CN113284011A - 一种基于学习测评数据的个性化认知诊断方法 - Google Patents

一种基于学习测评数据的个性化认知诊断方法 Download PDF

Info

Publication number
CN113284011A
CN113284011A CN202110456701.6A CN202110456701A CN113284011A CN 113284011 A CN113284011 A CN 113284011A CN 202110456701 A CN202110456701 A CN 202110456701A CN 113284011 A CN113284011 A CN 113284011A
Authority
CN
China
Prior art keywords
teaching
attribute
answer
students
knowledge
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
Application number
CN202110456701.6A
Other languages
English (en)
Inventor
刘霞林
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.)
Xian University of Posts and Telecommunications
Original Assignee
Xian University of Posts and Telecommunications
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 Xian University of Posts and Telecommunications filed Critical Xian University of Posts and Telecommunications
Priority to CN202110456701.6A priority Critical patent/CN113284011A/zh
Publication of CN113284011A publication Critical patent/CN113284011A/zh
Pending legal-status Critical Current

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
    • 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
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Educational Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

教学过程中需要阶段性地诊断学生在课程学习中存在的问题和不足。传统的学业诊断方法多采用分数诊断法，这种方法侧重于学生的题目得分和总得分，忽略了试题题型、难度、内容以及评分标准的差异，只能提供单一笼统的诊断信息用于诊断评估，难以深入挖掘测评数据、充分获得能够代表学生认知水平和知识掌握程度的足够信息。现有的的个性化认知诊断模型和系统，在简洁性和诊断属性的设计上还存在不足，也缺乏针对教学目标达成情况和知识点掌握情况的个性化认知诊断。本发明提出一种基于学习测评数据的个性化认知诊断方法，该方法能够利用期末/期中考试，甚至平时的日常测验快速对学生的学习情况做出个性化认知诊断。本发明包括对教学目标达成的诊断和对知识点掌握的诊断。

