[发明专利]面向知识测量的试题、知识、能力张量构建与标注方法

说明书

本发明属于教育数据挖掘技术领域，公开了一种面向知识测量的试题、知识、能力张量构建与标注方法，结合Q矩阵与布卢姆认知领域教育目标分类，将知识点的掌握划分为六个认知能力水平：知道、领会、应用、分析、综合、评价，构建试题、知识、能力张量；采用主动学习策略，构建可解释试题标签预测模型，获得可解释的标签预测信息熵，利用训练出的可解释试题标签预测模型，将未标注样本输入该预测模型，反馈具有较强解释性的标签预测信息熵，从而进行人机协同。本发明减少了人工标记的主观性对TKA张量的影响，标注准确率与效率高，极大降低专家人力成本。本发明可迁移性强，可应用于各个学科的试题知识点考查标注，方法适用性更好。

技术领域

本发明属于教育数据挖掘技术领域，尤其涉及一种面向知识测量的试题、知识、能力张量构建与标注方法。

背景技术

目前，最接近的现有技术：在教育领域中，通常将对个体的知识结构、认知加工技能或认知过程进行诊断评估称为认知诊断评估。将知识或认知加工技能等统称为属性，学习者的知识结构、认知加工技能等是不能直接观察的潜在变量。在认知诊断评价理论中，属性是最基础的概念，属性指的是影响被试的外在行为表现的那些潜在的、内隐的心理特质。在一次教学测验中，被试对象是学习者，其外在行为表现为学习者在试题上的作答，而影响学习者作答的一个主要因素就是学习者对于知识点的掌握情况或认知水平。因此需要对学习者进行诊断分析，主要的评价目标是分析学习者对各内容领域特别是知识点的掌握情况或认知水平。

认知诊断评估要设计一个测验,以诱发出学习者内在认知特点的外在表现,从而实现对内在认知特征的判断，这一过程主要是通过试题与知识的表征实现的，在学科知识与试题关系的表征方面，主要有三类方法：

1)学生-问题表(Student-Problem Chart，S-P表)表征方法；

2)试题知识关联Q矩阵表征方法；

3)基于知识空间理论的表征方法。

S-P表是一种图表结构分析方法，将转换后的测试、练习得分数据排成二维表格，从而对学习者和试题应答情况进行视觉化处理。S-P表实现了学习者和试题得分的直接映射关系，但是对试题背后关联的知识点未进行表征。

试题知识关联Q矩阵用来表达每个试题所对应的知识点，如试题考查了知识点则记1，否则记0。Q矩阵直观地表达了试题所对应的知识点，但对试题考查知识点所对应的认知层次及水平并未涉及。

基于知识空间理论的表征方法，提供了一种表达知识结构的方法，是一种测试学生知识状态、知识结构的心理学理论。在该理论中，关于某一领域的知识状态由受测者能够回答的问题集合表示，知识结构是指构成某一领域知识的知识状态的集合。知识空间理论方法描述了试题与知识结构或知识空间的映射关系，但未涉及学习者的知识掌握程度及认知水平的表征。

在测验Q矩阵估计技术上，一般有以下思路：

一是项目的简单检查法或评分者法，对于项目的简单检查法和多评分者法由教育专家对已得出的测验Q矩阵进行重新审视分析以期进行进一步确定，但其结果带有一定的主观性。

二是基于项目参数的迭代估计法，这是一种在模型拟合的前提条件下结合项目参数对Q矩阵进行提纯精炼，由于其建立在项目参数的基础上而不是单纯的由专家进行界定，该方法得出的Q矩阵较前一种方法具有一定的客观性。但是，大多情况下由初始就被错误标注的Q矩阵所得到的项目参数误差较大，这将会严重影响以该项目参数为基础的Q矩阵估计结果的准确性。

三是基于学习者的作答反应数据来进行Q矩阵估计，该方法又主要分为非参数估计法与参数估计法，该方法经实验证明效果较好，但方法的使用具有严格的限制条件，适用性较低。

综上所述，现有技术存在的问题是：