Conception d’algorithmes FairEduNet et calibration de l’évaluation de l’enseignement en tenant compte de l’équité dans l’enseignement supérieur

Résumé

La recherche vise à proposer une nouvelle approche pour l’enseignement, la calibration de l’évaluation et l’équité éducative dans l’éducation intelligente. Les résultats expérimentaux indiquent que le modèle proposé surpasse nettement les modèles comparatifs, répondant efficacement aux problèmes d’intégration des données multi-sources et de biais d’équité dans les méthodes d’étalonnage existantes.

Résumé

Les méthodes actuelles d’étalonnage des évaluations pédagogiques rencontrent des défis tels qu’une faible efficacité d’intégration lors du traitement de données d’évaluation hétérogènes multi-sources, une adaptabilité insuffisante entre différentes disciplines et scénarios d’enseignement, ainsi que des biais dans les résultats avec des garanties d’équité faibles. La recherche vise à construire un cadre interprétable, transférable et évolutif de correction d’équité pour la modélisation approfondie et la correction dynamique des données d’évaluation de l’enseignement. Ces problèmes rendent difficile la satisfaction des exigences fondamentales d’un enseignement équilibré dans l’éducation intelligente. Cette étude propose un algorithme de réseau éducatif orienté équité qui intègre un réseau antagoniste génératif et un arbre de décision à gradient boostant. L’algorithme construit un mécanisme d’étalonnage de l’équité et combine un modèle de représentation bidirectionnel d’encodeur avec un réseau d’attention de graphes afin d’optimiser l’extraction de caractéristiques et l’adaptabilité dynamique, améliorant ainsi l’efficacité du traitement des données multi-sources et la précision de l’étalonnage de l’équité. Cette approche permet une calibration précise et une garantie d’équité dans l’enseignement des évaluations. Dans le test de l’indicateur, le modèle a obtenu une précision de 98,76 % dans le regroupement des caractéristiques d’évaluation, 98,05 % dans la correction d’équité et 0,968 % dans la cohérence de la correction inter-scénarios dans l’ensemble de validation. Dans la tâche de test de valeur de perte, la perte totale du modèle est passée de 0,1237 à 0,1018 lors de la tâche de correction d’évaluation de l’enseignement dans l’ensemble de validation. Dans le test de l’indicateur, le modèle a obtenu une précision de 98,76 % dans le regroupement des caractéristiques d’évaluation, 98,05 % dans la correction d’équité et 0,968 % dans la cohérence de la correction inter-scénarios dans l’ensemble de validation. Les résultats expérimentaux indiquent que le modèle proposé surpasse nettement les modèles comparatifs, répondant efficacement aux problèmes d’intégration des données multi-sources et de biais d’équité dans les méthodes d’étalonnage existantes. De plus, elle fournit des cadres algorithmiques innovants pour les développeurs de technologies et des outils techniques fiables pour les administrateurs éducatifs afin de promouvoir l’équité pédagogique. Les contributions à la recherche portent sur : (i) l’intégration de trois modules principaux, incluant le prétraitement multi-sources des données, la vérification dynamique de l’indice d’équité et la visualisation de l’explicabilité ; et (ii) proposer un paradigme de correction d’équité basé sur l’optimisation collaborative des réseaux antagonistes génératifs et des arbres d’augmentation de gradient, qui dépasse les limites de la correction traditionnelle à modèle unique et permet l’apprentissage découplé de la modélisation des écarts et de la prise de décision de correction.

Introduction

L’évaluation et l’étalonnage de l’enseignement constituent le cœur de la qualité de l’enseignement dans l’éducation intelligente. Grâce à l’analyse dynamique, à la correction d’erreurs et à la calibration des résultats, ils fournissent une base pour l’amélioration pédagogique et l’apprentissage personnalisé. Leur précision et leur équité influencent directement la capacité d’une éducation intelligente à dépasser les biais technologiques et à fournir un soutien éducatif^{équilibré 1,2}. Cependant, les méthodes existantes présentent plusieurs lacunes : elles reposent sur une seule source de données, ignorent la situation réelle et conduisent à des biais de données et de correction. L’absence d’un mécanisme dynamique d’adaptation à l’équité rend difficile la satisfaction des besoins d’équité des disciplines et des^{scénarios 3,4}. De plus, il existe des problèmes tels que l’absence d’indicateurs d’équité et un biais dans les stratégies de correction lorsqu’on traite de données hétérogènes provenant de sources multiples. À cette fin, les chercheurs ont mené des recherches dans plusieurs domaines, comme l’évaluation de l’enseignement assisté par le tennis basé sur un algorithme de trajectoire dense amélioré⁵. Yin et al. ont utilisé le processus de hiérarchie analytique et un algorithme de synthèse floue pour surveiller l’enseignement en^{ligne 6}. Chen a analysé les données éducatives des personnes âgées à l’aide d’un algorithme amélioré de data mining pour améliorer la qualité^{pédagogique 7}.

