謝 佳 段 斌 高 婷 鐘倫亮

神經(jīng)網(wǎng)絡(luò)認(rèn)知測量在工程教學(xué)課程評價中的應(yīng)用

謝 佳 段 斌 高 婷 鐘倫亮

（湘潭大學(xué)自動化與電子信息學(xué)院，湖南 湘潭 411105）

在工程教學(xué)課程評價中，由于存在不可觀測的混雜因子，使教師在進行課程目標(biāo)達成情況評價時無法得到真正可靠的數(shù)據(jù)，故而影響后續(xù)的教學(xué)持續(xù)改進工作。針對此問題，本文提出一種結(jié)合神經(jīng)網(wǎng)絡(luò)認(rèn)知測量學(xué)和因果推斷科學(xué)的去混雜方法。首先，根據(jù)學(xué)生平時的練習(xí)數(shù)據(jù)構(gòu)建神經(jīng)網(wǎng)絡(luò)認(rèn)知診斷模型，得到學(xué)生對知識點的掌握程度并作為學(xué)生能力的衡量指標(biāo)；然后將學(xué)生的能力評估結(jié)果作為該案例因果推斷模型中的中介變量數(shù)據(jù)；最后通過前門調(diào)整法得到去混雜后的實際課程教學(xué)對課程目標(biāo)達成情況評價的因果效應(yīng)。本文以湘潭大學(xué)某學(xué)年電子信息類專業(yè)本科生專業(yè)課“電源技術(shù)”為案例，對該學(xué)年的課程目標(biāo)達成情況評價結(jié)果進行修正，得到該學(xué)年實際的平均課程目標(biāo)達成情況評價結(jié)果為88.92%。結(jié)果表明，該方法可以有效屏蔽混雜數(shù)據(jù)，幫助教師在實際教學(xué)中進行更加可靠、公平的課程目標(biāo)達成情況評價。

工程教學(xué)；課程目標(biāo)；認(rèn)知測量學(xué)；神經(jīng)網(wǎng)絡(luò)；因果推斷

0 引言

2022年3月16日，教育部、中國工程院舉行會商會議，研究加強和改進工程教育。懷進鵬部長強調(diào)，要深入貫徹中央人才工作會議精神，推動從工程教育大國向工程教育強國邁進，培養(yǎng)壯大戰(zhàn)略科技力量，深化對工程教育、職業(yè)教育自身規(guī)律性認(rèn)識[1]。課程教學(xué)是高等院校教育教學(xué)活動中最基本、最關(guān)鍵的環(huán)節(jié)，課程教學(xué)的質(zhì)量是反映一個學(xué)校教育質(zhì)量的重要方面。教學(xué)目標(biāo)是教學(xué)活動的出發(fā)點和歸宿，在教學(xué)過程中制約著教學(xué)方案設(shè)計和教學(xué)評價設(shè)計，起著提綱挈領(lǐng)、綱舉目張的作用。課程目標(biāo)達成情況評價，是教師根據(jù)教學(xué)大綱和教學(xué)內(nèi)容所設(shè)計的教學(xué)目標(biāo)在教學(xué)實施過程中所能實現(xiàn)的程度[2]。基于工程教育專業(yè)認(rèn)證，課程目標(biāo)達成情況分析與評價即為：課程負(fù)責(zé)人及其教學(xué)團隊，通過一定的評估手段和方法，評估課程目標(biāo)的達成程度，即收集數(shù)據(jù)，包括日常作業(yè)、測驗、實驗和期末考試等，在對所有評估數(shù)據(jù)進行分析、比較和綜合后，得出每個課程目標(biāo)的達成情況評價結(jié)果[3]。

