تصميم خوارزميات FairEduNet ومعايرة تقييم التدريس مع مراعاة العدالة في التعليم العالي

ملخص

يهدف البحث إلى تقديم نهج جديد لمعايرة التقييم والتدريس والعدالة التعليمية في التعليم الذكي. تشير النتائج التجريبية إلى أن النموذج المقترح يتفوق بشكل كبير على النماذج المقارنة، مما يعالج بفعالية مشاكل ضعف تكامل البيانات متعددة المصادر وتحيز العدالة في طرق المعايرة الحالية.

الملخص

تواجه طرق معايرة تقييم التدريس الحالية تحديات مثل انخفاض كفاءة التكامل عند معالجة بيانات التقييم متعددة المصادر وغير المتجانسة، وعدم القدرة على التكيف عبر التخصصات المختلفة وسيناريوهات التدريس، وتحيزات في النتائج ذات ضمانات العدالة الضعيفة. يهدف البحث إلى بناء إطار عمل قابل للتفسير والتحويل والتوسع لتصحيح العدالة للنمذجة العميقة والتصحيح الديناميكي لبيانات تقييم التدريس. تجعل هذه القضايا من الصعب تلبية المتطلبات الأساسية للتدريس المتوازن في التعليم الذكي. تقترح هذه الدراسة خوارزمية شبكة تعليمية تركز على العدالة تدمج شبكة خصومية توليدية وشجرة قرارات تعزز التدرج. تقوم الخوارزمية ببناء آلية معايرة العدالة وتجمع بين نموذج تمثيل المشفر ثنائي الاتجاه وشبكة انتباه الرسوم البيعية لتحسين استخراج الميزات والتكيف الديناميكي، مما يحسن كفاءة معالجة البيانات متعددة المصادر ودقة معايرة العدالة. يحقق هذا النهج معايرة دقيقة وضمان العدالة في تقييمات التدريس. في اختبار المؤشر، حقق النموذج دقة 98.76٪ في ميزات تقييم التجميع، و98.05٪ في تصحيح العدالة، و0.968 في اتساق التصحيح عبر السيناريوهات في مجموعة التحقق. في مهمة اختبار قيمة الفقد، انخفض إجمالي فقدان النموذج من 0.1237 إلى 0.1018 خلال مهمة تصحيح تقييم التدريس في مجموعة التحقق. في اختبار المؤشر، حقق النموذج دقة 98.76٪ في ميزات تقييم التجميع، و98.05٪ في تصحيح العدالة، و0.968 في اتساق التصحيح عبر السيناريوهات في مجموعة التحقق. تشير النتائج التجريبية إلى أن النموذج المقترح يتفوق بشكل كبير على النماذج المقارنة، مما يعالج بفعالية مشاكل ضعف تكامل البيانات متعددة المصادر وتحيز العدالة في طرق المعايرة الحالية. علاوة على ذلك، يوفر أطرا خوارزمية مبتكرة لمطوري التكنولوجيا وأدوات تقنية موثوقة للإداريين التعليميين لتعزيز العدالة في التدريس. تكمن مساهمات البحث في: (1) دمج ثلاث وحدات أساسية، بما في ذلك معالجة البيانات متعددة المصادر، التحقق من مؤشر العدالة الديناميكي، وتصور قابلية التفسير؛ و(2) اقتراح نموذج تصحيح العدالة قائم على تحسين الشبكات العدائية التوليدية وأشجار تعزيز التدرج، الذي يكسر قيود تصحيح النموذج الواحد التقليدي ويتيح التعلم المنفصل لنمذجة الانحراف واتخاذ قرارات التصحيح.

المقدمة

يشكل تقييم ومعايرة التدريس جوهر ضمان جودة التدريس في التعليم الذكي. من خلال التحليل الديناميكي، وتصحيح الأخطاء، ومعايرة النتائج، توفر أساسا لتحسين التدريس والتعلم الشخصي. دقتها وعدالتها تؤثر بشكل مباشر على ما إذا كان التعليم الذكي قادرا على اختراق التحيزات التكنولوجية وتوفير دعم تعليمي متوازن ^1,2. ومع ذلك، فإن الطرق الحالية لها عدة عيوب: فهي تعتمد على مصدر بيانات واحد، وتتجاهل الوضع الفعلي، وتؤدي إلى تحيز البيانات وتحيز التصحيح. غياب آلية ديناميكية للتكيف مع العدالة يجعل من الصعب تلبية احتياجات العدالة للتخصصات والسيناريوهات^3،4. بالإضافة إلى ذلك، هناك قضايا مثل نقص مؤشرات العدالة والتحيز في استراتيجيات التصحيح عند التعامل مع بيانات متباينة من مصادر متعددة. لهذا الغرض، أجرى العلماء أبحاثا من أبعاد متعددة، مثل تقييم التعليم بمساعدة التنس بناء على خوارزمية مسار كثيف محسنة⁵. استخدم يين وآخرون عملية التسلسل الهرمي التحليلي وخوارزمية التوليف الضبابي لمراقبة التدريس عبر الإنترنت⁶. حلل تشين البيانات التعليمية لكبار السن باستخدام خوارزمية تنقيب بيانات محسنة لتحسين جودة التدريس.⁷.