Description

一种基于学习测评数据的个性化认知诊断方法
技术领域
本发明涉及信息技术在教育领域的应用，具体涉及一种基于学习测评数据的个性化认知诊断方法。
背景技术
教学过程中需要阶段性地诊断学生在课程学习中存在的问题和不足。传统的学业诊断方法多采用分数诊断法，即通过考试或测验，基于试题考察学生对所学内容的掌握程度，然后对个体数据如分数、排名和整体数据如班级平均分、标准差等统计量进行计算及分析，这种方法侧重于学生的题目得分和总得分，忽略了试题题型、难度、内容以及评分标准的差异，只能提供单一笼统的诊断信息用于诊断评估，难以深入挖掘测评数据、充分获得能够代表学生认知水平和知识掌握程度的足够信息。
目前为止，研究者从各种不同的角度提出了近100种认知诊断模型，如Tatsuoka在20 世纪80年代提出的规则空间模型，DiBello等人在1995年提出的统合模型，Junker和Sijts- ma在2001年提出确定性输入、噪音‘与’门模型，Leighton、Gierl和Hunka在2004年以及 Leighton和Gierl在2007年提出的属性层次方法等。这些模型的共同特点是计算复杂，需要大量的运算才能实现认知诊断，而且不易理解，一定程度上阻碍了它们的广泛应用。文献[1] 的作者实现了一个基于形成性测评数据的个性化学习评价系统，对学习平台上生成的形成性测评信息进行归类整理并纳入评价标准。根据学习目标和知识掌握程度要求的不同，构成个性化评价方案，从学习态度、学习活动、内容交互、资源工具、评分反馈等多方面对学习者的学习成效进行评价[2]。牟智佳构建了基于电子书包的个性化评价系统，设计了基于教育大数据的个性化评价层次塔，从课程内容学习、参与互动交流、考试与作品、课外资源学习四个方面进行评价，并通过云管理层实现对教育云服务平台、云存储池和云集群计算平台的调度和管理[3]。Mislevy,R.J.,Steinberg,L.S.等设计了一个以证据为中心的评价系统，该系统以形成性评价或总结性评价为目的，提供与评价目的相适应的评价证据[4]。文献[5]提出了一个学习和测试智能系统(Learning and testing intelligentsystem,LTIS),该系统利用基于认知组件 (Cognitive component)的混合诊断测试(mixeddiagnostic tests，MDT)方法对学习者的专业知识和技能进行评估。虽然国内外学者建立了较多的个性化认知诊断模型和系统，但在简洁性和诊断属性的设计上还存在不足，也缺乏针对教学目标达成情况和知识点掌握情况的个性化认知诊断。
为解决上述问题，本发明设计了面向教学目标和知识点的认知诊断属性，利用云学习平台上积累的学习测评数据，基于Q矩阵，实现教学过程中学习者的知识和认知水平的快速诊断。
参考文献：
[1]陈明选,王诗佳.测评大数据支持下的学习反馈设计研究[J].电化教育研究,2018,039 (003):35-42,61.
[2]陈敏,杨现民.泛在学习环境下基于过程性信息的个性化学习评价系统的设计与实现[J].中国电化教育,2016(6):21-26.
[3]牟智佳.电子书包中基于教育大数据的个性化学习评价模型与系统设计[J].远程教育杂志, 2014(5):90-96.
[4]Karamehic J.Assessments of the socioeconomic status and diet onthe prevalence of dental caries at school children in central bosnian canton[J].Materia Socio-Medica,2014,26(5).
[5]Yankovskaya A,Dementyev Y,Yamshanov A.Application of Learning andTesting Intelligent System with Cognitive Component Based on MixedDiagnostics Tests[J].Procedia Social& Behavioral Sciences,2015,206:254-261.
发明内容
本发明为了客服现有技术的不足，提出一种基于学习测评数据的个性化认知诊断方法，该方法能够从教学目标和知识点两个维度分析学生的测评数据，为学生和教师提供个性化的认知诊断报告，从而在教学过程中提供科学及时的反馈。本发明通过以下技术方案来解决其技术问题。一种基于学习测评数据的个性化认知诊断方法，包含以下步骤：
(1)按照课程的教学大纲描述教学目标和知识点；
(2)根据(1)获得的教学目标和知识点设计试题/测验的题目；
(3)对(2)获得的题目进行分类，包含以下子步骤：
(3.1)按照布鲁姆教学目标分类学修订版，将试题题目按教学目标分类，实现试题内容到知识和认知过程这两个目标属性的转换；
(3.2)试题题目按知识点分类，实现试题内容到知识点属性的转换；
(4)建立试题集合T与学生集合S，并由这两个集合生成项目反应矩阵R；建立教学目标属性集合O与知识点属性集合K,由T和O、K和O分别生成描述试题与所测属性关系的的Q矩阵Q1和Q2；
(5)由项目反应矩阵R和Q矩阵Q1和Q2，计算出学生在每个教学目标属性上试题的答对个数和每个知识点属性上试题的答对个数；
(6)根据(5)计算的答对的试题个数，计算学生在教学目标属性上的答对频率和在知识点属性上的答对频率；
(7)根据(6)计算的答对频率，计算学生对每道试题题目的答对概率；
(8)根据(7)计算的答对概率，计算学生在教学目标属性上和在知识点属性上的掌握概率，完成个性化认知诊断。
附图说明
图1教学目标达成度的个性化认知诊断
图2知识点掌握程度的个性化认知诊断
图3个性化认知诊断流程图
具体实施方式
一种基于学习测评数据的个性化认知诊断方法，包含以下步骤：
(1)按照课程的教学大纲描述教学目标和知识点；
(2)根据(1)获得的教学目标和知识点设计试题/测验的题目；
(3)对(2)获得的题目进行分类，包含以下子步骤：
(3.1)按照布鲁姆教学目标分类学修订版，将试题题目按教学目标分类，实现试题内容到知识和认知过程这两个目标属性的转换；
(3.2)试题题目按知识点分类，实现试题内容到知识点属性的转换；
(4)建立试题集合T与学生集合S，并由这两个集合生成项目反应矩阵R；建立教学目标属性集合O与知识点属性集合K,由T和O、K和O分别生成描述试题与所测属性关系的的Q矩阵Q1和Q2；
(5)由项目反应矩阵R和Q矩阵Q1和Q2，计算出学生在每个教学目标属性上试题的答对个数和每个知识点属性上试题的答对个数；
(6)根据(5)计算的答对的试题个数，计算学生在教学目标属性上的答对频率和在知识点属性上的答对频率；
(7)根据(6)计算的答对频率，计算学生对每道试题题目的答对概率；
(8)根据(7)计算的答对概率，计算学生在教学目标属性上和在知识点属性上的掌握概率，完成个性化认知诊断。

Claims (6)

