CN109325130A - 一种时序性认知诊断方法及装置 - Google Patents
一种时序性认知诊断方法及装置 Download PDFInfo
- Publication number
- CN109325130A CN109325130A CN201810873985.7A CN201810873985A CN109325130A CN 109325130 A CN109325130 A CN 109325130A CN 201810873985 A CN201810873985 A CN 201810873985A CN 109325130 A CN109325130 A CN 109325130A
- Authority
- CN
- China
- Prior art keywords
- timing
- diagnostic test
- cognitive diagnosis
- test data
- preamble
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 121
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000002405 diagnostic procedure Methods 0.000 claims abstract description 122
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 239000000284 extract Substances 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 4
- 230000003252 repetitive effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 20
- 230000015654 memory Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 5
- 230000019771 cognition Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 230000008094 contradictory effect Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005267 amalgamation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006998 cognitive state Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241001649081 Dina Species 0.000 description 1
- 241000009298 Trigla lyra Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010225 co-occurrence analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种时序性认知诊断方法及装置，涉及教育测验技术领域。所述时序性认知诊断方法首先获取学习者的当前诊断测试数据以及前序诊断测试数据，然后基于所述当前诊断测试数据和所述前序诊断测试数据，获得当前诊断测试结果。所述时序性认知诊断方法考虑到单次测试的认知诊断结果的局限性与不稳定性，对所述前序诊断测试数据进行筛选，提取有效的前序信息，基于所述有效的前序信息与所述当前诊断测试数据输入时序性诊断模型，获得最终的当前诊断测试结果，提高了认知诊断的准确性和全面性。
Description
技术领域
本发明涉及教育测验技术领域，具体而言，涉及一种时序性认知诊断方法及装置。
背景技术
随着现代教学规模的迅速扩大，教师在对十几个甚至是几十上百个学习者进行教学时无法准确获知每个学习者的知识掌握情况，从而无法针对学生的个人和整体知识水平掌握情况对教学方式和教学内容进行调整，导致教学效果较差。同时，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，更希望能深入到学习者内部的认知加工层面。认知诊断模型(CognitiveDiagnostic Model，CDM)的提出为构建学习者的认知结构提供了可能，认知诊断模型针对学习者在某次特定测试中的反应，能有迅速构建学习者的知识状态与认知结构。
但是，由于诊断结果受多元化因素影响，学习者在不同时间对同一认知属性的反应可能存在差异，即有波动性，因此，单次诊断测验无法完全模拟学习者的认知加工过程，无法精准的确定学习者的认知状态，以致诊断结果无法与学习者的真实认知状态和知识水平精准拟合，而针对学习者全过程的学习数据，现有的认知诊断模型将出现计算复杂以及属性冲突等问题，目前尚未提出更好的解决办法。
发明内容
有鉴于此，本发明实施例的目的在于提供一种时序性认知诊断方法及装置，以解决上述现有技术中计算复杂以及属性冲突等问题。
