CN108932593B - 一种认知影响因素分析方法及装置 - Google Patents

一种认知影响因素分析方法及装置 Download PDF

Info

Publication number
CN108932593B
CN108932593B CN201810824698.7A CN201810824698A CN108932593B CN 108932593 B CN108932593 B CN 108932593B CN 201810824698 A CN201810824698 A CN 201810824698A CN 108932593 B CN108932593 B CN 108932593B
Authority
CN
China
Prior art keywords
cognitive
determining
learner
influence factor
learning data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810824698.7A
Other languages
English (en)
Other versions
CN108932593A (zh
Inventor
黄涛
刘三女牙
杨宗凯
杨华利
耿晶
胡小芳
张�浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central China Normal University
Original Assignee
Central China Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central China Normal University filed Critical Central China Normal University
Priority to CN201810824698.7A priority Critical patent/CN108932593B/zh
Publication of CN108932593A publication Critical patent/CN108932593A/zh
Application granted granted Critical
Publication of CN108932593B publication Critical patent/CN108932593B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Technology (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种认知影响因素分析方法及装置，涉及认知加工过程数据挖掘技术领域。所述认知影响因素分析方法首先获取学习者的学习数据，对所述学习数据进行处理后获得标准学习数据，再基于所述标准学习数据采用特征提取器提取所述学习者的特征，基于所述特征采用分类器确定影响所述学习者的认知影响因素。所述认知影响因素分析方法从学习者的学习数据中挖掘学习者认知影响因素，同时利用特征提取器和分类器确定所述认知影响因素，参考了学习者的状态、失误等隐性影响因素，提高了认知影响因素分析的准确性。

