[发明专利]学生认知诊断方法

说明书

本发明公开了一种学生认知诊断方法，包括：获取学生的历史答题信息，并提取出试题文本和所包含的预定义知识点；根据试题文本和包含的预定义知识点计算每道试题的知识点相关度向量；将设定的学生参数、以及包含试题的知识点相关度向量的试题参数，作为以神经网络构建的认知诊断模型的输入，对答题结果进行拟合，通过训练得到学生的知识点掌握度向量，完成学生认知诊断。

技术领域

本发明涉及教育数据挖掘技术领域，尤其涉及一种学生认知诊断方法。

背景技术

认知诊断是智能教育中十分重要的一环，是对传统考试测验与评价的一种改进与完善。传统教育场景中采用的通常是粗粒度的学生评测方式，例如通过学生的考试得分或答题的对错来评估学生的能力，但仅凭此并不能得知学生答错试题的原因，也无法准确获知学生的知识短板在何处。针对此问题，学生认知诊断旨在通过对学生答题记录的分析，来获得隐藏其中的学生对各个特定知识点的掌握程度。

认知诊断对于学生能力的评估是当下个性化智能教育的关键技术之一。准确的认知诊断结果能够为学生提供真实的知识状态的反映，为学生的自我评估、教师的后续辅导以及智能教辅平台的资源推荐等提供可靠的依据。因此，如何更加准确的实现对学生知识状态的诊断一直是教育数据挖掘领域重要的研究内容。

目前已有的关于认知诊断的方法主要分为以下两个领域：

1)教育心理学方法

教育心理学中，项目反映理论(item response theory,IRT)模型和DINA(deterministic inputs,noisy“and”gate)模型是两种最典型的模型。其中IRT是连续单维的，它将试题难度、试题区分度、试题猜测度和学生综合能力各自用一个连续值标量表示，通过逻辑斯蒂回归来预测学生的答题结果。IRT有多维的改进版本(MIRT)，将学生的能力用多维的连续向量表示，但本质上仍然是逻辑斯蒂回归。另一方面，DINA是多维离散模型，将学生和试题各自表示成一个多维的0-1向量(学生向量中以1表示掌握了该知识点，0表示未掌握；试题向量中以1表示包含该知识点，0表示未包含)，并将Q矩阵应用到建模当中。Q矩阵是用来表示试题包含知识点的离散矩阵。在DINA中认为在一道试题中考察的知识点之间的关系是“连接性的”，即需要掌握所有考察的知识点才能够答对，此外可进一步结合试题的猜题和失误参数，挖掘学生的知识掌握程度。

2)矩阵分解方法

矩阵分解来自数据挖掘领域，也被用来进行认知诊断，将学生和试题分别类比于推荐系统中的用户和商品，以多维连续向量分别表示每个学生与试题的隐藏特征。具体来说，是将学生答题的记录矩阵进行低秩分解，去冗余得到表示所有学生特征的学生矩阵和表示所有试题特征的试题矩阵，然后以点乘为基础对两个矩阵进行合并，还原原答题记录矩阵的同时填补其中空缺的部分(学生没有该题的作答记录)，以此预测学生在未作答题目上的得分。低秩分解的方法可以是奇异值分解(singular value decomposition,SVD)，概率矩阵分解等。

尽管上述的这些认知诊断方法在过去的应用中展示出了它们的有效性，但它们都是线性组合学生向量与试题向量之间，往往不能够准确建模学生与试题之间的复杂关系。部分方法(IRT、矩阵分解等)所获得的学生向量尽管反映了学生的抽象特征，可用于答题结果预测，但不具有实际可解释的意义，仍然无法得知学生对每个特定知识点的掌握程度，因此不利于诊断结果的理解与进一步利用。此外，具体的向量组合方式的函数映射(如IRT中的逻辑斯蒂回归，矩阵分解中的点乘)的设计需要较多的专业知识，十分费时费力，且设计出函数通常适用的试题类型很有限。

发明内容

本发明的目的是提供一种学生认知诊断方法，通过对学生答题记录的分析，再结合试题的知识点和试题文本信息，能够准确的获得学生在每一特定的预定义知识点上的掌握程度。

本发明的目的是通过以下技术方案实现的：

一种学生认知诊断方法，包括：