基于BN网络的学生广义认知诊断模型研究

发布时间：2021-01-07 03:28

　　针对传统教学中对学生心理变化和广义认知的测量与诊断只给出分数值,而无法对分数值相同的不同知识结构进行解释的缺点,文中基于目前学生认知诊断的任务更多的是学生测试结果的反馈信息,将贝叶斯网络（BN）引入学生广义认知诊断中。主要进行了两个研究,分别为测验所得数据进行贝叶斯结构的学习得到属性间的层级关系与构建BN网络分类器对学生认知状态进行分类。最后,对所构造的基于BN网络的学生广义认知诊断模型进行验证。结果表明,其得到的属性层级关系合理,分类性能良好,具有广阔的应用前景。 

【文章来源】：现代电子技术. 2018,41(24)北大核心

【文章页数】：4 页

【部分图文】：

四个属性的贝叶斯网络图Fig.1Bayesiannetworkdiagramoffourattributes

器的步骤为：1）标识类与属性变量及其值；2）搜集含有一系列属性变量与一个类别变量的数据；3）进行BN网络参数与结构学习，从而构造出含有概率分布表与有向无环图的BN网络分类器。4实验验证4.1属性层级关系在学生心理状态中选择6个知识点属性，初步设定其层级关系，如图2所示。通过将学生的观察反应模式与属性层级模式作为训练数据集，得到BN学习结果图如图3所示。比较图2与图3可得出，两者结构变化较小，仅在有变化处做出分析可进一步在细节处了解学生心理状态。图26个属性间的层级关系图Fig.2Diagramforhierarchicalrelationshipsamongsixattributes图3通过BN结构学习得到的属性层级关系图Fig.3DiagramforattributehierarchicalrelationshipsobtainedbyBNstructurelearning4.2分类器性能评价为了验证本文所设计的分类器性能，对朴素、增广朴素BN分类器分别运用实证数据进行验证，表1为其分类效果。从表中可看出，两个分类器效果相差较小，分类正确率可以达到88%，分类效果良好，结构简单，因而其为有效的分类工具。表1朴素和增广朴素BN分类器的分类效果Table1ClassificationeffectsofnaiveBNclassifierandaugmentednaiveBNclassifier分类器朴素贝叶斯分类器增广朴素贝叶斯分类器分类效果指标分类正确率分类错误率分类精确度回收率分类正确率分类错误率分类精确度回收率分类效果0.8790.0150.8770.8830.8740.0120.8690.874正确分类个数231228错误分类个数30315结语本文针对传统教学中对学生心理变化和广义认知的测量与诊断只给出分数值，而无法对分数值相同的不同知识?

测试集，9个为训练集。通过题目的细致编制，分析与报告每个学生的掌握情况，并将其分类到特定的模式中。建立BN分类器的步骤为：1）标识类与属性变量及其值；2）搜集含有一系列属性变量与一个类别变量的数据；3）进行BN网络参数与结构学习，从而构造出含有概率分布表与有向无环图的BN网络分类器。4实验验证4.1属性层级关系在学生心理状态中选择6个知识点属性，初步设定其层级关系，如图2所示。通过将学生的观察反应模式与属性层级模式作为训练数据集，得到BN学习结果图如图3所示。比较图2与图3可得出，两者结构变化较小，仅在有变化处做出分析可进一步在细节处了解学生心理状态。图26个属性间的层级关系图Fig.2Diagramforhierarchicalrelationshipsamongsixattributes图3通过BN结构学习得到的属性层级关系图Fig.3DiagramforattributehierarchicalrelationshipsobtainedbyBNstructurelearning4.2分类器性能评价为了验证本文所设计的分类器性能，对朴素、增广朴素BN分类器分别运用实证数据进行验证，表1为其分类效果。从表中可看出，两个分类器效果相差较小，分类正确率可以达到88%，分类效果良好，结构简单，因而其为有效的分类工具。表1朴素和增广朴素BN分类器的分类效果Table1ClassificationeffectsofnaiveBNclassifierandaugmentednaiveBNclassifier分类器朴素贝叶斯分类器增广朴素贝叶斯分类器分类效果指标分类正确率分类错误率分类精确度回收率分类正确率分类错误率分类精确度回收率分类效果0.8790.0150.8770.8830.8740.0120.8690.874正确分类个数231228错误分类个数


本文编号：2961814