本书依托认知心理学、教育测量学等理论,提出了以认知诊断为核心的分析评估方法,该分析评估方法是教育与数据科学跨学科研究与实践的成果。同时,本书聚焦面向学习任务的教育场景,深入探讨了认知诊断相关方法,以支撑教育训练过程的分析与评估。
本书共分6章,第1章总体概述了本书的研究内容与主要贡献;第2章阐述了本书相关研究工作所需要的基础知识和现有模型的研究概况;第3章介绍了面向学习任务的知识关联建模,聚焦知识关联关系的量化建模方法,证明了知识关联关系对于认知诊断的影响;第4章利用知识关联关系信息构建了面向认知诊断的知识聚合方法;第5章提出了融合知识关联关系的认知诊断深度模型,实现了认知诊断模型自身参数以及知识权重等参数的统一学习;第6章是总结与展望。
本书可以为高等院校计算机专业、教育技术专业本科生或研究生从事智慧教育训练分析评估方面的研究提供指导,也可以为从事教育训练研究的相关人员提供参考。
教育数据挖掘是当前数据工程、大数据与人工智能等众多领域的前沿研究方向。作为教育数据挖掘的一个分支,教育训练数据的分析与评估旨在通过分析教育训练过程中产生的数据来评估学习者在学习训练过程中的状态或具备的能力,为实现精准学习、精准训练奠定基础。本书在现有认知诊断模型的基础上,聚焦面向学习任务的教育场景,充分考虑面向学习任务的知识关联关系,开展认知诊断方法研究,从而支撑教育训练过程的分析与评估。本书内容所涉及的工作是教育与数据科学跨学科研究与实践的一次有益尝试。
2020年以来,为了应对疫情危机,在线学习广泛开展,在此过程中产生了大量的学习数据,这为教育训练数据的分析与评估研究提供了更多的现实应用场景。本书将教育训练数据的分析与评估聚焦于面向学习者能力评估的认知诊断方法研究,探索通过分析学习者相关学习过程的数据,挖掘出知识掌握程度(认知状态)的智能评测方法。认知诊断方法是实现个性化学习乃至智能教育中“因材施教”目标的基石,相关的研究成果也逐步应用于面向基础教育、高等教育的在线学习场景。因此,从认知诊断方法的视角研究教育训练数据的分析与评估具有重要的意义与应用价值。面向学习任务的场景普遍存在于基础教育、高等教育乃至军事教育等多种类型的教育场景,在这些教育场景中往往需要表达并利用知识间的关联关系,以建立更加有效的认知诊断模型。现有的认知诊断研究将学习任务中各知识对于正确作答的影响视为同等重要,而未考虑知识的协调综合的影响,即认知诊断模型忽视了学习任务本身的知识关联关系,从而影响了认知诊断结果的准确性。本书针对如何建模面向学习任务的知识关联关系及强度,如何构建更具泛化性的认知诊断聚合方式,以及如何建立深度神经网络实现认知诊断模型参数的统一学习这三方面挑战,分别阐述了知识关联建模、知识聚合方法以及认知诊断模型参数学习等方面的研究思路,为认知诊断模型向学习任务场景的应用拓展提供了有价值的理论与方法基础。本书针对以下三个方面的问题,提出了独创性的解决方案。
(1) 针对面向学习任务的知识关联建模复杂的问题,在划分知识关联类型的基础上,提出了基于模糊测度的知识关联建模(KRFM)方法。首先,应用该方法实现了知识的关联关系量化表征,同时给出了模糊测度的两种计算方法;然后,详细阐述了面向学习任务的知识全局重要度以及两两知识间的交互指标计算的实现算法,接着围绕认知诊断这一应用需求,分析了知识关联嵌入认知诊断过程的方式;最后,采用合成数据集和公开数据集,对所提出的方法在学习表现评估和知识关联预测等任务上开展实验与分析,结果验证了KRFM方法的可行性和有效性。
(2) 针对现有认知诊断模型聚合方式泛化性弱的问题,提出了基于Sugeno积分的知识聚合(SI-GAM)方法。该方法不仅实现了知识关联的融合,还建立了知识聚合函数的表达形式。具体而言,首先,用SI-GAM方法实现了知识权重和聚合函数的联合表征;然后,将SI-GAM方法与现有聚合方法比较,推导证明了该方法的泛化能力;最后,进一步论证了SI-GAM方法在处理认知诊断多策略问题上的优势。本书分别在合成数据集和公开数据集上的学习表现预测和参数敏感性实验方面证实了SI-GAM方法的有效性和鲁棒性,并通过案例分析体现了SI-GAM方法的解释性。