目前，已有的課程目標(biāo)達成情況評價方法大致可以分為兩類[4]：第一類是直接根據(jù)該課程的課程考核總成績的平均值來計算課程目標(biāo)達成情況；第二類是根據(jù)考核環(huán)節(jié)和課程目標(biāo)雙層賦權(quán)來計算課程目標(biāo)達成情況或者是根據(jù)課程目標(biāo)對考核環(huán)節(jié)的貢獻力度來計算課程目標(biāo)達成情況。這些方法僅針對具體教學(xué)進行課程目標(biāo)達成情況改進計算研究。但實際上，在教學(xué)過程中總是存在大量的混雜數(shù)據(jù)，比如學(xué)生在做題過程中由于身體狀態(tài)原因無法發(fā)揮其正常水平等。這些數(shù)據(jù)無法真正衡量在教學(xué)過程中實際課程教學(xué)對課程目標(biāo)達成情況評價的因果效應(yīng)。鑒于此，本文提出結(jié)合人工智能前沿科學(xué)-因果推斷科學(xué)和認(rèn)知心理測量學(xué)及神經(jīng)網(wǎng)絡(luò)科學(xué)對工程教育教學(xué)評價中存在的不可觀測的混雜因子進行去混雜研究，從根本的數(shù)據(jù)入手，得到更加可靠、公平的課程目標(biāo)達成情況評價結(jié)果。

1 方法學(xué)現(xiàn)狀

1.1 認(rèn)知測量方法學(xué)發(fā)展現(xiàn)狀

認(rèn)知測量學(xué)是一個很大的心理學(xué)范疇。其理論發(fā)展的豐富化、應(yīng)用的多樣化、信度和效度的準(zhǔn)確化，以及方法、技術(shù)的現(xiàn)代化，使它被廣泛應(yīng)用在教育、醫(yī)學(xué)臨床、人才選拔、智能發(fā)育的早期診斷等領(lǐng)域。由于本文主要研究的是學(xué)生對知識點的認(rèn)知能力，因此這里的認(rèn)知測量主要針對學(xué)生在某一科學(xué)領(lǐng)域的能力。在教育學(xué)領(lǐng)域，認(rèn)知測量通常被稱作認(rèn)知診斷。目前，認(rèn)知診斷方法有60種左右[5]，根據(jù)學(xué)生的能力向量是連續(xù)的還是離散的，可將比較常用的模型大致分為兩類，一類是以項目反應(yīng)理論（item response theory, IRT）為代表的連續(xù)型認(rèn)知診斷模型，一類是以DINA（deterministic inputs, noisy “and” gate）為代表的離散型認(rèn)知診斷模型[6]。隨著大數(shù)據(jù)時代的到來，神經(jīng)網(wǎng)絡(luò)逐漸應(yīng)用于認(rèn)知診斷領(lǐng)域。2020年，陳恩紅、劉淇團隊提出一種通用的神經(jīng)網(wǎng)絡(luò)認(rèn)知診斷框架，該框架可以利用神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)復(fù)雜的練習(xí)交互，以獲得準(zhǔn)確且可解釋的診斷結(jié)果[7]。2022年，Yang Haowen等提出一種新的基于量化關(guān)系的可解釋認(rèn)知診斷模型（quantita- tive relationship-based explainable cognitive diagnosis model, QRCDM），通過設(shè)計的神經(jīng)網(wǎng)絡(luò)計算習(xí)題和知識概念的兩個貢獻矩陣，預(yù)測學(xué)習(xí)者的概念熟練度和答案的得分[8]。同年，Su Yu等提出一種基于圖的認(rèn)知診斷模型（graph-based cognitive diagnosis model, GCDM），通過異構(gòu)認(rèn)知圖直接發(fā)現(xiàn)學(xué)生、技能和問題之間的交互，設(shè)計了兩個圖的層：性能相關(guān)傳播器和注意力知識聚合器。前者用于不同類型的圖邊傳播學(xué)生的認(rèn)知狀態(tài)，后者可以選擇性地從相鄰的圖節(jié)點收集消息[9]。總地來說，目前將神經(jīng)網(wǎng)絡(luò)用于認(rèn)知診斷領(lǐng)域的文獻還比較少。