1.一种基于学习测评数据的个性化认知诊断方法，其特征在于包括以下步骤：
（1）根据课程的教学大纲描述教学目标和知识点；
（2）根据（1）获得的教学目标和知识点设计试题/测验的题目；
（3）对（2）获得的题目进行分类，包含以下子步骤：
（3.1）按照布鲁姆教学目标分类学修订版，将试题题目按教学目标分类，实现试题内容到知识和认知过程这两个目标属性的转换；
（3.2）试题题目按知识点分类，实现试题内容到知识点属性的转换；
（4）建立相关集合与矩阵，包含以下子步骤：
（4.1）建立试题集合T与学生集合S，并由这两个集合生成项目反应矩阵R；
（4.2）建立教学目标属性集合O与知识点属性集合K,由T和O、K和O分别生成描述试题与所测属性关系的的Q矩阵Q1和Q2；
（5）由项目反应矩阵R和Q矩阵Q1和Q2，计算出学生在每个教学目标属性上试题的答对个数和每个知识点属性上试题的答对个数；
（6）根据（5）计算的答对的试题个数，计算学生在教学目标属性上的答对频率和在知识点属性上的答对频率；
（7）根据（6）计算的答对频率，计算学生对每道试题题目的答对概率；
（8）根据（7）计算的答对概率，计算学生在教学目标属性上和在知识点属性上的掌握概率，完成个性化认知诊断。
2.根据权利要求1所述的基于学习测评数据的个性化认知诊断方法，在步骤（3.1）中，按照布鲁姆教学目标分类学，将试题内容所描述的教学目标中的动词和名词分别对应到两个认知维度（知识和认知过程）的各层级，实现教学目标到目标属性的转换，例如，“运用进程调度策略解决调度问题”，这一教学目标中，动词“运用“与分类学中认知过程维度的“应用”这一层级相对应，名词“进程调度策略”与知识维度的程序性知识这一层级相对应，该教学目标属于应用程序性知识的类别，它的两个目标属性分别是“程序性知识”和“应用”。
3.根据权利要求1所述的基于学习测评数据的个性化认知诊断方法，其特征在于，在步骤（4.1）中，对于测评数据的选取，除了期中考试、期末考试的作答情况作为总结性测评数据外，常态化练习和阶段性测验等形成性测评数据也属于数据收集的范围。
4.根据权利要求1所述的基于学习测评数据的个性化认知诊断方法，其特征在于，在步骤（6）中，学生
Figure 109407DEST_PATH_IMAGE001
在教学目标属性
Figure 584251DEST_PATH_IMAGE002
上的答对频率计算为：
Figure 674567DEST_PATH_IMAGE003
=
Figure 652887DEST_PATH_IMAGE004
其中,
Figure 436035DEST_PATH_IMAGE005
是步骤（5）求得的学生
Figure 132596DEST_PATH_IMAGE001
在教学目标属性
Figure 26602DEST_PATH_IMAGE006
上答对的试题个数，
Figure 125008DEST_PATH_IMAGE007
表示涉及属性
Figure 878725DEST_PATH_IMAGE002
的试题总数；学生
Figure 62582DEST_PATH_IMAGE001
在知识点属性
Figure 494700DEST_PATH_IMAGE008
上的答对频率为：
Figure 713192DEST_PATH_IMAGE009
=
Figure 306984DEST_PATH_IMAGE010
.其中，
Figure 243716DEST_PATH_IMAGE011
是步骤（5）求得的学生
Figure 213946DEST_PATH_IMAGE001
在知识点属性属性
Figure 284015DEST_PATH_IMAGE008
上答对的试题个数,
Figure 314288DEST_PATH_IMAGE012
表示涉及属性
Figure 472737DEST_PATH_IMAGE008
的试题总数。
5.根据权利要求1所述的基于学习测评数据的个性化认知诊断方法，其特征在于, 在步骤（7）中, 将学生
Figure 246658DEST_PATH_IMAGE001
答对试题
Figure 439742DEST_PATH_IMAGE013
的概率估计为试题
Figure 640916DEST_PATH_IMAGE013
所涉及的所有教学目标属性的答对频率及所有知识点属性的答对频率之乘积：
Figure 21082DEST_PATH_IMAGE014
，其中，
Figure 598693DEST_PATH_IMAGE015
。
6.根据权利要求1所述的基于学习测评数据的个性化认知诊断方法，其特征在于, 在步骤（8）中, 将学生
Figure 649213DEST_PATH_IMAGE001
对教学目标属性
Figure 21289DEST_PATH_IMAGE002
的掌握概率估计为涉及教学目标属性
Figure 888751DEST_PATH_IMAGE016
正确的所有试题答对概率之和与涉及属性
Figure 4474DEST_PATH_IMAGE002
的所有试题的答对概率之和的比值：
Figure 906571DEST_PATH_IMAGE017
，学生
Figure 449548DEST_PATH_IMAGE001
对知识点属性
Figure 69885DEST_PATH_IMAGE018
掌握概率
Figure 661404DEST_PATH_IMAGE019
的计算与
Figure 683586DEST_PATH_IMAGE020
类似。
CN202110456701.6A 2021-04-27 2021-04-27 一种基于学习测评数据的个性化认知诊断方法 Pending CN113284011A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110456701.6A CN113284011A (zh) 2021-04-27 2021-04-27 一种基于学习测评数据的个性化认知诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110456701.6A CN113284011A (zh) 2021-04-27 2021-04-27 一种基于学习测评数据的个性化认知诊断方法

