FairEduNet-Algorithmen-Design und Lehrbewertungs-Kalibrierung unter Berücksichtigung von Gerechtigkeit in der Hochschulbildung

Zusammenfassung

Die Forschung zielt darauf ab, einen neuen Ansatz für die Kalibrierung der Lehrbewertung und Bildungsgerechtigkeit in der intelligenten Bildung zu bieten. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Modell die vergleichenden Modelle deutlich übertrifft und Probleme der mangelhaften Multiquellen-Datenintegration und Fairness-Bias in bestehenden Kalibrierungsmethoden effektiv adressiert.

Zusammenfassung

Aktuelle Kalibrierungsmethoden der Lehrbewertung stehen vor Herausforderungen wie geringer Integrationseffizienz bei der Verarbeitung multiquellen heterogener Bewertungsdaten, unzureichende Anpassungsfähigkeit zwischen verschiedenen Disziplinen und Lehrszenarien sowie Verspannungen bei den Ergebnissen mit schwachen Fairness-Garantien. Die Forschung zielt darauf ab, ein interpretierbares, übertragbares und skalierbares Fairness-Correction-Framework für tiefgehende Modellierung und dynamische Korrektur von Lehrbewertungsdaten zu entwickeln. Diese Probleme erschweren es, die Kernanforderung eines ausgewogenen Unterrichts in der intelligenten Bildung zu erfüllen. Diese Studie schlägt einen fairnessorientierten Bildungsnetzwerk-Algorithmus vor, der ein generatives adversariales Netzwerk und einen Gradienten-boostenden Entscheidungsbaum integriert. Der Algorithmus konstruiert einen Fairness-Kalibrierungsmechanismus und kombiniert ein bidirektionales Encoder-Darstellungsmodell mit einem Graph-Attention-Netzwerk, um die Feature-Extraktion und dynamische Anpassungsfähigkeit zu optimieren, wodurch die Effizienz der Datenverarbeitung und die Fairness-Kalibrierungsgenauigkeit verbessert werden. Dieser Ansatz erreicht präzise Kalibrierung und Fairness Assurance bei Lehrbewertungen. Im Indikatortest erreichte das Modell eine Genauigkeit von 98,76 % bei den Cluster-Evaluationsmerkmalen, 98,05 % bei der Fairness-Korrektur und 0,968 % bei der szenarioübergreifenden Korrekturkonsistenz im Validierungsset. Bei der Aufgabe zum Verlustwert-Testen sank der Gesamtverlust des Modells während der Korrekturaufgabe der Lehrbewertung im Validierungssatz von 0,1237 auf 0,1018. Im Indikatortest erreichte das Modell eine Genauigkeit von 98,76 % bei den Cluster-Evaluationsmerkmalen, 98,05 % bei der Fairness-Korrektur und 0,968 % bei der szenarioübergreifenden Korrekturkonsistenz im Validierungsset. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Modell die vergleichenden Modelle deutlich übertrifft und Probleme der mangelhaften Multiquellen-Datenintegration und Fairness-Bias in bestehenden Kalibrierungsmethoden effektiv adressiert. Darüber hinaus bietet es innovative algorithmische Rahmenwerke für Technologieentwickler und zuverlässige technische Werkzeuge für Bildungsverantwortliche, um die Lehrgerechtigkeit zu fördern. Die Forschungsbeiträge liegen in: (i) Integration von drei Kernmodulen, darunter Multi-Source-Datenvorverarbeitung, dynamische Fairness-Index-Verifikation und Erklärbarkeitsvisualisierung; und (ii) die Vorschläge eines Fairness-Correction-Paradigmas, das auf der kollaborativen Optimierung generativer adversarialer Netzwerke und Gradient-Boosting-Bäume basiert, das die Grenzen der traditionellen Einzelmodellkorrektur durchbricht und entkoppeltes Lernen von Abweichungsmodellierung und Korrekturentscheidungen ermöglicht.

Einleitung

Die Lehrbewertung und -kalibrierung bilden den Kern der Sicherstellung der Lehrqualität in der intelligenten Bildung. Durch dynamische Analyse, Fehlerkorrektur und Ergebniskalibrierung bieten sie eine Grundlage für Unterrichtsverbesserungen und personalisiertes Lernen. Ihre Genauigkeit und Fairness beeinflussen direkt, ob intelligente Bildung technologische Vorurteile durchbrechen und eine ausgewogene Bildungsunterstützung bieten^{kann 1,2}. Bestehende Methoden haben jedoch mehrere Schwächen: Sie verlassen sich auf eine einzige Datenquelle, ignorieren die tatsächliche Situation und führen zu Datenverzerrung und Korrekturfehlern. Das Fehlen eines dynamischen Anpassungsmechanismus für Fairness erschwert es, die Fairness-Bedürfnisse von Disziplinen und Szenarien zu erfüllen ^3,4. Darüber hinaus gibt es Probleme wie fehlende Fairness-Indikatoren und eine Verzerrung in den Korrekturstrategien beim Umgang mit heterogenen Daten aus mehreren Quellen. Zu diesem Zweck haben Wissenschaftler Forschungen aus mehreren Dimensionen durchgeführt, etwa zur Bewertung von tennisunterstütztem Unterricht basierend auf einem verbesserten dichten Trajektorie-Algorithmus⁵. Yin et al. nutzten den analytischen Hierarchieprozess und einen Fuzzy-Synthese-Algorithmus, um den Online-Unterricht zu überwachen⁶. Chen analysierte Bildungsdaten für ältere Erwachsene mithilfe eines verbesserten Data-Mining-Algorithmus, um die Unterrichtsqualität^{zu verbessern 7}.