1.2 因果推斷方法學(xué)發(fā)展現(xiàn)狀

自相關(guān)系數(shù)的概念被提出以來，涉及因果推斷的問題就纏住了統(tǒng)計學(xué)的腳后跟[10]。經(jīng)濟學(xué)研究強調(diào)的是變量間因果關(guān)系的識別而非統(tǒng)計學(xué)上相關(guān)關(guān)系的判斷，然而由于傳統(tǒng)的統(tǒng)計推斷方法在識別因果關(guān)系時存在某些弊端和不足，于是可以更加有效識別變量間因果關(guān)系的新興研究范式“因果推斷”開始興起[11]。因果推斷的哲學(xué)基礎(chǔ)最初由英國實證主義哲學(xué)家與經(jīng)濟學(xué)家穆勒于1851年在其所著的《邏輯體系》一書中提出。在研究方法與數(shù)據(jù)來源不斷更新迭代的當(dāng)下，對新興路徑與范式的探索業(yè)已成為教育政策研究者亟須開展的工作。蓬勃發(fā)展的“數(shù)據(jù)密集型科學(xué)發(fā)現(xiàn)”被界定為科學(xué)方法革命的“第四范式”，表征出科學(xué)探究的基本范式在當(dāng)前“大數(shù)據(jù)時代”前所未有的變化[12]。2007年，楊向東表示對因果關(guān)系的推斷是教育評價中的核心問題之一，他結(jié)合西方有關(guān)領(lǐng)域，分析了教育評價中存在的各種類型的因果關(guān)系及因果關(guān)系推斷中的基本問題[13]。2014年，喬天宇等提出使用工具變量回歸的方法，解決最小二乘回歸在估計寄宿的影響時可能存在的內(nèi)生性偏誤問題，實證估計了寄宿對農(nóng)村學(xué)生學(xué)習(xí)成績的效應(yīng)，從而考察寄宿對農(nóng)村中小學(xué)教育的影響[14]。2019年，楊真等學(xué)者使用中國家庭追蹤調(diào)查數(shù)據(jù)和傾向得分匹配方法，考慮子女教育對家庭消費的擠入效應(yīng)和擠出效應(yīng)，研究了父輩教育期望對家庭消費的影響[15]?？偟貋碚f，因果推斷科學(xué)目前主要應(yīng)用在教育領(lǐng)域和經(jīng)濟學(xué)領(lǐng)域。

1.3 本文創(chuàng)新點

認(rèn)知測量學(xué)和因果推斷科學(xué)目前都有與教育相結(jié)合的例子，例如應(yīng)用認(rèn)知測量方法學(xué)估計學(xué)生的能力從而提供個性化教學(xué)，利用因果推斷方法學(xué)推斷出實際教學(xué)效果，幫助教師進行持續(xù)改進。但目前還未有學(xué)者嘗試將認(rèn)知測量方法學(xué)和因果推斷方法學(xué)相結(jié)合。本文主要從修正教學(xué)數(shù)據(jù)出發(fā)，構(gòu)建基于神經(jīng)網(wǎng)絡(luò)認(rèn)知測量的自動化測評工具，作為因果推斷模型中的中介變量，應(yīng)用前門調(diào)整法對教學(xué)數(shù)據(jù)進行調(diào)整，從而去除教學(xué)質(zhì)量評價中的混雜數(shù)據(jù)，得到真正的因果效應(yīng)。

2 神經(jīng)網(wǎng)絡(luò)認(rèn)知測量自動化測評工具

神經(jīng)網(wǎng)絡(luò)認(rèn)知測量自動化測評工具主要通過學(xué)生的做題數(shù)據(jù)和實驗數(shù)據(jù)來訓(xùn)練模型，從而得到學(xué)生能力評估結(jié)果。這里研究的是特定的電源設(shè)計教學(xué)領(lǐng)域。自動化測評框架如圖1所示。

