[发明专利]一种多步分层的学习者认知水平挖掘方法及系统

说明书

本发明属于教育数据挖掘技术领域，公开了一种多步分层的学习者认知水平挖掘方法及系统，结合布鲁姆认知领域目标分类及认知心理，构建试题‑知识认知水平矩阵P，综合学习者知识认知水平矩阵和试题‑知识认知水平矩阵构建学习者理想答题矩阵，利用极大似然估计挖掘学习者知识掌握候选集合；对候选集合内元素的全局期望进行综合判断，获取学习者最终的知识认知水平，并将结果使用雷达图可视化输出。本发明通过挖掘出学习者的知识认知水平后，利用雷达图反馈给学习者的挖掘结果将更加直观、通俗易懂，辅助学习者及时调整学习方案；模型挖掘出的试题隐参数可以评估组成此次测试的试题质量，提高了测试准确性与可信度。

技术领域

本发明属于教育数据挖掘技术领域，尤其涉及一种多步分层的学习者认知水平挖掘方法及系统。

背景技术

目前，最接近的现有技术：

迄今为止，整个测验统计理论的发展可以分为标准测验理论阶段和新一代测验理论阶段。以经典测量理论和项目反应理论为代表的标准测验理论聚焦于测验分数的结果，无法对学习者得分背后所隐藏的心理内部加工过程、加工技能和认知结构等进行分析判断，漠视了具有相同测验分数的学习者常常具有不同的认知结构和认知策略。

以认知诊断为核心的新一代测量理论充分采取认知心理学有关人类知识加工过程内在机制，通过对学习者内部心理加工过程的测量，提供具有针对性的认知挖掘信息，并强调对学习者的认知优势与劣势进行分析，由此开发出具有认知诊断的心理计量模型--认知诊断模型。认知诊断模型对学习者进行单独建模，模式化其认知结构，定量的分析学习者之间的个体差异与认知结构，从而帮助教师及时掌握学习者学习状态，及早进行学习干预，实现因材施教；帮助学习者通过个性化学习信息反馈，提供针对性的补救措施及建议，实现自主学习；更可以帮助教育管理者合理均衡地分配教育资源，实现教育公平。

目前学习者认知水平挖掘的方式主要是以项目反应理论(Item ResponseTheory,IRT)与确定性输入，噪声“与”门(the Deterministic Input,Noisy“And”Gatemodel,DINA)模型为主。其中，IRT将学习者在试题上的作答情况建模为一维连续的能力值，并且学习者的综合能力以此能力值作为判定，通过项目特征曲线(Item CharacteristicCurve,ICC)表示学习者在不同的潜在特质下与试题作答概率以及试题参数的关系。

而DINA模型是一个多维离散认知诊断模型，由于客观试题的作答结果具有非对即错的特点，DINA模型结合学习者在客观试题上的作答情况，通过教育专家对试题所考查知识点进行标记，使用EM算法最大化总似然函数的边际似然，得到试题的隐参数估计，其中试题隐参数主要是指失误参数与猜测参数，然后通过最大化学习者试题得分后验概率来计算学习者的二分知识点掌握向量。在获得了学习者相应的知识点掌握情况后，对学习者进行个性化的学习资源推荐，从而实现自适应个性化学习。

但是，在IRT模型下，学习者被建模成一个具有单一能力值的对象，除试题参数(难度、鉴别度、猜测率)之外，只存在这单一的综合能力因素影响学习者在试题上的作答情况，然而在实际的测试中，不同的试题考查的知识点并非单一的，且即使考查知识点相同但其要求解题的知识点层次也不相同，单一的学习者能力难以准确描述学习者在不同维度即不同知识点上的能力差别。

而传统的DINA模型只能对学习者的知识掌握进行离散化估计，即只能判断学习者对某一知识点掌握或未掌握，不能挖掘其具体的知识点掌握程度，且由DINA模型得到的学习者知识掌握结果可解释性不强，难以准确描述挖掘结果具有的实际意义。

综上所述，现有技术存在的问题是：

(1)现有技术中，项目反应理论依赖众多假设，不能在多维上建模学习者的知识掌握，没有对学习者的潜在特质作出精细化分析，只能在大容量样本(学习者的能力分布范围广,测试用题数量多)下以项目特征函数描述出作答反应结果与学习者潜在特质及试题参数的关系或趋势，而不能作出具体分析，挖掘的粒度较粗；