第一方面，本发明实施例提供了一种时序性认知诊断方法，所述时序性认知诊断方法首先获取学习者的当前诊断测试数据以及前序诊断测试数据，然后基于所述当前诊断测试数据和所述前序诊断测试数据，获得当前诊断测试结果。
综合第一方面，所述基于所述当前诊断测试数据和所述前序诊断测试数据，获得当前诊断测试结果，包括：利用时序性认知诊断模型中的隐藏层提取算法对所述前序诊断测试数据进行提取，获得有效前序信息；基于所述有效前序信息，利用时序性认知诊断模型中的隐藏层更新算法对初始知识状态进行更新，获得模型输出结果；利用神经网络表示公式对所述模型进行优化，迭代训练获得时序性认知诊断模型，获得学习者知识状态即当前诊断测试结果。
综合第一方面，所述隐藏层提取算法包括遗忘门衰减公式和细胞状态过滤公式，所述利用时序性认知诊断模型中的隐藏层提取算法对所述前序诊断测试数据进行提取，包括：基于所述前序诊断测试数据，利用遗忘门衰减公式确定遗忘函数；基于所述遗忘函数，利用细胞状态过滤公式过滤所述前序诊断测试数据中的无用信息。
综合第一方面，所述基于所述当前诊断测试数据，利用时序性认知诊断模型中的隐藏层更新算法对所述有效前序信息进行更新，包括：基于所述当前诊断测试数据，利用输入门更新公式确定更新值，所述更新值用于表征所述学习者的知识水平的变化；利用细胞状态更新公式，基于所述更新值对所述有效前序信息进行更新，确定初始输出值；利用输出更新公式对所述初始输出值进行标准化处理和更新。
综合第一方面，在所述利用时序性认知诊断模型中的隐藏层提取算法对所述前序诊断测试数据进行提取之前，所述时序性认知诊断方法还包括：采用训练集对所述时序性认知诊断模型进行训练；采用随时间反向传播算法对所述时序性认知诊断模型进行调优。
综合第一方面，在所述基于所述当前诊断测试数据和所述前序诊断测试数据，获得当前诊断测试结果之后，所述时序性认知诊断方法还包括：根据所述当前诊断测试结果针对所述学习者进行补救路线规划，根据所述补救路线规划筛选出适合所述学习者的学习资源并提供给所述学习者。
第二方面，本发明实施例提供了一种时序性认知诊断装置，所述时序性认知诊断装置包括诊断测试数据获取模块和诊断测试结果计算模块。所述诊断测试数据获取模块用于获取学习者的当前诊断测试数据以及前序诊断测试数据。所述诊断测试结果计算模块用于基于所述当前诊断测试数据和所述前序诊断测试数据，获得当前诊断测试结果。
综合第二方面，所述诊断测试结果计算模块包括初始确定子模块、提取子模块、更新子模块和当断测试结果获取子模块。所述初始确定子模块用于根据所述当前测试数据获得学习者的初始知识状态。所述提取子模块用于利用时序性认知诊断模型中的隐藏层提取算法对所述前序诊断测试数据进行提取，获得有效前序信息。所述更新子模块用于基于所述有效前序信息，利用时序性认知诊断模型中的隐藏层更新算法对初始知识状态进行更新，获得模型输出结果。所述诊断测试结果获取子模块用于利用神经网络表示公式对所述模型进行优化，迭代训练获得时序性认知诊断模型，获得学习者知识状态即当前诊断测试结果。
综合第二方面，所述提取子模块包括遗忘门单元和过滤单元。所述遗忘门单元用于基于所述前序诊断测试数据，利用遗忘门衰减公式确定遗忘函数。所述过滤单元用于基于所述遗忘函数，利用细胞状态过滤公式过滤所述前序诊断测试数据中的无用信息。
综合第二方面，所述更新子模块包括更新值确定单元、初始输出值确定单元和标准更新单元。所述更新值确定单元用于基于所述当前诊断测试数据，利用所述输入门更新公式确定更新值，所述更新值用于表征所述学习者的知识水平的变化。所述初始输出值确定单元用于利用所述细胞状态更新公式，基于所述更新值对所述有效前序信息进行更新，确定初始输出值。所述标准更新单元用于利用所述输出更新公式对所述初始输出值进行标准化处理和更新。
综合第二方面，所述时序性认知诊断装置还包括模型训练模块，所述模型训练模块用于采用训练集对所述时序性认知诊断模型进行训练，还用于采用随时间反向传播算法对所述时序性认知诊断模型进行调优。
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：
本发明提供了一种时序性认知诊断方法及装置，所述时序性认知诊断方法通过对学习者的当前诊断测试数据以及前序诊断测试数据进行融合处理获得当前诊断测试结果，将时间序列引入到认知诊断理论中，从单次测试数据转移到整个学习过程数据中，更加符合人类记忆特征中学习掌握新知识和遗忘旧知识的规律，从而使对学习者的知识水平和结构的认知诊断结果具备更高的稳定性、精准性和全面性。
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时序性认知诊断方法的流程图；
图2为本发明第一实施例提供的一种当前诊断测试数据和前序诊断测试数据的融合处理方法的流程图；
图3为本发明第一实施例提供的一种时序性认知诊断模型的框架示意图；
图4为本发明第一实施例提供的一种时序性认知诊断模型训练步骤的流程图；
图5为本发明第二实施例提供的一种时序性认知诊断装置的模块图；
图6为本发明第三实施例提供的一种电子设备的模块示意图。