圖1 自動化測評框架

2.1 數(shù)據(jù)的獲取及分類

數(shù)據(jù)的獲取主要指兩部分，一部分是學(xué)生的課后習(xí)題做題數(shù)據(jù)，另一部分是學(xué)生的實驗設(shè)計數(shù)據(jù)。本文針對教學(xué)大綱中的某一課程“Buck開關(guān)型調(diào)整器”及對應(yīng)的實驗“Buck開關(guān)型紋波設(shè)計”展開研究。其中，Buck開關(guān)型調(diào)整器主要考察以下知識點：①Buck調(diào)整器的基本概念；②Buck調(diào)整器的基本符號和波形；③Buck調(diào)整器的基本工作方式； ④Buck調(diào)整器的主要電流波形；⑤Buck調(diào)整器的效率；⑥Buck經(jīng)典電路設(shè)計。本文共編制10道題對這6個知識點進行測驗。當(dāng)學(xué)生做題的正確數(shù)量小于6道題目時，該學(xué)生得到的成績?yōu)椴缓细?，編碼為“0”；當(dāng)學(xué)生做題的正確數(shù)量大于或等于6且小于9道題目時，該學(xué)生得到的成績?yōu)楹细?，編碼為“1”；當(dāng)學(xué)生做題的正確數(shù)量大于9時，該學(xué)生得到的成績?yōu)閮?yōu)秀，編碼為“2”。這里共獲取400個同學(xué)的做題數(shù)據(jù)。Buck開關(guān)型紋波設(shè)計實驗主要包含以下幾個復(fù)雜工程問題。

1）電感的選擇問題

不同電感對波形的影響如圖2所示，圖中為占空比，s為開關(guān)周期，i為電感電流，Dpp為紋波電流峰-峰值。當(dāng)電感不飽和時，紋波電流峰-峰值如圖2（a）所示，取決于開關(guān)頻率s、電感和輸入電壓in，有

式中，out為輸出電壓。

圖2 不同電感對波形的影響

當(dāng)電感飽和時，如圖2（b）所示在高負(fù)載電流時，電感值會因為磁心飽和而降低，而紋波電流峰-峰值與不飽和情況相比會有所增加，有

2）輸出濾波電容的選擇問題

圖3 不同輸出電容對波形的影響

如果使用陶瓷電容，其ESR極小，輸出電壓紋波如圖3（b）所示取決于開關(guān)頻率s、電容值out和電流紋波Dpp，有

3）輸入濾波電容的選擇問題

不同輸入電容對波形的影響如圖4所示，圖中in為輸入電流，Dinpp為輸入電流紋波峰-峰值。當(dāng)輸入電容經(jīng)過精心設(shè)計（足夠大）時，輸入電流紋波如圖4（a）所示，取決于開關(guān)頻率s、輸入電容的電容值in、負(fù)載電流out和輸入電壓in，有

當(dāng)輸入電容過小時，輸入電流紋波的峰-峰值如圖4（b）所示，取決于負(fù)載電流和電感電流紋波Dpp，有

該實驗收集了400組數(shù)據(jù)，當(dāng)輸出電壓紋波大于直流平均電壓值的2%且輸入電流紋波大于直流平均電流值的20%時，該學(xué)生得到的成績?yōu)椴缓细瘢幋a為“0”；當(dāng)輸出電壓紋波小于直流平均電壓值的2%或輸入電流紋波小于直流平均電流值的20%時，該學(xué)生得到的成績?yōu)楹细?，編碼為“1”；當(dāng)輸出電壓紋波小于直流平均電壓值的2%且輸入電流紋波小于直流平均電流值的20%時，該學(xué)生得到的成績?yōu)閮?yōu)秀，編碼為“2”。具體的評價分類見表1，其中為學(xué)生的做題能力，為學(xué)生的實驗設(shè)計能力。當(dāng)學(xué)生的做題能力評價為不及格且學(xué)生的實驗設(shè)計能力評價為不及格時，該學(xué)生得到的評價編碼為“0”，表示評價結(jié)果為不及格；當(dāng)學(xué)生的做題能力評價為優(yōu)秀且學(xué)生的實驗設(shè)計能力評價為優(yōu)秀時，該學(xué)生得到的評價編碼為“2”，表示評價結(jié)果為優(yōu)秀；其余情況的評價編碼為“1”，表示評價結(jié)果為及格。

表1 評價分類

2.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)獲取來源如圖5所示，包括兩個部分：一個是學(xué)生的做題數(shù)據(jù)，做題數(shù)據(jù)以字典的方式儲存在學(xué)生的做題日志中；另一個來源于學(xué)生的實驗數(shù)據(jù)，從WEBENCH中得到。得到這些數(shù)據(jù)后對其進行快速傅里葉變換（fast Fourier transform, FFT），放大特征，從而提高網(wǎng)絡(luò)模型的準(zhǔn)確率。