Obwohl diese Studien Fortschritte gemacht haben, bestehen Probleme wie Kalibrierungsergebnis-Bias und mangelhafte Fairness-Koordination. Daher ist der Aufbau eines Modells, das gleichzeitig eine genaue Lehrbewertung, Kalibrierung und dynamische Fairness Assurance bietet, zu einem Forschungsschwerpunkt in der intelligenten Bildung geworden. Das generative adversariale Netzwerk (GAN) passt sich an, um den impliziten Einfluss sensibler Attribute auf die Ergebnisse durch Echtzeit-Adversarialtraining zwischen Generator und Discriminator zu eliminieren, wobei die Ausgaben durch Kernfaktoren und nicht durch labelinduzierte Verzerrung bestimmt^werden. GAN zeigt Vorteile beim Umgang mit Gruppenverzerrungen in Bewertungsdaten und der Modellierung nichtlinearer Fairness-Einschränkungen. Cheng et al. schlugen einen GAN-basierten Bildverbesserungsalgorithmus vor, um niedrigauflösende Bilder zu adressieren. Der Generator lieferte hochauflösende Bilder aus niedrigauflösenden Eingängen, und der Diskriminator unterschied die erzeugten Bilder von echten hochauflösenden Bildern. Adversarial Training optimiert die Parameter, sodass die Generatorausgabe reale^{Bilder 9} erreicht. Kang et al. schlugen ein crossmodales GAN-Modell vor, um die Effizienz der multimodalen Datenverarbeitung in erneuerbaren Energien zu verbessern. Der Generator erhält einmodale Daten, der Diskriminator unterscheidet die erzeugten von echten multimodalen Daten, und das adversarische Training optimiert das Modell für eine verbesserte Effizienz¹⁰. Der Gradient Boosting Decision Tree (GBDT)-Algorithmus ist ein klassischer Algorithmus für strukturierte Datenverarbeitung mit einer starken Feature-Capture-Fähigkeit. Durch iterative Integration mehrerer Entscheidungsbäume lernt GBDT präzise Datenfehlermuster und zeigt Vorteile bei der Verarbeitung multiquellen heterogener Bewertungsinformationen und der Korrektur nichtlinearer Score-Abweichungen ^11,12. Mizuno et al. schlugen eine GBDT-basierte Pfadvorhersagemethode für starke Niederschlagskatastrophen vor, bei der Pfadmerkmale gelernt und Katastrophenpfade mit Echtzeitdaten vorhergesagt wurden, wobei optimale Vorhersagen über mehrere Entscheidungsbäume ausgewählt^{wurden 13}. Gao et al. entwickelten eine GBDT-basierte visuelle Analysemethode zur Vorhersage der Klickraten in Werbung, wobei sie die Beziehung zwischen visuellen Merkmalen und historischen Klickdaten erlernten, um die Klickraten für neue Anzeigen vorherzusagen¹⁴. Basierend auf den oben genannten Herausforderungen zielt diese Forschung darauf ab, systematisch die folgende wissenschaftliche Kernfrage zu beantworten: Wie kann ein intelligentes Bildungsbewertungsmodell konstruiert werden, das multiquellenbasierte heterogene Daten effizient integriert, sich dynamisch an verschiedene Lehrszenarien anpasst und gleichzeitig Kalibrierungsgenauigkeit und Ergebnisfairness sicherstellt? Um diese Frage zu beantworten, nutzt diese Studie den synergistischen Effekt des Fairness-Constraint-Mechanismus von GAN und die präzise Fehlerkalibrierungsfähigkeit von GBDT. Darüber hinaus wird geforscht, wie fortschrittliche Technologien wie natürliche Sprachverarbeitung (BERT), Verstärkungslernen (RL), Aufmerksamkeitsmechanismen (AM), Langzeit-Kurzzeitgedächtnisnetzwerke (LSTM), Graphen-Aufmerksamkeitsnetzwerke (GAT) und Wissensdestillation (KD) eingeführt werden können, um die inhärenten Einschränkungen eines einzelnen Modells bei Merkmalsextraktion, dynamischer Anpassung und Schlussfolgerungseffizienz auszugleichen. Letztlich ist das Ziel, eine Kalibrierungslösung für Lehrbewertungen bereitzustellen, die sowohl präzise als auch fair ist und starke Verallgemeinerungsmöglichkeiten für den Bereich der intelligenten Bildung bietet.

