Nghiên cứu Bayesian Knowledge Tracing xây dựng hệ thống trắc nghiệm thích nghi

Abstract

Hiện nay, hình thức thi trắc nghiệm đang được phát triển rộng rãi và thể hiện được khả năng ứng dụng cao của mình. Có nhiều hình thức thi trắc nghiệm đã ra đời. Tất cả các hình thức trắc nghiệm này đều nhằm mục đích đánh giá trình độ, năng lực cũng như kết quả học tập của người học. Hầu hết các hệ thống TNTN hiện nay thường sử dụng Lý thuyết đáp ứng câu hỏi (IRT) để đánh giá mức độ năng lực người học. Tuy nhiên IRT chỉ cho phép đánh giá theo chiều ngang đối với miền kiến thức cần đánh giá. Một mô hình mới phát triển và trở nên phổ biến gần đây đó là mô hình BKT. BKT cho phép đánh giá mức độ kiến thức, kỹ năng của người học đối với từng phân vùng kiến thức nhỏ nhưng lại không tính toán đến mức độ năng lực người học trên toàn miền kiến thức (đánh giá theo chiều sâu). Luận văn chủ yếu nghiên cứu việc kết hợp 2 mô hình TNTN là IRT và BKT lại với nhau để có một mô hình TNTN cải tiến có thể đánh giá thí sinh theo cả chiều sâu và chiều rộng của miền kiến thức. Sau đó sẽ tiến hành cài đặt thuật toán và ứng dụng để triển khai cho các hệ thống thi trắc nghiệm trong thực tế.