圖5 數(shù)據(jù)獲取來源

2.3 神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)輸入層定義為

這里的data包括兩部分，一部分是學(xué)生的做題數(shù)據(jù)，一部分是學(xué)生的實驗數(shù)據(jù)。

然后是兩個全連接層和一個輸出層。

損失函數(shù)loss是輸出和真實標(biāo)簽的交叉熵，公式定義為

2.4 結(jié)果分析

圖6為模型的可視化訓(xùn)練過程，其中圖6（a）為模型在迭代過程中的準(zhǔn)確率變化情況，圖6（b）為損失函數(shù)在迭代過程中的變化情況。圖中橙色曲線代表訓(xùn)練集的迭代曲線，藍色曲線代表驗證集的迭代曲線?？梢钥闯?，訓(xùn)練集的準(zhǔn)確率約為95%，驗證集的準(zhǔn)確率約為98%。通過計算，測試集的平均準(zhǔn)確率約為96.7%。

圖6 可視化訓(xùn)練過程

3 應(yīng)用案例分析

本文以湘潭大學(xué)某學(xué)年電子信息專業(yè)課“電源技術(shù)”為例，共包含115人的成績。成績包括平時成績、自動化測評成績。其中，=0、1、2分別表示學(xué)生的該課程目標(biāo)平時成績不合格、合格和優(yōu)秀，=0、1、2分別表示學(xué)生的自動化測評成績不合格、合格和優(yōu)秀。為個人的課程目標(biāo)達成情況評價，是學(xué)生該課程目標(biāo)自動化測評成績和考試成績的加權(quán)平均值，=0、1、2分別表示學(xué)生個人的課程目標(biāo)達成情況評價為不合格、合格和優(yōu)秀。成績按本文要求分類整理，表2為各平時成績下參與自動化測評的人數(shù)分布，表3為平時成績和自動化測評各成績級別下的課程目標(biāo)達成情況的人數(shù)分布。本文從建模、識別、估計、數(shù)據(jù)分析四個過程對該案例進行分析。

表2 各平時成績下參與自動化測評的人數(shù)分布

表3 平時成績和自動化測評各成績級別下的課程目標(biāo)達成情況人數(shù)分布

3.1 建模

圖7為案例因果關(guān)系建模。其中為課程教學(xué)，這里主要代表學(xué)生的平時成績，為課程目標(biāo)達成情況評價，為教學(xué)過程中存在的混雜因素，如學(xué)生在平時作業(yè)中抄襲答案等，這里的沒有特指某一個混雜因素，代表是的1、2等混雜因素的充 分集。

圖7 因果關(guān)系建模

3.2 識別

因果推斷去混雜中包含前門調(diào)整法、后門調(diào)整法及工具變量法三類方法[16]。其中，當(dāng)混雜因子的充分集可收集時可使用后門調(diào)整法。顯然，在教學(xué)過程中存在的混雜因素很難收集，因此這里不考慮后門調(diào)整法。工具變量法雖然可以在無法控制混雜因子或收集數(shù)據(jù)的情況下估計因果效應(yīng)，但對工具變量的正確選擇具有特殊性，不適合對教學(xué)過程中的數(shù)據(jù)去混雜。因此，本文采用前門調(diào)整法去混雜，如圖8所示，加入一個中介變量，即第2節(jié)所構(gòu)建的自動化測評工具，為了防止到中存在混雜，這一過程采取智能監(jiān)控環(huán)境。前門調(diào)整公式為

圖8 前門調(diào)整法去混雜

3.3 估計

估計是指基于可獲得的數(shù)據(jù)量，使用統(tǒng)計方法估計目標(biāo)量，這里指計算課程教學(xué)對課程目標(biāo)達成情況評價的因果效應(yīng)。前門調(diào)整法估計主要有以下三個步驟。

1）估計課程教學(xué)對自動化測評的因果效應(yīng)

由于課程教學(xué)-混雜-課程目標(biāo)達成情況評價-自動化測評這條路徑被課程目標(biāo)達成情況評價所阻斷，因此課程教學(xué)對自動化測評的因果效應(yīng)為