图标：100-时序性认知诊断装置；110-诊断测试数据获取模块；115-模型训练模块；120-诊断测试结果计算模块；130-补救路线规划模块；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，现有的认知诊断模型仅仅都是针对单次测试进行诊断。然而，随着教育与大数据的深度融合，当今教育工作者已不满足于通过单次诊断来判定学习者知识能力状态，而是希望能够对分阶段、连续性测试的数据进行综合分析和挖掘来实现对学生深层次的知识结构，技能方法等方面进行精准、稳定的诊断。针对学习全过程的学习数据，现有的认知诊断模型将出现计算复杂以及属性冲突等技术问题，目前尚未提出更好的解决办法。为了解决上述问题，本发明第一实施例提供了一种时序性认知诊断方法。
请参考图1，图1为本发明第一实施例提供的一种时序性认知诊断方法的流程图。作为一种实施方式，所述时序性认知诊断方法的具体步骤如下：
步骤S10：获取学习者的当前诊断测试数据以及前序诊断测试数据。
步骤S20：基于所述当前诊断测试数据和所述前序诊断测试数据，获得当前诊断测试结果。
应当理解的是，在步骤S10之前，还需要创建用于进行认知诊断测试的领域知识模型。所述领域知识模型主要包括专家知识库(即知识图谱)和学科诊断资源(包括诊断试题库和诊断试卷库等)，这两部分均由学科专家来完成。以认知理论为指导，学科专家针对确定诊断目标，从资源库中挑选匹配的试题进行组卷，并针对学习者发布测试卷，供学习者进行诊断测试。其中，知识图谱(Knowledge Graph/Vault)又称为科学知识图谱，在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。所述知识图谱还是一种通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论，其能够有效应用于知识诊断中。
针对步骤S10，所述前序诊断测试数据即所述学习者在之前一次或多次的认知诊断测试产生的诊断测试数据。
其中，所述当前诊断测试数据则是通过对学习者当前时刻的测试卷作答状况进行分析获得。假设当前时刻为t时刻，根据试题与属性的关联矩阵Q＝{qjk}J×K与学习者的反应矩阵R＝{rj}1×J。进一步地，作为一种可选地实施方式，本实施例中初始知识状态x＝(x1 x2… xK)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(Deterministic Inputs 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。
对于步骤S20，即“基于所述当前诊断测试数据和所述前序诊断测试数据，获得当前诊断测试结果”可包括多个子步骤，作为一种可选的实施方式，本实施例提出了一种当前诊断测试数据和前序诊断测试数据的融合处理方法，以获得当前诊断测试结果。请参考图2，图2为本发明第一实施例提供的一种当前诊断测试数据和前序诊断测试数据的融合处理方法的流程图，所述融合处理方法的具体步骤如下：
步骤S21：根据所述当前测试数据获得学习者的初始知识状态。
步骤S22：利用时序性认知诊断模型中的隐藏层提取算法对所述前序诊断测试数据进行提取，获得有效前序信息。
步骤S23：基于所述有效前序信息，利用时序性认知诊断模型中的隐藏层更新算法对初始知识状态进行更新，获得模型输出结果。
步骤S24：利用神经网络表示公式对所述模型进行优化，迭代训练获得时序性认知诊断模型，获得学习者知识状态即当前诊断测试结果。
所述时序性认知诊断模型即以长短期记忆网络(Long Short-Term Memory，LSTM)为基础的认知诊断模型，所述长短期记忆网络是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。进一步地，LSTM区别于其他记忆网络的方法在于它在算法中加入了一个判断信息有用与否的“处理器”，这个处理器作用的结构被称为细胞单元(cell)，一个细胞单元当中被放置了三扇门，分别叫做输入门、遗忘门和输出门，一个信息进入LSTM的网络当中，可以根据规则来判断所述信息是否有用，只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘。所述时序性认知诊断模型的模型框架请参考图3，图3为本发明第一实施例提供的一种时序性认知诊断模型的框架示意图。
针对步骤S22，所述隐藏层提取算法包括遗忘门衰减公式和细胞状态过滤公式，作为一种实施方式，本实施例中的步骤S22可以包括以下步骤：
步骤S221：基于所述前序诊断测试数据，利用所述遗忘门衰减公式确定遗忘函数。
步骤S222：基于所述遗忘函数，利用所述细胞状态过滤公式过滤所述前序诊断测试数据中的无用信息。
对于步骤S221，所述遗忘门衰减公式为ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)，其中，W和b分别为对应的权重系数矩阵和偏置项，xt为学习者在t时刻的初始知识状态，σ为sigmoid函数，ct-1为t-1时刻的过滤函数，ht-1为t-1时刻的输出更新公式，ft为遗忘函数。所述遗忘门描述对于之前学习到的信息，根据遗忘曲线规律而自动信息衰减的过程，即对学习者的遗忘过程进行描述和表示。
