FairEduNet Algoritmo Design e Calibração de Avaliações de Ensino Considerando a Equidade no Ensino Superior

Resumo

A pesquisa visa fornecer uma nova abordagem para o ensino, calibração de avaliações e equidade educacional na educação inteligente. Resultados experimentais indicam que o modelo proposto supera significativamente os modelos comparativos, abordando efetivamente problemas de baixa integração de dados multi-fonte e viés de justiça nos métodos de calibração existentes.

Resumo

Os métodos atuais de calibração de avaliações de ensino enfrentam desafios como baixa eficiência de integração ao processar dados heterogêneos de avaliações multi-fonte, adaptabilidade insuficiente entre diferentes disciplinas e cenários de ensino, e vieses nos resultados com garantias de justiça fracas. A pesquisa visa construir uma estrutura de correção de justiça interpretável, transferível e escalável para modelagem profunda e correção dinâmica dos dados de avaliação do ensino. Essas questões dificultam o atendimento ao requisito fundamental de ensino equilibrado na educação inteligente. Este estudo propõe um algoritmo de rede educacional orientado à justiça que integra uma rede adversarial generativa e uma árvore de decisão que aumenta o gradiente. O algoritmo constrói um mecanismo de calibração de equidade e combina um modelo bidirecional de representação de codificador com uma rede de atenção de grafos para otimizar a extração de características e a adaptabilidade dinâmica, melhorando a eficiência do processamento de dados em múltiplas fontes e a precisão da calibração da equidade. Essa abordagem alcança calibração precisa e garantia de justiça no ensino das avaliações. No teste de indicadores, o modelo alcançou uma precisão de 98,76% em agrupamento de características de avaliação, 98,05% em correção de justiça e 0,968% em consistência de correção entre cenários no conjunto de validação. Na tarefa de teste de valor de perda, a perda total do modelo diminuiu de 0,1237 para 0,1018 durante a tarefa de correção de avaliação do ensino no conjunto de validação. No teste de indicadores, o modelo alcançou uma precisão de 98,76% em agrupamento de características de avaliação, 98,05% em correção de justiça e 0,968% em consistência de correção entre cenários no conjunto de validação. Resultados experimentais indicam que o modelo proposto supera significativamente os modelos comparativos, abordando efetivamente problemas de baixa integração de dados multi-fonte e viés de justiça nos métodos de calibração existentes. Além disso, oferece estruturas algorítmicas inovadoras para desenvolvedores de tecnologia e ferramentas técnicas confiáveis para administradores educacionais promoverem a equidade no ensino. As contribuições da pesquisa estão em: (i) integração de três módulos principais, incluindo pré-processamento de dados multi-fonte, verificação dinâmica de índice de justiça e visualização de explicabilidade; e (ii) propor um paradigma de correção de justiça baseado na otimização colaborativa de redes generativas adversariais e árvores de aumento de gradiente, que rompa as limitações da correção tradicional de modelo único e possibilita a aprendizagem desacoplada da modelagem de desvios e da tomada de decisão por correção.

Introdução

A avaliação e calibração do ensino formam o núcleo para garantir a qualidade do ensino na educação inteligente. Por meio de análise dinâmica, correção de erros e calibração de resultados, eles fornecem uma base para a melhoria instrucional e o aprendizado personalizado. Sua precisão e justiça afetam diretamente se a educação inteligente pode superar vieses tecnológicos e fornecer suporte educacional^{equilibrado 1,2}. No entanto, os métodos existentes apresentam várias limitações: eles dependem de uma única fonte de dados, ignoram a situação real e levam a viés e viés de correção dos dados. A falta de um mecanismo dinâmico de adaptação à justiça dificulta o atendimento às necessidades de justiça das disciplinas e cenários ^3,4. Além disso, há questões como a falta de indicadores de justiça e viés nas estratégias de correção ao lidar com dados heterogêneos de múltiplas fontes. Para isso, os estudiosos realizaram pesquisas em múltiplas dimensões, como a avaliação do ensino assistido pelo tênis com base em um algoritmo aprimorado de trajetória^{densa 5}. Yin et al. utilizaram o processo de hierarquia analítica e um algoritmo de síntese difusa para monitorar o ensino^{online 6}. Chen analisou dados educacionais de idosos usando um algoritmo aprimorado de mineração de dados para melhorar a qualidade do^{ensino 7}.