Bien que ces études aient progressé, des problèmes tels que le biais des résultats d’étalonnage et la mauvaise coordination de l’équité subsistent. Par conséquent, la construction d’un modèle qui offre simultanément une calibration précise de l’évaluation de l’enseignement et une assurance dynamique de l’équité est devenue un axe de recherche dans l’éducation intelligente. Le réseau antagoniste génératif (GAN) s’adapte pour éliminer l’influence implicite des attributs sensibles sur les résultats grâce à un entraînement adversarial en temps réel entre le générateur et le discriminateur, garantissant que les sorties sont déterminées par des facteurs fondamentaux plutôt que par un biais induit par^{l’étiquette 8}. Le GAN montre des avantages dans la gestion des biais de groupe dans les données d’évaluation et dans la modélisation des contraintes d’équité non linéaire. Cheng et al. ont proposé un algorithme d’amélioration d’image basé sur GAN pour traiter les images de basse résolution. Le générateur produisait des images haute résolution à partir d’entrées basse résolution, et le discriminateur distinguait les images générées des images réelles haute résolution. L’entraînement adversarial optimise les paramètres pour que la sortie du générateur s’approche des images^{réelles 9}. Kang et al. ont proposé un modèle GAN intermodal pour améliorer l’efficacité du traitement multimodal des données dans les domaines des énergies renouvelables. Le générateur reçoit des données monomodales, le discriminateur distingue les données générées des données multimodales réelles, et l’entraînement adversarial optimise le modèle pour une efficacité^{améliorée 10}. L’algorithme d’arbre de décision de gradient boosting (GBDT) est un algorithme classique pour le traitement de données structurées avec une forte capacité de capture de caractéristiques. En intégrant itérativement plusieurs arbres de décision, GBDT apprend précisément les schémas d’erreur des données et montre des avantages dans le traitement des informations d’évaluation hétérogènes multi-sources et la correction des écarts de score^{non linéaires 11,12}. Mizuno et al. ont proposé une méthode de prédiction de trajectoire basée sur GBDT pour les catastrophes de fortes pluies, apprenant les caractéristiques des trajets et prédisant les trajectoires des catastrophes à partir de données en temps réel, en sélectionnant des prédictions optimales à travers plusieurs arbres de décision¹³. Gao et al. ont développé une méthode d’analyse visuelle basée sur GBDT pour la prédiction du taux de clics publicitaire, apprenant la relation entre les caractéristiques visuelles et les données historiques de clics pour prédire les taux de clics des nouvelles^{publicités 14}. Sur la base des défis ci-dessus, cette recherche vise à répondre systématiquement à la question scientifique fondamentale suivante : comment un modèle intelligent d’évaluation éducative peut-il être construit pour intégrer efficacement des données hétérogènes multi-sources, s’adapter dynamiquement à différents scénarios d’enseignement, tout en garantissant simultanément la précision de l’étalonnage et l’équité des résultats. Pour répondre à cette question, cette étude utilise l’effet synergique du mécanisme de contrainte d’équité du GAN et la capacité précise d’étalonnage des erreurs du GBDT. De plus, des recherches sont menées sur la manière d’introduire des technologies avancées, telles que le traitement du langage naturel (BERT), l’apprentissage par renforcement (RL), les mécanismes d’attention (AM), les réseaux de mémoire à court terme à long terme (LSTM), les réseaux d’attention graphiques (GAT) et la distillation des connaissances (KD), afin de compenser les limites inhérentes d’un modèle unique en matière d’extraction de caractéristiques, d’adaptation dynamique et d’efficacité du raisonnement. En fin de compte, l’objectif est de fournir une solution d’étalonnage des évaluations pédagogiques à la fois précise et équitable, et dotée de fortes capacités de généralisation pour le domaine de l’éducation intelligente.