针对步骤S222,所述细胞状态过滤公式为ct＝ftct-1，其中，ct是过滤函数，表示描述对于之前学习到的信息，过滤掉与属性层级关系冲突的信息或对t时刻的预测无用的信息。
针对步骤S23，所述隐藏层更新算法包括输入门更新公式、细胞状态更新公式和输出更新公式，作为一种实施方式，本实施例中的步骤S22可以包括以下步骤：
步骤S231：基于所述当前诊断测试数据，利用所述输入门更新公式确定更新值，所述更新值用于表征所述学习者的知识水平的变化。
步骤S232：利用所述细胞状态更新公式，基于所述更新值对所述有效前序信息进行更新，确定初始输出值。
步骤S233：利用所述输出更新公式对所述初始输出值进行标准化处理和更新。
对于步骤S231，所述输入门更新公式为it＝σ(Wxixt+Whiht-1+Wcict-1+bi)。
对于步骤S232，所述细胞状态更新公式为ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc)，应当理解的是，所述细胞状态更新公式包括上述细胞状态过滤公式，同时添加基于所述更新值新的信息。可选地，输出门还通过sigmoid函数得到一个初始输出值，即：ot＝σ(Wxoxt+Whoht-1+Wcoct-1+bo)。
对于步骤S233，所述输出更新公式为ht＝ottanh(ct)。
执行完上述步骤后，按照本实施例的顺序，接下来应该执行步骤S23，即：利用神经网络表示公式对所述模型输出结果进行优化，获得当前诊断测试结果。所述神经网络表示公式为yt＝Wyhht+by，其中，yt表示所述当前诊断测试结果。
应当理解的是，基于神经网络的时序性认知诊断方法中的时序性认知诊断模型是需要进行训练的，因此本实施例的时序性认知诊断方法在步骤S21之前，还包括步骤：采用训练集对所述时序性认知诊断模型进行训练；采用随时间反向传播算法对所述时序性认知诊断模型进行调优。
作为一种可选的实施方式，时序性认知诊断模型的目标函数为均方误差(MSE)：其中W和b为时序性认知诊断模型中的所有参数，即需要优化的目标。y′t表示训练库中t时刻的知识状态，yt表示时序性认知诊断模型的输出值。可选地，本实施例采用BPTT(Back Propagation Through Time)算法对时序性认知诊断模型进行训练，网络训练步骤为：
a)按照向前计算公式(1)-(6)计算LSTM的细胞输出值；
b)反向计算每个LSTM细胞的误差项，包括按时间和网络层两个反向传播方向；
c)根据相应的误差项，计算每个权重的梯度；
d)应用基于梯度的优化算法(随机梯度下降：stochastic gradient descent,SGD)更新权重W和b。
上述步骤的大致流程图可参考图4，图4为本发明第一实施例提供的一种时序性认知诊断模型训练步骤的流程图。
进一步地，在执行完步骤S20获得当前诊断测试结果后，本实施例还包括补救路线规划步骤，即：根据所述当前诊断测试结果针对所述学习者进行补救路线规划，根据所述补救路线规划筛选出适合所述学习者的学习资源并提供给所述学习者。
本实施例提供的所述时序性认知诊断方法将时间序列引入到认知诊断理论中，从单次测试数据转移到整个学习过程数据中，同时考虑历次诊断中知识属性间的交叉关联关系，引入遗忘参数，过滤参数以及更新参数，对前序时刻的诊断信息进行过滤更新，并与当前时刻的诊断信息进行融合诊断，使得到的诊断结果趋于稳定和精准。
第二实施例
为了配合本发明第一实施例提供的所述时序性认知诊断方法，本发明第二实施例还提供了一种时序性认知诊断装置100。
请参考图5，图5为本发明第二实施例提供的一种时序性认知诊断装置的模块图。
时序性认知诊断装置100包括诊断测试数据获取模块110和诊断测试结果计算模块120，作为一种实施方式，时序性认知诊断装置100还可以包括模型训练模块115和补救路线规划模块130。
诊断测试数据获取模块110，用于获取学习者的当前诊断测试数据以及前序诊断测试数据。
模型训练模块115，用于采用训练集对所述时序性认知诊断模型进行训练，还用于采用随时间反向传播算法对所述时序性认知诊断模型进行调优。
诊断测试结果计算模块120，用于基于所述当前诊断测试数据和所述前序诊断测试数据，获得当前诊断测试结果。
补救路线规划模块130，用于根据所述当前诊断测试结果针对所述学习者进行补救路线规划，根据所述补救路线规划筛选出适合所述学习者的学习资源并提供给所述学习者。
其中，作为一种可选地实施方式，诊断测试结果计算模块120包括初始确定子模块、提取子模块、更新子模块以及当前诊断测试结果获取子模块。所述初始确定子模块用于根据所述当前测试数据获得学习者的初始知识状态。所述提取子模块用于利用时序性认知诊断模型中的隐藏层提取算法对所述前序诊断测试数据进行提取，获得有效前序信息。所述更新子模块用于基于所述当前诊断测试数据，利用时序性认知诊断模型中的隐藏层更新算法对所述有效前序信息进行更新，获得模型输出结果。所述当前诊断测试结果获取子模块用于利用神经网络表示公式对所述模型输出结果进行优化，获得当前诊断测试结果。
