Progettazione degli algoritmi FairEduNet e calibrazione delle prove didattiche considerando l'equità nell'istruzione superiore

Sommario

La ricerca mira a fornire un nuovo approccio per la calibrazione delle valutazioni dell'insegnamento e l'equità educativa nell'educazione intelligente. I risultati sperimentali indicano che il modello proposto supera significativamente i modelli comparativi, affrontando efficacemente problemi di scarsa integrazione dei dati multi-sorgente e bias di equità nei metodi di calibrazione esistenti.

Abstract

I metodi attuali di calibrazione delle valutazioni didattiche affrontano sfide come la bassa efficienza di integrazione nel trattamento di dati di valutazione eterogenea multi-sorgente, insufficiente adattabilità tra diverse discipline e scenari didattici, e bias nei risultati con garanzie di equità deboli. La ricerca mira a costruire un quadro di correzione dell'equità interpretabile, trasferibile e scalabile per la modellazione approfondita e la correzione dinamica dei dati di valutazione dell'insegnamento. Questi problemi rendono difficile soddisfare il requisito fondamentale di un insegnamento equilibrato nell'educazione intelligente. Questo studio propone un algoritmo di rete educativa orientato all'equità che integra una rete generativa avversaria e un albero decisionale che aumenta il gradiente. L'algoritmo costruisce un meccanismo di calibrazione dell'equità e combina un modello di rappresentazione bidirezionale di encoder con una rete di attenzione dei grafi per ottimizzare l'estrazione delle caratteristiche e l'adattabilità dinamica, migliorando l'efficienza nell'elaborazione dati multi-sorgente e la precisione della calibrazione dell'equità. Questo approccio garantisce una calibrazione precisa e una garanzia di equità nelle valutazioni didattiche. Nel test dell'indicatore, il modello ha raggiunto una precisione del 98,76% nelle caratteristiche di valutazione del clustering, del 98,05% nella correzione della correzione della correzione tra scenari e dello 0,968% nella coerenza della correzione tra scenari nel set di validazione. Nel compito di test del valore di perdita, la perdita totale del modello è diminuita da 0,1237 a 0,1018 durante il compito di correzione della valutazione didattica nel set di validazione. Nel test dell'indicatore, il modello ha raggiunto una precisione del 98,76% nelle caratteristiche di valutazione del clustering, del 98,05% nella correzione della correzione della correzione tra scenari e dello 0,968% nella coerenza della correzione tra scenari nel set di validazione. I risultati sperimentali indicano che il modello proposto supera significativamente i modelli comparativi, affrontando efficacemente problemi di scarsa integrazione dei dati multi-sorgente e bias di equità nei metodi di calibrazione esistenti. Inoltre, fornisce innovativi quadri algoritmici per gli sviluppatori tecnologici e strumenti tecnici affidabili per gli amministratori educativi per promuovere l'equità nell'insegnamento. I contributi alla ricerca riguardano a: (i) integrazione di tre moduli fondamentali, tra cui preprocessing dati multi-sorgente, verifica dinamica dell'indice di equità e visualizzazione della spiegabilità; e (ii) proponere un paradigma di correzione di equità basato sull'ottimizzazione collaborativa di reti generative adversariali e alberi di gradient boosting, che superi i limiti della correzione tradizionale a modello singolo e consenta l'apprendimento disaccoppiato della modellazione della deviazione e del processo decisionale di correzione.

Introduzione

La valutazione e la calibrazione dell'insegnamento costituiscono il nucleo per garantire la qualità dell'insegnamento nell'educazione intelligente. Attraverso analisi dinamica, correzione degli errori e calibrazione dei risultati, forniscono una base per il miglioramento didattico e l'apprendimento personalizzato. La loro accuratezza e equità influenzano direttamente se un'educazione intelligente possa superare i pregiudizi tecnologici e fornire un supporto educativo^{equilibrato 1,2}. Tuttavia, i metodi esistenti presentano diverse carenze: si basano su una singola fonte di dati, ignorano la situazione reale e portano a bias e bias di correzione dei dati. La mancanza di un meccanismo dinamico di adattamento alla giustizia rende difficile soddisfare le esigenze di equità delle discipline e degli scenari ^3,4. Inoltre, ci sono problemi come la mancanza di indicatori di equità e il bias nelle strategie di correzione quando si tratta di dati eterogenei provenienti da più fonti. A tal fine, gli studiosi hanno condotto ricerche da molteplici dimensioni, come la valutazione dell'insegnamento assistito dal tennis basandosi su un algoritmo migliorato di traiettoria^{densa 5}. Yin et al. hanno utilizzato il processo di gerarchia analitica e un algoritmo di sintesi fuzzy per monitorare l'insegnamento^{online 6}. Chen ha analizzato i dati educativi degli anziani utilizzando un algoritmo di data mining migliorato per migliorare la qualità^{dell'insegnamento 7}.

