[發明專利]一種面向長周期測評的認知診斷方法

在審

• 申請號: 202210630251.2
• 申請日: 2022-06-06
• 公開（公告）號: CN115205072A
• 公開（公告）日: 2022-10-18
• 發明（設計）人: 黃濤;耿晶;楊凱;田剛鴻;楊華利;胡盛澤;張浩;劉三女牙;楊宗凱
• 申請（專利權）人: 華中師范大學
• 主分類號: G06Q50/20
• 分類號: G06Q50/20;G06N3/04;G06N3/08
• 代理公司: 武漢天力專利事務所 42208
• 代理人: 吳曉穎

1.一種面向長周期測評的認知診斷方法，其特征在于該方法包括以下步驟：

(1)構建面向長周期測評的認知診斷框架；包括特征提取、特征融合、面向單次測評的兩級增強認知診斷建模與融合時序特征的面向多次測評的認知診斷建模；

(2)融合提取到的學生特征、試題特征、交互特征和時序特征，獲得最終的輸入表征向量；

(3)利用神經網絡結構建模診斷算法，將步驟(2)獲得的最終輸入表征向量作為網絡結構的輸入，輸出學生作答結果；診斷算法由神經網絡結構與損失函數構成；

(4)收集數據集，訓練網絡結構，預測學生作答反應；

(5)根據具體應用場景，設計認知診斷系統獲得學生的診斷報告。

2.根據權利要求1所述的面向長周期測評的認知診斷方法，其特征在于步驟(1)所述的“構建面向長周期測評的認知診斷框架”具體包括：

(1-1)特征提取，包括提取學生特征、試題特征、交互特征和時序特征，學生特征包括試題掌握程度，試題特征包括題目難度、區分度和Q矩陣，交互特征包括猜測因子和失誤因子，時序特征包括時間戳，即試題的作答時間；

(1-2)面向單次測評的兩級增強認知診斷建模，從學生對試題的熟練程度和難度入手，計算出學生對測試所需的知識點掌握程度，然后通過失誤門和猜測門進行過濾，矯正學生對試題的考察技能掌握程度，預測學生在測試上取得的最終得分；

(1-3)在面向單次測評的兩級增強認知診斷模型基礎上，融合提取到的時序特征建立面向多次測評的認知診斷建模，用以標注不同時間節點的測評對最終診斷結果的權重。

3.根據權利要求1所述的面向長周期測評的認知診斷方法，其特征在于步驟(2)中融合特征的具體方法包括：

(2-1)通過傳統的IRT模型整合學生特征中試題掌握程度和試題特征中的題目難度、區分度和Q矩陣；

(2-2)將步驟(2-1)中整合后特征再融合猜測參數和失誤參數得到面向單次測評的特征；

(2-3)將步驟(2-2)中得到的面向單次測評的特征融合時序特征得到最終的輸入表征向量。

4.根據權利要求1所述的面向長周期測評的認知診斷方法，其特征在于步驟(3)中神經網絡結構建模診斷算法的具體包括：

(3-1)選擇合適的網絡結構，基于神經網絡的強擬合能力對學生和試題雙方進行擬合，再結合人工建模的參數估計的方式構建網絡結構；

(3-2)隨機初始化參數，包括初始化學生的試題掌握程度、初始化試題的難度和初始化猜測參數和失誤參數；

(3-3)應用深度殘差網絡，在構建神經網絡的過程中引入殘差塊，使得模型可以加強輸入；

(3-4)采用實時計算各權重下誤差梯度的方法，做梯度下降減小損失函數，以優化參數。

5.根據權利要求1所述的面向長周期測評的認知診斷方法，其特征在于步驟(4)中訓練網絡結構的具體方法包括：

(4-1)收集三個真實世界的數據集，即PISA2015、Math和Assist；

(4-2)在反饋神經網絡結構中，選擇交叉熵損失函數作為損失函數來度量預測值與真值之間的損失；

(4-3)執行反向傳播，選擇實時計算各權重下誤差梯度方法用以更新參數；

(4-4)選擇最優化算法optimizer.step()和反向傳播算法backward()最小化損失函數。

6.根據權利要求1所述的面向長周期測評的認知診斷方法，其特征在于步驟(5)中設計的認知診斷系統包括：

用戶管理模塊，用于實現用戶單次上傳、批量上傳和上傳記錄查詢；

作答數據預處理模塊，對傳入的原始信息進行數據清洗和時序權重標注服務；

認知診斷呈現模塊，使用面向單次測評的兩級增強認知診斷模型與融合時序特征的面向多次測評的認知診斷模型對用戶輸入的作答信息和相應的標注進行融合學習，輸出用戶的試題掌握程度的模擬矩陣以及對預測答題的最終結果。