CN112883723A - 基于布鲁姆认知分类理论的深度神经网络认知水平评价模型 - Google Patents
基于布鲁姆认知分类理论的深度神经网络认知水平评价模型 Download PDFInfo
- Publication number
- CN112883723A CN112883723A CN202110292478.6A CN202110292478A CN112883723A CN 112883723 A CN112883723 A CN 112883723A CN 202110292478 A CN202110292478 A CN 202110292478A CN 112883723 A CN112883723 A CN 112883723A
- Authority
- CN
- China
- Prior art keywords
- cognition
- evaluation
- cognitive
- model
- neural network
- 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
- 230000019771 cognition Effects 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 title abstract description 9
- 238000013210 evaluation model Methods 0.000 title abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000001149 cognitive effect Effects 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 230000003993 interaction Effects 0.000 claims abstract description 5
- 230000002452 interceptive effect Effects 0.000 claims abstract description 5
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 241000270322 Lepidosauria Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008133 cognitive development Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
基于布鲁姆认知分类理论的深度神经网络认知水平评价模型是属于深度学习领域，应用于在线教育过程中对学生的认知水平自动评价。该模型基于课堂文本交互数据，以布鲁姆认知分类理论为认知水平分析框架，构建了一种深度神经网络模型用于在线学习的认知水平自动评价，更好地开展在线学习的过程性评价。用注意力机制来捕获交互文本中每个词语对认知水平评价结果的不同贡献度，对于贡献度较大的词语赋予更高的权重，从而达到更好的模型评价效果。所达到的技术效果是本方法比传统的方法能够更充分的利用学习过程中产生的文本数据，挖掘其更深层次的语义信息。
Description
技术领域
本发明属于深度学习技术领域，应用于在线教育过程中对学生的认知水平自动评价。
背景技术
一、名词解释：1.认知水平评价：是学习过程评价的核心内容之一，是指根据一定的教学目标，运用可行的科学手段，通过对学习者学习过程中产生的数据分析与整理，对学习者的认知水平进行判断，从而使学习者不断自我完善的过程。2.CNN(ConvolutionalNeural Networks)：是一类包含卷积计算且具有深度结构的前馈神经网络(FeedforwardNeuralNetworks)，是深度学习(deeplearning)的代表算法之一，能够较好提取文本数据中的局部重要信息。3.BiGRU(BidirectionalGatedRecurrentUnit)：也叫双向循环门控单元，是一种用于解决传统循环神经网络中梯度消失的深度神经网络，并且它能较好的获取文本的上下文语义信息。4.注意力机制：是神经网络专注于其输入子集的能力，能够从众多输入中找到对当前目标更关键的信息从而赋予更高的权重。
二、现有技术：1.(1)布鲁姆认知分类目标分类理论：1956年，布鲁姆等提出了教育目标分类理论，其中包括认知、情感和心理活动三大领域，其中认知领域最为成熟，2001年安德森等对其认知领域进行修订，将认知过程分为记忆、理解、运用、分析、评价和创造六个层次；(2)EduMiner自动过程性评估系统：HsuJL等基于收集的学生讨论帖，首先对文本讨论帖进行分词，然后使用TF-IDF方法进行词频统计，构造语义分析矩阵，最后输入到SVM分类器中按照布鲁姆的认知过程维度进行认知水平评价，从而实现学习过程自动评估系统；(3)内容分析法对学习者认知水平进行评价：王泰等研究了在线学习过程中教师对学习者认知发展的影响，在该研究中，主要使用内容分析法对在线学习平台的交互文本根据布鲁姆认知分类学进行认知层次标定。2.学习分析视角下在线认知水平的评价模型研究：冯晓英，郑勤华等构建的在线认知水平评价的学习分析模型，该研究主要以学习分析的思路来探索在线学习行为与学生在线认知水平之间的关系。利用在线学习过程学生的登录平台次数和访问资源次数等数据，采用相关分析与线性回归进行数据分析，从而初步构建了在线认知水平的评价模型。
三、技术问题：1.对于在线学习过程中学生的认知水平评价研究，传统的方法主要采用人工编码与传统的机器学习技术，这些方法忽略了学习者在线学习交互过程中更层次的文本语义信息，从而使得在认知水平评价中效果欠佳的不足。2.针对上述缺点，本发明的目的是引入深度学习技术，并结合注意力机制，充分利用学习者在学习过程中的交互文本数据，深度挖掘文本信息中的深层语义信息，从而实现对学习者在线学习过程中的认知水平进行实时自动评价。
发明内容
一、引入了深度学习技术，基于课堂文本交互数据，构建了基于布鲁姆认知分类理论的深度神经网络模型用于在线学习的认知水平评价中，为更好地开展在线学习的过程性评价做出了新的尝试。
二、用注意力机制来捕获交互文本中国每个词语对具体认知水平评价结果的不同贡献度，对于贡献度较大的词语赋予更高的权重，从而达到更好的模型评价效果。
