(xí)題推薦

獲得學(xué)生答題正確概率矩陣后，使用協(xié)同過(guò)濾來(lái)進(jìn)行個(gè)性化習(xí)題推薦。協(xié)同過(guò)濾目前廣泛應(yīng)用于電子商務(wù)網(wǎng)站的商品推薦，其本質(zhì)思想是找到與當(dāng)前目標(biāo)類似的目標(biāo)群體，即找到水平接近的學(xué)生近鄰集合，預(yù)測(cè)學(xué)生對(duì)沒(méi)有做過(guò)習(xí)題的得分水平。令全體學(xué)生答題正確概率矩陣為U，Ui表示第i行，為第i個(gè)學(xué)生的答題正確概率向量，則Uj為第j個(gè)學(xué)生的答題正確概率向量，遍歷所有行，以余弦相似度判斷Ui和Uj相似度：

得分大于一定閾值（本文取0.9）的作為相似學(xué)生。根據(jù)馬驍睿等［8］提出的方法計(jì)算第i個(gè)學(xué)生的習(xí)題得分向量為

average（NUi）表示同第i個(gè)學(xué)生相似學(xué)生答題正確概率向量的平均值，p取值0 到1，用于調(diào)節(jié)相似學(xué)生對(duì)于習(xí)題得分向量的影響力，p為1時(shí)，習(xí)題得分向量完全退化為答題正確概率向量。向?qū)W生推薦預(yù)測(cè)得分在某個(gè)區(qū)間的習(xí)題，對(duì)于預(yù)測(cè)得分過(guò)低甚至為0 的習(xí)題和學(xué)習(xí)內(nèi)容，本文認(rèn)為這樣的內(nèi)容學(xué)生完全沒(méi)有掌握，應(yīng)重新學(xué)習(xí)而不是直接做題。

3 實(shí)驗(yàn)

3.1 數(shù)據(jù)集

使用兩個(gè)公開(kāi)數(shù)據(jù)集ASSISTments 2009（以下簡(jiǎn)稱ASSIST）、STATICS 2011（以下簡(jiǎn)稱STATICS）和一個(gè)本文數(shù)據(jù)集來(lái)驗(yàn)證習(xí)題。ASSIST 收集自ASSISTments 教育平臺(tái)2009 年數(shù)據(jù)，為高中數(shù)學(xué)題，對(duì)應(yīng)124個(gè)知識(shí)點(diǎn)，包含了4217 名學(xué)生共525535 次答題記錄。STATICS 收集自大學(xué)工程力學(xué)課程，對(duì)應(yīng)1223 個(gè)知識(shí)點(diǎn)，包含了333 個(gè)學(xué)生共189927 條答題記錄。本文數(shù)據(jù)集來(lái)自本校已使用多年的C++網(wǎng)絡(luò)習(xí)題平臺(tái)，共1374 道習(xí)題，對(duì)應(yīng)173 個(gè)C++知識(shí)點(diǎn)，采集自2018 年和2019 年不同專業(yè)532 人共32843條答題記錄。為使ASSIST、STATICS 數(shù)據(jù)規(guī)模同本文數(shù)據(jù)集接近，從ASSIST、STATICS中分別抽取一段時(shí)間內(nèi)數(shù)據(jù)，處理后所有數(shù)據(jù)集具體信息見(jiàn)表1。數(shù)據(jù)分布上，ASSIST 更接近本文數(shù)據(jù)集，將其稱為稀疏數(shù)據(jù)集，將STATICS稱為稠密數(shù)據(jù)集。

表1 所有數(shù)據(jù)集信息

3.2 系統(tǒng)實(shí)現(xiàn)細(xì)節(jié)

訓(xùn)練在i7 CPU、16 G 內(nèi)存、GTX 2060 顯卡的機(jī)器上進(jìn)行，使用PyTorch 框架實(shí)現(xiàn)，使用Adam 優(yōu)化器，學(xué)習(xí)率0.001，迭代次數(shù)100 次。數(shù)據(jù)集根據(jù)學(xué)生按照8∶2 的比例分為訓(xùn)練集和測(cè)試集。

