基于布鲁姆认知分类理论的深度神经网络认知水平评价模型

技术领域

本发明属于深度学习技术领域，应用于在线教育过程中对学生的认知水平自动评价。

背景技术

一、名词解释：1.认知水平评价：是学习过程评价的核心内容之一，是指根据一定的教学目标，运用可行的科学手段，通过对学习者学习过程中产生的数据分析与整理，对学习者的认知水平进行判断，从而使学习者不断自我完善的过程。2.CNN(ConvolutionalNeural Networks)：是一类包含卷积计算且具有深度结构的前馈神经网络(FeedforwardNeuralNetworks)，是深度学习(deeplearning)的代表算法之一，能够较好提取文本数据中的局部重要信息。3.BiGRU(BidirectionalGatedRecurrentUnit)：也叫双向循环门控单元，是一种用于解决传统循环神经网络中梯度消失的深度神经网络，并且它能较好的获取文本的上下文语义信息。4.注意力机制：是神经网络专注于其输入子集的能力，能够从众多输入中找到对当前目标更关键的信息从而赋予更高的权重。

二、现有技术：1.(1)布鲁姆认知分类目标分类理论：1956年，布鲁姆等提出了教育目标分类理论，其中包括认知、情感和心理活动三大领域，其中认知领域最为成熟，2001年安德森等对其认知领域进行修订，将认知过程分为记忆、理解、运用、分析、评价和创造六个层次；(2)EduMiner自动过程性评估系统：HsuJL等基于收集的学生讨论帖，首先对文本讨论帖进行分词，然后使用TF-IDF方法进行词频统计，构造语义分析矩阵，最后输入到SVM分类器中按照布鲁姆的认知过程维度进行认知水平评价，从而实现学习过程自动评估系统；(3)内容分析法对学习者认知水平进行评价：王泰等研究了在线学习过程中教师对学习者认知发展的影响，在该研究中，主要使用内容分析法对在线学习平台的交互文本根据布鲁姆认知分类学进行认知层次标定。2.学习分析视角下在线认知水平的评价模型研究：冯晓英，郑勤华等构建的在线认知水平评价的学习分析模型，该研究主要以学习分析的思路来探索在线学习行为与学生在线认知水平之间的关系。利用在线学习过程学生的登录平台次数和访问资源次数等数据，采用相关分析与线性回归进行数据分析，从而初步构建了在线认知水平的评价模型。

三、技术问题：1.对于在线学习过程中学生的认知水平评价研究，传统的方法主要采用人工编码与传统的机器学习技术，这些方法忽略了学习者在线学习交互过程中更层次的文本语义信息，从而使得在认知水平评价中效果欠佳的不足。2.针对上述缺点，本发明的目的是引入深度学习技术，并结合注意力机制，充分利用学习者在学习过程中的交互文本数据，深度挖掘文本信息中的深层语义信息，从而实现对学习者在线学习过程中的认知水平进行实时自动评价。

发明内容

一、引入了深度学习技术，基于课堂文本交互数据，构建了基于布鲁姆认知分类理论的深度神经网络模型用于在线学习的认知水平评价中，为更好地开展在线学习的过程性评价做出了新的尝试。

二、用注意力机制来捕获交互文本中国每个词语对具体认知水平评价结果的不同贡献度，对于贡献度较大的词语赋予更高的权重，从而达到更好的模型评价效果。

三、本发明的技术创新点：1.达到的技术效果是和传统的方法相比能够更充分的利用学习过程中产生的文本数据，挖掘其更深层次的语义信息，从而更高效的开展过程性评价。2.达到的技术效果是使用注意力机制的认知水平评价模型效果要优于无注意力机制的认知水平评价模型，本文在所构建的在线学习文本交互数据集上进行了实验，结果表明，CNN、BiGRU、BiGRU-CNN和Att-BiGRU-CNN模型的准确率分别为76.55％、78.489％、79.672％和82.753％，基于注意力机制的混合模型效果最为优越。

附图说明

图1是认知水平自动评价流程图；图2是Att-BiGRU-CNN模型图

具体实施方式

说明书附图1为本发明的认知水平自动评价流程图，共包含7个步骤，一是使用爬虫技术从在线学习平台中收集讨论帖，并将与课程内容无关的文本去除；二是根据布鲁姆认知目标分类理论将整理得到的文本数据进行人工标注标签；三是对文本进行预处理，首先删除文本包含的特殊字符，然后使用Jieba分词库对文本进行分词，并去除停用词；四是使用Word2Vec模型构建词向量，在保留更多的语义特征的同时将文本转化为计算机能够处理的数据；五是引入深度学习技术和注意力机制构建认知水平评价模型，分别构建了单个的CNN、BiGRU、混合BiGRU-CNN和混合Att-BiGRU-CNN模型，其中最复杂的Att-BiGRU-CNN模型如说明书附图2所示，最底层为输入层，将输入的文本进行词嵌入，在词嵌入层使用了注意力机制以捕捉到更重要的词语并赋予更高的权重，在输入到BiGRU中进行文本的上下文特征表示，进而使用CNN对上下文表示进一步提取局部重要特征，最终在输出层使用softmax分类器输出文本的认知水平；六是通过文本的真实标签与分类器输出的标签，使用随机梯度下降算法计算损失函数值，从而进行参数优化完成模型的训练过程；七是根据模型的正确率、召回率、F1值和准确率进行模型效果的评价。