Sebbene questi studi abbiano fatto progressi, persistono problemi come il bias nei risultati di calibrazione e la scarsa coordinazione della equità. Pertanto, costruire un modello che fornisca simultaneamente una calibrazione accurata della valutazione dell'insegnamento e una garanzia dinamica di equità è diventato un punto di riferimento nella ricerca nell'educazione intelligente. La rete avversaria generativa (GAN) si adatta per eliminare l'influenza implicita degli attributi sensibili sui risultati attraverso un addestramento avversario in tempo reale tra generatore e discriminatore, assicurando che gli output siano determinati da fattori fondamentali piuttosto che da bias^{indotto dall'etichetta 8}. GAN mostra vantaggi nel gestire i bias di gruppo nei dati di valutazione e nella modellazione dei vincoli di equità non lineare. Cheng et al. hanno proposto un algoritmo di miglioramento delle immagini basato su GAN per affrontare immagini a bassa risoluzione. Il generatore produceva immagini ad alta risoluzione da ingressi a bassa risoluzione, e il discriminatore distingueva le immagini generate da quelle reali ad alta risoluzione. L'addestramento avversario ottimizza i parametri affinché l'output del generatore si avvicini alle immagini^{reali 9}. Kang et al. hanno proposto un modello GAN cross-modale per migliorare l'efficienza dell'elaborazione dati multimodale nei settori delle energie rinnovabili. Il generatore riceve dati monomodali, il discriminatore distingue i dati generati dai dati multimodali reali, e l'addestramento avversario ottimizza il modello per migliorare l'efficienza¹⁰. L'algoritmo dell'albero decisionale per il gradiente boosting (GBDT) è un algoritmo classico per l'elaborazione di dati strutturati con una forte capacità di cattura delle caratteristiche. Integrando iterativamente più alberi decisionali, GBDT apprende con precisione i modelli di errore dei dati e mostra vantaggi nell'elaborare informazioni di valutazione eterogenee multi-fonte e nella correzione delle deviazioni di punteggio^{non lineari 11,12}. Mizuno et al hanno proposto un metodo di previsione del percorso basato su GBDT per disastri a piogge abbondanti, apprendendo le caratteristiche del percorso e prevedendo i percorsi dei disastri con dati in tempo reale, selezionando previsioni ottimali attraverso più alberi^{decisionali 13}. Gao et al. hanno sviluppato un metodo di analisi visiva basato su GBDT per la previsione del tasso di click pubblicitari, imparando la relazione tra le caratteristiche visive e i dati storici dei clic per prevedere i tassi di clic per nuove^{pubblicità 14}. Sulla base delle sfide sopra menzionate, questa ricerca mira a rispondere sistematicamente alla seguente domanda scientifica fondamentale: come può essere costruito un modello di valutazione educativa intelligente per integrare in modo efficiente dati eterogenei a più sorgenti, adattarsi dinamicamente a diversi scenari didattici e allo stesso tempo garantire accuratezza della calibrazione e equità dei risultati. Per rispondere a questa domanda, questo studio utilizza l'effetto sinergico del meccanismo di vincolo di equità della GAN e la precisa capacità di calibrazione degli errori della GBDT. Inoltre, si condon ricerche su come introdurre tecnologie avanzate, come l'elaborazione del linguaggio naturale (BERT), l'apprendimento per rinforzo (RL), i meccanismi di attenzione (AM), le reti di memoria a lungo termine (LSTM), le reti di attenzione a grafo (GAT) e la distillazione della conoscenza (KD), per compensare i limiti intrinseci di un singolo modello in estrazione di caratteristiche, adattamento dinamico ed efficienza del ragionamento. In definitiva, l'obiettivo è fornire una soluzione di calibrazione delle valutazioni didattiche che sia sia sia precisa che giusta, e che abbia forti capacità di generalizzazione per il campo dell'istruzione intelligente.

Protocollo

Progettazione e ottimizzazione dell'algoritmo FairEduNet
Lo studio combina GAN e GBDT per costruire l'algoritmo FairEduNet, raggiungendo il doppio obiettivo della correzione di equità e correzione dell'accuratezza, piuttosto che il compromesso dell'ottimizzazione unidirezionale. FairEduNet adotta un'architettura collaborativa a doppio canale: il canale dorsale GBDT è responsabile della modellazione strutturata degli errori e della correzione precisa, mentre il canale ausiliario GAN si concentra sul disaccoppiamento degli attributi sensibili e sull'adeguamento dinamico della correttezza. L'architettura dell'algoritmo FairEduNet, che combina GAN e GBDT, è mostrata nella Figura 1.

Figura 1: Architettura dell'algoritmo FairEduNet che combina GAN e GBDT. Clicca qui per visualizzare una versione più grande di questa figura.

Come mostrato nella Figura 1, FairEduNet raccoglie e preprocessa prima dati di valutazione multi-sorgente. GBDT utilizza più alberi decisionali per apprendere iterativamente i modelli di errore di valutazione, produce i risultati iniziali della calibrazione e li trasmette al modulo GAN. Il GAN addestra il discriminatore a apprendere la relazione tra i risultati iniziali della calibrazione e gli attributi sensibili, mentre il generatore regola dinamicamente i parametri di calibrazione. Attraverso molteplici round di addestramento avversario e verifica dell'equità, il bias di equità viene ottimizzato. Infine, i risultati calibrati in base alla correttezza vengono inviati al modulo GBDT, che aggiusta per accuratezza ed equità, fornendo la base di calibrazione della valutazione didattica e il rapporto. GBDT calcola i residui come mostrato nell'Equazione (1).

(1)

Nell'Equazione (1), rappresenta il residuo del campione i-esimo nella t-esima iterazione, y_i rappresenta il valore vero e rappresenta il valore di previsione della t-1-esima iterazione. Il processo avversario GAN è mostrato nell'Equazione (2).

(2)

Nell'Equazione (2), x rappresenta il risultato iniziale della calibrazione, z rappresenta le caratteristiche degli attributi sensibili, P_data(x)  rappresenta la vera distribuzione delle caratteristiche non sensibili, P_z(z) rappresenta la distribuzione degli attributi sensibili, D rappresenta il discriminatore e G rappresenta il generatore¹⁵. L'output iniziale di calibrazione di GBDT è mostrato nell'Equazione (3).

(3)

Nell'Equazione (3), rappresenta la previsione del campione i-esimo tramite l'albero decisionale iniziale, K rappresenta il numero totale di alberi decisionali, γ_k rappresenta il peso del k-esimo albero, e h_k(x_i) rappresenta l'output di previsione del k-esimo albero per i-Il campione. L'algoritmo FairEduNet può fornire calibrazione precisa e garanzia di equità per l'insegnamento dei dati di valutazione. Tuttavia, durante l'elaborazione di dati di valutazione non strutturati e l'adattamento a scenari dinamici, FairEduNet mostra una capacità di estrazione di caratteristiche debole per le caratteristiche non strutturate, causando un bias di calibrazione. Inoltre, gli indicatori di equità e i parametri di calibrazione di FairEduNet sono impostati staticamente, limitandone l'adattabilità a diversi scenari didattici e influenzando la qualità complessiva della calibrazione. La combinazione di rappresentazioni bidirezionali degli encoder dai transformers (BERT) e del reinforcement learning (RL), l'algoritmo BERT-RL, può estrarre con precisione caratteristiche profonde dal testo non strutturato e adattare dinamicamente i parametri degli scenari senza impostare manualmente soglie statiche, migliorando ulteriormente l'affidabilità degli output degli algoritmi negli scenari^16,17. Metodi tradizionali come TF-IDF si basano sulla frequenza delle parole ma mancano di una profonda comprensione contestuale e non riescono a distinguere direzioni specifiche di "equità" in situazioni diverse. Word2Vec produce vettori di parola statici, che faticano ad adattarsi a cambiamenti contestuali complessi e a riconoscere bias indiretti. BERT utilizza l'autoattenzione multilivello per codificare il contesto bidirezionale, catturando sia termini espliciti e distorti sia logica implicitamente distorta. Gli approcci tradizionali richiedono liste di parole di bias costruite manualmente, si basano sull'esperienza soggettiva e coprono scenari limitati. Attraverso l'apprendimento pre-addestrato per trasferimento di modelli, il BERT apprende automaticamente le caratteristiche semantiche profonde senza sforzi manuali estesi, offrendo una maggiore generalizzazione nel riconoscere i bias ambigui. Inoltre, i metodi tradizionali spesso perdono informazioni con testi lunghi, mentre BERT supporta fino a 512 token, preservando le relazioni contestuali, individuando con precisione le caratteristiche di bias e consentendo correzioni di equità a grana fine. Il processo operativo di BERT-RL è mostrato nella Figura 2.

Figura 2: Diagramma di flusso operativo dell'algoritmo BERT-RL. Clicca qui per visualizzare una versione più grande di questa figura.

Come mostrato nella Figura 2, BERT-RL standardizza innanzitutto i dati di valutazione del testo non strutturato e li inserisce nel modello BERT. BERT utilizza un codificatore Transformer per la modellazione semantica bidirezionale per estrarre le caratteristiche chiave e costruire una matrice di caratteristiche. La matrice delle caratteristiche viene quindi inserita nel modulo RL, che apprende la strategia ottimale attraverso più iterazioni. La configurazione ottimizzata dei parametri viene infine inserita in FairEduNet, migliorandone l'adattabilità. Il calcolo del peso delle caratteristiche di autoattenzione BERT è mostrato nell'Equazione (4).

(4)

Nell'equazione (4), d_k rappresenta la dimensione del vettore K. La funzione di ricompensa multi-obiettivo RL è espressa nell'Equazione (5).

(5)

Nell'Equazione (5), ω₁, ω₂ e ω₃ rappresentano i coefficienti di peso, l'errore di calibrazione, D_t la deviazione di equità di equità, _{il target}D la deviazione di equità del bersaglio e T_t il runtime¹⁸. Questo studio combina BERT-RL con FairEduNet per formare l'algoritmo BERT-RL-FairEduNet, noto come BFEN. BFEN ottiene una calibrazione precisa e una garanzia di equità nell'insegnamento dei dati di valutazione tramite iterazione di funzionalità GBDT e addestramento avversario in tempo reale GAN, mentre BERT-RL ottimizza FairEduNet nella gestione dei dati non strutturati e nell'adattarsi dinamicamente agli scenari, affrontando le debolezze nell'estrazione delle caratteristiche e nelle limitazioni dei parametri statici. Lo studio ha utilizzato il modello BERT-basando-cinese e ha pre-addestrato il corpus di registri didattici reali, testi registrati in aula e documenti di politica educativa della National Smart Education Platform per l'anno accademico 2024-2025, con un vocabolario di 21128. La dimensione dello strato nascosto del modello è 768, con 12 teste di attenzione e 12 strati. La profondità dell'albero GBDT era impostata a 8, il numero di alberi era 200 e la velocità di apprendimento era 0,1. Il ciclo di addestramento di GAN è di 150 colpi e il discriminatore utilizza una rete completamente connessa a 3 livelli con dimensioni di 512, 256 e 1. Il generatore utilizza una rete completamente connessa a 4 livelli con dimensioni di 1024, 512, 256 e 1. Il numero di unità nascoste in LSTM è 128, e la lunghezza della sequenza è 512. GAT ha 2 strati e 4 teste di attenzione. La temperatura per la distillazione del sapere è impostata a 3,0. I coefficienti di peso ricompensa RL ω₁ = 0,4, ω₂ = 0,35 e ω₃ = 0,25. I criteri di selezione del peso servono a bilanciare l'equilibrio frontale di Pareto dell'ottimizzazione multi-obiettivo con i requisiti di interpretabilità delle pratiche di equità educativa. Gli esperimenti sono stati completati utilizzando una suddivisione dei dati del 50% tramite validazione incrociata e accordatura degli iperparametri. Il processo BFEN per la calibrazione delle valutazioni didattiche è mostrato nella Figura 3.

Figura 3: Processo di correzione dell'algoritmo BFEN per l'educazione intelligente e la valutazione dell'insegnamento. Clicca qui per visualizzare una versione più grande di questa figura.

Come mostrato nella Figura 3, il BFEN pre-elabora prima i dati di valutazione didattica multi-fonte. BERT ottimizza la capacità di estrazione delle caratteristiche di FairEduNet calcolando la similarità semantica del testo e i pesi profondi delle caratteristiche basandosi su una finestra semantica, selezionando le caratteristiche importanti per costruire una matrice semantica ad alta dimensione. RL imposta quindi una funzione di ricompensa multi-obiettivo e calcola l'adattabilità dello scenario e i gradienti di aggiustamento dei parametri per ottimizzare ulteriormente le soglie di equità e i parametri di calibrazione. FairEduNet calcola le deviazioni tra i dati di valutazione e i modelli di pattern di errore, aggiorna iterativamente i pesi dell'albero decisionale e aggiusta le strategie di calibrazione finché gli errori non si stabilizzano entro soglie preimpostate. L'output finale include il modello di calibrazione degli errori e il rapporto di verifica dell'equità. Il modello di calibrazione viene applicato ai dati di valutazione dell'insegnamento, generando tabelle di confronto pre- e post-calibrazione, che vengono combinate con la libreria degli standard di equità educativa intelligente per determinare i parametri di calibrazione target, fornendo una base scientifica per la calibrazione della valutazione dell'insegnamento nell'educazione intelligente. Questa biblioteca standard copre tre dimensioni: equità delle opportunità educative, equità dei processi ed equità dei risultati, e include 12 indicatori fondamentali. Questi indicatori includono l'equilibrio dell'allocazione delle risorse educative tra le regioni, la differenza nella copertura delle infrastrutture digitali tra scuole urbane e rurali, la soglia di tolleranza per la risposta ritardata alla diagnosi della situazione di apprendimento (≤200 ms), la tolleranza ai dati mancanti nella valutazione multimodale (≤3,5%), la sensibilità al rilevamento del bias algoritmico (deviazione AUC per l'etichettatura di genere/regione/stadio ≤ 0,02), la soglia di divergenza KL per la distribuzione dei punteggi prima e dopo la correzione (≤0,08), il punteggio di interpretabilità dei suggerimenti di intervento degli insegnanti (≥4,2/5,0), la tempestività degli aggiornamenti del profilo degli studenti (completati entro T + 1 giorni), il coefficiente di coerenza del riconoscimento crediti cross-platform (≥0,93), l'accuratezza dell'allineamento semantico delle politiche educative (punteggio BERT ≥ 0,86) e la completezza della generazione dei rapporti di verifica dell'equità (inclusa l'attribuzione del bias, intervalli di confidenza e istantanee riproducibili dei parametri), oltre al tasso di validazione di validazione dell'adattamento dinamico degli scenari che copre tre scenari tipici: aula in tempo reale, compiti asincroni e assistenti didattici IA. Il calcolo della somiglianza delle caratteristiche semantiche è mostrato nell'Equazione (6).

(6)

Nell'Equazione (6), f_i rappresenta il valore della i-esima dimensione semantica delle caratteristiche, g_i rappresenta il valore della i-esima dimensione importante delle caratteristiche di valutazione, e n rappresenta il numero totale di dimensioni delle caratteristiche. Il calcolo del parametro di adattamento dello scenario RL è mostrato nell'Equazione (7).

(7)

Nell'Equazione (7), θ_t rappresenta il valore del parametro alla t-esima iterazione, α rappresenta il tasso di apprendimento e rappresenta il gradiente dei parametri basato sulla funzione ricompensa R(θ_t).

Costruzione del modello di calibrazione della valutazione didattica
Sebbene BFEN dimostri alcuni vantaggi nell'insegnamento della calibrazione delle valutazioni, affronta ancora una bassa efficienza di integrazione per dati di valutazione eterogenea multi-fonte e un'adeguata adeguata della correttezza dinamica nelle applicazioni pratiche. L'algoritmo AM-LSTM, che combina Mechanism di Attenzione (AM) e Long Short-Term Memory (LSTM), assegna pesi alle caratteristiche chiave dei dati di valutazione multi-fonte tramite AM e cattura i modelli dinamici di cambiamento dei dati di valutazione nel tempo utilizzando la capacità di memoria sequenziale di LSTM. Questo approccio migliora efficacemente l'efficienza nell'integrazione dei dati multi-fonte e nell'apprendimento dinamico delle funzionalità^19,20. Il processo operativo dell'AM-LSTM è mostrato nella Figura 4.

Figura 4: Diagramma di flusso operativo AM-LSTM. Clicca qui per visualizzare una versione più grande di questa figura.

Come mostrato nella Figura 4, AM-LSTM pre-elabora prima dati di valutazione dell'insegnamento eterogeneo multi-fonte per formare un dataset standardizzato. AM calcola i pesi di attenzione per le caratteristiche provenienti da diverse fonti di dati per selezionare le caratteristiche importanti e costruisce una matrice di caratteristiche pesata. La matrice delle caratteristiche pesate viene quindi inserita in LSTM, che utilizza il suo meccanismo di gating per apprendere i pattern dinamici nel tempo, catturando le relazioni tra i dati di valutazione in diverse fasi e inviando vettori dinamici di caratteristiche. Infine, questi vettori dinamici di caratteristiche vengono combinati con vincoli di equità per generare risultati intermedi di calibrazione che si adattano all'integrazione di dati multi-sorgente e a scenari dinamici, fornendo una base per l'ottimizzazione successiva del modello. Il calcolo del peso di attenzione è mostrato nell'Equazione (8).

(8)

Nell'Equazione (8), _{a n} rappresenta l'allocazione dell'attenzione per la n-esima caratteristica, x_n rappresenta la somiglianza, q rappresenta il vettore di query e softmax rappresenta la funzione di attivazione. La porta di dimentica LSTM è espressa nell'Equazione (9).

(9)

Nell'Equazione (9), W_f è il peso della porta di dimenticanza, b_f è il biasaggio della porta di dimenticanza, x_t è l'ingresso al tempo t, h_t-1 è la variabile di stato esterna al tempo t-1 e σ rappresenta la funzione^{sigmoide 21}. Questo studio combina AM-LSTM con BFEN per costruire il modello di calibrazione della valutazione didattica AM-LSTM-BFEN, noto come FBFEN. In questo modello, AM-LSTM affronta i limiti di BFEN nell'efficienza di integrazione eterogenea dei dati multi-sorgente e nell'estrazione dinamica delle caratteristiche. Integra inoltre vincoli di equità per ottimizzare i risultati di calibrazione intermedia, permettendo a BFEN di ottenere una calibrazione più precisa e una garanzia dinamica di equità per l'insegnamento dei dati di valutazione. Il processo operativo di FBFEN è mostrato nella Figura 5.

Figura 5: Processo operativo del modello di valutazione e correzione didattica FBFEN. Clicca qui per visualizzare una versione più grande di questa figura.

Come mostrato nella Figura 5, FBFEN pre-elabora prima i dati originali di valutazione didattica multi-fonte e inserisce il dataset standardizzato nel modulo AM-LSTM. AM calcola i pesi di attenzione delle caratteristiche, mentre LSTM apprende schemi dinamici, fornendo risultati intermedi di calibrazione che integrano informazioni multi-fonte e caratteristiche dinamiche. I risultati intermedi vengono quindi inseriti nel modulo BFEN. GBDT apprende iterativamente i modelli di errore dei dati di valutazione basandosi sui risultati intermedi e sul modello di errore presetto, producendo risultati preliminari di calibrazione. Nel frattempo, GAN analizza il bias di equità causato da attributi sensibili nei risultati preliminari attraverso un addestramento avversario tra generatore e discriminatore, regolando dinamicamente i parametri di calibrazione per eliminare il bias. Infine, i parametri di calibrazione ottimizzati per GAN vengono inviati a GBDT per aggiornare i pesi dell'albero decisionale e le strategie di calibrazione, producendo un risultato secondario che bilancia precisione ed equità. La standardizzazione dei dati è espressa nell'Equazione (10).

(10)

Nell'Equazione (10), z' rappresenta il valore standardizzato, z rappresenta il valore originale e z_min e z_max rappresentano i valori minimi e massimi. La funzione obiettivo finale del generatore GAN è espressa nell'Equazione (11).

(11)

Nell'Equazione (11), N rappresenta il numero di iterazioni, λ rappresenta il fattore di peso di perdita, ωⁱ rappresenta il fattore di peso della i-esima iterazione, rappresenta la funzione di perdita avversaria e rappresenta la perdita binaria di entropia^{incrociata 22}.

Ottimizzazione del modello di calibrazione della valutazione della valutazione dell'insegnamento FBFEN
Sebbene FBFEN dimostri una forte integrazione di dati multi-fonte e una garanzia dinamica di equità nella calibrazione delle valutazioni didattiche, affronta ancora una correlazione delle caratteristiche debole e bassa efficienza di addestramento e inferenza a causa della struttura modellare complessa in scenari educativi complessi. L'algoritmo GAT-KD, che combina Graph Attention Network (GAT) e Knowledge Distillation (KD), costruisce dinamicamente un grafo di associazione semantica tra le caratteristiche attraverso il meccanismo di attenzione di GAT, migliorando l'allineamento semantico dei dati multi-sorgente. KD comprime la conoscenza del modello complesso in una rete leggera, migliorando significativamente l'efficienza dell'inferenza mantenendo le prestazioni^{del modello 23,24}. Il processo operativo di GAT-KD è mostrato nella Figura 6.

Figura 6: Diagramma di flusso operativo GAT-KD. Clicca qui per visualizzare una versione più grande di questa figura.

Come mostrato nella Figura 6, GAT-KD costruisce un grafo di associazione semantica tra le caratteristiche attraverso il modulo GAT, aggrega dinamicamente le informazioni sulle caratteristiche di quartiere usando il meccanismo di attenzione e migliora la rappresentazione semantica delle caratteristiche locali. KD utilizza quindi le soft label di output come segnali di supervisione, minimizzando la perdita di divergenza tra distribuzioni di output e la perdita di entropia incrociata tra le sue previsioni e le vere etichette, ottenendo il trasferimento di conoscenza e la compressione del modello. L'output finale è un modello di calibrazione leggero con alta precisione ed efficienza. Il calcolo del coefficiente di attenzione GAT è mostrato nell'Equazione (12).

(12)

Nell'Equazione (12), e rappresentano i vettori di caratteristiche dei nodi i e j, W rappresenta la matrice di pesi imparabile, a rappresenta il vettore di peso di attenzione, rappresenta l'operazione di concatenazione e LeakyReLU rappresenta la funzione^{di attivazione 25}. Il calcolo della funzione di perdita KD è mostrato nell'Equazione (13).

(13)

Nell'Equazione (13), KL rappresenta la perdita di divergenza, T² rappresenta il bilancio di scala del gradiente, ^{p student} rappresenta la probabilità soft label del modello leggero, e p^teacher rappresenta la probabilità soft label del modello^{complesso 26}. Combinando l'associazione di caratteristiche potenziata dall'attenzione e il trasferimento leggero della conoscenza, GAT-KD affronta efficacemente il bias semantico delle caratteristiche e l'elevata complessità computazionale. Questo studio integra GAT-KD in FBFEN per formare il modello di calibrazione della valutazione didattica GAT-KD-FBFEN, noto come GFBFEN. GAT-KD ottimizza le carenze di FBFEN in termini di cattura incompleta di correlazioni multi-sorgente e bassa efficienza di inferenza. Il processo operativo del GFBFEN è mostrato nella Figura 7.

Figura 7: Processo di valutazione e correzione del modello di valutazione e correzione del GFBFEN. Clicca qui per visualizzare una versione più grande di questa figura.

Come mostrato nella Figura 7, GFBFEN standardizza i dati di valutazione didattica multi-fonte. Il GAT modella relazioni complesse tra le caratteristiche e calcola dinamicamente i pesi di associazione semantica tra nodi utilizzando meccanismi di attenzione. KD comprime la conoscenza del modello complesso in una rete leggera, migliorando significativamente l'efficienza dell'inferenza mantenendo la precisione. Il modulo AM-LSTM assegna pesi di importanza alle caratteristiche multi-sorgente e cattura schemi dinamici temporali dei dati di valutazione, fornendo risultati intermedi di calibrazione che integrano informazioni multi-sorgente. Questi risultati vengono inseriti nel modulo BFEN per l'elaborazione profonda. In particolare, BERT estrae caratteristiche semantiche da testi non strutturati, RL ottimizza dinamicamente soglie di equità e parametri di calibrazione, GBDT apprende iterativamente i pattern di errore per la calibrazione preliminare e GAN elimina i bias causati da attributi sensibili tramite addestramento avversario. Il meccanismo di regolazione dinamica dei parametri calibra automaticamente la sensibilità di risposta e i pesi di equità di ogni modulo rilevando in tempo reale i cambiamenti temporali e gli spostamenti di distribuzione di gruppo della scena didattica, risolvendo così il problema dell'insufficiente adattabilità causato dalla configurazione statica dei parametri e garantendo che il modello possa mantenere robustezza ed equità nelle diverse fasi di insegnamento, gruppi di studenti e scenari di valutazione. Il tipo di valutazione influisce direttamente sulla granularità e sul ciclo di feedback della modellazione delle serie temporali, mentre la valutazione formativa enfatizza la natura dinamica del processo. Le differenze tra discipline determinano l'assegnazione delle caratteristiche tra i moduli BERT e GBDT. Pertanto, adottare un meccanismo di aggiustamento dinamico può adattarsi efficacemente a diversi tipi di valutazione e caratteristiche disciplinari. Infine, attraverso molteplici round di feedback dei parametri e ottimizzazione iterativa, il modello produce risultati precisi ed equi della calibrazione della valutazione didattica. La funzione di ottimizzazione dei vincoli di equità dinamica è espressa nell'Equazione (14).

(14)

Nell'Equazione (14), S rappresenta l'insieme degli attributi sensibili, rappresenta il risultato previsto della calibrazione dell'output, rappresenta la varianza delle previsioni all'interno dei gruppi, γ rappresenta i parametri intergruppi e rappresenta il valore complessivo atteso. Il calcolo adattivo dei pesi di fusione di caratteristiche multi-sorgente è mostrato nell'Equazione (15).

(15)

Nell'Equazione (15), w_k rappresenta il peso delle caratteristiche della k-esima sorgente dati, β rappresenta il parametro di peso, Sim rappresenta la funzione di misurazione della somiglianza delle caratteristiche, f_k rappresenta il vettore delle caratteristiche estratto dalla k-esima sorgente dati, f_globale rappresenta il centro globale delle caratteristiche e K  rappresenta il numero totale di fonti di dati. Lo studio ha stabilito i pesi degli attributi sensibili, tra cui genere, etnia, regione, status economico familiare e origine madrelingua. I pesi sono determinati in base ai risultati dell'analisi di correlazione. Lo studio ha utilizzato il coefficiente di correlazione di Pearson e il coefficiente di correlazione del rango di Spearman come indicatori doppi per la valutazione congiunta, combinati con esperienza esperta nel campo dell'educazione per la calibrazione del peso. La determinazione finale dei pesi per ciascun attributo sensibile ha prodotto valori di 0,18 per il genere, 0,22 per l'etnia, 0,25 per la regione, 0,19 per lo stato economico familiare e 0,16 per il background della lingua madre. Genere: Identità di genere per registrazione legale e autoidentificazione, binario (maschile/femmina) con opzioni non binarie; campo dati "gender". Etnia: Basata sull'identificazione etnica nazionale di 56 gruppi, compatibili con gruppi non identificati e transfrontalieri; campo dati "Etnia". Regione: Suddivisione amministrativa della registrazione familiare o residenza a lungo termine, che copre i livelli provinciale, municipale e di contea, considerando la struttura duale urbano-rurale e la popolazione migrante; campo dati "regione". Stato economico familiare: Secondo gli standard statistici nazionali e gli indicatori di assistenza educativa, utilizzando una classificazione a cinque livelli; campo dati "economic_status". Background della lingua madre: Insegnamento primario e comunicazione familiare durante l'istruzione di base, comprendendo il mandarino, le lingue minoritarie, i dialetti e le lingue straniere, ponderate in base all'età e alla frequenza di acquisizione; campo dati "mother_tongue."

Il processo di correzione adottò un meccanismo di pesatura dinamica a tre stadi. La prima fase ha implementato l'identificazione iniziale della deviazione basata sulla matrice di peso degli attributi sensibili, segnando punti dati che si discostavano significativamente dal centro globale delle caratteristiche in dimensioni come genere, etnia e regione. La seconda fase introduce vincoli di contesto educativo per riqualificare l'intensità della deviazione in modo consapevole del contesto. La terza fase verifica la stabilità della correzione tramite test di perturbazione controfattuale, sostituendo sistematicamente i valori degli attributi sensibili mantenendo invariate le caratteristiche non sensibili, e osservando se la variazione dei punteggi di valutazione rientra entro la soglia del ±±3,2%.

Risultati

Analisi delle prestazioni dell'algoritmo BFEN
Gli indicatori valutati negli esperimenti includevano i seguenti:

L'accuratezza della correzione della valutazione (ECA) indica la proporzione di elementi di deviazione correttamente identificati e corretti dal modello all'interno dei risultati della valutazione didattica, riflettendo così l'efficacia complessiva del meccanismo di correzione. Valori più alti indicano una precisione di correzione...

Discussione

L'algoritmo BFEN proposto in questo studio ha dimostrato prestazioni superiori negli esperimenti comparativi. Dal punto di vista di ECA e FDR, ha superato significativamente gli algoritmi PRF, EAB e DBLR. Calibrando i record di valutazione 421, BFEN ha aumentato l'ECA al 98,75% mantenendo la stabilità, mentre FDR è sceso al 2,87%. Queste prestazioni sono state il risultato dell'integrazione di BERT-RL per l'ottimizzazione delle funzionalità e l'adattamento dinamico. BERT estraeva con pre...

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Global Education Monitoring Report dataset	UNESCO	https://www.education-progress.org/	Dataset
NumPy	NumPy	https://numpy.org/	Elaborazione dati
Pandas	Pandas, NumPy	https://pandas.pydata.org/	Elaborazione dati
PyCharm Professional 2023.1	PyCharm	Versione 2023.1	Ambiente di sviluppo
Python 3.9	Python	Versione 3.9	‌Lingua di programmazione
Scikit-learn	Scikit-learn	https://scikit-learn.org/stable/index.html	Apprendimento automatico
Seaborn	Seaborn	https://seaborn.pydata.org/	Visualizzazione
Spanish middle school student academic performance dataset	UC Irvine Machine Learning Repository	https://archive.ics.uci.edu/dataset/320/student+performance	Dataset
TensorFlow	TensorFlow	https://www.tensorflow.org/	Apprendimento profondo
Windows 11	Microsoft	Versione 11	Sistema operativo