[發明專利]一種基于Bloom分類法的課程教學案例自動評估方法

在審

• 申請號: 202310122823.0
• 申請日: 2023-02-16
• 公開（公告）號: CN116361454A
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 董榮勝;徐杰;李鳳英
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F16/36;G06F40/242;G06N3/0464;G06Q50/20
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 楊雪梅

1.一種基于Bloom分類法的課程教學案例自動評估方法，其特征在于，包括如下步驟：

步驟1、收集來自待評估計算機學科課程的教學案例，包括教材和教案，整理成包含若干個教學案例的文檔；

整理時將案例中代表本節教學目標的內容抽取成句子，將代表教學目標的句子作為案例自動分類的數據文本，對原始的教材和教案內容進行篩選，刪除案例中的非文本內容和含有較多公式符號的文本；

步驟2、將整理好的教學案例按照Bloom分類法動詞詞典進行標注，動詞詞典包含認知過程維度和知識維度中的關聯詞，關聯詞為動詞，依據教學案例中與關聯詞最相關的詞語和內容，將案例劃分到認知過程維度和知識維度下，然后將標注好的教學案例整理成規范數據集格式，內容包含Bloom分類法標簽和案例中摘取的教學目標；

步驟3、搭建基于Bloom分類法的深度學習課程案例評估模型；

步驟4、利用步驟2整理好的案例數據集對步驟3所搭建的評估模型進行訓練，輸入課程案例數據集，通過損失函數計算批數據得到loss，使用Adam梯度下降算法進行更新，經過迭代訓練epoch次后，得到訓練好的評估模型；

步驟5、將待評估課程教學案例數據集輸入到步驟4訓練好的評估模型中進行評估；

步驟6、輸出評估結果，得到待評估課程教學案例數據集的精確分類結果，結果包含宏準確率和宏F1值，其中宏準確率計算公式為：

宏F1值計算公式為：其中，K為類別數，P_i代表準確率，P_macro表示宏準確值，R_macro表示宏召回值。

2.根據權利要求1所述的課程教學案例自動評估方法，其特征在于：所述評估模型包括預訓練語言模型和卷積神經網絡的分類模型，由依次連接的主干結構、文本卷積結構和降采樣結構組成，具體由輸入層、預訓練層、詞嵌入層、文本卷積層和輸出層組成；輸入層Input的輸出端連接編碼器模塊的輸入端，編碼器模塊的輸出端連接詞嵌入層的輸入端，詞嵌入層的輸出端連接文本卷積層的輸入端，文本卷積層的輸出端連接輸出層的輸入端。

3.根據權利要求2所述的課程教學案例自動評估方法，其特征在于：所述預訓練語言模型為使用中文分詞的預訓練模型，模型中加入前分詞操作，識別中文詞語并進行切分；卷積神經網絡為使用n-gram特征表示的卷積神經網絡，網絡利用包含語義信息的詞向量進行特征提取及分類。

4.根據權利要求2所述的課程教學案例自動評估方法，其特征在于：所述編碼器模塊由多頭自注意力模塊、第一層和第二層殘差模塊，以及兩個前饋網絡模塊組成；多頭自注意力模塊的輸入端形成預訓練層的輸入端，多頭自注意力模塊的輸出端連接第一層殘差模塊的輸入端，第一層殘差模塊的輸出端連接兩個前饋網絡模塊的輸入端，兩個前饋網絡的輸出端連接第二層殘差模塊的輸入端，第二層殘差模塊的輸出端形成預訓練層的輸出端。

5.根據權利要求2所述的課程教學案例自動評估方法，其特征在于：所述文本卷積層由卷積核、特征矩陣和全連接層組成；卷積核的輸入端形成文本卷積層的輸入端，卷積核與輸入數據進行卷積操作，得到特征矩陣，計算后的特征矩陣送到全連接層的輸入端，全連接層將特征矩陣進行池化操作后，將結果送入全連接層的輸出端，全連接層的輸出端使用SoftMax激活函數進行計算，SoftMax激活函數的輸出形成文本卷積層的輸出端，SoftMax激活函數的計算公式為其中C為輸出節點個數。

6.根據權利要求5所述的課程教學案例自動評估方法，其特征在于：所述池化層的輸入端形成降采樣結構的輸入端，池化層中的最大池化函數抽取特征向量中的最大值來表示特征，并將提取的特征進行級聯，輸入到池化層的輸出端，最大池化函數的計算公式為c為當前滑動窗口中的特征向量，表示特征向量中的最大值，池化層的輸出端連接全連接層的輸入端，全連接層使用SoftMax激活函數進行歸一化處理，得到概率分布，輸入到全連接層的輸入端，全連接層的輸出端形成降采樣結構的輸出端。