Protokoll

Design und Optimierung des FairEduNet-Algorithmus
Die Studie kombiniert GAN und GBDT, um den FairEduNet-Algorithmus zu konstruieren, der die doppelten Ziele von Fairness-Correction und Genauigkeitskorrektur erreicht, anstatt den Kompromiss einer Einweg-Optimierung. FairEduNet verwendet eine Dual-Channel-Kollaborationsarchitektur: Der GBDT-Backbone-Kanal ist für strukturierte Fehlermodellierung und präzise Korrektur verantwortlich, während der GAN-Hilfskanal sich auf die Entkopplung sensibler Attribute und die dynamische Anpassung der Fairness konzentriert. Die FairEduNet-Algorithmusarchitektur, die GAN und GBDT kombiniert, ist in Abbildung 1 dargestellt.

Abbildung 1: FairEduNet-Algorithmusarchitektur, die GAN und GBDT kombiniert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 1 gezeigt, sammelt und bereitet FairEduNet zunächst Multi-Source-Bewertungsdaten vor. GBDT verwendet mehrere Entscheidungsbäume, um iterativ Bewertungsfehlermuster zu lernen, gibt die anfänglichen Kalibrierungsergebnisse aus und übergibt diese an das GAN-Modul. GAN trainiert den Discriminator, um die Beziehung zwischen den anfänglichen Kalibrierungsergebnissen und sensiblen Attributen zu erlernen, während der Generator die Kalibrierungsparameter dynamisch anpasst. Durch mehrere Runden von adversarialem Training und Fairness-Verification wird der Fairness Bias optimiert. Abschließend werden die fairness-kalibrierten Ergebnisse an das GBDT-Modul zurückgegeben, das auf Genauigkeit und Fairness anpasst und die Kalibrierungsbasis und den Bericht der Lehrbewertung ausgibt. GBDT berechnet Residuen wie in Gleichung (1) gezeigt.

(1)

In Gleichung (1) repräsentiert das Residuum der i-ten Probe in der t-ten Iteration, y_i den wahren Wert und den Vorhersagewert der t-1-ten Iteration. Der GAN-Adversarialprozess ist in Gleichung (2) dargestellt.

(2)

In Gleichung (2) steht x für das anfängliche Kalibrierungsergebnis, z für sensible Attributmerkmale, P_Daten(x)  für die wahre Verteilung nicht-sensibler Merkmale, P_z(z) für die Verteilung sensibler Attribute, D für den Diskriminator und G für den Generator¹⁵. Die anfängliche Kalibrierungsausgabe von GBDT ist in Gleichung (3) dargestellt.

(3)

In Gleichung (3) steht die Vorhersage der i-ten Stichprobe durch den Anfangs-Entscheidungsbaum, K stellt die Gesamtzahl der Entscheidungsbäume dar, γ_k das Gewicht des k-ten Baums und h_k(x_i) die Vorhersageausgabe des k-ten Baumes für das i-Die Probe. Der FairEduNet-Algorithmus kann präzise Kalibrierung und Fairness Assurance für Lehrbewertungsdaten bieten. Bei der Verarbeitung unstrukturierter Bewertungsdaten und der Anpassung an dynamische Szenarien zeigt FairEduNet jedoch eine schwache Feature-Extraktionsfähigkeit für unstrukturierte Features, was zu Kalibrierungsfehlern führt. Darüber hinaus sind die FairEduNet-Fairness-Indikatoren und Kalibrierungsparameter statisch eingestellt, was die Anpassungsfähigkeit an verschiedene Lehrszenarien einschränkt und die Gesamtkalibrierungsqualität beeinflusst. Die Kombination aus bidirektionalen Encoder-Darstellungen von Transformatoren (BERT) und Reinforcement Learning (RL), der BERT-RL-Algorithmus, kann tiefe Merkmale aus unstrukturiertem Text präzise extrahieren und Szenarioparameter dynamisch anpassen, ohne statische Schwellenwerte manuell zu setzen, was die Zuverlässigkeit der Algorithmusausgaben über Szenarien hinweg weiter verbessert^16,17. Traditionelle Methoden wie TF-IDF basieren auf der Worthäufigkeit, aber es fehlt an tiefem kontextuellen Verständnis und sie können in verschiedenen Szenarien keine spezifischen Richtungen der "Fairness" unterscheiden. Word2Vec erzeugt statische Wortvektoren, die Schwierigkeiten haben, sich an komplexe kontextuelle Veränderungen anzupassen und indirekte Verzerrungen zu erkennen. BERT nutzt mehrschichtige Selbstaufmerksamkeit, um bidirektionalen Kontext zu kodieren und erfasst sowohl explizite voreingenommene Begriffe als auch implizite voreingenommene Logik. Traditionelle Ansätze erfordern manuell erstellte voreingenommene Wortlisten, beruhen auf subjektiver Erfahrung und decken begrenzte Szenarien ab. Durch vortrainiertes Model Transfer Learning lernt BERT automatisch tiefe semantische Merkmale ohne umfangreichen manuellen Aufwand, was eine stärkere Verallgemeinerung bei der Erkennung von mehrdeutigen Verzerrungen bietet. Außerdem verlieren traditionelle Methoden oft Informationen bei langen Texten, während BERT bis zu 512 Tokens unterstützt, kontextuelle Beziehungen bewahrt, Verzerrungsmerkmale genau lokalisiert und eine feine Fairness-Korrektur ermöglicht. Der Betriebsprozess von BERT-RL ist in Abbildung 2 dargestellt.

