[发明专利]联合题目定性分析概率矩阵分解的认知诊断方法及装置

说明书

本发明公开了一种联合题目定性分析概率矩阵分解的认知诊断方法及装置，涉及教育数据挖掘、计算机软件应用和认知诊断技术领域，该方法包括基于历史试题的答题时间均值和题目难度等级确定能力评价函数，以计算得到学生对题目的掌握程度；根据学生对题目的掌握程度以及题目已标注的知识点，通过融合模型计算得到学生对知识点的掌握程度；基于计算得到的学生对知识点的掌握程度，实现对目标知识点的掌握程度预测。本发明能够使得诊断结果更能吻合学生的实际情况，预测的知识点掌握程度也更吻合实际掌握情况。

技术领域

本发明涉及教育数据挖掘、计算机软件应用和认知诊断技术领域，具体涉及一种联合题目定性分析概率矩阵分解的认知诊断方法及装置。

背景技术

近年来随着线上教育的普及，学生的学习不再受时间和地点的限制，智能教育平台能够便捷的为学生提供试题进行练习和测试。但通过对学生的试卷得分进行传统分析，测验的得分难以评判学生对知识点的掌握情况，对于学生的知识的掌握程度评价成为一个急需解决的问题。为解决这个问题，有研究者提出项目反应理论(IRT)、传统的概率矩阵分解、DINA(Deterministic Inputs,Noisy and Gate Model，一种认知诊断模型)模型等，其中的核心方法就是用极大似然法、贝叶斯理论、机器学习等方法对题目参数或者学生能力的隐含参数进行估计，然后进行前向或者内积计算求出学生对试题的掌握情况。

但上述方法普遍都存在问题，如DINA模型是离散的，它所假设的属性作用机制较为简单，对认知假设的表征无法覆盖现实情境中属性作用机制的各种复杂程度，难以满足现实诊断中的多样化的需求；项目反应理论中所需答对的概率为标签难以在实际项目中获取；概率矩阵分解是将一个高维的学生-试题得分矩阵进行分解为两个学生和试题的低维矩阵，然后利用两个矩阵的内积反应对试题的掌握程度，该方法训练比较费时，掌握程度一般为在线计算虽然可以通过离线进行，但是出现高亮数据后模型更新慢导致模型预测不准确，同时和以上方法一样都未能考虑答题过程中存在的行为信息。后续又有研究者提出题目定性分析的认知诊断方法，该方法虽然可以将答题过程的中的答题时间信息融入模型，但是并不能很好解决在某知识点下没有答题的情况时该知识点的掌握情况。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种联合题目定性分析概率矩阵分解的认知诊断方法及装置，能够使得诊断结果更能吻合学生的实际情况，预测的知识点掌握程度也更吻合实际掌握情况。

为达到以上目的，本发明提供的一种联合题目定性分析概率矩阵分解的认知诊断方法，具体包括以下步骤：

基于历史试题的答题时间均值和题目难度等级确定能力评价函数，以计算得到学生对题目的掌握程度；

根据学生对题目的掌握程度以及题目已标注的知识点，通过融合模型计算得到学生对知识点的掌握程度；

基于计算得到的学生对知识点的掌握程度，实现对目标知识点的掌握程度预测。

在上述技术方案的基础上，所述基于历史试题的答题时间均值和题目难度等级确定能力评价函数，以计算得到学生对题目的掌握程度，其中，对于历史试题的答题时间均值的计算，具体为：

采用绝对值差中位数法MAD去掉噪声后进行求平均计算，以得到当前试题的答题时间均值。

在上述技术方案的基础上，所述绝对值差中位数法MAD的具体处理步骤为：

对于当前题目，获取所有学生答题时间Ti的中位数median；

计算得到所有学生答题时间Ti与中位数median间的绝对偏差值|Ti-median|，并得到绝对偏差值|Ti-median|的中位数MAD；

确定阈值参数a，去除超出范围[median-a·MAD，median+a·MAD]的答题时间。

在上述技术方案的基础上，所述能力评价函数具体表示为：