Description

一种认知影响因素分析方法及装置
技术领域
本发明涉及认知加工过程数据挖掘技术领域，具体而言，涉及一种认知影响因素分析方法及装置。
背景技术
随着社会和科学技术更新进步速度的迅速加快，人们对知识获取以及教育学习的需求愈发增大，而如何评测学习者的知识获取程度和认真水平则成为了迫切需要解决的问题。传统的测验/考试仅以测验总分作为评价指标，显得过于笼统和概括，现在人们不仅要求测验能在总分数层面进行评价，更希望能深入到被试内部的认知加工层面，为此心理学家们以认知心理学和心理测量学为理论基础，开发出了具有认知诊断功能的心理计量模型(简称认知诊断模型，CDM)，挖掘被试作答过程和测验分数背后的知识结构、加工技能和认知过程，做出更加准确详尽的诊断和评估，从而为采取相应的补救教学提供依据，为因材施教提供指导。
认知诊断理论建立在已有测验理论基础之上，但它更为强调测验/测量要深入考察学习者的心理加工过程。而当前的认知诊断是对学习者认知加工过程中所涉及的知识、技能、策略等显性因素进行诊断，对于认知加工过程的研究是鲜有的，然而影响学习者认知加工过程并非只有显性因素，还有学习行为、情感态度、思维方式等隐性因素的影响，这些相关因素对学习者成绩的影响是长远且显著的，然而现有的认知诊断技术无法对影响学习者认知加工过程的多元因素进行挖掘及分析。
发明内容
有鉴于此，本发明实施例的目的在于提供一种认知影响因素分析方法及装置，以解决上述的现有认知诊断模型无法对学习者的学习行为、情感态度、思维方式等多元因素进行分析的问题。
第一方面，本发明实施例提供了一种认知影响因素分析方法，所述认知影响因素分析方法包括：获取学习者的学习数据；对所述学习数据进行处理后获得标准学习数据；基于所述标准学习数据采用特征提取器提取所述学习者的特征，基于所述特征采用分类器确定影响所述学习者的认知影响因素。
综合第一方面，所述学习数据包括每个试题的考察属性、试题得分、答题时间和认知状态，所述对所述学习数据进行处理后获得标准学习数据，包括：根据所述考察属性确定每个试题的属性关联矩阵，根据所述试题得分确定每个试题的作答反应矩阵，根据所述答题时间确定每个试题的作答时间矩阵，根据所述属性关联矩阵与所述认知状态确定每个试题的错误类型；将所述属性关联矩阵、所述作答反应矩阵、所述作答时间矩阵、所述错误类型作为标准学习数据。
综合第一方面，在所述对所述学习数据进行处理后获得标准学习数据之后，以及在所述基于所述标准学习数据采用特征提取器提取所述学习者的特征，基于所述特征采用分类器确定影响所述学习者的认知影响因素之前，所述认知影响因素分析方法还包括：从所述标准学习数据中获取训练集；根据所述训练集的数据格式确定输入层；根据所述训练集进行特征提取器的无监督逐层训练；在所述特征提取器的顶层添加分类器，基于所述训练集通过所述分类器对所述特征提取器与所述分类器进行参数调节；根据认知影响因素指标体系确定输出层。
综合第一方面，在所述根据认知影响因素指标体系确定输出层之后，所述认知影响因素分析方法还包括：采用BP算法对所述特征提取器和所述分类器进行反向微调。
综合第一方面，在所述根据认知影响因素指标体系确定输出层之前，所述认知影响因素分析方法还包括：于认知属性、学习行为和情感态度构建所述认知影响因素指标体系。
第二方面，本发明实施例提供了一种认知影响因素分析装置，所述认知影响因素分析装置包括：学习数据获取模块，用于获取学习者的学习数据；学习数据处理模块，用于对所述学习数据进行处理后获得标准学习数据；认知影响因素确定模块，用于基于所述标准学习数据采用特征提取器提取所述学习者的特征，基于所述特征采用分类器确定影响所述学习者的认知影响因素。
综合第二方面，所述认知影响因素分析装置还包括模型训练模块，所述模型训练模块包括：训练集提取单元，用于从所述标准学习数据中获取训练集；输入层确定单元，用于根据所述训练集的数据格式确定输入层；逐层训练单元，用于根据所述训练集进行特征提取器的无监督逐层训练；分类器确定单元，用于在所述特征提取器的顶层添加分类器，基于所述训练集通过所述分类器对所述特征提取器与所述分类器进行参数调节；输出层确定单元，用于根据认知影响因素指标体系确定输出层。
综合第二方面，所述模型训练模块还包括反向微调单元，所述反向微调单元用于采用BP算法对所述特征提取器和所述分类器进行反向微调。
综合第二方面，所述认知影响因素分析装置还包括认知影响因素指标体系构建模块，所述认知影响因素指标体系构建模块用于基于认知属性、学习行为和情感态度构建所述认知影响因素指标体系。
第三方面，本发明实施例还提供了一种存储介质，所述存储介质存储于计算机内，所述存储介质包括多条指令，所述多条指令被设置成使得所述计算机执行上述的方法。
本发明提供的有益效果是：