على الرغم من أن هذه الدراسات أحرزت تقدما، إلا أن قضايا مثل تحيز نتائج المعايرة وضعف تنسيق العدالة لا تزال قائمة. لذلك، أصبح بناء نموذج يوفر معايرة دقيقة لتقييم التدريس وضمان العدالة الديناميكية محور بحث في التعليم الذكي. تتكيف الشبكة العدائية التوليدية (GAN) للقضاء على التأثير الضمني للسمات الحساسة على النتائج من خلال التدريب العدائي في الوقت الحقيقي بين المولد والمميز، مما يضمن تحديد المخرجات بواسطة عوامل أساسية بدلا من التحيز الناتج عن التسمية⁸. يظهر GAN مزايا في التعامل مع تحيزات المجموعات في بيانات التقييم ونمذجة قيود العدالة غير الخطية. اقترح تشينغ وآخرون خوارزمية تحسين صورة تعتمد على GAN لمعالجة الصور منخفضة الدقة. كان المولد يخرج صورا عالية الدقة من مدخلات منخفضة الدقة، وكان المميز يميز الصور المولدة عن الصور الحقيقية عالية الدقة. التدريب الخصمي يحسن المعلمات بحيث يقترب مخرج المولد من الصور الحقيقية⁹. اقترح كانغ وآخرون نموذج GAN متعدد الوسائط لتحسين كفاءة معالجة البيانات متعددة الوسائط في مجالات الطاقة المتجددة. يستقبل المولد بيانات أحادية النمط، ويميز المميز البيانات المولدة عن البيانات متعددة الوسائط الحقيقية، ويحسن التدريب الخصمي النموذج لتحسين الكفاءة¹⁰. خوارزمية شجرة قرار تعزيز التدرج (GBDT) هي خوارزمية كلاسيكية لمعالجة البيانات المنظمة ذات قدرة قوية على التقاط الميزات. من خلال دمج أشجار قرارات متعددة بشكل تكراري، يتعلم GBDT بدقة أنماط أخطاء البيانات ويظهر مزايا في معالجة معلومات التقييم متعددة المصادر وغير المتجانسة وتصحيح الانحرافات غير الخطية^{في النقاط 11,12}. اقترح ميزونو وآخرون طريقة للتنبؤ بالمسار المعتمدة على GBDT لكوارث الأمطار الغزيرة، وتعلم ميزات المسارات والتنبؤ بمسارات الكوارث باستخدام بيانات في الوقت الحقيقي، مع اختيار التنبؤات المثلى من خلال أشجار قرار متعددة¹³. طور جاو وآخرون طريقة تحليل بصري مبنية على GBDT لتوقع معدل النقر في الإعلان، حيث تعلموا العلاقة بين الميزات البصرية وبيانات النقرات التاريخية للتنبؤ بمعدلات النقر للإعلانات الجديدة¹⁴. استنادا إلى التحديات السابقة، يهدف هذا البحث إلى الإجابة بشكل منهجي على السؤال العلمي الأساسي التالي: كيف يمكن بناء نموذج تقييم تعليمي ذكي لدمج البيانات متعددة المصادر والمتجانسة بكفاءة، والتكيف ديناميكيا مع سيناريوهات التدريس المختلفة، وفي الوقت نفسه ضمان دقة المعايرة وعدالة النتائج. للإجابة على هذا السؤال، تستخدم هذه الدراسة التأثير التآزري لآلية قيد العدالة في GAN والقدرة الدقيقة على معايرة الأخطاء في GBDT. علاوة على ذلك، تجرى أبحاث حول كيفية إدخال تقنيات متقدمة مثل معالجة اللغة الطبيعية (BERT)، التعلم المعزز (RL)، آليات الانتباه (AM)، شبكات الذاكرة قصيرة المدى طويلة (LSTM)، شبكات الانتباه البيانية (GAT)، وتقطير المعرفة (KD)، لتعويض القيود الكامنة في نموذج واحد في استخراج الميزات، والتكيف الديناميكي، وكفاءة الاستدلال. في النهاية، الهدف هو توفير حل معايرة لتقييم التدريس دقيق وعادل، ويتمتع بقدرات تعميم قوية لمجال التعليم الذكي.

البروتوكول

تصميم وتحسين خوارزميات FairEduNet
تجمع الدراسة بين GAN وGBDT لبناء خوارزمية FairEduNet، محققة هدفين مزدوجين هما تصحيح العدالة وتصحيح الدقة، بدلا من التنازل بين التحسين أحادي الاتجاه. تعتمد FairEduNet بنية تعاونية ثنائية القناة: قناة العمود الفقري ل GBDT مسؤولة عن نمذجة الأخطاء المنظمة والتصحيح الدقيق، بينما تركز قناة GAN المساعدة على فصل السمات الحساسة وضبط العدالة ديناميكيا. هيكلية خوارزمية FairEduNet، التي تجمع بين GAN وGBDT، موضحة في الشكل 1.