Abbildung 2: Flussdiagramm des BERT-RL-Algorithmus. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 2 dargestellt, standardisiert BERT-RL zunächst unstrukturierte Textbewertungsdaten und gibt sie in das BERT-Modell ein. BERT verwendet einen Transformer-Encoder für bidirektionale semantische Modellierung, um Schlüsselmerkmale zu extrahieren und eine Merkmalsmatrix zu erstellen. Die Merkmalsmatrix wird dann in das RL-Modul eingegeben, das die optimale Strategie durch mehrere Iterationen lernt. Die optimierte Parameterkonfiguration wird schließlich in FairEduNet eingespeist, was dessen Anpassungsfähigkeit verbessert. Die Berechnung des BERT-Selbstaufmerksamkeitsmerkmalgewichts ist in Gleichung (4) dargestellt.

(4)

In Gleichung (4) stellt d_k die Dimension des Vektors K dar. Die RL-Multi-Ziel-Belohnungsfunktion wird in Gleichung (5) ausgedrückt.

(5)

In Gleichung (5) stehen ω₁, ω₂ und ω₃ für Gewichtskoeffizienten, für den Kalibrierungsfehler, D_t für die Fairness-Abweichung, D für die Ziel-Fairness-Abweichung und T_{t für} die^{Laufzeit 18}. Diese Studie kombiniert BERT-RL mit FairEduNet und bildet so den BERT-RL-FairEduNet-Algorithmus, der als BFEN bezeichnet wird. BFEN erreicht präzise Kalibrierung und Fairness Assurance der Lehrbewertungsdaten durch GBDT-Feature-Iteration und GAN Echtzeit-Adversarial-Training, während BERT-RL FairEduNet optimiert, um unstrukturierte Daten zu verarbeiten und sich dynamisch an Szenarien anzupassen, wobei Schwächen bei der Feature-Extraktion und statischen Parameterbeschränkungen behoben werden. Die Studie verwendete das BERT-basierte chinesische Modell und trainierte den Korpus aus echten Lehrprotokollen, im Klassenzimmer aufgezeichneten Texten und Bildungsrichtliniendokumenten der National Smart Education Platform für das akademische Jahr 2024 bis 2025 mit einer Vokabelgröße von 21128. Die versteckte Schichtdimension des Modells beträgt 768, mit 12 Aufmerksamkeitsköpfen und 12 Schichten. Die Tiefe des GBDT-Baums wurde auf 8 gesetzt, die Anzahl der Bäume betrug 200 und die Lernrate lag bei 0,1. Der Trainingszyklus von GAN beträgt 150 Runden, und der Discriminator verwendet ein dreischichtiges, vollständig verbundenes Netzwerk mit den Größen 512, 256 und 1. Der Generator verwendet ein vierschichtiges, vollständig verbundenes Netzwerk mit den Größen 1024, 512, 256 und 1. Die Anzahl der versteckten Einheiten in LSTM beträgt 128, und die Sequenzlänge beträgt 512. GAT hat 2 Schichten und 4 Aufmerksamkeitsköpfe. Die Temperatur für die Wissensdestillation ist auf 3,0 gesetzt. RL belohnt die Koeffizienten ω₁ = 0,4, ω₂ = 0,35 und ω₃ = 0,25. Die Gewichtungsauswahlkriterien sollen das Pareto-Front-Gleichgewicht der multiobjektiven Optimierung mit den interpretierbaren Anforderungen von Bildungsgerechtigkeitspraktiken in Einklang bringen. Die Experimente wurden mit einer 50%igen Datenaufteilung durch Kreuzvalidierung und Hyperparameter-Tuning durchgeführt. Der BFEN-Prozess zur Kalibrierung der Lehrbeurteilung ist in Abbildung 3 dargestellt.

