針對傳統(tǒng)教學(xué)中對學(xué)生心理變化和廣義認(rèn)知的測量與診斷只給出分?jǐn)?shù)值,而無法對分?jǐn)?shù)值相同的不同知識結(jié)構(gòu)進行解釋的缺點,文中基于目前學(xué)生認(rèn)知診斷的任務(wù)更多的是學(xué)生測試結(jié)果的反饋信息,將貝葉斯網(wǎng)絡(luò)（BN）引入學(xué)生廣義認(rèn)知診斷中。主要進行了兩個研究,分別為測驗所得數(shù)據(jù)進行貝葉斯結(jié)構(gòu)的學(xué)習(xí)得到屬性間的層級關(guān)系與構(gòu)建BN網(wǎng)絡(luò)分類器對學(xué)生認(rèn)知狀態(tài)進行分類。最后,對所構(gòu)造的基于BN網(wǎng)絡(luò)的學(xué)生廣義認(rèn)知診斷模型進行驗證。結(jié)果表明,其得到的屬性層級關(guān)系合理,分類性能良好,具有廣闊的應(yīng)用前景。 

【文章來源】：現(xiàn)代電子技術(shù). 2018,41(24)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

四個屬性的貝葉斯網(wǎng)絡(luò)圖Fig.1Bayesiannetworkdiagramoffourattributes

器的步驟為：1）標(biāo)識類與屬性變量及其值；2）搜集含有一系列屬性變量與一個類別變量的數(shù)據(jù)；3）進行BN網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)學(xué)習(xí)，從而構(gòu)造出含有概率分布表與有向無環(huán)圖的BN網(wǎng)絡(luò)分類器。4實驗驗證4.1屬性層級關(guān)系在學(xué)生心理狀態(tài)中選擇6個知識點屬性，初步設(shè)定其層級關(guān)系，如圖2所示。通過將學(xué)生的觀察反應(yīng)模式與屬性層級模式作為訓(xùn)練數(shù)據(jù)集，得到BN學(xué)習(xí)結(jié)果圖如圖3所示。比較圖2與圖3可得出，兩者結(jié)構(gòu)變化較小，僅在有變化處做出分析可進一步在細節(jié)處了解學(xué)生心理狀態(tài)。圖26個屬性間的層級關(guān)系圖Fig.2Diagramforhierarchicalrelationshipsamongsixattributes圖3通過BN結(jié)構(gòu)學(xué)習(xí)得到的屬性層級關(guān)系圖Fig.3DiagramforattributehierarchicalrelationshipsobtainedbyBNstructurelearning4.2分類器性能評價為了驗證本文所設(shè)計的分類器性能，對樸素、增廣樸素BN分類器分別運用實證數(shù)據(jù)進行驗證，表1為其分類效果。從表中可看出，兩個分類器效果相差較小，分類正確率可以達到88%，分類效果良好，結(jié)構(gòu)簡單，因而其為有效的分類工具。表1樸素和增廣樸素BN分類器的分類效果Table1ClassificationeffectsofnaiveBNclassifierandaugmentednaiveBNclassifier分類器樸素貝葉斯分類器增廣樸素貝葉斯分類器分類效果指標(biāo)分類正確率分類錯誤率分類精確度回收率分類正確率分類錯誤率分類精確度回收率分類效果0.8790.0150.8770.8830.8740.0120.8690.874正確分類個數(shù)231228錯誤分類個數(shù)30315結(jié)語本文針對傳統(tǒng)教學(xué)中對學(xué)生心理變化和廣義認(rèn)知的測量與診斷只給出分?jǐn)?shù)值，而無法對分?jǐn)?shù)值相同的不同知識?

測試集，9個為訓(xùn)練集。通過題目的細致編制，分析與報告每個學(xué)生的掌握情況，并將其分類到特定的模式中。建立BN分類器的步驟為：1）標(biāo)識類與屬性變量及其值；2）搜集含有一系列屬性變量與一個類別變量的數(shù)據(jù)；3）進行BN網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)學(xué)習(xí)，從而構(gòu)造出含有概率分布表與有向無環(huán)圖的BN網(wǎng)絡(luò)分類器。4實驗驗證4.1屬性層級關(guān)系在學(xué)生心理狀態(tài)中選擇6個知識點屬性，初步設(shè)定其層級關(guān)系，如圖2所示。通過將學(xué)生的觀察反應(yīng)模式與屬性層級模式作為訓(xùn)練數(shù)據(jù)集，得到BN學(xué)習(xí)結(jié)果圖如圖3所示。比較圖2與圖3可得出，兩者結(jié)構(gòu)變化較小，僅在有變化處做出分析可進一步在細節(jié)處了解學(xué)生心理狀態(tài)。圖26個屬性間的層級關(guān)系圖Fig.2Diagramforhierarchicalrelationshipsamongsixattributes圖3通過BN結(jié)構(gòu)學(xué)習(xí)得到的屬性層級關(guān)系圖Fig.3DiagramforattributehierarchicalrelationshipsobtainedbyBNstructurelearning4.2分類器性能評價為了驗證本文所設(shè)計的分類器性能，對樸素、增廣樸素BN分類器分別運用實證數(shù)據(jù)進行驗證，表1為其分類效果。從表中可看出，兩個分類器效果相差較小，分類正確率可以達到88%，分類效果良好，結(jié)構(gòu)簡單，因而其為有效的分類工具。表1樸素和增廣樸素BN分類器的分類效果Table1ClassificationeffectsofnaiveBNclassifierandaugmentednaiveBNclassifier分類器樸素貝葉斯分類器增廣樸素貝葉斯分類器分類效果指標(biāo)分類正確率分類錯誤率分類精確度回收率分類正確率分類錯誤率分類精確度回收率分類效果0.8790.0150.8770.8830.8740.0120.8690.874正確分類個數(shù)231228錯誤分類個數(shù)


本文編號：2961814