本文數(shù)據(jù)集中包括以下幾項(xiàng)特征：練習(xí)題ID，對(duì)應(yīng)的一個(gè)主要知識(shí)點(diǎn)ID，對(duì)應(yīng)的多個(gè)附屬知識(shí)點(diǎn)ID，學(xué)生答題結(jié)果。習(xí)題的特征包括習(xí)題對(duì)應(yīng)的主要知識(shí)點(diǎn)ID、位置信息。答案的特征包括回答正確與否（取值0 或1）、位置信息。先預(yù)處理數(shù)據(jù)集，得到每個(gè)學(xué)生對(duì)應(yīng)答題序列，此時(shí)只使用主要知識(shí)點(diǎn)ID，將此序列轉(zhuǎn)換為知識(shí)點(diǎn)獨(dú)熱（one-hot）編碼和答案獨(dú)熱編碼。模型一次并行處理windows_size 個(gè)時(shí)刻數(shù)據(jù)，舍棄所有做題數(shù)目不超過(guò)windows_size 的學(xué)生數(shù)據(jù)，超過(guò)windows_size 的分拆后分批處理，分拆后不足window_size部分舍棄。

所有特征各自嵌入表示降為d_model維，再求和。由于習(xí)題和答案位置一一對(duì)應(yīng)，兩者共享同樣的位置編碼。位置編碼用于保留因并行處理丟失的序列信息，即學(xué)生做題先后順序，反映學(xué)生知識(shí)技能動(dòng)態(tài)掌握程度。

答案的輸入比習(xí)題的輸入推遲一個(gè)時(shí)刻，即在一次訓(xùn)練迭代中，編碼器輸入window_size個(gè)時(shí)刻的習(xí)題信息，解碼器輸入只有win?dow_size-1 個(gè)時(shí)刻的答案信息，最后輸出win?dow_size個(gè)r_，使用上三角掩膜避免模型在使用習(xí)題信息預(yù)測(cè)t時(shí)刻答題正確概率時(shí)參考t時(shí)刻之后的答案信息。訓(xùn)練時(shí)候使用最小化二分類交叉熵?fù)p（Binary Cross Entropy Loss）作為損失函數(shù)，計(jì)算輸出和標(biāo)簽的誤差并執(zhí)行反向傳播，優(yōu)化模型參數(shù)。推理時(shí)只關(guān)注最后時(shí)刻輸出的r_。

3.3 超參數(shù)選擇實(shí)驗(yàn)

超參數(shù)n是解碼器/編碼器層堆疊數(shù)（多頭自注意力模塊重復(fù)次數(shù)），SAINT 取4，分別設(shè)置n為2 和4 進(jìn)行消融測(cè)試。深度知識(shí)追蹤一般使用準(zhǔn)確率（Accuracy，ACC）和受試者工作特性（ROC）曲線下面積（Area Under the Curve，AUC），ACC為正確預(yù)測(cè)結(jié)果占全部結(jié)果的百分比，AUC被定義為ROC 曲線與下坐標(biāo)軸圍成的面積，兩個(gè)指標(biāo)均是越高，說(shuō)明模型性能越好，具體計(jì)算方法見(jiàn)SAINT/SAINT+論文。結(jié)果見(jiàn)表2及圖2。

表2 超參數(shù)n的不同取值對(duì)ACC和AUC的影響

圖2 超參數(shù)n的不同取值對(duì)ACC和AUC的影響

n為4 時(shí)，在STATICS 上AUC和ACC均升高，表現(xiàn)變好，ASSIST 和本文數(shù)據(jù)集上AUC和ACC均降低，表現(xiàn)變差。n為2 時(shí)，在STATICS上表現(xiàn)變差，ASSIST和本文數(shù)據(jù)集上表現(xiàn)變好。本文認(rèn)為n為4 更適合STATICS 類的稠密數(shù)據(jù)集，n為2更適合ASSIST和本文數(shù)據(jù)集類的稀疏數(shù)據(jù)集。本文系統(tǒng)實(shí)際應(yīng)用中n取2。

