[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

本發明屬于教育數據挖掘領域，提供一種面向長周期測評的認知診斷方法，包括：(1)構建面向長周期測評的認知診斷框架；(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。本發明方法分別滿足不存在長周期測評數據積累的單次教育測量需求和有長周期測評數據積累的教育診斷需求，較好的解決了教育數據形式變化帶來的新問題。

技術領域

本發明屬于教育數據挖掘領域，具體地說涉及一種面向長周期測評的認知診斷方法，用于智能診斷學習者的知識技能掌握程度。

背景技術

認知診斷理論作為新一代的教育測量理論，通過對學習者的認知加工過程進行建模，并挖掘學習者的潛在能力和技能狀態，能夠對學習者的薄弱知識技能進行及時反饋。精準的技能診斷結果也在許多的教育情境中得到應用，包括助力教師因材施教與學習者的個性化學習與資源推薦。

認知診斷模型是實現認知診斷的重要手段，目前已經越來越多的研究者致力于認知診斷模型的開發。傳統的認知診斷模型通過不同的學習假設，對學生的作答過程進行概率建模，進而對學習者的技能掌握狀態進行診斷。一方面，基于學習者的技能狀態，一般可分為潛在的特征能力和特定的知識技能兩種情況。基于學習者的潛在特征能力進行建模的認知診斷模型是以項目反應理論為代表，其特征是假設學習者的作答結果是受到學習者的潛在能力以及試題難度的影響，并將學生潛在的認知能力作為為連續參數進行建模。另一方面，基于特定的知識技能狀態進行建模的認知診斷模型以連接的確定性輸入噪聲“與”門模型為代表模型，該模型將學生的認知狀態建模為一個二元離散向量，向量的每個維度代表學生對某一特定知識能力的掌握程度，假設學習者只有掌握試題考察的所有知識點，才能答對該試題。傳統的認知診斷根據學習者的答題記錄來評估學生的技能、知識點掌握程度，綜合分析學生學習能力和認知水平。雖然認知診斷理論的出現已經足以滿足在理想狀況下對學生的教育診斷需求，但教育測量模型仍有長足的改進空間。例如，主要與概率論相結合的CDT存在現實應用場景魯棒性較低、可適用場景單一(局限于單次靜態的考試)、存在缺失值的教育數據難以處理、教育數據總體利用率低下等僅在概率論的范疇內較難解決問題。受益于新一代信息科技的蓬勃發展，困擾著基于概率論的認知診斷難題在擁抱了以深度學習為代表的新一代信息技術之后迎刃而解。

為了利用認知診斷過程中試題的文本信息，相關研究者實現了基于神經網絡的IRT模型；為使得主觀問題的相關模糊能力量化成可能，研究者利用模糊集的相關概念實現認知診斷；在認知診斷與神經網絡相結合的過程中，大量的研究工作更多地關注于提高學生正確答案的預測能力，而沒有對認知診斷的中間產品(即學生技能掌握狀態)進行深入的探索。雖然Neural CDM在診斷學生技能掌握情況方面也取得了一些成績，但這些結果有些含糊，所有學生的技能掌握狀態區分度較低，與實際情況不相符合。綜上所述，雖然深度學習技術在認知診斷方面顯現出獨特的優勢，但是如何解決深度學習的“黑盒”特性，增強診斷過程的可解釋性成為了亟待解決的問題之一。

深度學習技術在認知診斷方面顯現出獨特的優勢，但由于當前CDA更多的關注于學生的靜態認知診斷狀況，即采用橫向認知診斷僅通過單次測試對學生進行診斷，導致教育測量依據僅局限于當前時刻的作答數據，忽視了學生長周期測評中的過程性數據。隨著在線教育平臺數據在總體教育數據占比逐年上升，歷史作答記錄被基于深度學習的CDA所忽視這一問題，愈發嚴重亟需解決。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種面向長周期測評的認知診斷方法，分別滿足不存在長周期測評數據積累的單次教育測量需求和有長周期測評數據積累的教育診斷需求，并且覆蓋了單次測試和多次測試的診斷場景，且都適用于傳統教育數據集和線上教育數據集，較好的解決了教育數據形式變化帶來的新問題。

本發明的目的是通過以下技術措施實現的。