[發(fā)明專利]基于學(xué)習(xí)者認(rèn)知反應(yīng)模型的認(rèn)知診斷方法

在審

• 申請?zhí)枺?/td>: 202110122198.0
• 申請日: 2021-01-28
• 公開（公告）號: CN112765830A
• 公開（公告）日: 2021-05-07
• 發(fā)明（設(shè)計）人: 王煉紅;劉暢;周熊;帥智康
• 申請（專利權(quán)）人: 湖南大學(xué)
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F17/16;G06F17/18
• 代理公司: 成都方圓聿聯(lián)專利代理事務(wù)所(普通合伙) 51241
• 代理人: 李鵬

本發(fā)明公開了基于學(xué)習(xí)者認(rèn)知反應(yīng)模型的認(rèn)知診斷方法。所述方法通過認(rèn)知反應(yīng)模型對學(xué)習(xí)者的認(rèn)知情況進(jìn)行評估和/或預(yù)測；其中，所述認(rèn)知反應(yīng)模型包括學(xué)習(xí)者能力水平，學(xué)習(xí)者努力程度，學(xué)習(xí)者知識水平，知識特性矩陣，試題特性矩陣，知識弱項參數(shù)，考察矩陣及結(jié)果矩陣，其中，所述能力水平與所述努力程度之間存在互相補(bǔ)償關(guān)系。相對于現(xiàn)有技術(shù)，本發(fā)明的認(rèn)知診斷方法具有更高的精準(zhǔn)度。

技術(shù)領(lǐng)域

本發(fā)明涉及認(rèn)知診斷方法的技術(shù)領(lǐng)域。

背景技術(shù)

在教育信息化的時代背景下，在線學(xué)習(xí)平臺的推廣應(yīng)用，使得學(xué)習(xí)者可以突破時間與空間的限制，更加方便、快捷的獲取知識。然而，面對平臺上大量的學(xué)習(xí)資源，如何評估學(xué)習(xí)者的知識水平，為學(xué)習(xí)者提供匹配的教育資源已經(jīng)成為當(dāng)前在線學(xué)習(xí)面臨的一個嚴(yán)峻問題。認(rèn)知診斷模型使用數(shù)學(xué)模型來描述學(xué)習(xí)者知識水平、試題知識特性與學(xué)習(xí)者的試題作答結(jié)果之間的潛在作用結(jié)構(gòu)，因此通過相應(yīng)的求解算法，可以通過學(xué)習(xí)者的試題作答結(jié)果以及試題的部分知識特性診斷學(xué)習(xí)者的知識水平。根據(jù)診斷結(jié)果可以對學(xué)習(xí)者展開個性化教育資源推薦，節(jié)約學(xué)習(xí)者的時間成本。

基礎(chǔ)的認(rèn)知診斷模型主要有項目反應(yīng)理論(Item Response Theory,IRT)、確定輸入噪音與門模型(Deterministic Inputs,Noisy and Gate Model,DINA)、融合模型(Fusion Model)、屬性層級模型(Attribute Hierarchy Model,AHM)等。在這些模型基礎(chǔ)上，部分現(xiàn)有技術(shù)向DINA模型中引入“能力”這一高階特征,將學(xué)習(xí)者的知識水平看作是其能力水平在低維的投影，從而構(gòu)建了高階的DINA模型(Higher-order DINA Model，HO-DINA)，或?qū)INA模型進(jìn)行擴(kuò)展，開發(fā)了適用于多級評分場景的P-DINA模型。

在先前的諸多模型中，對學(xué)習(xí)者知識水平的診斷結(jié)果都是二元類型的，即只有掌握和未掌握兩種狀態(tài)。針對該問題，部分現(xiàn)有技術(shù)基于模糊集合理論，對學(xué)習(xí)者知識水平進(jìn)行模糊化，提出了Fuzzy-CDF模型。Fuzzy-CDF模型對知識水平的診斷結(jié)果是介于0、1之間的連續(xù)值，更加細(xì)粒度的呈現(xiàn)了診斷結(jié)果。進(jìn)一步，部分現(xiàn)有技術(shù)還在Fuzzy-CDF模型的基礎(chǔ)上通過引入以下假設(shè)：學(xué)生掌握知識點的個數(shù)越多，正確作答的概率就越高；知識點的重要性和難度對學(xué)生的知識水平有著類似的影響，構(gòu)建了R-FuzzyCDF模型。另一些現(xiàn)有技術(shù)主張使用神經(jīng)網(wǎng)絡(luò)從數(shù)據(jù)中學(xué)習(xí)學(xué)生知識水平與試題知識特性之間的交互函數(shù)，構(gòu)建了具有良好泛化能力的NeuralCD模型。

盡管上述技術(shù)通過引入高階特征“能力”等，促使認(rèn)知診斷模型在解釋性、精確度等方面都有了明細(xì)的提升，但其仍然缺乏對學(xué)習(xí)者后天努力這一因素的考量，而學(xué)習(xí)者的知識水平不僅與學(xué)習(xí)者的先天能力水平相關(guān)，還與其后天努力程度極大相關(guān)，即努力程度與能力水平對學(xué)習(xí)者的知識水平應(yīng)當(dāng)有著類似的影響，并且這兩者在對知識水平的影響效果上還可以互相補(bǔ)償，因此，現(xiàn)有技術(shù)中的認(rèn)知診斷模型的評估準(zhǔn)確性等仍然不足。

發(fā)明內(nèi)容

本發(fā)明的目的在于提出了一種基于新的認(rèn)知診斷模型——認(rèn)知反應(yīng)模型(Cognitive and Response Model，CR模型)對學(xué)習(xí)者進(jìn)行認(rèn)知診斷的方法，其預(yù)測和/或評估準(zhǔn)確性高、精確性強(qiáng)。

本發(fā)明提供了如下的技術(shù)方案：

基于學(xué)習(xí)者認(rèn)知反應(yīng)模型的認(rèn)知診斷方法，其通過認(rèn)知反應(yīng)模型對學(xué)習(xí)者的認(rèn)知情況進(jìn)行評估和/或預(yù)測；其中，所述認(rèn)知反應(yīng)模型包括以下結(jié)構(gòu)：學(xué)習(xí)者的試題作答結(jié)果r由試題特性矩陣Ω、試題對知識點的考察矩陣Q以及學(xué)習(xí)者自身知識弱項參數(shù)l直接影響，其中，學(xué)習(xí)者自身的知識弱項參數(shù)l由學(xué)習(xí)者的知識水平α與試題特性矩陣Ω直接影響；其中，學(xué)習(xí)者的知識水平α由其自身能力水平θ、自身努力程度η以及知識特性矩陣Ψ直接影響；其中，所述知識弱項參數(shù)為體現(xiàn)試題考察的知識點的重要性及學(xué)習(xí)者對知識點的掌握程度對學(xué)習(xí)者正確作答的共同影響的參數(shù)；所述能力水平與所述努力程度之間存在互相補(bǔ)償關(guān)系。