三、本发明的技术创新点：1.达到的技术效果是和传统的方法相比能够更充分的利用学习过程中产生的文本数据，挖掘其更深层次的语义信息，从而更高效的开展过程性评价。2.达到的技术效果是使用注意力机制的认知水平评价模型效果要优于无注意力机制的认知水平评价模型，本文在所构建的在线学习文本交互数据集上进行了实验，结果表明，CNN、BiGRU、BiGRU-CNN和Att-BiGRU-CNN模型的准确率分别为76.55％、78.489％、79.672％和82.753％，基于注意力机制的混合模型效果最为优越。
附图说明
图1是认知水平自动评价流程图；图2是Att-BiGRU-CNN模型图
具体实施方式
说明书附图1为本发明的认知水平自动评价流程图，共包含7个步骤，一是使用爬虫技术从在线学习平台中收集讨论帖，并将与课程内容无关的文本去除；二是根据布鲁姆认知目标分类理论将整理得到的文本数据进行人工标注标签；三是对文本进行预处理，首先删除文本包含的特殊字符，然后使用Jieba分词库对文本进行分词，并去除停用词；四是使用Word2Vec模型构建词向量，在保留更多的语义特征的同时将文本转化为计算机能够处理的数据；五是引入深度学习技术和注意力机制构建认知水平评价模型，分别构建了单个的CNN、BiGRU、混合BiGRU-CNN和混合Att-BiGRU-CNN模型，其中最复杂的Att-BiGRU-CNN模型如说明书附图2所示，最底层为输入层，将输入的文本进行词嵌入，在词嵌入层使用了注意力机制以捕捉到更重要的词语并赋予更高的权重，在输入到BiGRU中进行文本的上下文特征表示，进而使用CNN对上下文表示进一步提取局部重要特征，最终在输出层使用softmax分类器输出文本的认知水平；六是通过文本的真实标签与分类器输出的标签，使用随机梯度下降算法计算损失函数值，从而进行参数优化完成模型的训练过程；七是根据模型的正确率、召回率、F1值和准确率进行模型效果的评价。
Claims (2)
1.将布鲁姆认知目标分类理论与深度学习技术相结合，基于课堂文本交互数据，构建了基于布鲁姆认知分类理论的深度神经网络模型用于在线学习的认知水平评价中，更好地开展在线学习的过程性评价。
2.在权利要求1中的模型引入注意力机制来捕获交互文本中每个词语对具体认知水平评价结果的不同贡献度，对于贡献度较大的词语赋予更高的权重，从而达到更好的模型评价效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110292478.6A CN112883723A (zh) | 2021-03-18 | 2021-03-18 | 基于布鲁姆认知分类理论的深度神经网络认知水平评价模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110292478.6A CN112883723A (zh) | 2021-03-18 | 2021-03-18 | 基于布鲁姆认知分类理论的深度神经网络认知水平评价模型 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112883723A true CN112883723A (zh) | 2021-06-01 |
Family
ID=76041252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110292478.6A Pending CN112883723A (zh) | 2021-03-18 | 2021-03-18 | 基于布鲁姆认知分类理论的深度神经网络认知水平评价模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112883723A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114219346A (zh) * | 2021-12-24 | 2022-03-22 | 江苏童能文化科技有限公司 | 一种提高网络学习环境服务质量的方法及系统 |
| CN116258390A (zh) * | 2022-12-22 | 2023-06-13 | 华中师范大学 | 一种面向教师在线教学反馈的认知支持质量评价方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109377078A (zh) * | 2018-11-12 | 2019-02-22 | 重庆靶向科技发展有限公司 | 一种基于大数据的学生学习质量评价方法 |
| AU2018236887A1 (en) * | 2017-09-29 | 2019-04-18 | Isaacson, David MR | CLASS Cognitive Load Adaptive Software System. A complex software system and method for managing the continuous improvement of human learning based on evidence-based strategies arising from Cognitive Load Theory. |
| CN110516116A (zh) * | 2019-08-27 | 2019-11-29 | 华中师范大学 | 一种多步分层的学习者认知水平挖掘方法及系统 |
| CN112149001A (zh) * | 2020-09-17 | 2020-12-29 | 北京师范大学 | 一种学习同伴推荐系统及方法 |
-
2021
- 2021-03-18 CN CN202110292478.6A patent/CN112883723A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2018236887A1 (en) * | 2017-09-29 | 2019-04-18 | Isaacson, David MR | CLASS Cognitive Load Adaptive Software System. A complex software system and method for managing the continuous improvement of human learning based on evidence-based strategies arising from Cognitive Load Theory. |
| CN109377078A (zh) * | 2018-11-12 | 2019-02-22 | 重庆靶向科技发展有限公司 | 一种基于大数据的学生学习质量评价方法 |