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
为了能够实现上述计步方法，本发明第三实施例提供了一种电子设备200。请参考图6，图6为本发明第三实施例提供的一种电子设备的模块示意图。
电子设备200可以包括时序性认知诊断装置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。所述时序性认知诊断装置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中或固化在时序性认知诊断装置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，例如时序性认知诊断装置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时序性认知诊断方法及装置，所述时序性认知诊断方法通过对学习者的当前诊断测试数据以及前序诊断测试数据进行融合处理获得当前诊断测试结果，将时间序列引入到认知诊断理论中，从单次测试数据转移到整个学习过程数据中，更加符合人类记忆特征中学习掌握新知识和遗忘旧知识的规律，从而使对学习者的知识水平和结构的认知诊断结果具备更高的稳定性、精准性和全面性。
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-Only Memory)、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 (10)
1.一种时序性认知诊断方法，其特征在于，所述时序性认知诊断方法包括：
获取学习者的当前诊断测试数据以及前序诊断测试数据；
基于所述当前诊断测试数据和所述前序诊断测试数据，获得当前诊断测试结果。
2.根据权利要求1所述的时序性认知诊断方法，其特征在于，所述基于所述当前诊断测试数据和所述前序诊断测试数据，获得当前诊断测试结果，包括：
根据所述当前测试数据获得学习者的初始知识状态；利用时序性认知诊断模型中的隐藏层提取算法对所述前序诊断测试数据进行提取，获得有效前序信息；
基于所述有效前序信息，利用时序性认知诊断模型中的隐藏层更新算法对初始知识状态进行更新，获得模型输出结果；
利用神经网络目标函数对所述模型进行优化，迭代训练获得时序性认知诊断模型，获得学习者知识状态即当前诊断测试结果。
3.根据权利要求2所述的时序性认知诊断方法，其特征在于，所述隐藏层提取算法包括遗忘门衰减公式和细胞状态过滤公式，所述利用时序性认知诊断模型中的隐藏层提取算法对所述前序诊断测试数据进行提取，包括：
基于所述前序诊断测试数据，利用所述遗忘门衰减公式确定遗忘函数；
基于所述遗忘函数，利用所述细胞状态过滤公式过滤所述前序诊断测试数据中的无用信息。
4.根据权利要求3所述的时序性认知诊断方法，其特征在于，所述隐藏层更新算法包括输入门更新公式、细胞状态更新公式和输出更新公式，所述基于所述当前诊断测试数据，利用时序性认知诊断模型中的隐藏层更新算法对所述有效前序信息进行更新，包括：
基于所述当前诊断测试数据，利用所述输入门更新公式确定更新值，所述更新值用于表征所述学习者的知识水平的变化；
利用所述细胞状态更新公式，基于所述更新值对所述有效前序信息进行更新，确定初始输出值；
利用所述输出更新公式对所述初始输出值进行标准化处理和更新。
5.根据权利要求2-4中任一项所述的时序性认知诊断方法，其特征在于，在所述利用时序性认知诊断模型中的隐藏层提取算法对所述前序诊断测试数据进行提取之前，所述时序性认知诊断方法还包括：
采用训练集对所述时序性认知诊断模型进行训练；
采用随时间反向传播算法对所述时序性认知诊断模型进行调优。
6.根据权利要求1所述的时序性认知诊断方法，其特征在于，在所述基于所述当前诊断测试数据和所述前序诊断测试数据，获得当前诊断测试结果之后，所述时序性认知诊断方法还包括：
根据所述当前诊断测试结果针对所述学习者进行补救路线规划，根据所述补救路线规划筛选出适合所述学习者的学习资源并提供给所述学习者。
7.一种时序性认知诊断装置，其特征在于，所述时序性认知诊断装置包括：
诊断测试数据获取模块，用于获取学习者的当前诊断测试数据以及前序诊断测试数据；
诊断测试结果计算模块，用于基于所述当前诊断测试数据和所述前序诊断测试数据，获得当前诊断测试结果。
8.根据权利要求7所述的时序性认知诊断装置，其特征在于，所述诊断测试结果计算模块包括：
初始确定子模块，用于根据所述当前测试数据获得学习者的初始知识状态；
提取子模块，用于利用时序性认知诊断模型中的隐藏层提取算法对所述前序诊断测试数据进行提取，获得有效前序信息；
更新子模块，用于基于所述有效前序信息，利用时序性认知诊断模型中的隐藏层更新算法对初始知识状态进行更新，获得模型输出结果；
诊断测试结果获取子模块，用于利用神经网络表示公式对所述模型进行优化，迭代训练获得时序性认知诊断模型，获得学习者知识状态即当前诊断测试结果。
9.根据权利要求8所述的时序性认知诊断装置，其特征在于，所述时序性认知诊断装置还包括：
模型训练模块，用于采用训练集对所述时序性认知诊断模型进行训练，还用于采用随时间反向传播算法对所述时序性认知诊断模型进行调优。