Abbildung 3: Korrekturprozess des BFEN-Algorithmus für intelligente Bildung und Lehrevaluation. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 3 dargestellt, bereitet BFEN zunächst multiquellenbasierte Lehrbewertungsdaten vor. BERT optimiert die Feature-Extraction-Fähigkeit von FairEduNet, indem es die textsemantische Ähnlichkeit und tiefe Feature-Gewichte basierend auf einem semantischen Fenster berechnet und wichtige Features auswählt, um eine hochdimensionale semantische Feature-Matrix zu erstellen. RL setzt dann eine multiobjektive Belohnungsfunktion fest und berechnet die Anpassungsfähigkeit von Szenarien sowie Parameteranpassungsgradienten, um Fairness-Schwellenwerte und Kalibrierungsparameter weiter zu optimieren. FairEduNet berechnet Abweichungen zwischen Bewertungsdaten und Fehlermustermodellen, aktualisiert iterativ Entscheidungsbaumgewichte und passt Kalibrierungsstrategien an, bis sich die Fehler innerhalb der vorgegebenen Schwellenwerte stabilisieren. Das Endergebnis umfasst das Fehlerkalibrierungsmodell und den Fairness-Überprüfungsbericht. Das Kalibrierungsmodell wird auf Lehrbewertungsdaten angewandt und erzeugt Vergleichstabellen vor und nach der Kalibrierung, die mit der Bibliothek des Standards für Fairness für intelligente Bildung kombiniert werden, um Zielkalibrierungsparameter zu bestimmen und so eine wissenschaftliche Grundlage für die Kalibrierung der Leistungsbewertung in der intelligenten Bildung zu schaffen. Diese Standardbibliothek deckt drei Dimensionen ab: Bildungschancen-Fairness, Prozessfairness und Ergebnis-Fairness und umfasst 12 Kernindikatoren. Zu diesen Indikatoren gehören das Gleichgewicht der Bildungsressourcenverteilung zwischen den Regionen, der Unterschied in der digitalen Infrastrukturabdeckung zwischen städtischen und ländlichen Schulen, die Toleranzschwelle für verzögerte Reaktion auf die Lernsituation (≤200 ms), die Toleranz fehlender Daten in der multimodalen Bewertung (≤3,5 %), die Sensitivität der Algorithmus-Bias-Erkennung (AUC-Abweichung für Geschlecht/Region/Stufen-Kennzeichnung ≤ 0,02), die KL-Divergenzschwelle für die Punktverteilung vor und nach der Korrektur (≤0,08), den Interpretierbarkeitswert von Lehrerinterventionsvorschlägen (≥4,2/5,0), die Frist der Aktualisierung von Schülerprofilen (abgeschlossen innerhalb von T + 1 Tag), den Konsistenzkoeffizienten der plattformübergreifenden Krediterkennung (≥0,93), die Genauigkeit der semantischen Ausrichtung der Bildungspolitik (BERT-Wert ≥ 0,86) sowie die Vollständigkeit der Erstellung von Fairness-Verifizierungsberichten (einschließlich Verzerrungszuordnung), Konfidenzintervalle und reproduzierbare Parameter-Snapshots) sowie die Bestehensquote der dynamischen Szenarioanpassungsvalidierung, die drei typische Szenarien abdeckt: Live-Klassenzimmer, asynchrone Aufgaben und KI-Lehrassistenten. Die Berechnung der semantischen Merkmalsähnlichkeit ist in Gleichung (6) dargestellt.

(6)

In Gleichung (6) stellt f_i den Wert der i-ten semantischen Merkmalsdimension dar, g_i den Wert der i-ten wichtigen Bewertungs-Dimension, und n die Gesamtzahl der Merkmalsdimensionen. Die Berechnung des RL-Szenarioanpassungsparameters ist in Gleichung (7) dargestellt.

(7)

In Gleichung (7) repräsentiert θ_t den Parameterwert in der t-ten Iteration, α die Lernrate und den Parametergradienten basierend auf der Belohnungsfunktion R(θ_t).

Konstruktion des Kalibrierungsmodells für Lehrbewertung
Obwohl BFEN bestimmte Vorteile bei der Kalibrierung der Lehrbewertung aufweist, weist es weiterhin eine geringe Integrationseffizienz für multiquellenbasierte heterogene Bewertungsdaten und eine unzureichende dynamische Fairness-Anpassung in praktischen Anwendungen auf. Der AM-LSTM-Algorithmus, der Aufmerksamkeitsmechanismus (AM) und Long Short-Term Memory (LSTM) kombiniert, weist Schlüsselmerkmalen von Multi-Source-Bewertungsdaten über AM Gewichtungen zu und erfasst die dynamischen Veränderungsmuster der Bewertungsdaten im Zeitverlauf mithilfe der sequenziellen Speicherfähigkeit von LSTM. Dieser Ansatz verbessert effektiv die Effizienz der Multisource-Datenintegration und das dynamische Feature Learning^19,20. Der Betriebsprozess von AM-LSTM ist in Abbildung 4 dargestellt.

Abbildung 4: AM-LSTM-Betriebsflussdiagramm. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Wie in Abbildung 4 dargestellt, bereitet AM-LSTM zunächst multiquellenbasierte heterogene Lehrbewertungsdaten vor, um einen standardisierten Datensatz zu bilden. AM berechnet Aufmerksamkeitsgewichte für Merkmale aus verschiedenen Datenquellen, um wichtige Merkmale auszuwählen, und erstellt eine gewichtete Merkmalsmatrix. Die gewichtete Merkmalsmatrix wird dann in LSTM eingegeben, das seinen Gating Mechanismus nutzt, um dynamische Muster über die Zeit zu erlernen, Beziehungen zwischen Bewertungsdaten in verschiedenen Phasen zu erfassen und dynamische Merkmalsvektoren auszugeben. Schließlich werden diese dynamischen Merkmalsvektoren mit Fairness-Einschränkungen kombiniert, um Zwischenkalibrierungsergebnisse zu erzeugen, die sich an die Multi-Source-Datenintegration und dynamische Szenarien anpassen und so die Grundlage für die spätere Modelloptimierung bilden. Die Berechnung des Aufmerksamkeitsgewichts ist in Gleichung (8) dargestellt.

