认知诊断评估:基于Q矩阵约束的神经网络方法
Jinhong Tao1, Wei Zhao2, Yuliu Zhang3
1School of Information Science and Technology, Northeast Normal University, 2555 Jingyue Jilin, 130117, Changchun, China.
Behavior research methods
|May 1, 2024
概括
这项研究引入了一种用于认知诊断的新型神经网络模型 (QNN),提高了准确性和可解释性. 无监督培训框架 (SOM-NN) 在小型数据集方面表现出色,改善了个性化的学习评估.
科学领域:
- 教育心理学教育心理学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 认知诊断模型评估学生的技能,但对模型选择和样本大小敏感.
- 开发适应不同假设和数据大小的适应性模型具有挑战性.
- 人工神经网络显示出对认知诊断的前景.
研究的目的:
- 为认知诊断提出一个Q矩阵受约束的神经网络 (QNN).
- 为QNN开发一个无监督培训框架 (SOM-NN),以减少人力投入.
- 评估QNN和SOM-NN的有效性和可解释性.
主要方法:
- 开发了一个QNN使用Q矩阵来定义神经网络架构.
- 实现了基于地图的自我组织神经网络 (SOM-NN) 进行无监督的QNN培训.
- 在模拟和真实数据集上进行实验,以评估性能.
主要成果:
- 拟议的QNN和SOM-NN在准确性和可解释性方面表现出有效性.
- 无监督的QNN在小样本数据集上取得了显著的优势,具有高的猜测/滑动率.
- 该方法在模式智能协议率方面表现特别强.
结论:
- QNN和SOM-NN为认知诊断提供了一个强大的解决方案,弥合心理测量和机器学习.
- 这项工作为课堂评估和自适应式学习系统提供了实际参考.
- 无监督方法对于具有挑战性的数据集和个性化系统的冷启动特别有益.