課程教學(xué)對自動化測評的因果效應(yīng)計算結(jié)果見表4。

表4 課程教學(xué)對自動化測評的因果效應(yīng)

2）估計自動化測評對課程目標(biāo)達成情況評價的因果效應(yīng)

由于課程教學(xué)阻斷了后門路徑自動化測評-課程教學(xué)-混雜-課程目標(biāo)達成情況評價，因此可以使用后門調(diào)整得到自動化測評對課程目標(biāo)達成情況評價的因果效應(yīng)。

后門調(diào)整公式為

自動化測評對課程目標(biāo)達成情況評價的因果效應(yīng)計算結(jié)果見表5。

表5 自動化測評對課程目標(biāo)達成情況評價的因果效應(yīng)

3）估計課程教學(xué)對課程目標(biāo)達成情況評價的因果效應(yīng)

課程教學(xué)對課程目標(biāo)達成情況評價的因果效應(yīng)可以表示為

課程教學(xué)對課程目標(biāo)達成情況評價的因果效應(yīng)計算結(jié)果見表6。

表6 課程教學(xué)對課程目標(biāo)達成情況評價的因果效應(yīng)

3.4 數(shù)據(jù)分析

對=0,=1,=2所得到的因果效應(yīng)估計進行分析可以發(fā)現(xiàn)：在平時成績?yōu)椴患案駮r，課程目標(biāo)達成情況評價合格的概率為88.04%；在平時成績?yōu)楹细駮r，課程目標(biāo)達成情況評價合格的概率為89.58%；在平時成績?yōu)閮?yōu)秀時，課程目標(biāo)達成情況評價合格的概率為88.65%；對每一層學(xué)生的加權(quán)平均課程目標(biāo)達成情況評價合格的概率為88.92%，修正了11.08%的混雜數(shù)據(jù)，可以得到該課程實際的平均課程目標(biāo)達成情況評價為88.92%。

4 結(jié)論

本文結(jié)合神經(jīng)網(wǎng)絡(luò)認(rèn)知測量學(xué)和因果推斷科學(xué)對教學(xué)評價方法進行改進，主要解決了現(xiàn)有教學(xué)評價中的兩個問題：首先，構(gòu)建教學(xué)過程的因果模型，通過前門調(diào)整法對教學(xué)數(shù)據(jù)進行修正，解決了由于教學(xué)過程中存在不可觀測的混雜數(shù)據(jù)導(dǎo)致計算得到的課程目標(biāo)達成情況評價信度低的問題；其次，搭建自動化測評工具作為教學(xué)評價過程中的中介變量，不僅可以在教學(xué)評價中為數(shù)據(jù)修正提供橋梁，而且可以幫助學(xué)生和教師及時進行反饋和調(diào)整，解決了由于缺少過程性評價導(dǎo)致教師無法進行后續(xù)改進工作的問題。由于采用本文方法導(dǎo)致成績評價的技術(shù)性要求提升，因此本文為教師在進行成績評定時提供了一個更加容易理解和易于操作的簡化算法：第一步（建模），建立課程教學(xué)因果理論模型，將問題的描述轉(zhuǎn)化成一個因果圖；第二步（識別），對因果圖的路徑進行分析，根據(jù)實際情況找到合適的中介變量；第三步（估計），根據(jù)實際調(diào)整方式計算出實際的平均因果效應(yīng)。

[1] 張煒, 汪勁松. 我國高等工程教育的發(fā)展歷程、基本特征與改革方向[J]. 研究生教育研究, 2022(3): 1-7.

[2] 孫琛. 《微觀經(jīng)濟學(xué)》教學(xué)目標(biāo)達成度分析: 基于學(xué)生評價的視角[J]. 教育教學(xué)論壇, 2016(18): 213- 214.

[3] 黃和祥, 侯作富, 夏成宇, 等. 基于工程教育專業(yè)認(rèn)證的材料力學(xué)課程目標(biāo)達成度分析與評價[J]. 科技視界, 2022(5): 72-73.

