在疫情与互联网双重背景下,“在线教育”蒸蒸日上。但“在线教育”存在教育参与者(主要是老师和学生)都不能清楚把握学生知识点掌握情况的问题。只有了解学生的知识点掌握状态,老师才能进行个性化指导,学生才能进行个性化学习。因此本文基于真实数据,将经典认知诊断模型(Deterministic inputs,noisy and gate model,DINA)与推荐模型(Factorization-Machine based neural network,Deep FM)相结合建立新模型,并通过实验验证属性间层级关系对认知诊断效果的影响,进而更加准确地把握学生知识点掌握状态。本文收集了河南省某中学高三物理的学生做题记录,针对数据集中物理客观题进行认知诊断(Cognitive Diagnosis,简称CD),同时设计并实施了三个实验。由于试题是实验数据的来源,因此首先借助难度、区分度等多个评估指标对试题合理性进行实验研究,为下一步实验提供可靠支持。研究结果表明各评估指标均在合理范畴,可认为试题编制较为合理、实验数据可靠。然后,本文将新模型应用于数据集中的单选题,提出基于知识属性的单选题认知诊断模型,即Deep FM-CD模型。诊断流程为先把单选题数据输入到DINA模型中,进行初步的认知诊断;随之将诊断结果即学生知识掌握状态与学生得分信息、题目与属性的关联矩阵等信息进行预处理,处理后的数据输入到推荐模型。利用Factorization-Machine(简称FM)部分与Deep neural network(简称DNN)部分分别学习知识属性间低阶和高阶的交互关系,以便提高诊断的准确率。通过实验二验证了属性间的层级关系对单选题认知诊断效果的影响,即Deep FM-CD模型误差要小于DINA模型的误差。最后,针对高中物理多选题首次提出基于知识属性的认知诊断模型,即MDeep FM-CD模型。该模型主要是验证属性间交互关系对于多选题认知诊断效果的影响。由于多选题计分方式的多样化,因此本文将多选题转化为单选题进行研究。既保留了原始数据,也考虑了干扰选项对认知诊断效果的影响。实验结果表明属性间交互关系对多选题认知诊断效果有一定的影响,即MDeep FM-CD模型诊断误差要小于DINA模型。