(3) 针对融合知识关联认知诊断深度模型参数统一学习难的问题,提出了基于模糊积分深度神经网络的认知诊断模型(CHI-CDM)。该模型实现了学习者认知状态与知识权重的统一表达。具体而言,首先,从学习者和学习任务两个维度构建了CHI-CDM框架;然后,提出了针对多个学习任务的知识权重学习算法以获得知识关联关系及强度,该算法针对的是考查知识点数量相同的学习任务场景;最后,利用模糊积分深度神经网络实现知识聚合,在刻画知识关联关系的基础上构建了认知诊断深度模型。实验详细描述了如何利用公开数据集和实际数据集对CHI-CDM开展分析以验证模型效果,同时展示了该模型在学习表现预测、认知状态诊断及知识关联表征等方面的应用。
本书在编写过程中,参考了相关资料,在此对相关文献的作者表示衷心的感谢。
由于编著水平有限,书中难免存在一些不足,敬请广大读者批评指正。
编 者
2023年2月
第1章 绪论1
1.1 研究背景与意义 1
1.2 国内外研究现状 4
1.2.1 面向教育资源的表征与理解 5
1.2.2 面向自适应的学习推荐 5
1.2.3 面向学习者能力评估的认知诊断 6
1.3 研究挑战 7
1.3.1 知识关联关系表征 8
1.3.2 知识聚合泛化 8
1.3.3 模型参数学习 9
1.4 研究内容与主要贡献 9
1.5 本书组织结构 11
第2章 基础知识与模型概述 13
2.1 认知诊断相关概念 13
2.1.1 知识及知识的结构 14
2.1.2 Q矩阵 14
2.1.3 作答反应模式 15
2.2 认知诊断模型 16
2.2.1 统一模型 16
2.2.2 项目反应理论模型 17
2.2.3 DINA模型 17
2.2.4 模糊认知诊断模型 18
2.3 模糊测度与模糊积分 19
2.3.1 模糊测度 19
2.3.2 模糊积分 19
2.4 深度神经网络 20
本章小结 21
第3章 面向学习任务的知识关联建模 22
3.1 知识关联建模相关研究 22
3.1.1 基于学科体系的知识关联 23
3.1.2 基于学习者建构的知识关联 24
3.2 基于模糊测度的知识关联建模方法 24
3.2.1 面向学习任务的知识关联 24
3.2.2 知识集合的关联关系类型 25
3.2.3 基于模糊测度的知识关联建模 26
3.2.4 模糊测度的计算 29
3.3 知识的全局重要度和交互指标 32
3.3.1 知识的全局重要度 32
3.3.2 知识的交互指标 33
3.4 知识关联在认知诊断中的应用 35
3.4.1 知识关联的嵌入 35
3.4.2 知识关联实验设置 36
3.4.3 知识关联实验结果分析 38
本章小结 41
第4章 面向认知诊断的知识聚合方法 42
4.1 认知诊断中的知识聚合 42
4.2 知识聚合方法相关研究 44
4.2.1 知识权重的建模 44
4.2.2 知识聚合的建模 45
4.3 基于Sugeno积分的通用知识聚合方法 46
4.3.1 知识权重的表征 46
4.3.2 聚合函数的选择 48
4.3.3 与现有模型的聚合方法比较 51
4.4 认知诊断中的多策略问题 54
4.5 知识聚合实验 57
4.5.1 知识聚合实验设置 58
4.5.2 知识聚合实验结果分析 60
本章小结 64
第5章 融合知识关联的认知诊断深度模型 65
5.1 认知诊断深度模型相关研究 65
5.2 融合知识关联的认知诊断深度模型 66
5.2.1 问题描述 66
5.2.2 融合知识关联的认知诊断模型框架 67
5.2.3 基于模糊积分的认知诊断深度模型实现 70
5.3 认知诊断模型实验 77
5.3.1 模型实验设置 78
5.3.2 模型实验结果分析 80
5.4 面向编程学习的认知诊断应用 85
本章小结 86
第6章 总结与展望 88
6.1 研究总结 88
6.2 未来展望 89
参考文献 91