基于知識(shí)點(diǎn)擴(kuò)增網(wǎng)絡(luò)的薄弱認(rèn)知診斷

鐘昌梅　張明西　戴江海　趙瑞

關(guān)鍵詞：知識(shí)點(diǎn)擴(kuò)增網(wǎng)絡(luò)；認(rèn)知診斷；隨機(jī)游走；TD-IDF

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-8228（2023）11-28-06

0 引言

隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展和跨學(xué)科研究的不斷融合，智能教學(xué)輔助系統(tǒng)日益受到人們的關(guān)注[1]。在這一背景下，認(rèn)知診斷作為智能教輔系統(tǒng)中的核心問題，近年來備受關(guān)注，認(rèn)知診斷主要目的在于發(fā)現(xiàn)學(xué)生在學(xué)習(xí)過程中的知識(shí)狀態(tài)[2]。通常認(rèn)知診斷報(bào)告在智能教輔系統(tǒng)中對于提高學(xué)生學(xué)習(xí)效率和教師教學(xué)質(zhì)量至關(guān)重要，可為后續(xù)的個(gè)性化補(bǔ)救和教學(xué)計(jì)劃的改進(jìn)提供幫助。

目前，針對認(rèn)知診斷已有一些相關(guān)研究，如基于確定性輸入、噪聲和門的模型[3]（DINA），項(xiàng)目響應(yīng)理論[4]（IRT），多維IRT[5]（MIRT）和矩陣分解[6]（MF）。這些方法在某些方面取得了一定的成果，但大多數(shù)方法僅針對學(xué)生進(jìn)行全面的認(rèn)知診斷，并未對學(xué)生薄弱的認(rèn)知做深入分析。為了解決這一問題，一些學(xué)者提出了基于神經(jīng)網(wǎng)絡(luò)的方法，將習(xí)題的難易程度作為習(xí)題特征引入認(rèn)知診斷模型，以發(fā)現(xiàn)學(xué)生和習(xí)題之間的更深層次的關(guān)系[7]。盡管該方法在預(yù)測學(xué)生行為方面取得了巨大的成功，但仍然存在一些不足。首先，該方法在利用知識(shí)概念信息方面有所欠缺，而知識(shí)概念信息對于學(xué)生成績預(yù)測有重要作用。其次，該方法難以處理學(xué)生與習(xí)題之間的高階協(xié)同信息。

學(xué)生的答題信息與習(xí)題以及知識(shí)點(diǎn)之間的互動(dòng)關(guān)系構(gòu)成了學(xué)生-習(xí)題-知識(shí)點(diǎn)的知識(shí)點(diǎn)擴(kuò)增網(wǎng)絡(luò)，類似于三部圖的結(jié)構(gòu)。然而，與無標(biāo)度網(wǎng)絡(luò)不同的是，習(xí)題與知識(shí)點(diǎn)的交互數(shù)據(jù)分布并不滿足冪律分布。更具體地說，數(shù)據(jù)集中習(xí)題的分布程度是均勻的，即大多數(shù)習(xí)題只包含一到兩個(gè)知識(shí)點(diǎn)，而知識(shí)點(diǎn)的數(shù)量相對較少，從而導(dǎo)致構(gòu)建的知識(shí)點(diǎn)擴(kuò)增網(wǎng)絡(luò)圖呈現(xiàn)出高度非線性、稀疏的特點(diǎn)。