الشكل 1: بنية خوارزمية FairEduNet التي تجمع بين GAN و GBDT. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

كما هو موضح في الشكل 1، تقوم FairEduNet أولا بجمع ومعالجة بيانات التقييم متعددة المصادر. يستخدم GBDT عدة أشجار قرار لتعلم أنماط أخطاء التقييم بشكل تكراري، ويخرج نتائج المعايرة الأولية، ويمررها إلى وحدة GAN. يقوم GAN بتدريب المميز على تعلم العلاقة بين نتائج المعايرة الأولية والسمات الحساسة، بينما يقوم المولد بضبط معلمات المعايرة ديناميكيا. من خلال جولات متعددة من التدريب العدائي والتحقق من العدالة، يتم تحسين تحيز العدالة. وأخيرا، يتم إعادة النتائج المعايرة للعدالة إلى وحدة GBDT، التي تعدل الدقة والعدالة، وتصدر أساس معايرة التقييم التعليمي وتقريرها. يحسب GBDT البواقي كما هو موضح في المعادلة (1).

(1)

في المعادلة (1)، تمثل بقايا العينة رقم i في التكرار رقم t، وy_i تمثل القيمة الحقيقية، وتمثل قيمة التنبؤ للتكرار t-1. يتم عرض عملية العداء في GAN في المعادلة (2).

(2)

في المعادلة (2)، يمثل x نتيجة المعايرة الأولية، وz يمثل ميزات السمات الحساسة، وP_data(x)  يمثل التوزيع الحقيقي للميزات غير الحساسة، وP_z(z) يمثل توزيع السمات الحساسة، وD يمثل المميز، وG يمثل المولد¹⁵. يظهر الناتج الأولي للمعايرة ل GBDT في المعادلة (3).

(3)

في المعادلة (3)، تمثل التنبؤ بالعينة رقم i بواسطة شجرة القرار الأولية، وK يمثل العدد الكلي لأشجار القرار، γ_k يمثل وزن شجرة k، وh_k(x_i) يمثل مخرجات التنبؤ لشجرة k للشجرة i-العينة. يمكن لخوارزمية FairEduNet توفير معايرة دقيقة وضمان العدالة لبيانات تقييم التدريس. ومع ذلك، عند معالجة بيانات التقييم غير المنظمة والتكيف مع السيناريوهات الديناميكية، تظهر FairEduNet قدرة ضعيفة على استخراج الميزات للميزات غير المهيكلة، مما يؤدي إلى تحيز المعايرة. بالإضافة إلى ذلك، مؤشرات العدالة ومعايير المعايرة في FairEduNet محددة بشكل ثابت، مما يحد من قدرته على التكيف مع سيناريوهات التدريس المختلفة ويؤثر على جودة المعايرة العامة. يمكن لمزيج تمثيلات المشفرات ثنائية الاتجاه من المحولات (BERT) والتعلم المعزز (RL)، وهو خوارزمية BERT-RL، استخراج ميزات عميقة بدقة من نص غير منظم وتكييف معلمات السيناريو ديناميكيا دون تعيين عتبات ثابتة يدويا، مما يحسن أكثر موثوقية مخرجات الخوارزميات عبر السيناريوهات^16,17. تعتمد الطرق التقليدية مثل TF-IDF على تكرار الكلمات لكنها تفتقر إلى فهم سياقي عميق ولا تستطيع التمييز بين اتجاهات محددة من "العدالة" في سيناريوهات مختلفة. ينتج Word2Vec متجهات كلمات ثابتة، تكافح للتكيف مع التغيرات السياقية المعقدة وتتعرف على التحيز غير المباشر. يستخدم BERT الانتباه الذاتي متعدد الطبقات لترميز السياق ثنائي الاتجاه، حيث يلتقط كل من المصطلحات المتحيزة الصريحة والمنطق الضمني المتحيز. تتطلب الأساليب التقليدية قوائم كلمات تحيزية يدويا، وتعتمد على الخبرة الشخصية، وتغطي سيناريوهات محدودة. من خلال التعلم المدرب مسبقا على نقل النماذج، يتعلم BERT تلقائيا الميزات الدلالية العميقة دون جهد يدوي كبير، مما يوفر تعميما أقوى في التعرف على التحيز الغامض. علاوة على ذلك، غالبا ما تفقد الطرق التقليدية المعلومات مع النصوص الطويلة، بينما يدعم BERT حتى 512 رمزا، مما يحافظ على العلاقات السياقية، ويحدد بدقة ميزات التحيز، ويتيح تصحيحا دقيقا للعدالة. يتم عرض عملية تشغيل BERT-RL في الشكل 2.