(8)

In Gleichung (8) stellt a_n die Aufmerksamkeitsverteilung für das n-te Merkmal dar, x_n die Ähnlichkeit, q den Abfragevektor und Softmax die Aktivierungsfunktion. Das LSTM-Vergessengatter wird in Gleichung (9) dargestellt.

(9)

In Gleichung (9) ist W_f das Vergessen-Gate-Gewicht, b_f die Vergessen-Gate-Bias, x_t ist die Eingabe zum Zeitpunkt t, h_t-1 die externe Zustandsvariable zum Zeitpunkt t-1 und σ stellt die Sigmoid-Funktion²¹ dar. Diese Studie kombiniert AM-LSTM mit BFEN, um das AM-LSTM-BFEN Kalibrierungsmodell der Lehrbewertung zu erstellen, das als FBFEN bezeichnet wird. In diesem Modell adressiert AM-LSTM die Einschränkungen von BFEN bei der Effizienz der multiquellenbasierten heterogenen Datenintegration und der dynamischen Feature-Extraktion. Es integriert außerdem Fairness-Constraints, um Zwischenkalibrierungsergebnisse zu optimieren, wodurch BFEN eine präzise Kalibrierung und dynamische Fairness Assurance für die Lehrbewertungsdaten weiter erreichen kann. Der Betriebsablauf von FBFEN ist in Abbildung 5 dargestellt.

Abbildung 5: Betriebsablauf des FBFEN-Lehrbewertungs- und Korrekturmodells. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 5 dargestellt, bereitet FBFEN zunächst die ursprünglichen multiquellenbasierten Lehrbewertungsdaten vor und gibt den standardisierten Datensatz in das AM-LSTM-Modul ein. AM berechnet Feature-Aufmerksamkeitsgewichte, während LSTM dynamische Muster lernt und Zwischenkalibrierungsergebnisse liefert, die Multiquelleninformationen und dynamische Features integrieren. Die Zwischenergebnisse werden dann in das BFEN-Modul eingegeben. GBDT lernt iterativ die Fehlermuster der Bewertungsdaten basierend auf den Zwischenergebnissen und dem voreingestellten Fehlermodell und liefert vorläufige Kalibrierungsergebnisse. Unterdessen analysiert GAN den durch sensible Attribute in den vorläufigen Ergebnissen verursachte Fairness-Bias durch adversariales Training zwischen Generator und Discriminator und passt die Kalibrierungsparameter dynamisch an, um Verzerrungen zu eliminieren. Schließlich werden die GAN-optimierten Kalibrierungsparameter an GBDT zurückgegeben, um Entscheidungsbaumgewichte und Kalibrierungsstrategien zu aktualisieren und so ein sekundäres Kalibrierungsergebnis zu erzeugen, das Präzision und Fairness ausbalanciert. Die Datenstandardisierung wird in Gleichung (10) ausgedrückt.

(10)

In Gleichung (10) steht z' für den standardisierten Wert, z für den ursprünglichen Wert und z_min und z_max für die Minimal- und Maximumwerte. Die Endzielfunktion des GAN-Generators wird in Gleichung (11) ausgedrückt.

(11)

In Gleichung (11) steht N für die Anzahl der Iterationen, λ für den Gewichtsverlustfaktor, ωⁱ für den Gewichtsfaktor der i-ten Iteration, für die adversariale Verlustfunktion und für den binären Kreuzentropieverlust²².

Optimierung des FBFEN-Lehrbewertungs-Kalibrierungsmodells
Obwohl FBFEN eine starke Multi-Source-Datenintegration und dynamische Fairness Assurance bei der Kalibrierung der Lehrbeurteilung aufweist, weist es dennoch eine schwache Merkmalskorrelation sowie eine geringe Ausbildungs- und Inferenzeffizienz aufgrund der komplexen Modellstruktur in komplexen Bildungsszenarien auf. Der GAT-KD-Algorithmus, der das Graph Attention Network (GAT) und die Knowledge Distillation (KD) kombiniert, konstruiert dynamisch einen semantischen Assoziationsgraphen zwischen Features mittels GATs Aufmerksamkeitsmechanismus und verbessert so die semantische Ausrichtung von Multiquellendaten. KD komprimiert das Wissen des komplexen Modells in ein leichtes Netzwerk, was die Inferenzeffizienz deutlich verbessert und gleichzeitig die Modellleistung^23,24 beibehält. Der Betriebsprozess von GAT-KD ist in Abbildung 6 dargestellt.

Abbildung 6: GAT-KD-Betriebsflussdiagramm. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 6 gezeigt, konstruiert GAT-KD einen semantischen Assoziationsgraphen unter Merkmalen über das GAT-Modul, aggregiert dynamisch Nachbarschaftsmerkmale mithilfe des Aufmerksamkeitsmechanismus und verbessert die semantische Darstellung lokaler Merkmale. KD verwendet dann die Ausgabe-Softlabels als Überwachungssignale, minimiert den Divergenzverlust zwischen den Ausgabeverteilungen und den Kreuzentropieverlust zwischen seinen Vorhersagen und den wahren Labels, wodurch Wissenstransfer und Modellkompression erreicht werden. Das Endergebnis ist ein leichtes Kalibrierungsmodell mit hoher Präzision und Effizienz. Die Berechnung des GAT-Aufmerksamkeitskoeffizienten ist in Gleichung (12) dargestellt.