10.根据权利要求7所述的时序性认知诊断装置，其特征在于，所述时序性认知诊断装置还包括：
补救路线规划模块，用于根据所述当前诊断测试结果针对所述学习者进行补救路线规划，根据所述补救路线规划筛选出适合所述学习者的学习资源并提供给所述学习者。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810873985.7A CN109325130A (zh) | 2018-08-02 | 2018-08-02 | 一种时序性认知诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810873985.7A CN109325130A (zh) | 2018-08-02 | 2018-08-02 | 一种时序性认知诊断方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109325130A true CN109325130A (zh) | 2019-02-12 |
Family
ID=65263224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810873985.7A Pending CN109325130A (zh) | 2018-08-02 | 2018-08-02 | 一种时序性认知诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109325130A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110704732A (zh) * | 2019-09-19 | 2020-01-17 | 广州大学 | 基于认知诊断的时序性习题推荐方法 |
| CN111680216A (zh) * | 2020-05-06 | 2020-09-18 | 广州寄锦教育科技有限公司 | 一种试题推荐方法、系统、介质及设备 |
| CN117273130A (zh) * | 2023-11-13 | 2023-12-22 | 南京信息工程大学 | 一种基于知识图谱与个体能力的认知诊断状态机实现方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108053117A (zh) * | 2017-12-14 | 2018-05-18 | 北京慧辰资道资讯股份有限公司 | 一种学生学科掌握能力的个性化评估方法 |
| CN108334638A (zh) * | 2018-03-20 | 2018-07-27 | 桂林电子科技大学 | 基于长短期记忆神经网络与兴趣迁移的项目评分预测方法 |
-
2018
- 2018-08-02 CN CN201810873985.7A patent/CN109325130A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108053117A (zh) * | 2017-12-14 | 2018-05-18 | 北京慧辰资道资讯股份有限公司 | 一种学生学科掌握能力的个性化评估方法 |
| CN108334638A (zh) * | 2018-03-20 | 2018-07-27 | 桂林电子科技大学 | 基于长短期记忆神经网络与兴趣迁移的项目评分预测方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110704732A (zh) * | 2019-09-19 | 2020-01-17 | 广州大学 | 基于认知诊断的时序性习题推荐方法 |
| CN110704732B (zh) * | 2019-09-19 | 2023-02-17 | 广州大学 | 基于认知诊断的时序性习题推荐方法、装置 |
| CN111680216A (zh) * | 2020-05-06 | 2020-09-18 | 广州寄锦教育科技有限公司 | 一种试题推荐方法、系统、介质及设备 |
| CN117273130A (zh) * | 2023-11-13 | 2023-12-22 | 南京信息工程大学 | 一种基于知识图谱与个体能力的认知诊断状态机实现方法 |
| CN117273130B (zh) * | 2023-11-13 | 2024-02-23 | 南京信息工程大学 | 一种基于知识图谱与个体能力的认知诊断状态机实现方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khaldi | Quantitative, qualitative or mixed research: Which research paradigm to use | |
| Gilbert et al. | Simulating societies: the computer simulation of social phenomena | |
| Recker | Scientific research in information systems: a beginner's guide | |