Embora esses estudos tenham avançado, questões como viés de resultados de calibração e fraca coordenação de justiça permanecem. Portanto, construir um modelo que forneça simultaneamente calibração precisa da avaliação do ensino e garantia dinâmica de justiça tornou-se um foco de pesquisa na educação inteligente. A rede antagónica generativa (GAN) se adapta para eliminar a influência implícita de atributos sensíveis nos resultados por meio de treinamento adversarial em tempo real entre o gerador e o discriminador, garantindo que as saídas sejam determinadas por fatores centrais em vez de viés^{induzido por rótulo 8}. O GAN mostra vantagens no manejo de vieses de grupo em dados de avaliação e na modelagem de restrições de justiça não linear. Cheng et al. propuseram um algoritmo de aprimoramento de imagens baseado em GAN para lidar com imagens de baixa resolução. O gerador produzia imagens de alta resolução a partir de entradas de baixa resolução, e o discriminador distinguia as imagens geradas de imagens reais de alta resolução. O treinamento adversarial otimiza os parâmetros para que a saída do gerador se aproxime das imagens^{reais 9}. Kang et al. propuseram um modelo GAN cross-modal para melhorar a eficiência do processamento multimodal de dados nos campos de energia renovável. O gerador recebe dados monomodais, o discriminador distingue gerados de dados multimodais reais, e o treinamento adversarial otimiza o modelo para maior eficiência¹⁰. O algoritmo de árvore de decisão de aumento de gradiente (GBDT) é um algoritmo clássico para processamento de dados estruturados com forte capacidade de captura de características. Ao integrar iterativamente múltiplas árvores de decisão, o GBDT aprende com precisão padrões de erro de dados e mostra vantagens no processamento de informações de avaliação heterogêneas de múltiplas fontes e na correção de desvios de pontuação^{não lineares 11,12}. Mizuno et al propuseram um método de previsão de trajetórias baseado em GBDT para desastres de chuva intensa, aprendendo características de trajetórias e prevendo trajetórias de desastres com dados em tempo real, selecionando previsões ótimas por meio de múltiplas árvores de decisão¹³. Gao et al. desenvolveram um método de análise visual baseado em GBDT para a previsão da taxa de cliques em publicidade, aprendendo a relação entre características visuais e dados históricos de cliques para prever taxas de cliques para novos^{anúncios 14}. Com base nos desafios acima, esta pesquisa visa responder sistematicamente à seguinte questão científica central: Como um modelo inteligente de avaliação educacional pode ser construído para integrar eficientemente dados heterogêneos multi-fonte, adaptar-se dinamicamente a diferentes cenários de ensino e, simultaneamente, garantir precisão da calibração e justiça dos resultados. Para responder a essa pergunta, este estudo utiliza o efeito sinérgico do mecanismo de restrição de justiça do GAN e a capacidade precisa de calibração de erros do GBDT. Além disso, pesquisas são conduzidas sobre como introduzir tecnologias avançadas, como processamento de linguagem natural (BERT), aprendizado por reforço (RL), mecanismos de atenção (AM), redes de memória de curto prazo (LSTM), redes de atenção em grafos (GAT) e destilação de conhecimento (KD), para compensar as limitações inerentes de um único modelo em extração de características, adaptação dinâmica e eficiência de raciocínio. Em última análise, o objetivo é fornecer uma solução de calibração de avaliações de ensino que seja precisa e justa, e que possua fortes capacidades de generalização para o campo da educação inteligente.

Protocolo

Projeto e otimização do algoritmo FairEduNet
O estudo combina GAN e GBDT para construir o algoritmo FairEduNet, alcançando os objetivos duplos de correção de justiça e correção de precisão, em vez do compromisso da otimização unidirecional. O FairEduNet adota uma arquitetura colaborativa de duplo canal: o canal backbone do GBDT é responsável pela modelagem estruturada de erros e correção precisa, enquanto o canal auxiliar GAN foca em desacoplar atributos sensíveis e ajustar dinamicamente a justiça. A arquitetura do algoritmo FairEduNet, combinando GAN e GBDT, é mostrada na Figura 1.

Figura 1: Arquitetura do algoritmo FairEduNet combinando GAN e GBDT. Por favor, clique aqui para ver uma versão maior desta figura.

Como mostrado na Figura 1, o FairEduNet primeiro coleta e pré-processa dados de avaliação multifonte. O GBDT utiliza múltiplas árvores de decisão para aprender iterativamente padrões de erro de avaliação, gera resultados iniciais de calibração e os encaminha para o módulo GAN. O GAN treina o discriminador para aprender a relação entre os resultados iniciais da calibração e atributos sensíveis, enquanto o gerador ajusta dinamicamente os parâmetros de calibração. Por meio de múltiplas rodadas de treinamento adversarial e verificação de justiça, o viés de justiça é otimizado. Por fim, os resultados calibrados pela justiça são enviados de volta ao módulo GBDT, que ajusta para precisão e justiça, fornecendo a base de calibração e o relatório da avaliação do ensino. O GBDT calcula os resíduos conforme mostrado na Equação (1).