(12)

In Gleichung (12) und repräsentieren die Merkmalsvektoren der Knoten i und j, W die lernbare Gewichtungsmatrix, a den Aufmerksamkeitsgewichtvektor, die Verkettungsoperation und LeakyReLU die Aktivierungsfunktion²⁵. Die Berechnung der KD-Verlustfunktion ist in Gleichung (13) dargestellt.

(13)

In Gleichung (13) stellt KL den Divergenzverlust dar, T² das Gradientenskalierungsgleichgewicht, p^Student die Soft-Label-Wahrscheinlichkeit des Lightweight-Modells und p^Teacher die Soft-Label-Wahrscheinlichkeit des komplexen Modells²⁶. Durch die Kombination von aufmerksamkeitsverstärkter Merkmalassoziation und leichtem Wissenstransfer adressiert GAT-KD effektiv den semantischen Merkmalsbias und die hohe Rechenkomplexität. Diese Studie integriert GAT-KD in FBFEN, um das GAT-KD-FBFEN-Lehrbewertungskalibrierungsmodell zu bilden, das als GFBFEN bezeichnet wird. GAT-KD optimiert die Schwächen von FBFEN bei der unvollständigen Multi-Source-Feature-Korrelationserfassung und der geringen Inferenzeffizienz. Der Betriebsprozess von GFBFEN ist in Abbildung 7 dargestellt.

Abbildung 7: GFBFEN-Lehrevaluations- und Korrekturfunktionsprozess. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 7 dargestellt, standardisiert GFBFEN multiquellenbasierte Lehrbewertungsdaten. GAT modelliert komplexe Beziehungen zwischen Merkmalen und berechnet dynamisch semantische Assoziationsgewichte zwischen Knoten mithilfe von Aufmerksamkeitsmechanismen. KD komprimiert das Wissen des komplexen Modells zu einem leichten Netzwerk, was die Inferenzeffizienz erheblich verbessert und gleichzeitig die Präzision beibehält. Das AM-LSTM-Modul weist Multi-Source-Features Wichtigkeitsgewichtungen zu und erfasst zeitlich dynamische Muster der Bewertungsdaten, wobei es zwischenliegende Kalibrierungsergebnisse liefert, die Multi-Source-Informationen integrieren. Diese Ergebnisse werden in das BFEN-Modul für die tiefgehende Verarbeitung eingegeben. Konkret extrahiert BERT semantische Merkmale aus unstrukturiertem Text, RL optimiert dynamisch Fairness-Schwellenwerte und Kalibrierungsparameter, GBDT lernt iterativ Fehlermuster für die vorläufige Kalibrierung, und GAN eliminiert durch adversariales Training Verzerrungen, die durch sensible Attribute verursacht werden. Der dynamische Parameteranpassungsmechanismus kalibriert automatisch die Reaktionsempfindlichkeit und Fairness-Gewichte jedes Moduls, indem er die zeitlichen Veränderungen und Gruppenverteilungsverschiebungen der Lehrszene in Echtzeit erkennt, wodurch das Problem der durch statischen Parameterkonfigurationen verursachten Problem der unzureichenden Anpassungsfähigkeit gelöst wird und sichergestellt wird, dass das Modell in verschiedenen Lehrphasen Robustheit und Fairness aufrechterhalten kann. Studierendengruppen und Bewertungsszenarien. Der Bewertungstyp beeinflusst direkt die Granularität und den Rückkopplungszyklus der Zeitreihenmodellierung, während formative Bewertung die dynamische Natur des Prozesses betont. Die Unterschiede in den Disziplinen bestimmen die Zuteilung der Funktionen zwischen BERT- und GBDT-Modulen. Daher kann die Einführung eines dynamischen Anpassungsmechanismus effektiv an verschiedene Bewertungstypen und disziplinäre Merkmale angepasst werden. Schließlich liefert das Modell durch mehrere Runden von Parameterfeedback und iterativer Optimierung präzise und faire Kalibrierungsergebnisse der Lehrbewertung. Die Optimierungsfunktion der dynamischen Fairnessbedingung wird in Gleichung (14) ausgedrückt.

(14)

In Gleichung (14) stellt S die Menge der sensiblen Attribute dar, stellt das vorhergesagte Ausgabekalibrierungsergebnis dar, stellt die Varianz der Vorhersagen innerhalb von Gruppen dar, γ repräsentiert Intergruppenparameter und stellt den Gesamterwartungswert dar. Die adaptive Berechnung der Fusionsgewichte mehrerer Merkmale ist in Gleichung (15) dargestellt.