Protocole

Conception et optimisation de l’algorithme FairEduNet
L’étude combine GAN et GBDT pour construire l’algorithme FairEduNet, atteignant ainsi les objectifs doubles de correction d’équité et de correction de précision, plutôt que le compromis d’une optimisation unidirectionnelle. FairEduNet adopte une architecture collaborative à double canal : le canal dorsale GBDT est responsable de la modélisation structurée des erreurs et de la correction précise, tandis que le canal auxiliaire GAN se concentre sur le découplage des attributs sensibles et l’ajustement dynamique de l’équité. L’architecture de l’algorithme FairEduNet, combinant GAN et GBDT, est illustrée à la Figure 1.

Figure 1 : Architecture algorithmique FairEduNet combinant GAN et GBDT. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Comme montré à la Figure 1, FairEduNet collecte et prétraite d’abord les données d’évaluation multi-sources. GBDT utilise plusieurs arbres de décision pour apprendre de manière itérative les schémas d’erreur d’évaluation, produit les résultats initiaux de calibration et les transmet au module GAN. Le GAN entraîne le discriminateur à apprendre la relation entre les résultats initiaux de calibration et les attributs sensibles, tandis que le générateur ajuste dynamiquement les paramètres d’étalonnage. Grâce à plusieurs cycles de formation adversaire et de vérification de l’équité, le biais d’équité est optimisé. Enfin, les résultats calibrés en équité sont transmis au module GBDT, qui ajuste pour la précision et l’équité, fournissant la base d’étalonnage de l’évaluation de l’enseignement et le rapport. GBDT calcule les résidus comme montré dans l’équation (1).

(1)

Dans l’équation (1), représente le résidu du i-ème échantillon de la t-ième itération, y_i représente la vraie valeur, et représente la valeur de prédiction de la t-ième itération. Le processus adversarial de la GAN est illustré dans l’équation (2).

(2)

Dans l’équation (2), x représente le résultat initial de l’étalonnage, z représente les caractéristiques sensibles des attributs, P_data(x)  représente la véritable distribution des caractéristiques non sensibles, P_z(z) représente la distribution des attributs sensibles, D représente le discriminateur, et G représente le générateur¹⁵. La sortie initiale d’étalonnage de GBDT est indiquée dans l’équation (3).

(3)

Dans l’équation (3), représente la prédiction du i-ème échantillon par l’arbre de décision initial, K représente le nombre total d’arbres de décision, γ_k représente le poids du k-ième arbre, et h_k(x_i) représente la sortie de prédiction du k-ième arbre pour le i-Le Sample. L’algorithme FairEduNet peut fournir un étalonnage précis et une garantie d’équité pour l’enseignement des données d’évaluation. Cependant, lors du traitement de données d’évaluation non structurées et de l’adaptation à des scénarios dynamiques, FairEduNet présente une faible capacité d’extraction de caractéristiques pour les caractéristiques non structurées, ce qui entraîne un biais d’étalonnage. De plus, les indicateurs d’équité et les paramètres d’étalonnage de FairEduNet sont fixés statiquement, limitant son adaptabilité à différents scénarios d’enseignement et affectant la qualité globale de l’étalonnage. La combinaison des représentations bidirectionnelles des encodeurs des transformers (BERT) et de l’apprentissage par renforcement (RL), l’algorithme BERT-RL, permet d’extraire avec précision des caractéristiques profondes du texte non structuré et d’adapter dynamiquement les paramètres des scénarios sans définir manuellement des seuils statiques, améliorant ainsi la fiabilité des sorties algorithmiques dans^{les scénarios 16, 17}. Les méthodes traditionnelles comme TF-IDF reposent sur la fréquence des mots mais manquent d’une compréhension contextuelle profonde et ne peuvent pas distinguer les directions spécifiques de « justice » dans différents scénarios. Word2Vec produit des vecteurs de mots statiques, qui peinent à s’adapter aux changements contextuels complexes et à reconnaître les biais indirects. BERT utilise l’auto-attention multi-couches pour encoder un contexte bidirectionnel, capturant à la fois des termes explicitement biaisés et une logique implicite biaisée. Les approches traditionnelles nécessitent des listes manuelles de mots biaisés, reposent sur l’expérience subjective et couvrent des scénarios limités. Grâce à l’apprentissage par transfert de modèle pré-entraîné, le BERT apprend automatiquement des traits sémantiques profonds sans effort manuel important, offrant une généralisation plus forte pour reconnaître les biais ambigus. De plus, les méthodes traditionnelles perdent souvent de l’information avec de longs textes, tandis que BERT prend en charge jusqu’à 512 jetons, préservant les relations contextuelles, localisant précisément les caractéristiques de biais et permettant une correction fine de l’équité. Le processus de fonctionnement de BERT-RL est illustré à la Figure 2.

