诊断|中科大神经网络和端到端训练框架，探究教育情境对学生能力的影响( 二 )
此外 ， 虽然使用认知诊断结果一定程度上能解决教育情境信息分析中的可比性问题 ， 但传统教育领域的研究方式依然存在误差传递、影响难以量化等问题 。 在这一背景下 ， 该研究提出教育情境感知的认知诊断框架 ， 期望使用神经网络以及端到端的训练框架 ， 自适应学习不同教育情境信息的量化影响 ， 并结合现有认知诊断工作的方法 ， 增强诊断的结果 。
教育情境感知的认知诊断
1、问题定义
设学习系统中有 N 个学生 ， T 个情境信息问题以及 M 个练习 。 学生集合
文章图片
， 情境问题集合
文章图片
， 练习问题集合
文章图片
。 学生的情境信息记录表示为三元组
文章图片
集合R_q；答题记录表示为
文章图片
的集合R_e ， 其中
文章图片
r_q与r_e分别是学生s对情境问题q的回答与在练习e上的得分 。
给定学生s的记录
文章图片
， 该研究的目标是通过学生表现预测的过程 ， 获取学生s的知识点掌握程度 。
2、情境感知的认知诊断框架
几乎所有传统认知诊断方法都包括学生参数、试题参数、学生与试题交互函数这三个部分 ， 其合理性已被大量工作验证 。 总体上 ， 学生作答过程可以形式化为
文章图片
， 其中
文章图片
，
文章图片
分别代表学生知识状态、练习相关参数（如难度 ， 知识点） ， F为认知函数 ， r为学生表现 。 学生知识状态则可以进一步表示为：
文章图片
其中C为情境信息输入 ， H为情境影响函数 ，
文章图片
，
文章图片
分别代表情境影响的外显特质与历史学习情况影响的学生内在特质 ， G代表学生特质对知识状态的映射函数 。
该研究提出一个两阶段的框架：教育情境建模阶段与诊断强化阶段 。
- 首先 ， 在教育情境建模阶段中 ， 该研究提出使用一个分层注意力网络建模情境输入对学生知识状态的外在影响表示， 即建模情境影响函数H 。 具体网络结构在下小节介绍 。
- 其次 ， 在诊断强化阶段 ， 该研究通过将学生参数（学生知识状态）形式化为情境信息影响的外显特质与历史学习情况影响的内在特质两部分的调和（映射函数G） 。
文章图片
其中 ， d_t为学生 id 映射的权重参数 ， 由网络学习 。 这样 ， 情境信息表示能够对现有的认知诊断方法（认知函数F）进行拓展 。 该研究对认知诊断领域经典的 IRT、MIRT 以及 NeuralCD 方法进行了拓展实现 。
推荐阅读
- 清华大学|“穷清华，富北大，不要命的中科大”是什么意思？三校关系如何？
- 考试|中国高校探花之谜揭秘！浙大、上交大、复旦、中科大、南大5强争雄！谁将脱颖而出？
- 高校|奇葩说，浙大、上海交大、复旦、中科大、南大五校实力之比较！
- 诊断|曾被医生诊断10年后可能瘫痪，30多年后……
- 考试|【临床】执业医师技能考试—外科学其他篇病例分析——疾病诊断公式
- 中小学|国内“百强高校”大洗牌，中科大跻身前三，清华稳坐榜首之位
- 小学生|曾被诊断活不过3岁、如今开着“变形金刚”去上学！这个上海7岁男孩帅呆了
- 高校|化学学科高校排名大洗牌，中科大力压清北夺冠，复旦挺进前三
- 高校|我国百强大学排名洗牌，浙大排名争议较大，中科大位列第三
- 高校|安徽高校2021年竞争力排名：中科大实至名归，安徽师范大学居第4