الشكل 2: مخطط تدفق لخوارزمية BERT-RHL. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

كما هو موضح في الشكل 2، يقوم BERT-RL أولا بتوحيد بيانات تقييم النصوص غير المنظمة ويدخلها في نموذج BERT. يستخدم BERT مشفر محول للنمذجة الدلالية ثنائية الاتجاه لاستخراج الميزات الرئيسية وبناء مصفوفة الميزات. يتم إدخال مصفوفة الميزات في وحدة التعلم المنطقي، التي تتعلم الاستراتيجية المثلى من خلال تكرارات متعددة. يتم أخيرا إدخال تكوين المعلمات المحسن إلى FairEduNet، مما يحسن من قابليته للتكيف. يتم عرض حساب وزن ميزة الانتباه الذاتي بواسطة BERT في المعادلة (4).

(4)

في المعادلة (4)، يمثل d_k بعد المتجه K. يتم التعبير عن دالة المكافأة متعددة الأهداف في التعلم المنطقي في المعادلة (5).

(5)

في المعادلة (5)، تمثل ω₁، _{ω 2}، وω₃ معاملات الوزن، وتمثل خطأ المعايرة، وD_t هو انحراف العدالة، وD_الهدف هو انحراف عدالة الهدف، وT t هو زمن التشغيل¹⁸. تجمع هذه الدراسة بين BERT-RL وFairEduNet لتشكيل خوارزمية BERT-RL-FairEduNet، المعروفة باسم BFEN. يحقق BFEN معايرة دقيقة وضمان عدالة لبيانات تقييم التعليم من خلال تكرار ميزات GBDT والتدريب التنافسي في الوقت الحقيقي على GAN، بينما يحسن BERT-RL FairEduNet في التعامل مع البيانات غير المنظمة والتكيف ديناميكيا مع السيناريوهات، مع معالجة نقاط ضعف في استخراج الميزات وقيود المعاملات الثابتة. استخدمت الدراسة نموذج BERT-base-China، ودربت مسبقا مجموعة سجلات التدريس الحقيقية، والنصوص المسجلة في الفصول الدراسية، ووثائق السياسات التعليمية من المنصة الوطنية للتعليم الذكي للعام الدراسي 2024 إلى 2025، بحجم مفردات 21128. البعد الطبقي المخفي للنموذج هو 768، مع 12 رأس انتباه و12 طبقة. تم تعيين عمق شجرة GBDT إلى 8، وعدد الأشجار 200، ومعدل التعلم 0.1. دورة تدريب GAN تتكون من 150 طلقة، ويستخدم المميز شبكة متصلة بالكامل مكونة من ثلاث طبقات بأحجام 512، 256، و1. يستخدم المولد شبكة متصلة بالكامل مكونة من أربع طبقات بأحجام 1024، 512، 256، و1. عدد الوحدات المخفية في LSTM هو 128، وطول التسلسل هو 512. GAT يحتوي على طبقتين وأربعة رؤوس انتباه. درجة حرارة تقطير المعرفة مضبوطة على 3.0. معاملات وزن المكافأة في RL ω₁ = 0.4، ω₂ = 0.35، و ω₃ = 0.25. معايير اختيار الوزن تهدف إلى موازنة توازن باريتو الأمامي للتحسين متعدد الأهداف مع متطلبات قابلية التفسير في ممارسات العدالة التعليمية. تم إكمال التجارب باستخدام تقسيم بيانات بنسبة 50٪ عبر التحقق المتقاطع وضبط المعاملات الفائقة. يتم عرض عملية BFEN لمعايرة التقييم التعليمي في الشكل 3.

الشكل 3: عملية تصحيح خوارزمية BFEN لتقييم التعليم الذكي والتعليم. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