Figure 2 : Organigramme de fonctionnement de l’algorithme BERT-RL. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Comme montré à la Figure 2, BERT-RL standardise d’abord les données d’évaluation textuelle non structurées et les entre dans le modèle BERT. BERT utilise un encodeur Transformer pour la modélisation sémantique bidirectionnelle afin d’extraire les caractéristiques clés et de construire une matrice de caractéristiques. La matrice de caractéristiques est ensuite saisie dans le module RL, qui apprend la stratégie optimale à travers plusieurs itérations. La configuration optimisée des paramètres est finalement intégrée à FairEduNet, améliorant ainsi son adaptabilité. Le calcul du poids des traits d’auto-attention BERT est présenté dans l’équation (4).

(4)

Dans l’équation (4), d_k représente la dimension du vecteur K. La fonction de récompense multi-objectifs RL est exprimée dans l’équation (5).

(5)

Dans l’équation (5), ω₁, ω₂ et ω₃ représentent les coefficients de poids, l’erreur d’étalonnage, D_t est l’écart d’fairness, D_{la cible} est l’écart de fairness de la cible, et T_t est le temps^{d’exécution 18}. Cette étude combine BERT-RL avec FairEduNet pour former l’algorithme BERT-RL-FairEduNet, appelé BFEN. BFEN assure un calibrage précis et une garantie d’équité dans l’enseignement des données d’évaluation grâce à l’itération des caractéristiques GBDT et à l’entraînement adversarial en temps réel GAN, tandis que BERT-RL optimise FairEduNet dans la gestion des données non structurées et l’adaptation dynamique aux scénarios, en corrigeant les faiblesses dans l’extraction de fonctionnalités et les limitations statiques des paramètres. L’étude a utilisé le modèle BERT-base-chinois et a pré-entraîné le corpus de journaux d’enseignement réels, de textes enregistrés en classe et de documents de politique éducative de la National Smart Education Platform pour l’année scolaire 2024 à 2025, avec un vocabulaire de 21 128 livres. La dimension de la couche cachée du modèle est de 768, avec 12 têtes d’attention et 12 couches. La profondeur de l’arbre GBDT était fixée à 8, le nombre d’arbres était de 200, et le taux d’apprentissage de 0,1. Le cycle d’entraînement du GAN est de 150 tours, et le discriminateur utilise un réseau entièrement connecté à 3 couches de tailles de 512, 256 et 1. Le générateur utilise un réseau entièrement connecté à 4 couches avec des tailles de 1024, 512, 256 et 1. Le nombre d’unités cachées dans LSTM est de 128, et la longueur de la séquence est de 512. GAT comporte 2 couches et 4 têtes d’attention. La température pour la distillation du savoir est réglée à 3,0. Les coefficients de poids de récompense RL ω₁ = 0,4, ω₂ = 0,35, et ω₃ = 0,25. Les critères de sélection pondérative visent à équilibrer l’équilibre frontal de Pareto de l’optimisation multi-objectifs avec les exigences d’interprétabilité des pratiques d’équité éducative. Les expériences ont été réalisées en utilisant une répartition de 50 % des données grâce à la validation croisée et à l’ajustement des hyperparamètres. Le processus BFEN pour l’étalonnage des évaluations d’enseignement est illustré à la Figure 3.