本发明提供了一种认知影响因素分析方法及装置，所述认知影响因素分析方法将学习者的学习数据转换为标准学习数据后对其进行分析，提高了所述认知影响因素分析方法的分析标准程度和准确性，同时，采用特征提取器提取所述学习者的特征，基于所述特征采用分类器确定影响所述学习者的认知影响因素，不仅仅是从知识状态、技能、策略方面的显性认知属性进行诊断，而是对认知加工过程中诸多显性与隐性的相关因素进行发掘用以对错误进行归因，如行为、心理、情感等，构建多维因素的认知状态影响分析方式并进行多为因素的精准分类，精确地获得影响所述学习者的认真影响因素，从而提高了认知影响因素的分析深度和准确度。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明第一实施例提供的一种认知影响因素分析方法的流程示意图；
图2为本发明第一实施例提供的一种认知影响因素分析模型训练步骤的流程示意图；
图3为本发明第一实施例提供的一种DBN逐层提取特征步骤的流程示意图；
图4为本发明第一实施例提供的一种实例中基于DBN的认知影响因素分析模型工作步骤的流程图；
图5为本发明第二实施例提供的一种认知影响因素分析装置的模块示意图；
图6为本发明第三实施例提供的一种可应用于本申请实施例中的电子设备的结构框图。
图标：100-认知影响因素分析装置；110-学习数据获取模块；120-学习数据处理模块；125-模型训练模块；130-认知影响因素确定模块；140-认知影响因素指标体系构建模块；200-电子设备；201-存储器；202-存储控制器；203-处理器；204-外设接口；205-输入输出单元；206-音频单元；207-显示单元。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
第一实施例
经本申请人研究发现，已有的认知诊断理论仅仅停留在知识状态、技能、策略方面的显性认知属性进行诊断，同时认知状态影响因素仅考虑属性未掌握与失误两种基本因素，并未对认知加工过程中诸多显性与隐性的相关因素进行挖掘用以对错误进行归因，如行为、心理、情感等。而这些因素都是长期影响学习者的学习习惯和学习方法，属于相关关系，如若不及时纠正，则长期影响学习者的学习效率与学习成绩。如何从构建多维因素的认知状态影响模型并进行精准分类，这是数据驱动的认知状态归因的重要环节。同时，影响学习者认知加工过程的相关因素(即认知影响因素)一般是由专家凭多年教学经验总结的，然而这些因素仅仅是定性，其特征并未定量。这些影响学习者认知加工过程的相关因素是通过长期的学习行为中体现出来的，并且这些因素的特征是非常复杂的，通过人工凭经验来提取特征是不准确的，因此需要利用大数据技术进行特征提取，并进一步对影响学习者认知加工过程的相关因素进行挖掘。为了对可能对学习者造成认知影响的因素进行提取和分析，本发明第一实施例提供了一种认知影响因素分析方法。
请参考图1，图1为本发明第一实施例提供的一种认知影响因素分析方法的流程示意图。所述认知影响因素分析方法的步骤可以下：
步骤S10：获取学习者的学习数据。
步骤S20：对所述学习数据进行处理后获得标准学习数据。
步骤S30：基于所述标准学习数据采用特征提取器提取所述学习者的特征，基于所述特征采用分类器确定影响所述学习者的认知影响因素。
对于步骤S10，由于影响学习者的认知加工过程的相关因素是通过长期的学习表现体现出来的，因此需要收集学习者整个学习过程中的学习数据，本实施例中所述学习数据即为试题信息，应当注意的是，所述试题信息包括所述学习者在测试中对应每个试题的考察属性、试题得分、答题时间和认知状态。
对于步骤S20，所述“对所述学习数据进行处理后获得标准学习数据”的步骤可以具体包括：根据所述考察属性确定每个试题的属性关联矩阵，根据所述试题得分确定每个试题的作答反应矩阵，根据所述答题时间确定每个试题的作答时间矩阵，根据所述属性关联矩阵与所述认知状态确定每个试题的错误类型；将所述属性关联矩阵、所述作答反应矩阵、所述作答时间矩阵、所述错误类型作为标准学习数据。其中，矩阵Q＝{qj}j＝1,…,J表示所述属性关联矩阵；所述学习者的作答反应矩阵为R＝{rtj}T×J，rtj是学习者在第t次测试中在项目j上的作答反应；所述作答时间矩阵为T＝{Ttj}T×J，Ttj表示学习者在第t次测试中在项目j上的作答时间。可选地，根据学习者的认知状态Y，可以将学习者的所述错误类型分为认知型错题(因为属性未掌握而答错)和失误型错题(试题属性掌握，但是答错的试题)，试题错误类型可以由学习者的认知状态Y得到，即
Figure BDA0001740969460000071
进一步地，作为一种可选地实施方式，本实施例中所述认知状态Y是通过认知诊断模型进行诊断的，其中的认知诊断模型可采用规则空间模型(RSM)，属性层级模型(AHM)，DINA模型(DeterministicInputs Noisy“and”Gate Model)，HO-DINA模型或其它认知诊断模型中的任意一种或其他能够进行认知诊断的模型得到。DINA模型由于仅包含“失误”和“猜测”两个参数，并且其解释性较好，DINA模型受到广泛研究者的应用，本实施例根据所述属性关联矩阵与所述作答反应矩阵，采用DINA模型得到学习者的认知状态Y。
