[发明专利]时序化的学生认知诊断方法

说明书

技术领域

本发明涉及教育数据挖掘技术领域，尤其涉及一种时序化的学生认知诊断方法。

背景技术

认知诊断是传统考试测验与评价的一种改进与完善。一般的教育考试，特别是大规模的考试，只提供考试分数。然而由单一的分数，既不能得到学生具体掌握或未掌握什么知识的结论，也不能得到学生做错试题的原因，以进行补救；对于相同分数的学生，更无法得到他们之间可能存在的知识状态和认知结构的差异。传统考试提供的信息已不太适合学生发展的需要，认知诊断的主要任务是根据学生的差异，挖掘出更多认知加工信息。认知诊断通过测验获得学生在测验上(可观察)的反应(测试结果)，从而推知学生不可观察的知识状态。

认知诊断是对学生长时间学习的状态评估，是智能化个性教学的重要内容。准确的认知诊断，可以帮助学生清楚地对自身这段时间学习情况准确认知，同时可以辅助家长和老师为学生制定个性化的学习策略。因而如何长时间地、准确地诊断学生知识掌握程度的变化，一直是教育数据挖掘领域探索的一个重要问题。

目前，关于认知诊断的方法主要有以下几种：

1)基于单个时刻的能力值诊断

基于项目反应理论(IRT)仅通过学生在试题上的答题情况，通过对题目特征函数的运算，来推测学生的能力。IRT的题目参数有：难度、区分度和猜测程度。根据参数的不同，特征函数可分为单参数模型(难度)、双参数模型(难度、区分度)和三参数模型(难度、区分度、猜测参数)等。将学生建模为一维连续能力值，并以这一个单一的能力值表示学生的综合能力。在IRT模型下，学生被刻画成一个具有单一能力值的对象，除题目自身的因素(区分度、难度、猜测度)之外，学生在题目上的表现情况仅受到这单一综合能力的影响。

2)基于单个时刻的知识掌握诊断

在引入了知识点相关的能力维度后，有学者提出试题所关联的知识点信息(Q矩阵)，并且认为一个试题所考察的多个知识点之间的相互作用有“连接性的”(需要掌握考察的所有知识点才能有机会答对试题)和“补偿性的”(只要掌握所考察的其中一个相关知识点就能得分)。该方法属于多维离散认知诊断模型(DINA)，且该DINA模型认为知识点间的相互作用是“连接性的”。DINA模型除了使用学生在试题上的答题情况之外还引入了试题知识点关联矩阵(Q矩阵)，通过联合更多的教育领域内特有的信息对学生的知识点掌握程度进行诊断，并将学生建模成一个在多维知识点上的能力向量，其中向量的每一维的值均是0-1的，表示学生是否掌握了对应维度上的知识点。DINA模型可以进一步结合试题上的猜测和失误参数，预测学生在试题上的表现情况。

3)基于多个时刻的能力值诊断。

考虑到学习如同跑马拉松，是一个循序渐进的长期过程。单一时刻的静态认知诊断方法已经远远不能满足学生日益增长的需求，有学者提出基于时序化的认知诊断技术，该类技术主要可以分为以下两种模型：时序化的IRT模型和BKT模型及其相关改进。时序化IRT技术主要是在传统的IRT模型中加入时间的因素，认为学生的能力值随时间的变化符合特定的规律可以用线性函数拟合，从而根据学生历史的多次测试的答题数据，得到学生在不同时刻的能力值。BKT模型被广泛应用到智能指导系统中，该应用场景的数据有一个鲜明的特征，对于同一道试题或者问题，应试者会在不同时刻多次反复作答。该模型使用隐马尔科夫方法对学生的知识掌握进行建模，同时定义了四个概率：初始的能力值，T时刻知识点掌握程度的转化概率，犯错的概率以及猜测的概率用于表征学生在每个时刻的表现和状态。

上述认知诊断方法中，基于单个时刻的能力值诊断以及知识掌握诊断虽然可以准确地得到学生在特定时刻的能力值或者知识掌握程度，但是该方法是静态的，仅能对一场考试的数据进行分析，无法适用于学生长时间学习的动态评估。基于多个时刻的能力值诊断方法，虽然可以得到学生在不同时刻的能力值，以及准确预测学生在下一个时刻的得分，但是该能力值没有实际意义，更无法解释学生的能力值是如何变化的，一个单维的能力值因为缺乏解释意义，实际的价值不大，该方法只能诊断出学生在不同时刻的能力值提升或者下降了，但是无法得知学生在哪方面的知识上退步需要加强，在哪些方面已经足够熟练不需要再额外增加训练。因此，采用现有的认知诊断方法，难以精准地捕获学生长时间学习过程中对各个知识点的掌握程度的变化情况，以及有依据地解释什么因素导致了学生的变化，例如新学习了某个知识点，或者时间间隔太长遗忘等。

发明内容