Figure 3 : Processus de correction de l’algorithme BFEN pour l’éducation intelligente et l’évaluation de l’enseignement. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Comme montré à la Figure 3, le BFEN prétraite d’abord les données d’évaluation de l’enseignement multi-sources. BERT optimise la capacité d’extraction de caractéristiques de FairEduNet en calculant la similarité sémantique du texte et les poids profonds des caractéristiques à partir d’une fenêtre sémantique, sélectionnant les caractéristiques importantes pour construire une matrice sémantique de haute dimension. RL définit ensuite une fonction de récompense multi-objectifs et calcule l’adaptabilité des scénarios et les gradients d’ajustement des paramètres afin d’optimiser davantage les seuils d’équité et les paramètres d’étalonnage. FairEduNet calcule les écarts entre les données d’évaluation et les modèles de motifs d’erreurs, met à jour itérativement les poids de l’arbre de décision et ajuste les stratégies d’étalonnage jusqu’à ce que les erreurs se stabilisent dans des seuils prédéfinis. La sortie finale comprend le modèle d’étalonnage des erreurs et le rapport de vérification de l’équité. Le modèle d’étalonnage est appliqué aux données d’évaluation de l’enseignement, générant des tableaux comparatifs avant et après étalonnage, qui sont combinés avec la bibliothèque de normes d’équité en éducation intelligente pour déterminer les paramètres d’étalonnage cible, fournissant une base scientifique pour l’étalonnage de l’évaluation de l’enseignement dans l’éducation intelligente. Cette bibliothèque standard couvre trois dimensions : l’équité des opportunités éducatives, l’équité des processus et l’équité des résultats, et comprend 12 indicateurs principaux. Ces indicateurs incluent l’équilibre de l’allocation des ressources éducatives entre régions, la différence de couverture des infrastructures numériques entre écoles urbaines et rurales, le seuil de tolérance à la réponse retardée au diagnostic de situation d’apprentissage (≤200 ms), la tolérance aux données manquantes dans l’évaluation multimodale (≤3,5 %), la sensibilité à la détection des biais algorithmiques (écart AUC pour l’étiquetage genre/région/stade ≤ 0,02), le seuil de divergence KL pour la distribution des scores avant et après correction (≤0,08), le score d’interprétabilité des suggestions d’intervention enseignante (≥4,2/5,0), la rapidité des mises à jour des profils des élèves (réalisées sous T + 1 jours), le coefficient de cohérence de la reconnaissance de crédits multiplateforme (≥0,93), la précision de l’alignement sémantique des politiques éducatives (score BERT ≥ 0,86), et l’exhaustivité de la génération des rapports de vérification de l’équité (y compris l’attribution des biais, intervalles de confiance et instantanés de paramètres reproductibles), ainsi que le taux de validation de validation de l’adaptation dynamique couvrant trois scénarios typiques : en classe en présentiel, devoirs asynchrones et assistants pédagogiques IA. Le calcul de similarité sémantique des caractéristiques est présenté dans l’équation (6).

(6)

Dans l’équation (6), f_i représente la valeur de la i-ème dimension sémantique des caractéristiques, g_i représente la ième dimension importante des caractéristiques d’évaluation, et n représente le nombre total de dimensions des caractéristiques. Le calcul du paramètre d’adaptation du scénario RL est présenté dans l’équation (7).

(7)

Dans l’équation (7), θ_t représente la valeur du paramètre à la t-ième itération, α représente le taux d’apprentissage, et représente le gradient de paramètres basé sur la fonction de récompense R(θ_t).

Construction du modèle d’étalonnage des évaluations d’enseignement
Bien que le BFEN présente certains avantages dans l’étalonnage des évaluations d’enseignement, il rencontre encore une faible efficacité d’intégration pour les données d’évaluation hétérogènes multi-sources et une adaptation dynamique insuffisante dans les applications pratiques. L’algorithme AM-LSTM, qui combine le mécanisme d’attention (AM) et la mémoire à court terme long (LSTM), attribue des poids aux caractéristiques clés des données d’évaluation multi-sources via AM et capture les schémas dynamiques de changement des données d’évaluation au fil du temps grâce à la capacité de mémoire séquentielle de LSTM. Cette approche améliore efficacement l’efficacité de l’intégration des données multi-sources et l’apprentissage dynamique des fonctionnalités^19,20. Le processus de fonctionnement de l’AM-LSTM est illustré à la Figure 4.

Figure 4 : Organigramme de fonctionnement AM-LSTM. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Comme le montre la Figure 4, AM-LSTM pré-traite d’abord des données d’évaluation pédagogique hétérogène multi-sources pour former un ensemble de données standardisé. AM calcule les pondérations d’attention pour les caractéristiques provenant de différentes sources de données afin de sélectionner les caractéristiques importantes et construit une matrice pondérée des caractéristiques. La matrice de caractéristiques pondérée est ensuite saisie dans LSTM, qui utilise son mécanisme de verrouillage pour apprendre des motifs dynamiques au fil du temps, capturant les relations entre les données d’évaluation à différents stades et générant des vecteurs dynamiques de caractéristiques. Enfin, ces vecteurs de caractéristiques dynamiques sont combinés avec des contraintes d’équité pour générer des résultats d’étalonnage intermédiaires qui s’adaptent à l’intégration de données multi-sources et aux scénarios dynamiques, fournissant une base pour une optimisation ultérieure du modèle. Le calcul du poids d’attention est montré dans l’équation (8).