[4] 陽志鋒, 聶東明, 李龍, 等. 師范專業(yè)認(rèn)證理念下課程目標(biāo)達成度加權(quán)評價算法[J]. 衡陽師范學(xué)院學(xué)報, 2022, 43(3): 38-42.

[5] 范士青, 劉華山. 常見的認(rèn)知診斷模型及其比較[J].教育測量與評價(理論版), 2015(7): 4-9.

[6] GAO Lina, ZHAO Zhongying, LI Chao, et al. Deep cognitive diagnosis model for predicting students’ performance[J]. Future Generation Computer Systems, 2022, 126: 252-262.

[7] WANG Fei, LIU Qi, CHEN Enhong, et al. Neural cognitive diagnosis for intelligent education systems[J]. Proceedings of the AAAI Conference on Artificial Intelligence, 2020, 34(4): 6153-6161.

[8] YANG Haowen, QI Tianlong, LI Jin, et al. A novel quantitative relationship neural network for explainablecognitive diagnosis model[J]. Knowledge-Based Systems, 2022, 250: 109156.

[9] SU Yu, CHENG Zeyu, WU Jinze, et al. Graph-based cognitive diagnosis for intelligent tutoring systems[J]. Knowledge-Based Systems, 2022, 253: 109547.

[10] 王東明, 陳都鑫. 因果推斷: 起源和發(fā)展[J]. 控制工程, 2022, 29(3): 464-473.

[11] 王舒鴻, 崔欣, 姚守宇. 統(tǒng)計相關(guān)還是真實因果?: 基于“因果推斷”的新興研究范式[J]. 金融與經(jīng)濟, 2018(8): 21-30.

[12] 郭嬌, 吳寒天. “大數(shù)據(jù)時代”的因果推斷: 教育政策評估的新路徑[J]. 重慶高教研究: 2022, 10(4): 39-48.

[13] 楊向東. 教育評價中的因果關(guān)系及其推斷[J]. 全球教育展望, 2007(9): 13-21.

[14] 喬天宇, 狄雷. 農(nóng)村中小學(xué)教育中寄宿制影響的因果推斷研究[J]. 社會發(fā)展研究, 2014, 1(2): 138-152, 245.

[15] 楊真, 張倩. 教育期望視角下的子女教育與家庭消費: 基于反事實框架的因果推斷[J]. 經(jīng)濟問題, 2019(7): 78-86.

[16] PEARL J, MACKENZIE D. The book of why: the new science of cause and effect[M]. New York: Basic Books, 2018.

Application of neural network cognitive measurement in engineering teaching curriculum assessment

XIE Jia DUAN Bin GAO Ting ZHONG Lunliang

(College of Automation and Electronic Information, Xiangtan University, Xiangtan, Hu’nan 411105)

Due to unobtrusive confounding factors in the evaluation of engineering teaching curriculum, teachers cannot get reliable data when calculating the evaluation of the achievement of curriculum objectives, thus affecting the teachers to carry out the continuous improvement of teaching in the future. To solve this problem, this paper proposes a de-confounding method combining neural network cognitive measurement and causal inference science. Firstly, the neural network cognitive diagnosis model is constructed according to the students’ daily practice data, and the students’ mastery of knowledge points is taken as the measurement index of students’ ability. Then, the students’ ability assessment results are used as the mediating variable data in the causal inference model of this case. Finally, through the method of front door adjustment, the causality effect of actual course teaching on the evaluation of the achievement of the course goal is got. Taking the professional course Power Supply Technology for undergraduates majoring in electronic information in Xiangtan University in an academic year as a case, this paper revises the evaluation of the achievement of course objectives in that academic year, and obtains the actual average achievement evaluation of course objectives in that academic year as 88.92%. The results show that this method can effectively shield confounder data and help teachers get more reliable and fair evaluation of the achievement of curriculum objectives in actual teaching.

engineering teaching; objectives of the course; cognitive measurement; neural network; causal inference

湖南省學(xué)位與研究生教育教改研究重大項目（2020JGSZ016）

湖南省新工科研究與實踐項目（202012）

2022-10-20

2022-11-29

謝 佳（1997—），女，碩士研究生，研究方向為認(rèn)知智能。