一种使用属性交互进行精确认知诊断的方法

本发明涉及认知诊断领域，特别涉及一种实用属性交互进行精确认知诊断的方法。

背景技术：

1、认知诊断现已成为教育学、心理学和医学诊断中的一个基本问题。其主要目的是通过学生的学习历史来诊断学生的认知状态。比如说，学生做一系列练习(e1，e2，e3，e4)，并得到相应的分数(正确或错误)。认知诊断方法通过这一系列问题数据推断学生对概念的掌握程度。认知诊断方法可以进一步用于应用领域，例如自适应学习、教育游戏和学习资源推荐。

2、以前的认知诊断方法，如项目反应理论(irt)，多维项目反应理论(mirt)和噪声门模型(dina)，他们都是依赖于手工设计的交互功能，并需要该领域的专业人员进行手动注释。然而，随着神经网络与深度学习技术的快速发展，关于实现认知和诊断的研究取得了显著突破，方法的性能得到了大幅提升。可以看到，近年来的认知诊断方法，如mf，ncdm和cdgk，已经通过构建学生和练习之间的互动，更自动地解决问题。现有的这些研究主要是对认知诊断模型的三个主要组成部分--学生、练习和概念之间的交互进行建模。

3、但在真实的生活中，学生和习题也有属性信息，如学生属性(性别、教师、班级、学校)和习题属性(类型、难度)。这些属性是对这两部分基本特征的有效描述，它们也影响着学生的学习状态，即对概念的掌握程度。比如，同一个概念可能用不同的题型考查，因此对不同题型的回答会影响学生的认知诊断。同时，学生也有他们的属性信息，不同的学生对同一个问题的答案相同并不意味着他们对概念的掌握程度相同。

技术实现思路

1、为了解决现有问题，本发明提供了一种使用属性交互进行精确的认知诊断的方法，具体方案如下：

2、一种使用属性交互进行精确认知诊断的方法，包括以下步骤：

3、s1，根据学生的做题记录获取数据以及数据的相关属性信息；

4、s2，对上述数据进行处理，得到上述数据的特征表示；

5、s3，使用嵌入层将步骤s2中得到的特征表示降维到密集的低维空间，得到用向量表示的因子；

6、s4，将上述得到的因子互相做交互，得到属性的交互表示；

7、s5，将属性的交互表示以及步骤s3中得到的因子分别融入到认知诊断函数中，得到优化后的因子特征表示；

8、s6，基于经典的mirt模型，将上述最终得到的特征表示结合起来，得到学生初步的做题预测表现；

9、s7，在s6中得到的学生初步的做题预测表现上，进一步加上学生可能失误或猜测的因素造成的影响，得到最终的学生做题表现预测；

10、s8，计算损失函数值，优化认知诊断模型。

11、本发明还揭示了一种计算机可读存储介质，介质上存有计算机程序，计算机程序运行后，执行如上述任一项所述的方法。

12、本发明还揭示了一种计算机系统，包括处理器、存储介质，存储介质上存有计算机程序，处理器从存储介质上读取并运行计算机程序以执行如上述任一项所述的方法。

13、本发明的有益效果在于：

14、本发明使用神经网络来构建学生、练习和概念之间的非线性交互。同时考虑到学生属性和练习属性对学生认知状态的影响，同时构建属性交互模块，将属性交互模块融入到认知诊断方法中，从而提高认知诊断方法的性能。

技术特征：

1.一种使用属性交互进行精确认知诊断的方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于：步骤s1中的数据包括学生信息、习题信息以及概念信息。

3.根据权利要求2所述的方法，其特征在于，步骤s2使用one-hot编码来处理数据，得到one-hot编码表示，具体为：学生的one-hot编码表示为表示第j个学生；习题的one-hot编码表示为表示第i个习题；学生属性的one-hot编码表示为表示第j个学生的第o个属性；习题属性的one-hot编码表示为表示第i个习题的第p个属性。

4.根据权利要求3所述的方法，其特征在于：步骤s3中，将one-hot编码表示的特征映射到同维的低维空间，获得用向量表示的因子——学生因子、习题因子、概念因子、学生属性因子、习题属性因子；其中，所述习题因子包括习题难度因子和习题区度因子；

5.根据权利要求4所述的方法，其特征在于：步骤s4具体包括2种方法，第一种是将学生属性因子与习题因子做交互以及将学生因子与习题属性因子做交互得到交互表示1，第二种是直接将学生属性因子与习题属性因子做交互得到交互表示2；

6.根据权利要求5所述的方法，其特征在于：步骤s5中，将交互作用1与学生因子融合，得到优化后的学生因子的表示，公式为：其中λ为权重，为优化后的学生因子表示；将交互作用2与习题因子融合，得到优化后的习题因子的表示，公式为：其中，为优化后的习题因子表示。

7.根据权利要求6所述，其特征在于，步骤s6中得到学生初步的做题预测表现的步骤包括：

8.根据权利要求7所述的方法，其特征在于，其中，利用交叉熵损失优化认知诊断模型，步骤s8中认知诊断模型的优化过程为：利用反向传播机制，计算损失函数对模型参数的梯度，沿着梯度方向更新模型参数，公式为：

9.一种计算机可读存储介质，其特征在于：介质上存有计算机程序，计算机程序运行后，执行如权利要求1至8中任一项所述的方法。

10.一种计算机系统，其特征在于：包括处理器、存储介质，存储介质上存有计算机程序，处理器从存储介质上读取并运行计算机程序以执行如权利要求1至8中任一项所述的方法。

技术总结
本发明公开了一种使用属性交互进行精确认知诊断的方法，包括以下步骤：S1，根据学生的做题记录获取数据以及数据的相关属性信息；S2，对上述数据进行处理，得到数据的特征表示；S3，使用嵌入层将特征表示降维到低维空间，得到用向量表示的因子；S4，将因子互相做交互，得到属性的交互表示；S5，将属性的交互表示以及因子分别融入到认知诊断函数中，得到优化后的因子特征表示；S6，基于经典的MIRT模型，将特征表示结合起来，得到学生初步做题预测表现；S7，进一步加上学生可能失误或猜测的因素造成的影响，得到最终的学生做题表现预测；S8，计算损失函数值，优化认知诊断模型。本发明提高了认知诊断方法的性能。

技术研发人员：钱付兰,李光耀,赵姝,张燕平,朱金良
受保护的技术使用者：安徽大学
技术研发日：
技术公布日：2024/3/17