(8)

Dans l’équation (8 ),_n représente l’allocation d’attention pour la n-ième caractéristique, x_n représente la similarité, q représente le vecteur de requête, et softmax représente la fonction d’activation. La porte d’oubli de la LSTM est exprimée dans l’équation (9).

(9)

Dans l’équation (9), W_f est le poids de la porte d’oubli, b_f est le biais de la porte d’oubli, x_t est l’entrée au temps t, h_t-1 est la variable d’état externe au temps t-1, et σ représente la fonction sigmoïde²¹. Cette étude combine AM-LSTM avec BFEN pour construire le modèle d’étalonnage de l’évaluation pédagogique AM-LSTM-BFEN, appelé FBFEN. Dans ce modèle, AM-LSTM répond aux limites de BFEN en matière d’efficacité d’intégration de données hétérogènes multi-sources et d’extraction dynamique de caractéristiques. Il intègre également des contraintes d’équité pour optimiser les résultats d’étalonnage intermédiaire, permettant à BFEN d’atteindre une étalonnage précise et une garantie dynamique d’équité pour l’enseignement des données d’évaluation. Le processus de fonctionnement de FBFEN est illustré à la Figure 5.

Figure 5 : Processus opérationnel du modèle d’évaluation et de correction de l’enseignement FBFEN. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Comme montré à la Figure 5, FBFEN prétraite d’abord les données originales d’évaluation de l’enseignement multi-sources et saisit l’ensemble de données standardisé dans le module AM-LSTM. AM calcule les poids d’attention des caractéristiques, tandis que le LSTM apprend des motifs dynamiques, en produisant des résultats d’étalonnage intermédiaires qui intègrent des informations multi-sources et des caractéristiques dynamiques. Les résultats intermédiaires sont ensuite entrés dans le module BFEN. GBDT apprend de manière itérative les schémas d’erreur des données d’évaluation à partir des résultats intermédiaires et du modèle d’erreur prédéfini, en produisant des résultats préliminaires d’étalonnage. Parallèlement, GAN analyse le biais d’équité causé par des attributs sensibles dans les résultats préliminaires grâce à un entraînement adversarial entre le générateur et le discriminateur, ajustant dynamiquement les paramètres d’étalonnage pour éliminer le biais. Enfin, les paramètres d’étalonnage optimisés pour GAN sont renvoyés à GBDT pour mettre à jour les poids de l’arbre de décision et les stratégies d’étalonnage, produisant un résultat secondaire qui équilibre précision et équité. La normalisation des données est exprimée dans l’équation (10).

(10)

Dans l’équation (10), z' représente la valeur standardisée, z la valeur originale, et z_min et z_max représentent les valeurs minimales et maximales. La fonction objectif finale du générateur GAN est exprimée dans l’équation (11).

(11)

Dans l’équation (11), N représente le nombre d’itérations, λ représente le facteur de perte de poids, ωⁱ représente le facteur de poids de la i-ème itération, représente la fonction de perte adversaire, et représente la perte binaire d’entropie^{croisée 22}.

Optimisation du modèle d’étalonnage par évaluation par FBFEN
Bien que FBFEN démontre une forte intégration des données multi-sources et une garantie dynamique d’équité dans l’étalonnage des évaluations d’enseignement, il fait face à une faible corrélation de caractéristiques ainsi qu’à une faible efficacité de formation et d’inférence en raison de la structure complexe du modèle dans des scénarios éducatifs complexes. L’algorithme GAT-KD, qui combine le Réseau d’Attention de Graphes (GAT) et la Distillation de la Connaissance (KD), construit dynamiquement un graphe d’association sémantique entre les caractéristiques grâce au mécanisme d’attention du GAT, améliorant l’alignement sémantique des données multi-sources. KD compresse la connaissance du modèle complexe dans un réseau léger, améliorant significativement l’efficacité d’inférence tout en maintenant la performance du^{modèle 23,24}. Le processus de fonctionnement de GAT-KD est illustré à la Figure 6.

Figure 6 : organigramme de fonctionnement GAT-KD. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Comme montré à la Figure 6, GAT-KD construit un graphe d’association sémantique entre les caractéristiques via le module GAT, agrège dynamiquement les informations de voisinage des caractéristiques à l’aide du mécanisme d’attention, et améliore la représentation sémantique des caractéristiques locales. KD utilise ensuite les étiquettes souples de sortie comme signaux de supervision, minimisant la perte de divergence entre les distributions de sortie et la perte d’entropie croisée entre ses prédictions et les vraies étiquettes, permettant ainsi un transfert de connaissances et une compression de modèles. La sortie finale est un modèle d’étalonnage léger avec une grande précision et efficacité. Le calcul du coefficient d’attention de la GAT est montré dans l’équation (12).