应当理解的是，针对人工提取特征的不确定性与分类的复杂性，本发明实施例运用认知影响因素分析模型挖掘影响学习者认知加工过程的相关因素，作为一种实施方式，本实施例中采用深度信念网络(DBN)作为认知影响因素分析模型的基础网络，DBN是一个集特征提取和分类为一体的综合模型，通过逐层贪婪学习得到高层特征表示，避免特征提取与选择的人工操作，有效地消除传统人工特征提取与选择所带来的复杂性和不确定性，增强识别过程的智能性，并且DBN具有处理高维、非线性数据的能力。从此角度看，DBN非常适合处理教育领域基于数据驱动的学习者认知加工过程相关因素挖掘，可以对学习者的特征进行自动提取，并进一步与指标体系中的因素进行匹配，使计算机易于计算和推理。由于在执行步骤S30时需要运用到认知影响因素分析模型，因此本实施例在步骤S30之前还需要进行认知影响因素分析模型的训练，作为一种实施方式，请参考图2，图2为本发明第一实施例提供的一种认知影响因素分析模型训练步骤的流程示意图，所述认知影响因素分析模型训练步骤可以如下：
步骤S21：从所述标准学习数据中获取训练集。
步骤S22：根据所述训练集的数据格式确定输入层。
步骤S23：根据所述训练集进行特征提取器的无监督逐层训练。
步骤S24：在所述特征提取器的顶层添加分类器，基于所述训练集通过所述分类器对所述特征提取器与所述分类器进行参数调节。
步骤S25：根据认知影响因素指标体系确定输出层。
对于步骤S23，DBN实质上是由多个受限玻尔兹曼机(RBM)堆叠成的多层感知器神经网络，低层表示原始数据细节，高层表示数据属性类别或特征，从低层到高层逐层抽象，可以深度挖掘数据本质特征，因此所述“根据所述训练集进行特征提取器的无监督逐层训练”即为利用对学习者海量的学习错题数据进行DBN逐层提取学习者特征。请参考图3，图3为本发明第一实施例提供的一种DBN逐层提取特征步骤的流程示意图。所述DBN逐层提取特征步骤可以如下：每个RBM由两层网络组成，即可视层(v)和隐藏层(h)，首先从可视层接收输入数据，并通过权值参数W映射到隐藏层，然后用权值参数WT从隐藏层重构可视层；首先逐层无监督训练DBN模型，然后使用BP算法进行反向微调，对DBN模型进行有监督训练，最后将待测数据集输入到训练好的DBN模型中，得到微调后的每个RBM隐含层单元状态，微调的目标是使得可视层单元和重构单元之间的差异最小；作为可选择的目标函数，本部分采用均方根误差(RMSE)
Figure BDA0001740969460000091
的最小值，作为目标函数，RMSE的值越小，说明原始输入数据与重构数据的差异越小，即RBM提取特征越强。
针对步骤S24，所述分类器可以为Softmax分类器，该分类器本质就是使得学习到的RBM模型符号输入样本分布的概率最大，即在给定训练数据的情况下，通过调节相应的参数，使得
Figure BDA0001740969460000092
的值能达到最大，其中E(v,h)表示可视层与隐含层的能量函数。
在步骤S24之后，本实施例接下迅速执行步骤S25，在获取学习者的认知影响因素指标体系(错误库)后，迅速与错误库内容匹配，识别错误原因，找到对应的校正策略，及时给予学习者反馈。
作为一种实施方式，本实施例中的DBN训练步骤在步骤S25之后还可以包括步骤：采用BP算法对所述特征提取器和所述分类器(所述特征提取器与所述分类器组合即所述认知影响因素分析模型)进行反向微调。
接下来以学习者A的实例对本实施例提供的所述步骤S30的工作原理进行说明。请参考图4，图4为本发明第一实施例提供的一种实例中基于DBN的认知影响因素分析模型工作步骤的流程图，所述步骤可以如下：首先，构建一个4层的DBN模型，由于输入样本的维数决定输入层的节点数，相关因素种类决定最后一层的节点数，因此本实例中输入节点数设为2000，输出节点为9(指标体系中二级因素的个数)；当DBN模型的下一层节点数低于上一层的节点数时，DBN模型能够降低特征的维数，因此将两个隐含层的节点数分别设置为1200和200；随机选取每个相关因素类别样本的60％作为训练集，对DBN模型进行训练，并将剩余的40％的测试数据输入训练好的DBN模型，对学习者的认知过程影响因素进行挖掘；该学习者的诊断结果为“作答时间分配不合理”，观察学习者学习数据发现，在多次测试中，许多作答分数为0的试题，作答的时间也是0min，充分说明，该学习者在多次测试中有许多题目没有时间作答，即影响学习者的认知影响因素为“作答时间分配不合理”，该不良学习行为如果不改正，则将会长期影响学习者的学习效率与学习成绩。
第二实施例
为了更好地实现本发明第一实施例提供的所述认知影响因素分析方法，本发明第二实施例还提供了一种认知影响因素分析装置100。
请参考图5，图5为本发明第二实施例提供的一种认知影响因素分析装置的模块示意图。
认知影响因素分析装置100包括学习数据获取模块110、学习数据处理模块120和认知影响因素确定模块130。
学习数据获取模块110，用于获取学习者的学习数据。
学习数据处理模块120，用于对所述学习数据进行处理后获得标准学习数据。
