鐘昌梅　張明西　戴江?！≮w瑞

關鍵詞：知識點擴增網絡；認知診斷；隨機游走；TD-IDF

中圖分類號：TP391 文獻標識碼：A 文章編號：1006-8228（2023）11-28-06

0 引言

隨著計算機技術的飛速發(fā)展和跨學科研究的不斷融合，智能教學輔助系統(tǒng)日益受到人們的關注[1]。在這一背景下，認知診斷作為智能教輔系統(tǒng)中的核心問題，近年來備受關注，認知診斷主要目的在于發(fā)現(xiàn)學生在學習過程中的知識狀態(tài)[2]。通常認知診斷報告在智能教輔系統(tǒng)中對于提高學生學習效率和教師教學質量至關重要，可為后續(xù)的個性化補救和教學計劃的改進提供幫助。

目前，針對認知診斷已有一些相關研究，如基于確定性輸入、噪聲和門的模型[3]（DINA），項目響應理論[4]（IRT），多維IRT[5]（MIRT）和矩陣分解[6]（MF）。這些方法在某些方面取得了一定的成果，但大多數(shù)方法僅針對學生進行全面的認知診斷，并未對學生薄弱的認知做深入分析。為了解決這一問題，一些學者提出了基于神經網絡的方法，將習題的難易程度作為習題特征引入認知診斷模型，以發(fā)現(xiàn)學生和習題之間的更深層次的關系[7]。盡管該方法在預測學生行為方面取得了巨大的成功，但仍然存在一些不足。首先，該方法在利用知識概念信息方面有所欠缺，而知識概念信息對于學生成績預測有重要作用。其次，該方法難以處理學生與習題之間的高階協(xié)同信息。

學生的答題信息與習題以及知識點之間的互動關系構成了學生-習題-知識點的知識點擴增網絡，類似于三部圖的結構。然而，與無標度網絡不同的是，習題與知識點的交互數(shù)據(jù)分布并不滿足冪律分布。更具體地說，數(shù)據(jù)集中習題的分布程度是均勻的，即大多數(shù)習題只包含一到兩個知識點，而知識點的數(shù)量相對較少，從而導致構建的知識點擴增網絡圖呈現(xiàn)出高度非線性、稀疏的特點。