(12)

Dans l’équation (12), et représentent les vecteurs caractéristiques des nœuds i et j, W représente la matrice de poids apprenable, a représente le vecteur de poids d’attention, représente l’opération de concaténation, et LeakyReLU représente la fonction^{d’activation 25}. Le calcul de la fonction de perte KD est montré dans l’équation (13).

(13)

Dans l’équation (13), KL représente la perte de divergence, T² représente l’équilibre d’échelle du gradient, p^student représente la probabilité soft label du modèle léger, et p^teacher représente la probabilité soft label du modèle^{complexe 26}. En combinant l’association de caractéristiques améliorée par l’attention et un transfert léger de connaissances, GAT-KD traite efficacement le biais sémantique des caractéristiques et la grande complexité computationnelle. Cette étude intègre GAT-KD à FBFEN pour former le modèle d’étalonnage d’évaluation pédagogique GAT-KD-FBFEN, appelé GFBFEN. GAT-KD optimise les lacunes de FBFEN en matière de capture de corrélation multi-sources incomplète et de faible efficacité d’inférence. Le processus de fonctionnement de GFBFEN est illustré à la Figure 7.

Figure 7 : Processus d’évaluation et de correction du modèle d’évaluation et de correction du GFBFEN. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Comme montré à la Figure 7, le GFBFEN standardise les données d’évaluation de l’enseignement multi-sources. Le GAT modélise des relations complexes entre les caractéristiques et calcule dynamiquement les poids d’association sémantique entre les nœuds en utilisant des mécanismes d’attention. KD compresse la connaissance du modèle complexe dans un réseau léger, améliorant significativement l’efficacité de l’inférence tout en maintenant la précision. Le module AM-LSTM attribue des poids d’importance aux caractéristiques multi-sources et capture les schémas dynamiques temporels des données d’évaluation, en générant des résultats d’étalonnage intermédiaires qui intègrent des informations multi-sources. Ces résultats sont intégrés dans le module BFEN pour un traitement profond. Plus précisément, BERT extrait des caractéristiques sémantiques du texte non structuré, RL optimise dynamiquement les seuils d’équité et les paramètres d’étalonnage, GBDT apprend de manière itérative les schémas d’erreur pour une étalonnage préliminaire, et GAN élimine les biais causés par des attributs sensibles grâce à un entraînement adversaire. Le mécanisme d’ajustement dynamique des paramètres calibre automatiquement la sensibilité de réponse et les poids d’équité de chaque module en détectant en temps réel les changements temporels et les variations de distribution par groupes de la scène d’enseignement, résolvant ainsi le problème d’adaptabilité insuffisante causé par la configuration statique des paramètres, et garantissant que le modèle puisse maintenir robustesse et équité à différentes étapes d’enseignement, groupes d’élèves et scénarios d’évaluation. Le type d’évaluation affecte directement la granularité et le cycle de rétroaction de la modélisation des séries temporelles, tandis que l’évaluation formative met l’accent sur la nature dynamique du processus. Les différences de discipline déterminent l’allocation des caractéristiques entre les modules BERT et GBDT. Par conséquent, l’adoption d’un mécanisme d’ajustement dynamique peut s’adapter efficacement à différents types d’évaluations et caractéristiques disciplinaires. Enfin, grâce à plusieurs cycles de rétroaction des paramètres et d’optimisation itérative, le modèle produit des résultats d’étalonnage d’évaluation pédagogique précis et équitables. La fonction d’optimisation de contraintes d’équité dynamique est exprimée dans l’équation (14).

(14)

Dans l’équation (14), S représente l’ensemble des attributs sensibles, représente le résultat prédit de l’étalonnage de la sortie, représente la variance des prédictions au sein des groupes, γ représente les paramètres intergroupes, et représente la valeur globale attendue. Le calcul adaptatif des poids de fusion multi-sources est présenté dans l’équation (15).