认知影响因素确定模块130，用于基于所述标准学习数据采用特征提取器提取所述学习者的特征，基于所述特征采用分类器确定影响所述学习者的认知影响因素。
作为一种实施方式，本实施例中认知影响因素分析装置100还可以包括模型训练模块125，所述模型训练模块125包括训练集提取单元、输入层确定单元、逐层训练单元、分类器确定单元和输出层确定单元。
其中，所述训练集提取单元用于从所述标准学习数据中获取训练集。输入层确定单元，用于根据所述训练集的数据格式确定输入层。所述逐层训练单元用于根据所述训练集进行特征提取器的无监督逐层训练。所述分类器确定单元用于在所述特征提取器的顶层添加分类器，基于所述训练集通过所述分类器对所述特征提取器与所述分类器进行参数调节。所述输出层确定单元用于根据认知影响因素指标体系确定输出层。
可选地，所述模型训练模块125还可以包括反向微调单元，所述反向微调单元用于采用BP算法对所述特征提取器和所述分类器进行反向微调。
作为一种实施方式，本发明实施例提供的认知影响因素分析装置100还可以包括认知影响因素指标体系构建模块140，所述认知影响因素指标体系构建模块140用于基于认知属性、学习行为和情感态度构建所述认知影响因素指标体系。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
第三实施例
请参照图6，图6为本发明第三实施例提供的一种可应用于本申请实施例中的电子设备的结构框图。电子设备200可以包括认知影响因素分析装置100、存储器201、存储控制器202、处理器203、外设接口204、输入输出单元205、音频单元206、显示单元207。
所述存储器201、存储控制器202、处理器203、外设接口204、输入输出单元205、音频单元206、显示单元207各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述认知影响因素分析装置100包括至少一个可以软件或固件(firmware)的形式存储于所述存储器201中或固化在认知影响因素分析装置100的操作系统(operating system，OS)中的软件功能模块。所述处理器203用于执行存储器201中存储的可执行模块，例如认知影响因素分析装置100包括的软件功能模块或计算机程序。
其中，存储器201可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器201用于存储程序，所述处理器203在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器所执行的方法可以应用于处理器203中，或者由处理器203实现。
处理器203可以是一种集成电路芯片，具有信号的处理能力。上述的处理器203可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器203也可以是任何常规的处理器等。
所述外设接口204将各种输入/输出装置耦合至处理器203以及存储器201。在一些实施例中，外设接口204，处理器203以及存储控制器202可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
输入输出单元205用于提供给用户输入数据实现用户与所述服务器(或本地终端)的交互。所述输入输出单元205可以是，但不限于，鼠标和键盘等设备。
音频单元206向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示单元207在所述电子设备200与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元207可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器203进行计算和处理。
可以理解，图6所示的结构仅为示意，所述电子设备200还可包括比图6中所示更多或者更少的组件，或者具有与图6所示不同的配置。图6中所示的各组件可以采用硬件、软件或其组合实现。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
综上所述，本发明实施例提供了一种认知影响因素分析方法及装置，所述认知影响因素分析方法将学习者的学习数据转换为标准学习数据后对其进行分析，提高了所述认知影响因素分析方法的分析标准程度和准确性，同时，采用深度信念网络模型确定影响所述学习者的认知影响因素，不仅仅是从知识状态、技能、策略方面的显性认知属性进行诊断，而是对认知加工过程中诸多显性与隐性的相关因素进行发掘用以对错误进行归因，如行为、心理、情感等，构建多维因素的认知状态影响分析方式并进行多为因素的精准分类，精确地获得影响所述学习者的认真影响因素，从而提高了认知影响因素的分析深度和准确度。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (9)