| CN110516116A (zh) * | 2019-08-27 | 2019-11-29 | 华中师范大学 | 一种多步分层的学习者认知水平挖掘方法及系统 |
| CN112149001A (zh) * | 2020-09-17 | 2020-12-29 | 北京师范大学 | 一种学习同伴推荐系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 程艳 等: "基于注意力机制的多通道CNN和BiGRU的文本情感倾向性分析", 《计算机研究与发展》, pages 1 - 13 * |
| 韦敬锡;罗小琼;黄炳生;覃莉;: "布鲁姆认知目标分类学的信息化教学应用与发展趋势", 教育教学论坛, no. 08 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114219346A (zh) * | 2021-12-24 | 2022-03-22 | 江苏童能文化科技有限公司 | 一种提高网络学习环境服务质量的方法及系统 |
| CN116258390A (zh) * | 2022-12-22 | 2023-06-13 | 华中师范大学 | 一种面向教师在线教学反馈的认知支持质量评价方法及系统 |
| CN116258390B (zh) * | 2022-12-22 | 2024-04-05 | 华中师范大学 | 一种面向教师在线教学反馈的认知支持质量评价方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Higham et al. | Deep learning: An introduction for applied mathematicians | |
| CN106503055B (zh) | 一种从结构化文本到图像描述的生成方法 | |
| CN110083700A (zh) | 一种基于卷积神经网络的企业舆情情感分类方法及系统 | |
| Suresh et al. | Automating analysis and feedback to improve mathematics teachers’ classroom discourse | |
| CN107590134A (zh) | 文本情感分类方法、存储介质及计算机 | |
| CN107943784A (zh) | 基于生成对抗网络的关系抽取方法 | |
| CN110930008A (zh) | 一种基于卷积神经网络的矿山灾害事件检测方法 | |
| CN112883723A (zh) | 基于布鲁姆认知分类理论的深度神经网络认知水平评价模型 | |
| Pardos et al. | Imputing KCs with representations of problem content and context | |
| Mrhar et al. | A Bayesian CNN-LSTM model for sentiment analysis in massive open online courses MOOCs | |
| Cai | Automatic essay scoring with recurrent neural network | |
| CN117473041A (zh) | 一种基于认知策略的编程知识追踪方法 | |
| CN113505589A (zh) | 一种基于bert模型的mooc学习者认知行为识别方法 | |
| CN114722805A (zh) | 基于大小导师知识蒸馏的少样本情感分类方法 | |
| Jishan et al. | Natural language description of images using hybrid recurrent neural network | |
| CN115730244A (zh) | 联合文本分类和序列标注的课堂行为分类方法及装置 | |
| Das et al. | A hybrid deep learning technique for sentiment analysis in e-learning platform with natural language processing | |
| Tian et al. | An efficient english teaching driven by enterprise-social media big data: a neural network-based solution | |
| Huspi et al. | Sentiment Analysis on Roman Urdu Students’ Feedback Using Enhanced Word Embedding Technique | |
| Bai et al. | Gated character-aware convolutional neural network for effective automated essay scoring | |
| Lin | Research on the Teaching Method of College Students’ Education Based on Visual Question Answering Technology | |
| CN113361615B (zh) | 基于语义相关性的文本分类方法 | |
| Aryal et al. | Using pre-trained models as feature extractor to classify video styles used in MOOC videos | |
| Du | Design and Application of Intelligent Classroom in English Language and Literature Based on Artificial Intelligence Technology | |
| Marfani et al. | Analysis of learners’ sentiments on MOOC forums using natural language processing techniques |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210601 |