(15)

In Gleichung (15) steht w_k für das Merkmalsgewicht der k-ten Datenquelle, β für den Gewichtungsparameter, Sim für die Messfunktion der Merkmalsähnlichkeit, f_k für den aus der k-ten Datenquelle extrahierten Merkmalsvektor, f_global für das globale Merkmalszentrum und K für das Feature-Zentrum stellt die Gesamtzahl der Datenquellen dar. Die Studie legte die Gewichtungen sensibler Eigenschaften fest, darunter Geschlecht, Ethnie, Region, Familienstatus und Muttersprachenhintergrund. Die Gewichte werden auf Basis der Ergebnisse der Korrelationsanalyse bestimmt. Die Studie verwendete den Pearson-Korrelationskoeffizienten und den Spearman-Rangkorrelationskoeffizienten als duale Indikatoren für die gemeinsame Bewertung, kombiniert mit Expertenerfahrung im Bereich der Ausbildung zur Gewichtskalibrierung. Die endgültige Bestimmung der Gewichtungen für jedes sensible Attribut ergab Werte von 0,18 für das Geschlecht, 0,22 für Ethnie, 0,25 für Region, 0,19 für den familiären wirtschaftlichen Status und 0,16 für den Muttersprachenhintergrund. Geschlecht: Geschlechtsidentität gemäß legaler Registrierung und Selbstidentifikation, binär (männlich/weiblich) mit nicht-binären Optionen; Datenfeld "Geschlecht". Ethnizität: Basierend auf nationaler ethnischer Zugehörigkeit von 56 Gruppen, vereinbar mit unbekannten und grenzüberschreitenden Gruppen; Datenfeld "Ethnizität". Region: Verwaltungsunterteilung der Haushaltsregistrierung oder langfristigen Wohnsitze, die Provinz-, Gemeinde- und Kreisebene abdeckt, wobei die städtisch-ländliche Doppelstruktur und die Migrantenbevölkerung berücksichtigt werden; Datenfeld "Region". Familienstatus: Nach nationalen statistischen Standards und Bildungsunterstützungsindikatoren mit einer fünfstufigen Klassifikation; Datenfeld "economic_status". Muttersprachenhintergrund: Grundunterricht und Familienkommunikationssprache während der Grundschulbildung, abgedeckt Mandarin, Minderheitensprachen, Dialekte und Fremdsprachen, gewichtet nach Alter und Häufigkeit des Erwerbs; Datenfeld "mother_tongue."

Der Korrekturprozess führte einen dreistufigen dynamischen Gewichtungsmechanismus ein. Die erste Stufe implementierte die initiale Abweichungsidentifikation basierend auf der Gewichtsmatrix sensibler Attribute und markierte Datenpunkte, die in Dimensionen wie Geschlecht, Ethnie und Region signifikant vom globalen Merkmalszentrum abwichen. Die zweite Stufe führt Bildungskontextbeschränkungen ein, um die Abweichungsintensität kontextbewusst neu zu qualifizieren. Die dritte Stufe überprüft die Korrekturstabilität durch kontrafaktische Störungstests, ersetzt systematisch die Werte sensibler Attribute, während nicht-sensible Merkmale unverändert bleiben, und beobachtet, ob die Änderung der Bewertungswerte innerhalb der ±±3,2%-Schwelle liegt.

Ergebnisse

BFEN-Algorithmus-Leistungsanalyse
Die in den Experimenten bewerteten Indikatoren umfassten folgende:

Die Genauigkeit der Evaluationskorrektur (ECA) bezeichnet den Anteil der Abweichungsaufgaben, die vom Modell innerhalb der Lehrbewertungsergebnisse korrekt identifiziert und korrigiert wurden, und spiegelt damit die Gesamtwirksamkeit des Korrekturmechanismus wider. Höhere Werte deuten auf eine überlegene Korrekturgenauigkeit hin.

Diskussion

Der in dieser Studie vorgeschlagene BFEN-Algorithmus zeigte in vergleichenden Experimenten eine überlegene Leistung. Aus Sicht von ECA und FDR übertraf es die PRF-, EAB- und DBLR-Algorithmen deutlich. Bei der Kalibrierung von 421 Bewertungsunterlagen erhöhte BFEN das ECA auf 98,75 % und behielt die Stabilität, während FDR auf 2,87 % sank. Diese Leistung resultierte aus der Integration von BERT-RL zur Funktionsoptimierung und dynamischen Anpassung. BERT extrahierte präzise Informationen ü...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Global Education Monitoring Report dataset	UNESCO	https://www.education-progress.org/	Datensatz
NumPy	NumPy	https://numpy.org/	Datenvorverarbeitung
Pandas	Pandas, NumPy	https://pandas.pydata.org/	Datenvorverarbeitung
PyCharm Professional 2023.1	PyCharm	Version 2023.1	Entwicklungsumgebung
Python 3.9	Python	Version 3.9	‌Programmiersprache
Scikit-learn	Scikit-learn	https://scikit-learn.org/stable/index.html	Maschinelles Lernen
Seaborn	Seaborn	https://seaborn.pydata.org/	Visualisierung
Spanish middle school student academic performance dataset	UC Irvine Machine Learning Repository	https://archive.ics.uci.edu/dataset/320/student+performance	Datensatz
TensorFlow	TensorFlow	https://www.tensorflow.org/	Deep Learning
Windows 11	Microsoft	Version 11	Betriebssystem