كما هو موضح في الشكل 3، يقوم BFEN أولا بمعالجة بيانات تقييم التدريس متعددة المصادر. يقوم BERT بتحسين قدرة FairEduNet على استخراج الميزات من خلال حساب التشابه الدلالي النصي وأوزان الميزات العميقة بناء على نافذة دلالية، واختيار الميزات المهمة لبناء مصفوفة سماطية عالية الأبعاد. ثم يحدد RL دالة مكافأة متعددة الأهداف ويحسب تدرجات التكيف مع السيناريوهات وتعديل المعلمات لتحسين عتبات العدالة ومعايير المعايرة. يحسب FairEduNet الانحرافات بين بيانات التقييم ونماذج أنماط الخطأ، ويقوم بتحديث أوزان شجرة القرار بشكل تكراري، ويعدل استراتيجيات المعايرة حتى تستقر الأخطاء ضمن عتبات محددة مسبقا. يشمل الناتج النهائي نموذج معايرة الخطأ وتقرير التحقق من العدالة. يتم تطبيق نموذج المعايرة على بيانات التقييم التعليمية، حيث ينتج جداول مقارنة قبل وبعد المعايرة، والتي تدمج مع مكتبة معيار عدالة التعليم الذكي لتحديد معايير المعايرة المستهدفة، مما يوفر أساسا علميا لمعايرة التقييم التدريسي في التعليم الذكي. تغطي هذه المكتبة القياسية ثلاثة أبعاد من عدالة الفرص التعليمية، وعدالة العمليات، وعدالة النتائج، وتشمل 12 مؤشرا أساسيا. تشمل هذه المؤشرات توازن تخصيص الموارد التعليمية بين المناطق، والفرق في تغطية البنية التحتية الرقمية بين المدارس الحضرية والريفية، وعتبة التسامح مع الاستجابة المتأخرة لتشخيص حالة التعلم (≤200 مللي ثانية)، وتحمل البيانات المفقودة في التقييم متعدد الوسائط (≤3.5٪)، وحساسية اكتشاف تحيز الخوارزمية (انحراف AUC لتصنيف الجنس/المنطقة/المرحلة ≤ 0.02)، عتبة التباعد في كينغز لتوزيع الدرجات قبل وبعد التصحيح (≤0.08)، ودرجة قابلية التفسير لاقتراحات تدخل المعلمين (≥4.2/5.0)، وتوقيت تحديثات ملفات الطالب (تم الانتهاء خلال T + 1 يوم)، ومعامل الاتساق للاعتراف بالاعتمادات عبر المنصات (≥0.93)، ودقة توافق دلالة سياسات التعليم (درجة BERT ≥ 0.86)، واكتمال تقرير التحقق من العدالة (بما في ذلك نسبة التحيز، فترات الثقة، ولقطات معلمات قابلة للتكرار)، بالإضافة إلى معدل نجاح التحقق من تكيف السيناريوهات الديناميكي الذي يغطي ثلاثة سيناريوهات نموذجية: الفصل الحي، الواجبات غير المتزامنة، ومساعدي التدريس بالذكاء الاصطناعي. يتم عرض حساب التشابه الدلالي للميزات في المعادلة (6).

(6)

في المعادلة (6)، f_i تمثل قيمة البعد الدلالي i، g_i تمثل قيمة البعد المهم للميزة التقييمية i، وn يمثل العدد الإجمالي لأبعاد الميزة. يتم عرض حساب معامل تكييف سيناريو التعلم المعزز في المعادلة (7).

(7)

في المعادلة (7)، تمثل θ_t قيمة المعلمة عند التكرار رقم t، وتمثل α معدل التعلم، وتمثل تدرج المعلمات بناء على دالة المكافأة R(θ_t).

بناء نموذج معايرة التقييم التعليمي
على الرغم من أن BFEN يظهر بعض المزايا في معايرة التقييم التعليمية، إلا أنه لا يزال يواجه كفاءة تكامل منخفضة لبيانات التقييم متعددة المصادر وغير كاف في التكيف مع العدالة الديناميكية في التطبيقات العملية. خوارزمية AM-LSTM، التي تجمع بين آلية الانتباه (AM) والذاكرة طويلة المدى قصيرة المدى (LSTM)، تمنح أوزانا للميزات الرئيسية لبيانات التقييم متعددة المصادر عبر AM وتلتقط أنماط التغير الديناميكي لبيانات التقييم عبر الزمن باستخدام قدرة الذاكرة التسلسلية في LSTM. هذا النهج يحسن بشكل فعال كفاءة دمج البيانات متعددة المصادر والتعلم الديناميكي للميزات^19,20. يتم عرض عملية تشغيل AM-LSTM في الشكل 4.

الشكل 4: مخطط تدفق تشغيل AM-LSTM. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

كما هو موضح في الشكل 4، تقوم AM-LSTM أولا بمعالجة بيانات تقييم التعليم متعددة المصادر وغير المتجانسة لتشكيل مجموعة بيانات موحدة. يحسب AM أوزان الانتباه للميزات من مصادر بيانات مختلفة لاختيار الميزات المهمة ويبني مصفوفة ميزات موزونة. يتم إدخال مصفوفة الميزات المرجحة في LSTM، الذي يستخدم آلية البوابات الخاصة به لتعلم الأنماط الديناميكية مع مرور الوقت، حيث يلتقط العلاقات بين بيانات التقييم في مراحل مختلفة ويخرج متجهات الميزات الديناميكية. أخيرا، يتم دمج هذه المتجهات الديناميكية مع قيود العدالة لتوليد نتائج معايرة وسيطة تتكيف مع تكامل البيانات متعددة المصادر والسيناريوهات الديناميكية، مما يوفر أساسا لتحسين النموذج لاحقا. يتم عرض حساب وزن الانتباه في المعادلة (8).

(8)

في المعادلة (8)، يمثل_n تخصيص الانتباه للميزة رقم n، وx_n يمثل التشابه، وq يمثل متجه الاستعلام، وsoftmax يمثل دالة التفعيل. يتم التعبير عن بوابة النسيان في LSTM في المعادلة (9).