(15)

Dans l’équation (15), w_k représente le poids des caractéristiques de la k-ième source de données, β représente le paramètre de poids, Sim représente la fonction de mesure de similarité des caractéristiques, f_k représente le vecteur de caractéristiques extrait de la k-ième source de données, f_global représente le centre global des caractéristiques, et K représente le nombre total de sources de données. L’étude a fixé les pondérations des attributs sensibles, notamment le genre, l’ethnicité, la région, le statut économique familial et l’origine de la langue maternelle. Les pondérations sont déterminées en fonction des résultats de l’analyse de corrélation. L’étude a utilisé le coefficient de corrélation de Pearson et le coefficient de corrélation du rang de Spearman comme indicateurs doubles pour l’évaluation conjointe, combinés à une expérience experte dans le domaine de l’éducation de l’étalonnage du poids. La détermination finale des pondérations pour chaque attribut sensible a donné des valeurs de 0,18 pour le genre, 0,22 pour l’ethnicité, 0,25 pour la région, 0,19 pour le statut économique familial et 0,16 pour le milieu de la langue maternelle. Genre : Identité de genre selon l’enregistrement légal et l’auto-identification, binaire (homme/femme) avec options non binaires ; Champ de données « Genre ». Ethnicité : Sur la base de l’identification ethnique nationale de 56 groupes, compatibles avec les groupes non identifiés et transfrontaliers ; Champ de données « Ethnicité ». Région : Division administrative de l’enregistrement des ménages ou de la résidence à long terme, couvrant les niveaux provincial, municipal et de comté, en tenant compte de la double structure urbain-rural et de la population migrante ; Champ de données « région ». Situation économique familiale : Selon les normes statistiques nationales et les indicateurs d’aide à l’éducation, en utilisant une classification à cinq niveaux ; champ de données « economic_status ». Contexte de la langue maternelle : enseignement primaire et langue de communication familiale pendant l’éducation de base, couvrant le mandarin, les langues minoritaires, les dialectes et les langues étrangères, pondérés selon l’âge et la fréquence d’acquisition ; Champ de données « mother_tongue. »

Le processus de correction adoptait un mécanisme de pondération dynamique à trois étapes. La première étape a mis en œuvre l’identification initiale par déviation basée sur la matrice de poids des attributs sensibles, marquant des points de données qui s’écartaient significativement du centre global des caractéristiques en termes de dimensions telles que le genre, l’ethnicité et la région. La deuxième étape introduit des contraintes contextuelles éducatives pour requalifier l’intensité de la déviation de manière consciente du contexte. La troisième étape vérifie la stabilité de la correction par des tests de perturbation contrefactuelle, remplaçant systématiquement les valeurs des attributs sensibles tout en conservant les caractéristiques non sensibles inchangées, et en observant si la variation des scores d’évaluation se situe dans le seuil de ±±3,2 %.

Résultats

Analyse de performance de l’algorithme BFEN
Les indicateurs évalués lors des expériences comprenaient les suivants :

La précision de la correction de l’évaluation (ECA) désigne la proportion d’items de déviation correctement identifiés et corrigés par le modèle dans les résultats de l’évaluation pédagogique, reflétant ainsi l’efficacité globale du mécanisme de correction. Des valeurs plus élevées indiquent une précision de correction supéri...

Discussion

L’algorithme BFEN proposé dans cette étude a démontré des performances supérieures lors d’expériences comparatives. Du point de vue de l’ECA et du FDR, il surpassait nettement les algorithmes PRF, EAB et DBLR. Lors de l’étalonnage des 421 enregistrements d’évaluation, le BFEN a augmenté l’ECA à 98,75 % et a maintenu la stabilité, tandis que le FDR a diminué à 2,87 %. Cette performance résultait de l’intégration de BERT-RL pour l’optimisation des fonctionnalités et l’adaptation dynamique....

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Rapport de suivi mondial de l'éducation dataset	UNESCO	https://www.education-progress.org/	Dataset
NumPy	NumPy	https://numpy.org/	Prétraitement des données
Pandas	Pandas, NumPy	https://pandas.pydata.org/	Prétraitement des données
PyCharm Professional 2023.1	PyCharm	Version 2023.1	Environnement de développement
Python 3.9	Python	Version 3.9	Langage de programmation
Scikit-learn	Scikit-learn	https://scikit-learn.org/stable/index.html	Apprentissage automatique
Seaborn	Seaborn	https://seaborn.pydata.org/	Visualisation
Ensemble de données sur les performances académiques des élèves du collège espagnol	UC Irvine Machine Learning Repository	https://archive.ics.uci.edu/dataset/320/student+performance	Dataset
TensorFlow	TensorFlow	https://www.tensorflow.org/	Apprentissage profond
Windows 11	Microsoft	Version 11	Système d'exploitation