人工智能与机器学习的快速发展加速了新一代信息技术与教育领域的融合进程,网络教育、在线学习成为了新常态。考虑到每个学生学习状况不同,教师在掌握学生整体学习情况之外,还需要针对每个学生的具体情况,进行个性化指导。另一方面,自适应学习同样需要学生基于自身知识点的掌握情况,有选择性地学习相关知识。其中,考试作为测验学生知识点掌握程度的重要手段之一,如何合理组卷尤为重要。知识点与题目之间的对应关系进行挖掘与识别,是合理组卷的重要一环。针对这一问题,本文首先研究知识点与试题的自动关联技术;在此基础上,结合学生在试题上的作答行为,分析学生知识点的整体掌握情况,预测学生在试题上的表现,支撑师生进行教育决策,从而使得教与学更具有针对性。本文的主要研究内容如下:第一,本文通过计算余弦距离来计算知识点与试题文本的相似度,利用Word2vec模型提取词义特征,获得词向量,采用向量空间上的相似度表示文本语义上的相似度,通过基于TF-IDF词频统计的相似度计算与基于Word2vec方法作对比,验证后者能快速发现知识点与试题的关系,从而为教育教学提供技术支持。第二,根据学生自适应学习中的作答行为,通过教育数据挖掘技术,研究群体学生对知识点的掌握情况,利用认知诊断模型,对学生的学习能力、认知水平等特征进行全面分析,结合DINA模型、项目反映理论、KNN协同过滤以及概率矩阵分解等方法模型,预测学生在试题上的表现,获得学生的认知状态。本文以学生的自适应学习为最终目标,探讨知识点与试题的关联方法。考虑到测试是评价学生网络学习效果的重要方式,也是计算机辅助教学的一种重要手段,首先研究了试题与知识点的自动关联。其次,从学生作答记录出发,通过教育数据挖掘技术研究学生知识点的掌握情况,利用认知诊断模型预测学生在试题上的表现。该研究对学生自适应开展线上学习有一定的促进作用。