1.一种认知影响因素分析方法，其特征在于，所述认知影响因素分析方法包括：
获取学习者的学习数据，所述学习数据包括每个试题的考察属性、试题得分、答题时间和认知状态，所述认知状态包括属性掌握和属性未掌握；
根据所述考察属性确定每个试题的属性关联矩阵，根据所述试题得分确定每个试题的作答反应矩阵，根据所述答题时间确定每个试题的作答时间矩阵，根据所述属性关联矩阵与所述认知状态确定每个试题的错误类型，所述作答反应矩阵为R＝{rtj}T×J，rtj是学习者在第t次测试中在项目j上的作答反应，所述错误类型包括认知型错题和失误型错题；
将所述属性关联矩阵、所述作答反应矩阵、所述作答时间矩阵、所述错误类型作为标准学习数据；
基于所述标准学习数据采用特征提取器提取所述学习者的特征，基于所述特征采用分类器确定影响所述学习者的认知影响因素，所述认知影响因素包括认知属性、学习行为和/或情感态度。
2.根据权利要求1所述的认知影响因素分析方法，其特征在于，在所述基于所述标准学习数据采用特征提取器提取所述学习者的特征，基于所述特征采用分类器确定影响所述学习者的认知影响因素之前，所述认知影响因素分析方法还包括：
从所述标准学习数据中获取训练集；
根据所述训练集的数据格式确定输入层；
根据所述训练集进行特征提取器的无监督逐层训练；
在所述特征提取器的顶层添加分类器，基于所述训练集通过所述分类器对所述特征提取器与所述分类器进行参数调节；
根据认知影响因素指标体系确定输出层。
3.根据权利要求2所述的认知影响因素分析方法，其特征在于，在所述根据认知影响因素指标体系确定输出层之后，所述认知影响因素分析方法还包括：
采用BP算法对所述特征提取器和所述分类器进行反向微调。
4.根据权利要求2所述的认知影响因素分析方法，其特征在于，在所述根据认知影响因素指标体系确定输出层之前，所述认知影响因素分析方法还包括：
基于认知属性、学习行为和情感态度构建所述认知影响因素指标体系。
5.一种认知影响因素分析装置，其特征在于，所述认知影响因素分析装置包括：
学习数据获取模块，用于获取学习者的学习数据，所述学习数据包括每个试题的考察属性、试题得分、答题时间和认知状态，所述认知状态包括属性掌握和属性未掌握；
学习数据处理模块，用于根据所述考察属性确定每个试题的属性关联矩阵，根据所述试题得分确定每个试题的作答反应矩阵，根据所述答题时间确定每个试题的作答时间矩阵，根据所述属性关联矩阵与所述认知状态确定每个试题的错误类型所述作答反应矩阵为R＝{rtj}T×J，rtj是学习者在第t次测试中在项目j上的作答反应，所述错误类型包括认知型错题和失误型错题；将所述属性关联矩阵、所述作答反应矩阵、所述作答时间矩阵、所述错误类型作为标准学习数据；
认知影响因素确定模块，用于基于所述标准学习数据采用特征提取器提取所述学习者的特征，基于所述特征采用分类器确定影响所述学习者的认知影响因素，所述认知影响因素包括认知属性、学习行为和/或情感态度。
6.根据权利要求5所述的认知影响因素分析装置，其特征在于，所述认知影响因素分析装置还包括模型训练模块，所述模型训练模块包括：
训练集提取单元，用于从所述标准学习数据中获取训练集；
输入层确定单元，用于根据所述训练集的数据格式确定输入层；
逐层训练单元，用于根据所述训练集进行特征提取器的无监督逐层训练；
分类器确定单元，用于在所述特征提取器的顶层添加分类器，基于所述训练集通过所述分类器对所述特征提取器与所述分类器进行参数调节；
输出层确定单元，用于根据认知影响因素指标体系确定输出层。
7.根据权利要求6所述的认知影响因素分析装置，其特征在于，所述模型训练模块还包括：
反向微调单元，用于采用BP算法对所述特征提取器和所述分类器进行反向微调。
8.根据权利要求6所述的认知影响因素分析装置，其特征在于，所述认知影响因素分析装置还包括：
认知影响因素指标体系构建模块，用于基于认知属性、学习行为和情感态度构建所述认知影响因素指标体系。
9.一种存储介质，其特征在于，所述存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1-4任一项所述方法中的步骤。
CN201810824698.7A 2018-07-24 2018-07-24 一种认知影响因素分析方法及装置 Active CN108932593B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810824698.7A CN108932593B (zh) 2018-07-24 2018-07-24 一种认知影响因素分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810824698.7A CN108932593B (zh) 2018-07-24 2018-07-24 一种认知影响因素分析方法及装置