| Jiang et al. | Expert feature-engineering vs. deep neural networks: which is better for sensor-free affect detection? | |
| Kitchenham et al. | Evidence-based software engineering and systematic reviews | |
| Tunas Bangsa Pematangsiantar | Comparison of weighted sum model and multi attribute decision making weighted product methods in selecting the best elementary school in Indonesia | |
| Jamie | Using computer simulation methods to teach statistics: A review of the literature | |
| CN110377814A (zh) | 题目推荐方法、装置及介质 | |
| Klosterman | Simple and complex models | |
| Asanbe et al. | Teachers’ performance evaluation in higher educational institution using data mining technique | |
| CN112184500A (zh) | 基于深度学习和知识图谱的课外学习辅导系统及实现方法 | |
| CN109325130A (zh) | 一种时序性认知诊断方法及装置 | |
| Kirongo et al. | Research philosophy design and methodologies: A systematic review of research paradigms in information technology | |
| de Chiusole et al. | Modeling missing data in knowledge space theory. | |
| CN111275239A (zh) | 一种基于多模态的网络化教学数据分析方法及系统 | |
| Puglisi | The study of the futures: an overview of futures studies methodologies | |
| Mühling | Investigating knowledge structures in computer science education | |
| Van den Braak | Sensemaking software for crime analysis | |
| Ulu et al. | Determining the Mental Estimation Strategies Used by Fourth-Grade Elementary Students in Four Basic Mathematical Operations. | |
| Bhusal | Predicting Student's Performance Through Data Mining | |
| CN111460245B (zh) | 多维度人群特征测定方法 | |
| Ninasivincha-Apfata et al. | Dashboard Proposal Implemented According to an Analysis Developed on the KNIME Platform. | |
| Hsieh et al. | Algorithm and intelligent tutoring system design for programmable controller programming | |
| Meletiou | Developing students' conceptions of variation: An untapped well in statistical reasoning | |
| Valensia et al. | Implementation of process mining to discover student learning patterns using fuzzy miner algorithm (Case Study: Learning Management System (LMS) Telkom University) |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190212 |
|
| RJ01 | Rejection of invention patent application after publication |