(9)

في المعادلة (9)، W_f هو وزن بوابة النسيان، b_f هو انحياز بوابة النسيان، x_t هو المدخل في الزمن t، h_t-1 هو متغير الحالة الخارجية عند الزمن t-1، و σ يمثل دالة السيجمويد²¹. تجمع هذه الدراسة بين AM-LSTM وBFEN لبناء نموذج معايرة التقييم التعليمي AM-LSTM-BFEN، المعروف باسم FBFEN. في هذا النموذج، يعالج AM-LSTM حدود BFEN في كفاءة تكامل البيانات متعددة المصادر واستخلاص الميزات الديناميكي. كما يدمج قيود العدالة لتحسين نتائج المعايرة الوسيطة، مما يمكن BFEN من تحقيق معايرة دقيقة وضمان عدالة ديناميكي لبيانات التقييم التعليمية. يتم عرض عملية تشغيل FBFEN في الشكل 5.

الشكل 5: عملية تشغيل نموذج تقييم وتصحيح التعليم FBFEN. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

كما هو موضح في الشكل 5، يقوم FBFEN أولا بمعالجة بيانات تقييم التعليم متعددة المصادر الأصلية ويدخل مجموعة البيانات الموحدة في وحدة AM-LSTM. يحسب AM أوزان انتباه الميزات، بينما يتعلم LSTM الأنماط الديناميكية، ويخرج نتائج معايرة متوسطة تدمج المعلومات متعددة المصادر والميزات الديناميكية. ثم تدخل النتائج الوسيطة في وحدة BFEN. يتعلم GBDT أنماط الخطأ في بيانات التقييم بشكل تكراري بناء على النتائج الوسيطة ونموذج الخطأ المحدد مسبقا، مما يخرج نتائج معايرة أولية. وفي الوقت نفسه، يحلل GAN تحيز العدالة الناتج عن السمات الحساسة في النتائج الأولية من خلال التدريب التنافسي بين المولد والمميز، مع تعديل معلمات المعايرة ديناميكيا لإزالة التحيز. وأخيرا، تعاد معلمات المعايرة المحسنة ل GAN إلى GBDT لتحديث أوزان شجرة القرار واستراتيجيات المعايرة، مما ينتج نتيجة معايرة ثانوية توازن بين الدقة والعدالة. يتم التعبير عن توحيد البيانات في المعادلة (10).

(10)

في المعادلة (10)، تمثل z' القيمة الموحدة، وz تمثل القيمة الأصلية، وz_min  وz_max تمثل القيم الدنيا والعظمى. يتم التعبير عن دالة الهدف النهائية لمولد GAN في المعادلة (11).

(11)

في المعادلة (11)، يمثل N عدد التكرارات، وλ عامل الوزن المفقود، وωⁱ عامل الوزن للتكرار i، ويمثل دالة الخسارة العدائية، ويمثل فقدان الإنتروبيا العرضية^{الثنائية 22}.

تحسين نموذج معايرة التقييم التعليمي من FBFEN
على الرغم من أن FBFEN يظهر تكامل قويا للبيانات متعددة المصادر وضمان عدالة ديناميكية في معايرة تقييم التعليم، إلا أنه لا يزال يواجه ضعف في الارتباط بالميزات وكفاءة تدريب واستدلالات منخفضة بسبب بنية النماذج المعقدة في السيناريوهات التعليمية المعقدة. تقوم خوارزمية GAT-KD، التي تجمع بين شبكة انتباه الرسوم البيانية (GAT) وتقطير المعرفة (KD)، ببناء رسم بياني للارتباط الدلالي بين الميزات ديناميكيا من خلال آلية الانتباه في GAT، مما يعزز المحاذاة الدلالية للبيانات متعددة المصادر. يقوم KD بضغط معرفة النموذج المعقد إلى شبكة خفيفة الوزن، مما يحسن بشكل كبير كفاءة الاستدلال مع الحفاظ على أداء النموذج^23,24. يتم عرض عملية تشغيل GAT-KD في الشكل 6.

الشكل 6: مخطط تدفق التشغيل GAT-KD. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

كما هو موضح في الشكل 6، يقوم GAT-KD بإنشاء رسم بياني للارتباط الدلالي بين الميزات من خلال وحدة GAT، ويجمع معلومات ميزات الجوار ديناميكيا باستخدام آلية الانتباه، ويعزز التمثيل الدلالي للميزات المحلية. تستخدم KD بعد ذلك تسميات الإخراج الناعمة كإشارات إشراف، مما يقلل من فقدان التباين بين توزيعات الإخراج وفقدان الإنتروبيا المتقاطع بين توقعاته والتسميات الحقيقية، محققا نقل المعرفة وضغط النموذج. الناتج النهائي هو نموذج معايرة خفيف الوزن بدقة وكفاءة عالية. يتم عرض حساب معامل الانتباه في GAT في المعادلة (12).

(12)

في المعادلة (12)، وتمثل متجهات الميزات للعقدتين i و j، تمثل W مصفوفة الوزن القابلة للتعلم، وa تمثل متجه وزن الانتباه، وتمثل عملية الربط بين الركب، وتمثل LeakyReLU دالة التفعيل²⁵. يتم عرض حساب دالة الخسارة ب KD في المعادلة (13).