超參數(shù)d_model是每個(gè)編碼器層或解碼器層輸入或輸出的維數(shù)，SAINT 取256 和512，分別設(shè)置d_model 為64、128 和256 進(jìn)行消融測(cè)試。結(jié)果見(jiàn)表3及圖3。

表3 超參數(shù)d_model的不同取值對(duì)ACC和AUC的影響

圖3 超參數(shù)d_model的不同取值對(duì)ACC和AUC的影響

縱向比較，隨著d_model 取值增大，在STATICS 上ACC和AUC均升高。在ASSIST和本文數(shù)據(jù)集上，當(dāng)d_model 是64 或128 時(shí)，ACC和AUC 差別不大，甚至在d_model 為256 時(shí)，ACC和AUC 均出現(xiàn)下降。橫向比較，d_model 為256或128 時(shí)，在STATICS 上ACC和AUC均升高，表現(xiàn)變好；ASSIST 和本文數(shù)據(jù)集上ACC和AUC均降低，表現(xiàn)變差。d_model為64在STATICS上表現(xiàn)變差，ASSIST 和本文數(shù)據(jù)集上表現(xiàn)變好。我們認(rèn)為d_model 為64 即可處理ASSIST 和本文數(shù)據(jù)集類的稀疏數(shù)據(jù)集，更高的取值適合STATICS 類的稠密數(shù)據(jù)集。本文系統(tǒng)實(shí)際應(yīng)用中d_model取64。

超參數(shù)window_size 表示模型一次處理幾個(gè)時(shí)刻的數(shù)據(jù)，本文取100。超參數(shù)h表示多頭注意力機(jī)制頭（head）數(shù)，SAINT 中取8，本文取2，即64 維（d_model 維）的QKV 被拆分成32 維進(jìn)行注意力計(jì)算。訓(xùn)練時(shí)的超參數(shù)batch_size，表示模型在一個(gè)時(shí)刻處理幾批數(shù)據(jù)，本文取16。所有超參數(shù)最終取值見(jiàn)表4。

表4 所有超參數(shù)及取值

3.4 同其他知識(shí)追蹤模型比較實(shí)驗(yàn)

本實(shí)驗(yàn)使用Paper with code 網(wǎng)站上開(kāi)源的DKT、SAKT 和SAINT 在PyTorch 下實(shí) 現(xiàn)，將三種數(shù)據(jù)集在四種模型上重新訓(xùn)練測(cè)試。評(píng)測(cè)指標(biāo)為ACC、AUC和RMSE（Root Mean Squared Er?ror）。RMSE被定義為預(yù)測(cè)值與真實(shí)值的均方根誤差，其值越低，說(shuō)明模型性能越好。結(jié)果見(jiàn)表5及圖4。

圖4 DKT、SAKT、SAINT和SAINT-Lite在ACC、AUC、RMSE上的得分對(duì)比

表5 SAINT-Lite同DKT、SAKT和SAINT的對(duì)比

在ACC和AUC這兩個(gè)評(píng)測(cè)指標(biāo)上，SAINTLite 在ASSIST 和本文數(shù)據(jù)集下表現(xiàn)比DKT 和SAKT 要好，比SAINT 略差，但在STATICS 下表現(xiàn)較差，僅比DKT 稍好，比同樣使用自注意力機(jī)制的SAKT 和SAINT 均差。在RMSE 這個(gè)指標(biāo)上，SAINT-Lite 在ASSIST 和本文數(shù)據(jù)集下表現(xiàn)最好，在STATICS 下表現(xiàn)同樣較差，僅比DKT稍好。我們認(rèn)為這是由于STATICS 知識(shí)點(diǎn)較多，簡(jiǎn)化模型結(jié)構(gòu)使得系統(tǒng)不能很好擬合這種復(fù)雜數(shù)據(jù)，但是對(duì)于小數(shù)據(jù)集，裁剪后的結(jié)構(gòu)也可以獲得較好的性能，其結(jié)果是可信的，可以用于教學(xué)預(yù)警和后續(xù)的習(xí)題推薦。

3.5 個(gè)性化習(xí)題推薦實(shí)驗(yàn)

