[發(fā)明專利]基于在線學(xué)習(xí)行為和深度神經(jīng)網(wǎng)絡(luò)的元認知能力評估模型

有效

• 申請?zhí)枺?/td>: 202110540080.X
• 申請日: 2021-05-18
• 公開（公告）號: CN113408852B
• 公開（公告）日: 2022-04-19
• 發(fā)明（設(shè)計）人: 程艷;蔡盈盈;陳豪邁;鄒海鋒
• 申請（專利權(quán)）人: 江西師范大學(xué)
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/20;G06N3/08
• 代理公司: 江西省專利事務(wù)所 36100
• 代理人: 殷勇剛;徐蕊

1.一種基于在線學(xué)習(xí)行為和深度神經(jīng)網(wǎng)絡(luò)的元認知能力評估模型，其特征在于：所述的基于在線學(xué)習(xí)行為和深度神經(jīng)網(wǎng)絡(luò)的元認知能力評估模型包括按順序進行的下列步驟：

1)構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型的S1階段：以融合自注意力機制的雙向門控循環(huán)單元構(gòu)成雙通道結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)模型；

2)獲取在線學(xué)習(xí)行為數(shù)據(jù)并進行預(yù)處理的S2階段：選定一門在線學(xué)習(xí)課程，首先從在線學(xué)習(xí)平臺中獲取學(xué)習(xí)者的基本行為數(shù)據(jù)，并按照平臺記錄的行為發(fā)生時間處理成行為序列；然后，設(shè)計爬蟲程序獲取討論區(qū)的交互文本數(shù)據(jù)，對數(shù)據(jù)進行了去除特殊字符與停用詞的預(yù)處理操作；此外，考慮到交互文本中蘊含的學(xué)習(xí)者認知水平特征會對行為序列產(chǎn)生影響，使用布魯姆認知分類理論對交互文本進行人工分析，獲取學(xué)習(xí)者的認知水平；最后，將數(shù)據(jù)集按照4:1的比例劃分為訓(xùn)練集X_(train)和測試集X_(test)；

3)對在線學(xué)習(xí)行為數(shù)據(jù)進行標(biāo)簽標(biāo)注的S3階段：有監(jiān)督的深度神經(jīng)網(wǎng)絡(luò)需要有標(biāo)簽的數(shù)據(jù)集，因此要對收集的在線學(xué)習(xí)行為數(shù)據(jù)進行標(biāo)簽標(biāo)注；通過對學(xué)習(xí)者發(fā)放具有信效度的元認知能力調(diào)查問卷，基于問卷分數(shù)將學(xué)習(xí)者分為“元認知能力較高者”和“元認知能力較低者”兩個層次，并對應(yīng)學(xué)習(xí)者的行為數(shù)據(jù)進行標(biāo)簽標(biāo)注；

4)詞向量訓(xùn)練的S4階段：深度神經(jīng)網(wǎng)絡(luò)的輸入是一組或多組多維特征，針對提取的交互討論文本數(shù)據(jù)以及分析得出的認知水平特征，采用Word2Vec詞向量工具對其進行訓(xùn)練，從而得到對應(yīng)的交互文本向量和認知水平向量；針對行為序列數(shù)據(jù)，采用Item2Vec算法對其進行編碼，從而得到對應(yīng)的行為序列向量；

5)深度神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的S5階段：采用不同的模型參數(shù)，將訓(xùn)練集X_(train)分小批量多次輸入到步驟1)所構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)模型中，對構(gòu)建的模型進行訓(xùn)練；其中BiGRU中的更新門和重置門使用的是‘sigmoid’激活函數(shù)，在模型的輸出時，使用的激活函數(shù)是‘sigmoid’，模型的優(yōu)化器選擇的是‘Adam’，使用的損失函數(shù)為交叉熵損失函數(shù)；

6)深度神經(jīng)網(wǎng)絡(luò)模型測試的S6階段：將上述步驟2)得到的測試數(shù)據(jù)集X_(test)輸入到步驟5)已經(jīng)訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)模型中，獲得學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)的二分類結(jié)果；

7)學(xué)習(xí)者元認知能力的評估S7階段：將上述步驟6)獲得的二分類結(jié)果即為元認知能力所屬層次的概率p，以中間值0.5為界限將學(xué)習(xí)者元認知能力層次分為元認知能力較高者和元認知能力較低者。

2.根據(jù)權(quán)利要求1所述的基于在線學(xué)習(xí)行為和深度神經(jīng)網(wǎng)絡(luò)的元認知能力評估模型，其特征在于：在步驟2)中，根據(jù)所述布魯姆認知分類理論分析得到的認知水平具體表現(xiàn)為：記憶、理解、應(yīng)用、分析、評價和創(chuàng)造。

3.根據(jù)權(quán)利要求1所述的基于在線學(xué)習(xí)行為和深度神經(jīng)網(wǎng)絡(luò)的元認知能力評估模型，其特征在于：在步驟4)中，將行為序列向量V與認知水平向量C進行融合得到更復(fù)雜特征的融合向量M，其融合方式即為向量的拼接，具體計算如下：

M＝contact(V,C)，

其中，contact表示向量的拼接。

4.根據(jù)權(quán)利要求1所述的基于在線學(xué)習(xí)行為和深度神經(jīng)網(wǎng)絡(luò)的元認知能力評估模型，其特征在于：在步驟7)中，對學(xué)習(xí)者元認知能力評估的效果衡量指標(biāo)計算方式為：

正確率(Pression)：

召回率(Recall)：

F1值(F1-Score)：

準(zhǔn)確率(Accuracy)：

TP(True Positive,簡稱TP)為該評估模型正確評估的正樣本數(shù)；

FP(False Positive，簡稱FP)為錯誤分類的正樣本數(shù)；

TN(True Negative,簡稱TN)表示正確分類的負樣本數(shù)；

FN(False Negative,簡稱FN)表示錯誤分類的負樣本數(shù)；

根據(jù)概率值p進行元認知能力分層時，具體原則是，當(dāng)概率值p0.5時，則屬于元認知較高者，當(dāng)概率值p≤0.5時則屬于元認知較低者。