(13)

في المعادلة (13)، تمثل KL فقدان التباعد، وT² تمثل توازن التدرج، وp^طالب تمثل احتمال التسمية الناعمة للنموذج الخفيف الخفيف، وp^معلم يمثل احتمال التسمية الناعمة للنموذج^{المركب 26}. من خلال الجمع بين ارتباط الميزات المعززة بالانتباه ونقل المعرفة الخفيف، يعالج GAT-KD بفعالية انحياز الخصائص الدلالي والتعقيد الحاسوبي العالي. تدمج هذه الدراسة GAT-KD في FBFEN لتشكيل نموذج معايرة تقييم التعليم GAT-KD-FBFEN، المعروف باسم GFBFEN. يحسن GAT-KD أوجه القصور في FBFEN في التقاط الارتباطات متعددة المصادر غير الكامل وكفاءة الاستدلال المنخفضة. يتم عرض عملية تشغيل GFBFEN في الشكل 7.

الشكل 7: عملية تشغيل نموذج تقييم وتصحيح التعليم في GFBFEN. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

كما هو موضح في الشكل 7، يقوم GFBFEN بتوحيد بيانات تقييم التدريس متعددة المصادر. يقوم GAT بنمذجة العلاقات المعقدة بين الميزات ويحسب ديناميكيا أوزان الارتباط الدلالي بين العقد باستخدام آليات الانتباه. يقوم KD بضغط معرفة النموذج المركب إلى شبكة خفيفة الوزن، مما يحسن بشكل كبير كفاءة الاستدلال مع الحفاظ على الدقة. تمنح وحدة AM-LSTM أوزان أهمية للميزات متعددة المصادر وتلتقط أنماط ديناميكية زمنية لبيانات التقييم، مما يخرج نتائج معايرة وسيطة تدمج معلومات متعددة المصادر. يتم إدخال هذه النتائج في وحدة BFEN للمعالجة العميقة. على وجه التحديد، يستخرج BERT الميزات الدلالية من النص غير المنظم، ويعزز التعلم المعزز بشكل ديناميكي عتبات العدالة ومعلمات المعايرة، ويتعلم GBDT أنماط الخطأ بشكل تكراري للمعايرة الأولية، ويقضي GAN على التحيزات الناتجة عن السمات الحساسة من خلال التدريب الخصمي. تقوم آلية تعديل المعلمات الديناميكية تلقائيا بمعايرة حساسية الاستجابة وأوزان العدالة لكل وحدة من خلال استشعار التغيرات الزمنية وتحولات توزيع المجموعات في مشهد التدريس في الوقت الحقيقي، مما يحل مشكلة عدم القدرة على التكيف الناجم عن تكوين المعلمات الثابتة، ويضمن أن النموذج يمكنه الحفاظ على المتانة والعدالة في مراحل التدريس المختلفة. مجموعات الطلاب، وسيناريوهات التقييم. يؤثر نوع التقييم بشكل مباشر على الدقة ودورة التغذية الراجعة لنمذجة السلاسل الزمنية، بينما يؤكد التقييم التكويني على الطبيعة الديناميكية للعملية. تحدد الفروقات في التخصصات توزيع الميزات بين وحدات BERT وGBDT. لذلك، يمكن لاعتماد آلية تعديل ديناميكية أن يتكيف بفعالية مع أنواع التقييم المختلفة وخصائص التخصص. وأخيرا، من خلال جولات متعددة من تغذية راجعة المعلمات والتحسين التكراري، ينتج النموذج نتائج معايرة دقيقة وعادلة لتقييم التدريس. يتم التعبير عن دالة تحسين قيود العدالة الديناميكية في المعادلة (14).

(14)

في المعادلة (14)، تمثل S مجموعة السمات الحساسة، وتمثل نتيجة معايرة الناتج المتوقع، وتمثل تباين التنبؤات داخل المجموعات، γ تمثل معلمات بين المجموعات، وتمثل القيمة المتوقعة الكلية. الحساب التكيفي لأوزان اندماج الميزات متعددة المصادر موضح في المعادلة (15).

(15)