一些論文或者系統(tǒng)使用答題正確率來(lái)衡量推薦習(xí)題質(zhì)量，本文認(rèn)為這不符合實(shí)際，極端情況下推薦最簡(jiǎn)單的習(xí)題必然都是正確的。本文通過(guò)判斷答題正確率是否符合期望來(lái)驗(yàn)證習(xí)題推薦效果，將習(xí)題推薦難度平均分為五個(gè)區(qū)間，使用三個(gè)測(cè)試集中每個(gè)學(xué)生的200次答題記錄推薦50 題，并計(jì)算推薦習(xí)題的實(shí)際答題正確率，結(jié)果見(jiàn)表6。

表6 不同難度區(qū)間推薦習(xí)題的實(shí)際答題正確率

表6數(shù)據(jù)表明，基于STATICS訓(xùn)練模型的習(xí)題推薦有部分實(shí)際正確率未落在對(duì)應(yīng)區(qū)間內(nèi)，再次說(shuō)明本文使用的解碼器/編碼器堆疊層數(shù)2不能很好擬合STATICS 這種知識(shí)點(diǎn)較多的復(fù)雜數(shù)據(jù)，而基于ASSIST 和本文數(shù)據(jù)集訓(xùn)練模型的習(xí)題推薦所有實(shí)際正確率都落在對(duì)應(yīng)區(qū)間內(nèi)，表明實(shí)際應(yīng)用中SAINT-Lite-CF 的推薦結(jié)果是可信的。

3.6 實(shí)際應(yīng)用

本校C++一學(xué)期共16 周課程，從第2 周開(kāi)始，除共同課后作業(yè)外，向每個(gè)學(xué)生進(jìn)行個(gè)性化習(xí)題推薦，推薦區(qū)間為［0.6，0.8）。統(tǒng)計(jì)全體學(xué)生每周所有習(xí)題的平均正確率，結(jié)果見(jiàn)圖5。

圖5 全體學(xué)生16周內(nèi)所有習(xí)題的平均正確率

橫軸為周次，縱軸為平均正確率，圖中出現(xiàn)兩次較明顯的平均正確率下降，分別是第2周和第8 周，原因是第1 周主要復(fù)習(xí)C 語(yǔ)言內(nèi)容，第2 周開(kāi)始教學(xué)C++新內(nèi)容，第8 周和第9 周開(kāi)始教學(xué)繼承和多態(tài)。這兩周均有大量重點(diǎn)難點(diǎn)內(nèi)容，學(xué)生初期掌握不好，通過(guò)個(gè)性化習(xí)題推薦和教學(xué)預(yù)警后教師針對(duì)薄弱知識(shí)點(diǎn)的補(bǔ)強(qiáng)，提升了學(xué)生的平均正確率，其效果反映在預(yù)測(cè)和多次真實(shí)考試中，最后的期終考試也取得了師生滿意的成績(jī)。

4 結(jié)語(yǔ)

本文提出的SAINT-Lite-CF 方法在C++教學(xué)實(shí)踐中起到了很好的輔助作用，幫助學(xué)生和教師快速定位薄弱知識(shí)點(diǎn)，進(jìn)行教學(xué)預(yù)警和個(gè)性化習(xí)題推薦。受平臺(tái)限制，SAINT-Lite 使用的特征沒(méi)有考慮時(shí)間對(duì)知識(shí)遺忘的影響，后續(xù)可以改進(jìn)本校C++網(wǎng)絡(luò)習(xí)題平臺(tái)，收集學(xué)生做題相關(guān)的時(shí)間信息用于訓(xùn)練，提高模型對(duì)學(xué)生知識(shí)水平的擬合和表達(dá)能力。本文方法應(yīng)用協(xié)同過(guò)濾較簡(jiǎn)單，后續(xù)可以考慮更復(fù)雜的個(gè)性化習(xí)題推薦算法。本文使用2018 年和2019 年積累的數(shù)據(jù)來(lái)預(yù)測(cè)2020 年，后續(xù)會(huì)擴(kuò)充數(shù)據(jù)集，繼續(xù)輔助C++教學(xué)。