Publications (1)

Publication Number Publication Date
CN113284011A true CN113284011A (zh) 2021-08-20

Family

ID=77275866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110456701.6A Pending CN113284011A (zh) 2021-04-27 2021-04-27 一种基于学习测评数据的个性化认知诊断方法

Country Status (1)

Country Link
CN (1) CN113284011A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114238546A (zh) * 2022-02-24 2022-03-25 四川科星引擎教育科技有限责任公司 一种基于空洞卷积的自适应认知诊断测试设备及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
辛涛等: "属性掌握概率分类模型——一种基于Q矩阵的认知诊断模型", 《北京师范大学学报(自然科学版)》, vol. 45, no. 2, 15 April 2009 (2009-04-15), pages 1 - 5 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114238546A (zh) * 2022-02-24 2022-03-25 四川科星引擎教育科技有限责任公司 一种基于空洞卷积的自适应认知诊断测试设备及方法

Similar Documents

Publication Publication Date Title
Lin et al. Comparison of 1: 1 and 1: m CSCL environment for collaborative concept mapping
Falakmasir et al. Using Educational Data Mining Methods to Study the Impact of Virtual Classroom in E-Learning.
CN105469662A (zh) 教学过程中学生答题信息实时采集、高效智能批改系统及使用方法
Zhang Research on classroom teaching evaluation and instruction system based on GIS mobile terminal
Najavits Psychotherapists' implicit theories of therapy.
Ji et al. Monitoring Indicators of the Flipped Classroom Learning Process based on Data Mining-Taking the Course of" Virtual Reality Technology" as an Example.
CN113284011A (zh) 一种基于学习测评数据的个性化认知诊断方法
Agbonifo et al. Design of a neurofuzzy-based model for active and collaborative online learning
Luo [Retracted] Preschool Education Based on Computer Information Technology Literacy and Big Data
Sun et al. Hot topics and frontier evolution in college flipped classrooms based on mapping knowledge domains
Chen [Retracted] Evaluation Method of Advanced Mathematics Teaching Reform Effect Based on Big Data Analysis Technology
Yang et al. Optimization of early childhood education information system based on computer aided methods
Zhang RETRACTED: Cultivation and interpretation of students' psychological quality: Vocal psychological model
Sang Design and implementation of college english teaching system based on ga optimized rbf neural english
Yao A Dynamic Model for Blended Learning of University English Based On K-Means Clustering Algorithm
Yang et al. Enhancing Peer Assessment Validity with Engagement Behaviors: A Structural Equation Modeling Approach
Yichong et al. Classroom learning assessment: modeling and tool design based on the SOLO classification theory
Liu et al. An empirical study on the effect of academic engagement on academic achievement of engineering students in colleges and universities
Zhu Research on the Blended Teaching Practice Based on the Ketangpai Network Teaching Cloud Platform
Fatima et al. An Enhanced Decision Support System through Mining of Teachers Online Chat Data
Yu Application of Data Mining in Personalized Distance Education
Sümen An Investigation of Pre-Service Elementary Teachers’ Skills of Teaching Numbers Through Digital Storytelling
Gao Research on online learning behavior in China: stages, models and hotspots
Shuai Data mining in smart classroom management system
Qian A study on the implementation path of college English classroom culture teaching based on big data analysis

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