في المعادلة (15)، يمثل w_k وزن ميزة مصدر البيانات k، β يمثل معامل الوزن، Sim يمثل دالة قياس تشابه الميزات، f_k يمثل متجه الميزة المستخرج من مصدر البيانات k، _{f global} يمثل مركز الميزة العالمي، وK يمثل العدد الإجمالي لمصادر البيانات. حددت الدراسة أوزان السمات الحساسة، بما في ذلك الجنس، والعرق، والمنطقة، والوضع الاقتصادي للأسرة، والخلفية اللغوية الأم. يتم تحديد الأوزان بناء على نتائج تحليل الارتباط. استخدمت الدراسة معامل الارتباط بيرسون ومعامل الارتباط الترتيبي لسبيرمان كمؤشرات مزدوجة للتقييم المشترك، إلى جانب الخبرة الخبيرة في مجال التعليم لمعايرة الوزن. أسفر التحديد النهائي للأوزان لكل سمة حساسة عن قيم 0.18 للجنس، 0.22 للعرق، 0.25 للمنطقة، 0.19 للوضع الاقتصادي الأسري، و0.16 للخلفية الأم. الجنس: الهوية الجندرية حسب التسجيل القانوني وتحديد الذات، ثنائية (ذكر/أنثى) مع خيارات غير ثنائية؛ حقل البيانات "الجنس". العرق: بناء على الهوية العرقية الوطنية ل 56 مجموعة، متوافقة مع المجموعات غير المحددة وعبر الحدود؛ حقل البيانات "العرق". المنطقة: التقسيم الإداري لتسجيل الأسرة أو الإقامة طويلة الأمد، يشمل المستويات الإقليمية والبلدية والمقاطعات، مع الأخذ في الاعتبار الهيكل المزدوج بين الحضر والريفي والسكان المهاجرين؛ حقل البيانات "المنطقة". الحالة الاقتصادية للأسرة: وفقا للمعايير الإحصائية الوطنية ومؤشرات المساعدة التعليمية، باستخدام تصنيف من خمسة مستويات؛ حقل البيانات "economic_status". خلفية اللغة الأم: لغة التعليم الأساسي ولغة التواصل الأسري خلال التعليم الأساسي، وتشمل الماندرين، ولغات الأقليات، واللهجات، واللغات الأجنبية، مع وزن حسب عمر الاكتساب وتكرار الاكتساب؛ حقل البيانات "mother_tongue."

اعتمدت عملية التصحيح آلية وزن ديناميكي ثلاثية المراحل. نفذت المرحلة الأولى تحديد الانحراف الأولي بناء على مصفوفة الوزن للسمات الحساسة، مع تحديد نقاط البيانات التي انحرفت بشكل كبير عن مركز الميزات العالمي في أبعاد مثل الجنس، والعرق، والمنطقة. تقدم المرحلة الثانية قيودا للسياق التعليمي لإعادة تأهيل شدة الانحراف بطريقة واعية للسياق. تتحقق المرحلة الثالثة من استقرار التصحيح من خلال اختبارات الاضطراب المضاد، حيث تستبدل بشكل منهجي قيم السمات الحساسة مع الحفاظ على الميزات غير الحساسة دون تغيير، وتلاحظ ما إذا كان التغير في درجات التقييم ضمن عتبة ±±3.2٪.

النتائج

تحليل أداء خوارزمية BFEN
شملت المؤشرات التي تم تقييمها في التجارب ما يلي:

تشير دقة تصحيح التقييم (ECA) إلى نسبة العناصر الانحرافية التي تم تحديدها وتصحيحها بشكل صحيح بواسطة النموذج ضمن نتائج تقييم التدريس، مما يعكس الفعالية العامة لآلية التصحيح. تشير القيم الأعلى إلى دقة تصحيح أعلى.

يقيس معدل انحراف العدالة (FDR) حجم الفوارق في الدرجات بين المجموعات التي يفشل النموذج في القضاء عليها أثناء عملية المعايرة. يتم حساب...

المناقشة

أظهرت خوارزمية BFEN المقترحة في هذه الدراسة أداء متفوقا في التجارب المقارنة. من وجهة نظر ECA وFDR، تفوق بشكل كبير على خوارزميات PRF وEAB وDBLR. عند معايرة سجل تقييم 421، رفع BFEN ECA إلى 98.75٪ وحافظ على الاستقرار، بينما انخفض FDR إلى 2.87٪. نتج هذا الأداء عن دمج BERT-RL لتحسين الميزات والتكيف الديناميكي. استخرج BERT بدقة معلومات التحيز الدلالي العميق من نصوص التقييم غير المنظمة، وقام التعلم المعزز بضبط عتبات العدالة ومعلمات المعايرة ديناميكيا من خلال دالة مكافأة متعددة الأهداف، مما ألغى...

المواد

قائمة المواد المستخدمة في هذه المقالة

الاسم	الشركة	رقم فهرسي	التعليقات
مجموعة بيانات تقرير رصد التعليم العالمي	اليونسكو	https://www.education-progress.org/	مجموعة البيانات
NumPy	NumPy	https://numpy.org/	معالجة البيانات المسبقة
Pandas	Pandas, NumPy	https://pandas.pydata.org/	معالجة البيانات المسبقة
PyCharm Professional 2023.1	PyCharm	الإصدار 2023.1	بيئة التطوير
Python 3.9	Python	الإصدار 3.9	‌لغة البرمجة
Scikit-learn	Scikit-learn	https://scikit-learn.org/stable/index.html	التعلم الآلي
Seaborn	Seaborn	https://seaborn.pydata.org/	التصور
مجموعة بيانات أداء طلاب المدارس المتوسطة في إسبانيا	مستودع تعلم الآلة بجامعة كاليفورنيا، إرفين	https://archive.ics.uci.edu/dataset/320/student+performance	مجموعة البيانات
TensorFlow	TensorFlow	https://www.tensorflow.org/	التعلم العميق
Windows 11	مايكروسوفت	الإصدار 11	نظام التشغيل