Publications (2)

Publication Number Publication Date
CN108932593A CN108932593A (zh) 2018-12-04
CN108932593B true CN108932593B (zh) 2021-02-12

Family

ID=64444364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810824698.7A Active CN108932593B (zh) 2018-07-24 2018-07-24 一种认知影响因素分析方法及装置

Country Status (1)

Country Link
CN (1) CN108932593B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109766342B (zh) * 2018-12-28 2023-05-30 国云科技股份有限公司 一种基于区块链的数据存储与查询方法
CN113536072A (zh) * 2020-11-16 2021-10-22 厦门市和家健脑智能科技有限公司 一种认知筛查数据处理建模的模型投票组合的方法及装置
CN113988044B (zh) * 2021-12-24 2022-04-12 杭州智会学科技有限公司 错题原因类别的判定方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013109120A1 (ko) * 2012-01-20 2013-07-25 (주)가바플러스 치매 예방을 위한 뇌기능 향상 시스템 및 그 운용방법
CN103815920A (zh) * 2014-02-27 2014-05-28 首都医科大学 一种家用检测仪及应用家用检测仪的检测方法
CN106779166A (zh) * 2016-11-23 2017-05-31 北京师范大学 一种基于数据驱动的知识点掌握状态的预测系统及方法
CN107122452A (zh) * 2017-04-26 2017-09-01 中国科学技术大学 时序化的学生认知诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013109120A1 (ko) * 2012-01-20 2013-07-25 (주)가바플러스 치매 예방을 위한 뇌기능 향상 시스템 및 그 운용방법
CN103815920A (zh) * 2014-02-27 2014-05-28 首都医科大学 一种家用检测仪及应用家用检测仪的检测方法
CN106779166A (zh) * 2016-11-23 2017-05-31 北京师范大学 一种基于数据驱动的知识点掌握状态的预测系统及方法
CN107122452A (zh) * 2017-04-26 2017-09-01 中国科学技术大学 时序化的学生认知诊断方法

Also Published As

Publication number Publication date
CN108932593A (zh) 2018-12-04

Similar Documents

Publication Publication Date Title
Dimara et al. A task-based taxonomy of cognitive biases for information visualization
Leitgöb et al. Measurement invariance in the social sciences: Historical development, methodological challenges, state of the art, and future perspectives
Norouzian et al. The Bayesian revolution in second language research: An applied approach
Biehler et al. Introducing students to machine learning with decision trees using CODAP and Jupyter Notebooks
Sathe et al. Comparative Study of Supervised Algorithms for Prediction of Students' Performance.
JP2021508065A (ja) 学習効率に基づいて個人カスタマイズ型教育コンテンツを提供するための機械学習方法、装置及びコンピュータプログラム
CN108932593B (zh) 一种认知影响因素分析方法及装置
Goggins et al. Learning Analytics at" Small" Scale: Exploring a Complexity-Grounded Model for Assessment Automation.
US20200251217A1 (en) Diagnosis Method Using Image Based Machine Learning Analysis of Handwriting
CN112069329B (zh) 文本语料的处理方法、装置、设备及存储介质
Isljamovic et al. Predicting students’ academic performance using artificial neural network: a case study from faculty of organizational sciences
Wang et al. A systematic review of empirical studies using log data from open‐ended learning environments to measure science and engineering practices
Ilić et al. Intelligent techniques in e-learning: a literature review
Dart et al. Using institutional data to drive quality, improvement, and innovation
Naseem et al. Using Ensemble Decision Tree Model to Predict Student Dropout in Computing Science
US11017323B2 (en) Method and apparatus for improving a profile analysis of an interpretive framework based on digital measurement of the production of and responses to visual stimuli
TWI524294B (zh) 線上自動化診斷學習風格系統、線上自動化診斷學習風格方法及電腦可讀取之記錄媒體
Wesolowski Predicting operational rater‐type classifications using rasch measurement theory and random forests: a music performance assessment perspective
Ak Development of Internet literacy self-efficacy scale for pre-service teachers
US20210358317A1 (en) System and method to generate sets of similar assessment papers
Tang et al. Detecting atypical test-taking behaviors with behavior prediction using LSTM
JP6913706B2 (ja) 試験問題予測システム及び試験問題予測方法
Wang Building Bayesian networks: elicitation, evaluation, and learning
Zehner et al. The naep edm competition: On the value of theory-driven psychometrics and machine learning for predictions based on log data
Treuillier et al. Identification of class-representative learner personas

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant