FairEduNet Algoritmeontwerp en Onderwijsbeoordelingskalibratie Rekening Met Gelijkheid in het Hoger Onderwijs

Samenvatting

Het onderzoek heeft als doel een nieuwe benadering te bieden voor het kalibreren van het onderwijs, beoordeling en onderwijsgelijkheid in intelligent onderwijs. Experimentele resultaten geven aan dat het voorgestelde model aanzienlijk beter presteert dan vergelijkende modellen, waardoor problemen van slechte multi-source data-integratie en fairness bias in bestaande kalibratiemethoden effectief worden aangepakt.

Samenvatting

Huidige kalibratiemethoden voor onderwijsbeoordeling staan voor uitdagingen zoals lage integratie-efficiëntie bij het verwerken van multi-source heterogene beoordelingsdata, onvoldoende aanpassingsvermogen tussen verschillende disciplines en onderwijsscenario's, en vertekeningen in resultaten met zwakke eerlijkheidsgaranties. Het onderzoek heeft als doel een interpreteerbaar, overdraagbaar en schaalbaar rechtvaardigheids-correctiekader te creëren voor diepgaande modellering en dynamische correctie van onderwijsbeoordelingsdata. Deze problemen maken het moeilijk om te voldoen aan de kernvereiste van evenwichtig onderwijs in intelligent onderwijs. Deze studie stelt een op eerlijkheid gerichte educatieve netwerkalgoritme voor die een generatief adversarieel netwerk en een gradiëntversterkende beslissingsboom integreert. Het algoritme construeert een kalibratiemechanisme voor eerlijkheid en combineert een bidirectioneel encoderrepresentatiemodel met een graph attention-netwerk om feature-extractie en dynamische aanpassingsvermogen te optimaliseren, wat de efficiëntie van multisource dataverwerking en de nauwkeurigheid van fairness verbetert. Deze aanpak zorgt voor nauwkeurige kalibratie en eerlijkheidszekerheid bij het aanleren van toetsen. In de indicatortest behaalde het model een nauwkeurigheid van 98,76% in clustering-evaluatiekenmerken, 98,05% in eerlijkheidscorrectie en 0,968% in cross-scenario correctieconsistentie in de validatieset. In de verlieswaardetesttaak daalde het totale verlies van het model van 0,1237 naar 0,1018 tijdens de correctietaak voor onderwijsevaluatie in de validatieset. In de indicatortest behaalde het model een nauwkeurigheid van 98,76% in clustering-evaluatiekenmerken, 98,05% in eerlijkheidscorrectie en 0,968% in cross-scenario correctieconsistentie in de validatieset. Experimentele resultaten geven aan dat het voorgestelde model aanzienlijk beter presteert dan vergelijkende modellen, waardoor problemen van slechte multi-source data-integratie en fairness bias in bestaande kalibratiemethoden effectief worden aangepakt. Daarnaast biedt het innovatieve algoritmische kaders voor technologieontwikkelaars en betrouwbare technische hulpmiddelen voor onderwijsbestuurders om onderwijsgelijkheid te bevorderen. De onderzoeksbijdragen liggen in: (i) het integreren van drie kernmodules, waaronder multi-source datapreprocessing, verificatie van dynamische fairness index en visualisatie van verklaarbaarheid; en (ii) het voorstellen van een fairness correction-paradigma gebaseerd op de collaboratieve optimalisatie van generatieve adversariële netwerken en gradient boosting trees, die de beperkingen van traditionele single-model correctie doorbreekt en ontkoppeld leren van deviatiemodellering en correctiebesluitvorming mogelijk maakt.

Inleiding

Onderwijsevaluatie en kalibratie vormen de kern van het waarborgen van onderwijskwaliteit in intelligent onderwijs. Door dynamische analyse, foutcorrectie en resultaatkalibratie bieden ze een basis voor instructieverbetering en gepersonaliseerd leren. Hun nauwkeurigheid en eerlijkheid beïnvloeden direct of intelligent onderwijs technologische vooroordelen kan doorbreken en evenwichtige onderwijsondersteuning kan bieden ^1,2. Bestaande methoden hebben echter verschillende tekortkomingen: ze vertrouwen op één enkele databron, negeren de werkelijke situatie en leiden tot databias en correctiebias. Het ontbreken van een dynamisch mechanisme voor eerlijkheidsaanpassing maakt het moeilijk om te voldoen aan de eerlijkheidsbehoeften van disciplines en scenario's ^3,4. Daarnaast zijn er problemen zoals een gebrek aan eerlijkheidsindicatoren en vooringenomenheid in correctiestrategieën bij het omgaan met heterogene gegevens uit meerdere bronnen. Daartoe hebben wetenschappers onderzoek gedaan vanuit meerdere dimensies, zoals het evalueren van tennis-ondersteund onderwijs op basis van een verbeterd algoritme voor dichte trajecten⁵. Yin et al. maakten gebruik van het analytische hiërarchieproces en een fuzzy synthese-algoritme om online onderwijs te monitoren⁶. Chen analyseerde onderwijsgegevens voor ouderen met behulp van een verbeterd datamining-algoritme om de onderwijskwaliteit^{te verhogen 7}.

Hoewel deze studies vooruitgang hebben geboekt, blijven er problemen zoals kalibratieresultaatbias en slechte fairness coördinatie bestaan. Daarom is het construeren van een model dat tegelijkertijd nauwkeurige onderwijsbeoordeling, kalibratie en dynamische eerlijkheidszekerheid biedt, een onderzoeksfocus geworden in intelligent onderwijs. Het generatieve adversariële netwerk (GAN) past zich aan om de impliciete invloed van gevoelige attributen op resultaten te elimineren via realtime adversariale training tussen generator en discriminator, waarbij de output wordt bepaald door kernfactoren in plaats van door label-geïnduceerde bias⁸. GAN toont voordelen bij het omgaan met groepsvooroordelen in beoordelingsgegevens en het modelleren van niet-lineaire fairness-beperkingen. Cheng et al. stelden een GAN-gebaseerd beeldverbeteringsalgoritme voor om afbeeldingen met lage resolutie aan te pakken. De generator leverde beelden met hoge resolutie uit laagresolutie-invoer, en de discriminator onderscheidde de gegenereerde beelden van echte beelden met hoge resolutie. Adversarial training optimaliseert parameters zodat de generatoroutput dichter bij echte beelden⁹ komt. Kang et al. stelden een cross-modaal GAN-model voor om de efficiëntie van multimodale gegevensverwerking in hernieuwbare energievelden te verbeteren. De generator ontvangt single-modale data, de discriminator onderscheidt gegenereerde data van echte multimodale data, en adversarial training optimaliseert het model voor verbeterde efficiëntie¹⁰. Het gradient boosting decision tree (GBDT) algoritme is een klassiek algoritme voor gestructureerde dataverwerking met sterke feature capture-mogelijkheden. Door iteratief meerdere beslissingsbomen te integreren, leert GBDT nauwkeurig datafoutpatronen en toont voordelen bij het verwerken van multi-source heterogene beoordelingsinformatie en het corrigeren van niet-lineaire scoredeviaties^11,12. Mizuno et al. stelden een GBDT-gebaseerde padvoorspellingsmethode voor voor zware neerslagrampen, waarbij padkenmerken werden geleerd en ramppaden werden voorspeld met realtime data, waarbij optimale voorspellingen werden geselecteerd via meerdere beslissingsbomen¹³. Gao et al. ontwikkelden een GBDT-gebaseerde visuele analysemethode voor het voorspellen van de click-through-rate in advertenties, waarbij ze de relatie tussen visuele kenmerken en historische klikgegevens leerden om de klikrates voor nieuwe advertenties te voorspellen¹⁴. Op basis van bovenstaande uitdagingen is dit onderzoek bedoeld om systematisch de volgende kernwetenschappelijke vraag te beantwoorden: Hoe kan een intelligent onderwijsevaluatiemodel worden opgebouwd om efficiënt multi-source heterogene data te integreren, dynamisch aan te passen aan verschillende onderwijsscenario's en tegelijkertijd kalibratienauwkeurigheid en resultaateerlijkheid te waarborgen? Om deze vraag te beantwoorden, maakt deze studie gebruik van het synergetische effect van het fairness constraint-mechanisme van GAN en het nauwkeurige foutkalibratievermogen van GBDT. Daarnaast wordt er onderzoek gedaan naar hoe geavanceerde technologieën kunnen worden geïntroduceerd, zoals natuurlijke taalverwerking (BERT), reinforcement learning (RL), aandachtsmechanismen (AM), langetermijngeheugennetwerken (LSTM), grafenaandachtnetwerken (GAT) en kennisdestillatie (KD), om de inherente beperkingen van één model in feature-extractie, dynamische aanpassing en redeneerefficiëntie te compenseren. Uiteindelijk is het doel om een calibratie-oplossing voor onderwijsbeoordeling te bieden die zowel precies als eerlijk is, en sterke generalisatiemogelijkheden heeft voor het vakgebied van intelligent onderwijs.

Protocol

Ontwerp en optimalisatie van FairEduNet-algoritmen
De studie combineert GAN en GBDT om het FairEduNet-algoritme te construeren, waarbij de dubbele doelen van eerlijkheidscorrectie en nauwkeurigheidscorrectie worden bereikt, in plaats van de afweging van eenrichtingsoptimalisatie. FairEduNet hanteert een dual-channel collaboratieve architectuur: het GBDT-backbonekanaal is verantwoordelijk voor gestructureerde foutmodellering en precieze correctie, terwijl het GAN-hulpkanaal zich richt op het loskoppelen van gevoelige attributen en het dynamisch aanpassen van eerlijkheid. De architectuur van het FairEduNet-algoritme, die GAN en GBDT combineert, wordt weergegeven in Figuur 1.

Figuur 1: FairEduNet-algoritmearchitectuur die GAN en GBDT combineert. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals te zien is in Figuur 1, verzamelt en preverwerkt FairEduNet eerst multi-source beoordelingsgegevens. GBDT gebruikt meerdere beslissingsbomen om iteratief beoordelingsfoutpatronen te leren, geeft initiële kalibratieresultaten en geeft deze door aan de GAN-module. GAN traint de discriminator om de relatie te leren tussen initiële kalibratieresultaten en gevoelige attributen, terwijl de generator de kalibratieparameters dynamisch aanpast. Door meerdere rondes van adversarial training en eerlijkheidsverificatie wordt de fairness bias geoptimaliseerd. Ten slotte worden de door eerlijkheid gekalibreerde resultaten teruggestuurd naar de GBDT-module, die nauwkeurigheid en eerlijkheid corrigeert en de kalibreringsbasis en het rapport van de onderwijsbeoordeling uitgeeft. GBDT berekent residuen zoals weergegeven in Vergelijking (1).

(1)

In Vergelijking (1) vertegenwoordigt het residu van de i-de steekproef in de t-de iteratie, y_i de werkelijke waarde en de voorspellingswaarde van de t-1-de iteratie. Het GAN-adversariële proces wordt getoond in Vergelijking (2).

(2)

In Vergelijking (2) vertegenwoordigt x het initiële kalibratieresultaat, z de gevoelige attribuutkenmerken, P_data(x)  de ware verdeling van niet-gevoelige kenmerken, P_z(z) de verdeling van gevoelige attributen, D de discriminator en G de generator¹⁵. De initiële kalibratie-output van GBDT wordt weergegeven in Vergelijking (3).

(3)

In Vergelijking (3) wordt de voorspelling van de i-de steekproef door de initiële beslissingsboom weergegeven, K het totale aantal beslissingsbomen, γ_k het gewicht van de k-de boom, en h_k(x_i) de voorspellingsoutput van de k-de boom voor de i-Het monster. Het FairEduNet-algoritme kan nauwkeurige kalibratie en eerlijkheidszekerheid bieden voor onderwijsbeoordelingsgegevens. Bij het verwerken van ongestructureerde beoordelingsdata en het aanpassen aan dynamische scenario's vertoont FairEduNet echter een zwakke feature-extractiecapaciteit voor ongestructureerde features, wat resulteert in kalibratiebias. Daarnaast zijn de fairness-indicatoren en kalibratieparameters van FairEduNet statisch ingesteld, waardoor de aanpassingsvermogen aan verschillende onderwijsscenario's beperkt wordt en de algehele kalibratiekwaliteit wordt beïnvloed. De combinatie van bidirectionele encoderrepresentaties van transformers (BERT) en reinforcement learning (RL), het BERT-RL-algoritme, kan diepe features nauwkeurig extraheren uit ongestructureerde tekst en scenarioparameters dynamisch aanpassen zonder statische drempels handmatig in te stellen, wat de betrouwbaarheid van algoritme-uitvoeren over scenario's verder verbetert^16,17. Traditionele methoden zoals TF-IDF vertrouwen op woordfrequentie, maar missen diepgaand contextueel begrip en kunnen geen specifieke richtingen van "eerlijkheid" onderscheiden in verschillende scenario's. Word2Vec produceert statische woordvectoren, die moeite hebben zich aan te passen aan complexe contextuele veranderingen en indirecte vooringenomenheid herkennen. BERT gebruikt meerlagige zelfaandacht om bidirectionele context te coderen, waarbij zowel expliciete bevooroordeelde termen als impliciete bevooroordeelde logica worden vastgelegd. Traditionele benaderingen vereisen handmatig samengestelde bevooroordeelde woordenlijsten, zijn afhankelijk van subjectieve ervaring en dekken beperkte scenario's. Door vooraf getraind modeloverdrachtleren leert BERT automatisch diepe semantische kenmerken zonder veel handmatige inspanning, wat een sterkere generalisatie biedt bij het herkennen van ambigue bias. Bovendien verliezen traditionele methoden vaak informatie bij lange teksten, terwijl BERT tot 512 tokens ondersteunt, contextuele relaties behoudt, biaskenmerken nauwkeurig lokaliseert en fijnmazige eerlijkheidscorrectie mogelijk maakt. Het werkingsproces van BERT-RL wordt weergegeven in Figuur 2.

Figuur 2: BERT-RL algoritme operatie stroomschema. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals weergegeven in Figuur 2, standaardiseert BERT-RL eerst ongestructureerde tekstbeoordelingsdata en voert deze in het BERT-model. BERT gebruikt een transformatorencoder voor bidirectionele semantische modellering om sleutelkenmerken te extraheren en een featurematrix te construeren. De featurematrix wordt vervolgens ingevoerd in de RL-module, die de optimale strategie leert via meerdere iteraties. De geoptimaliseerde parameterconfiguratie wordt uiteindelijk ingevoerd in FairEduNet, wat de aanpasbaarheid verbetert. De berekening van het gewicht van de BERT zelf-aandacht kenmerk wordt weergegeven in Vergelijking (4).

(4)

In Vergelijking (4) vertegenwoordigt d_k de dimensie van vector K. De RL multi-objectieve beloningsfunctie wordt uitgedrukt in Vergelijking (5).

(5)

In Vergelijking (5) vertegenwoordigen ω₁, ω₂ en ω₃ gewichtscoëfficiënten, vertegenwoordigen kalibratiefouten, D_t is de afwijking van de rechtvaardigheid, D_{het doel} is de afwijking van de rechtvaardigheid van het doel, en T_t is de runtime¹⁸. Deze studie combineert BERT-RL met FairEduNet om het BERT-RL-FairEduNet-algoritme te vormen, aangeduid als BFEN. BFEN bereikt nauwkeurige kalibratie en eerlijkheidszekerheid van het onderwijs van beoordelingsdata via GBDT-feature-iteratie en GAN real-time adversarial training, terwijl BERT-RL FairEduNet optimaliseert voor het verwerken van ongestructureerde data en dynamische aanpassing aan scenario's, waarbij zwaktes in feature-extractie en statische parameterbeperkingen worden aangepakt. De studie gebruikte het BERT-gebaseerde Chinese model en trainde het corpus van echte onderwijslogboeken, in de klas opgenomen teksten en onderwijsbeleidsdocumenten van het National Smart Education Platform voor het academisch jaar 2024 tot 2025, met een woordenschat van 21128. De verborgen laagdimensie van het model is 768, met 12 aandachthoofden en 12 lagen. De diepte van de GBDT-boom werd ingesteld op 8, het aantal bomen was 200 en de leersnelheid was 0,1. De trainingscyclus van GAN is 150 rondes, en de discriminator gebruikt een volledig verbonden netwerk met 3 lagen en groottes van 512, 256 en 1. De generator gebruikt een volledig verbonden netwerk met vier lagen en groottes van 1024, 512, 256 en 1. Het aantal verborgen eenheden in LSTM is 128, en de sequentielengte is 512. GAT heeft 2 lagen en 4 aandachthoofden. De temperatuur voor kennisdestillatie is ingesteld op 3,0. RL-beloningscoëfficiënten ω₁ = 0,4, ω₂ = 0,35 en ω₃ = 0,25. De criteria voor gewichtsselectie zijn bedoeld om het Pareto-frontevenwicht van multi-objectieve optimalisatie in balans te brengen met de interpreteerbaarheidsvereisten van onderwijsrechtvaardigheidspraktijken. De experimenten werden uitgevoerd met een dataverdeling van 50% via kruisvalidatie en hyperparameterafstemming. Het BFEN-proces voor de kalibratie van het onderwijs in beoordeling is weergegeven in Figuur 3.

Figuur 3: Correctieproces van het BFEN-algoritme voor intelligent onderwijs en evaluatie van onderwijs. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals te zien in Figuur 3, verwerkt BFEN eerst de multi-source onderwijsbeoordelingsgegevens. BERT optimaliseert de feature-extractiecapaciteit van FairEduNet door de semantische gelijkenis van teksten en diepe featuregewichten te berekenen op basis van een semantisch venster, waarbij belangrijke features worden geselecteerd om een hoogdimensionale semantische featurematrix te construeren. RL stelt vervolgens een multi-objectieve beloningsfunctie in en berekent scenario-adaptabiliteit en parameteraanpassingsgradiënten om eerlijkheidsdrempels en kalibratieparameters verder te optimaliseren. FairEduNet berekent afwijkingen tussen beoordelingsgegevens en foutpatroonmodellen, werkt iteratief de gewichten van de beslissingsboom bij en past kalibratiestrategieën aan totdat de fouten binnen vooraf ingestelde drempels stabiliseren. De uiteindelijke output omvat het foutkalibratiemodel en het fairness verification rapport. Het kalibratiemodel wordt toegepast op beoordelingsgegevens van het onderwijs, waarbij pre- en post-kalibratietabellen worden gegenereerd, die worden gecombineerd met de bibliotheek van de intelligent education fairness standard om doelkalibratieparameters te bepalen, wat een wetenschappelijke basis biedt voor het aanleren van beoordelingskalibratie in intelligent onderwijs. Deze standaardbibliotheek behandelt drie dimensies: eerlijkheid in onderwijskansen, procesrechtvaardigheid en uitkomsteerlijkheid, en bevat 12 kernindicatoren. Deze indicatoren omvatten de balans van de toewijzing van onderwijsmiddelen tussen regio's, het verschil in digitale infrastructuurdekking tussen stedelijke en landelijke scholen, de tolerantiedrempel voor vertraagde respons op diagnose van leersituaties (≤200 ms), de tolerantie voor ontbrekende gegevens bij multimodale beoordeling (≤3,5%), de gevoeligheid van algoritmebiasdetectie (AUC-afwijking voor gender/regio/fase-labeling ≤ 0,02), de KL-divergentiedrempel voor scoreverdeling vóór en na correctie (≤0,08), de interpreteerbaarheidsscore van lerareninterventiesuggesties (≥4,2/5,0), de tijdigheid van updates van leerlingprofielen (voltooid binnen T + 1 dag), de consistentiecoëfficiënt van cross-platform kredietherkenning (≥0,93), de nauwkeurigheid van semantische afstemming van onderwijsbeleid (BERT-score ≥ 0,86), en de volledigheid van het genereren van eerlijkheidsverificatierapporten (inclusief bias-toeschrijving), betrouwbaarheidsintervallen en reproduceerbare parametermomentopnames), evenals het dynamisch validatiepercentage voor scenario-adaptatie, dat drie typische scenario's omvat: live klaslokaal, asynchrone opdrachten en AI-onderwijsassistenten. De berekening van de gelijkenis in semantische kenmerken wordt weergegeven in Vergelijking (6).

(6)

In Vergelijking (6) vertegenwoordigt f_i de waarde van de i-de semantische kenmerkdimensie, g_i de waarde van de i-de belangrijke beoordelingskenschapsdimensie, en n het totale aantal kenmerkdimensies. De berekening van de aanpassingsparameter van het RL-scenario wordt weergegeven in Vergelijking (7).

(7)

In Vergelijking (7) stelt θ_t de parameterwaarde voor bij de t-de iteratie, α de leersnelheid, en vertegenwoordigt de parametergradiënt op basis van de beloningsfunctie R(θ_t).

Constructie van het calibratiemodel voor onderwijsbeoordeling
Hoewel BFEN bepaalde voordelen vertoont bij de kalibratie van onderwijsbeoordelingen, kent het nog steeds een lage integratie-efficiëntie voor multi-source heterogene beoordelingsdata en onvoldoende dynamische eerlijkheidsaanpassing in praktische toepassingen. Het AM-LSTM-algoritme, dat Attention Mechanism (AM) en Long Short-Term Memory (LSTM) combineert, wijst gewichten toe aan belangrijke kenmerken van multi-source beoordelingsdata via AM en legt de dynamische veranderpatronen van beoordelingsgegevens in de loop van de tijd vast met behulp van de sequentiële geheugencapaciteit van LSTM. Deze aanpak verbetert effectief de efficiëntie van multisource data-integratie en dynamisch feature learning^19,20. Het werkingsproces van AM-LSTM is weergegeven in Figuur 4.

Figuur 4: AM-LSTM operatiestroomdiagram. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals te zien is in Figuur 4, preverwerkt AM-LSTM eerst multi-source heterogene onderwijsbeoordelingsdata om een gestandaardiseerde dataset te vormen. AM berekent aandachtsgewichten voor features uit verschillende databronnen om belangrijke features te selecteren en construeert een gewogen featurematrix. De gewogen featurematrix wordt vervolgens ingevoerd in LSTM, dat zijn gatingmechanisme gebruikt om dynamische patronen in de loop van de tijd te leren, relaties tussen beoordelingsgegevens in verschillende stadia vast te leggen en dynamische featurevectoren uit te voeren. Ten slotte worden deze dynamische featurevectoren gecombineerd met eerlijkheidsbeperkingen om tussentijdse kalibratieresultaten te genereren die zich aanpassen aan multi-source data-integratie en dynamische scenario's, wat een basis biedt voor latere modeloptimalisatie. Aandachtsgewichtberekening wordt weergegeven in Vergelijking (8).

(8)

In Vergelijking (8) stelt een_n de aandachtstoewijzing voor het n-de kenmerk voor, x_n gelijkenis, q de queryvector en softmax de activatiefunctie. De LSTM-vergeten poort wordt uitgedrukt in Vergelijking (9).

(9)

In vergelijking (9) is W_f het gewicht van de vergeten poort, b_f de vergeten poortvoorkeuze, x_t is de invoer op tijdstip t, h_t-1 is de externe toestandsvariabele op tijd t-1, en σ vertegenwoordigt de sigmoïde functie²¹. Deze studie combineert AM-LSTM met BFEN om het AM-LSTM-BFEN onderwijsbeoordelingskalibratiemodel te construeren, aangeduid als FBFEN. In dit model pakt AM-LSTM de beperkingen van BFEN aan in multi-source heterogene data-integratie-efficiëntie en dynamische feature-extractie. Het integreert ook fairness-beperkingen om tussentijdse kalibratieresultaten te optimaliseren, waardoor BFEN verder nauwkeurige kalibratie en dynamische fairness assurance kan bereiken voor het aanleren van beoordelingsdata. Het werkingsproces van FBFEN is weergegeven in Figuur 5.

Figuur 5: Werkingsproces van het FBFEN-model voor onderwijsevaluatie en correctie. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals weergegeven in Figuur 5, preverwerkt FBFEN eerst de originele multi-source onderwijsbeoordelingsdata en voert de gestandaardiseerde dataset in in de AM-LSTM-module. AM berekent kenmerk-aandachtgewichten, terwijl LSTM dynamische patronen leert en tussentijdse kalibratieresultaten genereert die multi-source informatie en dynamische kenmerken integreren. De tussenresultaten worden vervolgens ingevoerd in de BFEN-module. GBDT leert iteratief de foutpatronen van beoordelingsgegevens op basis van de tussenresultaten en het vooraf ingestelde foutmodel, en levert voorlopige kalibratieresultaten uit. Ondertussen analyseert GAN fairness bias veroorzaakt door gevoelige attributen in de voorlopige resultaten via adversarial training tussen generator en discriminator, waarbij kalibratieparameters dynamisch worden aangepast om bias te elimineren. Ten slotte worden de door GAN geoptimaliseerde kalibratieparameters teruggestuurd naar GBDT om de beslissingsboomgewichten en kalibratiestrategieën bij te werken, wat een secundair kalibratieresultaat oplevert dat precisie en eerlijkheid in balans brengt. Datastandaardisatie wordt uitgedrukt in Vergelijking (10).

(10)

In Vergelijking (10) stelt z' de gestandaardiseerde waarde voor, z de oorspronkelijke waarde, en z_min en z_max de minimum- en maximumwaarden. De einddoelfunctie van de GAN-generator wordt uitgedrukt in Vergelijking (11).

(11)

In Vergelijking (11) vertegenwoordigt N het aantal iteraties, λ de gewichtsverliesfactor, ωⁱ de gewichtsfactor van de i-de iteratie, de adversariale verliesfunctie, en het binaire kruis-entropieverlies²².

FBFEN onderwijsbeoordelings-kalibratiemodeloptimalisatie
Hoewel FBFEN sterke multi-source data-integratie en dynamische eerlijkheidsgarantie in de kalibratie van onderwijsbeoordelingen vertoont, heeft het nog steeds zwakke featurecorrelatie en lage trainings- en inferentie-efficiëntie door de complexe modelstructuur in complexe onderwijssituaties. Het GAT-KD-algoritme, dat Graph Attention Network (GAT) en Knowledge Distillation (KD) combineert, construeert dynamisch een semantische associatiegraaf tussen features via het aandachtsmechanisme van GAT, waardoor de semantische uitlijning van multibrondata wordt verbeterd. KD comprimeert de kennis van het complexe model tot een lichtgewicht netwerk, waardoor de inferentie-efficiëntie aanzienlijk verbetert en de modelprestaties^23,24 behouden blijven. Het werkingsproces van GAT-KD wordt weergegeven in Figuur 6.

Figuur 6: GAT-KD operatiestroomdiagram. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals getoond in Figuur 6, construeert GAT-KD een semantische associatiegrafiek tussen kenmerken via de GAT-module, aggregeert dynamisch informatie over buurtkenmerken met behulp van het aandachtmechanisme en verbetert de semantische representatie van lokale kenmerken. KD gebruikt vervolgens de soft labels van de output als supervisiesignalen, waarbij divergentieverlies tussen outputverdelingen en kruis-entropieverlies tussen voorspellingen en ware labels wordt geminimaliseerd, waardoor kennisoverdracht en modelcompressie worden bereikt. De uiteindelijke output is een lichtgewicht kalibratiemodel met hoge precisie en efficiëntie. De berekening van de GAT-aandachtscoëfficiënt wordt weergegeven in Vergelijking (12).

(12)

In Vergelijking (12) en vertegenwoordigen de kenschapsvectoren van knooppunten i en j, W de leerbare gewichtmatrix, a de aandachtsgewichtvector, de concatenatiebewerking, en LeakyReLU de activatiefunctie²⁵. KD-verliesfunctieberekening wordt weergegeven in Vergelijking (13).

(13)

In Vergelijking (13) vertegenwoordigt KL het divergentieverlies, T² de gradiëntschaalbalans, p^student de soft label-kans van het lichtgewichtmodel, en p^teacher de softlabel-kans van het complexe model²⁶. Door aandacht versterkte feature-associatie en lichtgewicht kennisoverdracht te combineren, pakt GAT-KD effectief feature semantic bias en hoge computationele complexiteit aan. Deze studie integreert GAT-KD in FBFEN om het GAT-KD-FBFEN onderwijsbeoordelingskalibratiemodel te vormen, aangeduid als GFBFEN. GAT-KD optimaliseert de tekortkomingen van FBFEN in onvolledige multi-source featurecorrelatie-vastlegging en lage inferentie-efficiëntie. Het werkingsproces van GFBFEN is weergegeven in Figuur 7.

Figuur 7: GFBFEN evaluatie- en correctiemodel-operatieproces. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals weergegeven in Figuur 7, standaardiseert GFBFEN multi-source onderwijsbeoordelingsgegevens. GAT modelleert complexe relaties tussen kenmerken en berekent dynamisch semantische associatiegewichten tussen knooppunten met behulp van aandachtsmechanismen. KD comprimeert de kennis van het complexe model tot een lichtgewicht netwerk, wat de inferentie-efficiëntie aanzienlijk verbetert terwijl precisie behouden blijft. De AM-LSTM-module kent belangrijkheidsgewichten toe aan multi-source features en legt temporele dynamische patronen van beoordelingsdata vast, waarbij tussentijdse kalibratieresultaten worden weergegeven die multi-source informatie integreren. Deze resultaten worden ingevoerd in de BFEN-module voor diepe verwerking. Specifiek extraheert BERT semantische kenmerken uit ongestructureerde tekst, optimaliseert RL dynamisch eerlijkheidsdrempels en kalibratieparameters, leert GBDT iteratief foutpatronen voor voorlopige kalibratie, en elimineert GAN vooroordelen veroorzaakt door gevoelige attributen via adversariale training. Het dynamische parameteraanpassingsmechanisme kalibreert automatisch de responsgevoeligheid en eerlijkheidsgewichten van elke module door de temporele veranderingen en groepsverplaatsingen van de lesomgeving in realtime te detecteren, waarmee het probleem van onvoldoende aanpassingsvermogen veroorzaakt door statische parameterconfiguratie wordt opgelost en wordt gegarandeerd dat het model robuustheid en eerlijkheid kan behouden in verschillende leerfasen. studentengroepen en evaluatiescenario's. Het evaluatietype beïnvloedt direct de granulariteit en feedbackcyclus van tijdreeksmodellering, terwijl formatieve evaluatie de dynamische aard van het proces benadrukt. De verschillen in disciplines bepalen de toewijzing van functies tussen BERT- en GBDT-modules. Daarom kan het toepassen van een dynamisch aanpassingsmechanisme effectief worden aangepast aan verschillende evaluatietypes en disciplinaire kenmerken. Ten slotte levert het model door meerdere rondes van parameterfeedback en iteratieve optimalisatie nauwkeurige en eerlijke calibratieresultaten voor onderwijsbeoordelingen. De dynamische rechtvaardigheidsbeperkingsoptimalisatiefunctie wordt uitgedrukt in Vergelijking (14).

(14)

In Vergelijking (14) vertegenwoordigt S de set gevoelige attributen, het voorspelde output calibratieresultaat, de variantie van voorspellingen binnen groepen, γ intergroepparameters en de totale verwachtingswaarde. De adaptieve berekening van multi-source feature fusiegewichten wordt weergegeven in Vergelijking (15).

(15)

In Vergelijking (15) vertegenwoordigt w_k het kenmerkgewicht van de k-de databron, β de gewichtsparameter, Sim de feature-similariteitsmeetfunctie, f_k de featurevector die uit de k-de databron is gehaald, f_globaal het globale featurecentrum, en K vertegenwoordigt het totale aantal databronnen. De studie stelde de gewichten vast van gevoelige eigenschappen, waaronder geslacht, etniciteit, regio, gezinsstatus en moedertaalachtergrond. De gewichten worden bepaald op basis van de resultaten van correlatieanalyse. De studie gebruikte de Pearson-correlatiecoëfficiënt en de Spearman-rangcorrelatiecoëfficiënt als dubbele indicatoren voor gezamenlijke evaluatie, gecombineerd met deskundige ervaring op het gebied van onderwijs voor gewichtskalibratie. De definitieve bepaling van de gewichten voor elk gevoelig attribuut leverde waarden op van 0,18 voor geslacht, 0,22 voor etniciteit, 0,25 voor regio, 0,19 voor gezinseconomische status en 0,16 voor moedertaalachtergrond. Geslacht: Genderidentiteit volgens wettelijke registratie en zelfidentificatie, binair (man/vrouw) met non-binaire opties; Gegevensveld "geslacht". Etniciteit: Gebaseerd op nationale etnische identificatie van 56 groepen, compatibel met niet-geïdentificeerde en grensoverschrijdende groepen; Gegevensveld "etniciteit". Regio: Administratieve indeling van huishoudregistratie of langdurige verblijf, die provinciaal, gemeentelijk en provinciaal niveau omvat, rekening houdend met stedelijk-platteland dubbele structuur en migrantenpopulatie; Gegevensveld "regio". Gezinseconomische status: Volgens nationale statistische standaarden en indicatoren voor onderwijsondersteuning, met een vijflaagse classificatie; Gegevensveld "economic_status". Moedertaalachtergrond: Primair onderwijs- en gezinscommunicatietaal tijdens het basisonderwijs, met Mandarijn, minderheidstalen, dialecten en vreemde talen, gewogen naar verwervingsleeftijd en frequentie; Gegevensveld "mother_tongue."

Het correctieproces hanteerde een dynamisch wegingsmechanisme in drie fasen. De eerste fase implementeerde identificatie van initiële afwijkingen op basis van de gewichtsmatrix van gevoelige attributen, waarbij datapunten werden gemarkeerd die significant afweken van het globale kenmerkcentrum in dimensies zoals geslacht, etniciteit en regio. De tweede fase introduceert educatieve contextbeperkingen om de afwijkingsintensiteit op een contextbewuste manier opnieuw te kwalificeren. De derde fase verifieert de correctiestabiliteit via contrafeitelijke verstoringstests, waarbij systematisch de waarden van gevoelige attributen worden vervangen terwijl niet-gevoelige kenmerken ongewijzigd blijven, en wordt geobserveerd of de verandering in evaluatiescores binnen de drempel van ±±3,2% ligt.

Resultaten

BFEN-algoritme prestatie-analyse
De indicatoren die in de experimenten werden geëvalueerd omvatten de volgende:

Nauwkeurigheid van evaluatiecorrectie (ECA) duidt het aandeel afwijkingsitems aan dat correct door het model is geïdentificeerd en gecorrigeerd binnen de resultaten van de onderwijsbeoordeling, en weerspiegelt daarmee de algehele effectiviteit van het correctiemechanisme. Hogere waarden duiden op superieure correctienauwkeurigheid...

Discussie

Het BFEN-algoritme dat in deze studie werd voorgesteld, toonde superieure prestaties in vergelijkende experimenten. Vanuit het perspectief van ECA en FDR presteerde het aanzienlijk beter dan PRF-, EAB- en DBLR-algoritmen. Bij het kalibreren van 421 beoordelingsgegevens verhoogde BFEN ECA tot 98,75% en behield stabiliteit, terwijl FDR daalde tot 2,87%. Deze prestaties waren het resultaat van de integratie van BERT-RL voor feature-optimalisatie en dynamische aanpassing. BERT extraheerde na...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Global Education Monitoring Report dataset	UNESCO	https://www.education-progress.org/	Dataset
NumPy	NumPy	https://numpy.org/	Data preprocessing
Pandas	Pandas, NumPy	https://pandas.pydata.org/	Data preprocessing
PyCharm Professional 2023.1	PyCharm	Version 2023.1	Development environment
Python 3.9	Python	Version 3.9	‌Programming language
Scikit-learn	Scikit-learn	https://scikit-learn.org/stable/index.html	Machine Learning
Seaborn	Seaborn	https://seaborn.pydata.org/	Visualization
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/	Deep Learning
Windows 11	Microsoft	Version 11	Operating System