(1)

Na Equação (1), representa o resíduo da i-ésima amostra na t-ésima iteração, y_i representa o valor verdadeiro, e representa o valor de predição da t-1-ésima iteração. O processo adversarial da GAN é mostrado na Equação (2).

(2)

Na Equação (2), x representa o resultado inicial da calibração, z representa características de atributos sensíveis, P_data(x)  representa a verdadeira distribuição de características não sensíveis, P_z(z) representa a distribuição de atributos sensíveis, D representa o discriminador e G representa o^{gerador 15}. A saída inicial de calibração do GBDT é mostrada na Equação (3).

(3)

Na Equação (3), representa a previsão da i-ésima amostra pela árvore de decisão inicial, K representa o número total de árvores de decisão, _{γ k} representa o peso da k-ésima árvore, e h_k(x_i) representa a saída de previsão da k-ésima árvore para a i -A amostra. O algoritmo FairEduNet pode fornecer calibração precisa e garantia de justiça para o ensino dos dados de avaliação. No entanto, ao processar dados de avaliação não estruturados e se adaptar a cenários dinâmicos, o FairEduNet apresenta fraca capacidade de extração de características para características não estruturadas, resultando em viés de calibração. Além disso, os indicadores de justiça e parâmetros de calibração do FairEduNet são definidos estaticamente, limitando sua adaptabilidade a diferentes cenários de ensino e afetando a qualidade geral da calibração. A combinação de representações bidirecionais dos codificadores de transformadores (BERT) e aprendizado por reforço (RL), o algoritmo BERT-RL, pode extrair com precisão características profundas de texto não estruturado e adaptar dinamicamente parâmetros de cenários sem definir manualmente limiares estáticos, melhorando ainda mais a confiabilidade das saídas dos algoritmos nos^{cenários 16,17}. Métodos tradicionais como TF-IDF dependem da frequência das palavras, mas carecem de compreensão contextual profunda e não conseguem distinguir direções específicas de "justiça" em diferentes cenários. Word2Vec produz vetores de palavras estáticos, que têm dificuldade em se adaptar a mudanças contextuais complexas e reconhecem viés indiretos. O BERT utiliza autoatenção multi-camada para codificar contexto bidirecional, capturando tanto termos explícitos enviesados quanto lógica implícita enviesada. Abordagens tradicionais exigem listas de palavras de viés construídas manualmente, dependem da experiência subjetiva e abrangem cenários limitados. Por meio de aprendizado de transferência de modelos pré-treinado, o BERT aprende automaticamente características semânticas profundas sem esforço manual extenso, oferecendo uma generalização mais forte no reconhecimento de viés ambíguo. Além disso, métodos tradicionais frequentemente perdem informações com textos longos, enquanto o BERT suporta até 512 tokens, preservando relações contextuais, localizando com precisão características de viés e permitindo correções de justiça detalhadas. O processo operacional do BERT-RL é mostrado na Figura 2.

Figura 2: Fluxograma de operações do algoritmo BERT-RL. Por favor, clique aqui para ver uma versão maior desta figura.

Como mostrado na Figura 2, o BERT-RL primeiro padroniza dados de avaliação de texto não estruturado e os insere no modelo BERT. O BERT utiliza um codificador Transformer para modelagem semântica bidirecional para extrair características-chave e construir uma matriz de características. A matriz de características é então inserida no módulo RL, que aprende a estratégia ótima por meio de múltiplas iterações. A configuração otimizada dos parâmetros é finalmente inserida no FairEduNet, melhorando sua adaptabilidade. O cálculo do peso das características de autoatenção do BERT é mostrado na Equação (4).

(4)

Na Equação (4), d_k representa a dimensão do vetor K. A função de recompensa multiobjetivo RL é expressa na Equação (5).

(5)

Na Equação (5), ω₁, ω₂ e ω₃ representam coeficientes de peso, correspondem erro de calibração, D_t é desvio de justiça, _{D alvo} é desvio de fairness target e T_t é tempo^{de execução 18}. Este estudo combina BERT-RL com FairEduNet para formar o algoritmo BERT-RL-FairEduNet, chamado de BFEN. O BFEN alcança calibração precisa e garantia de justiça no ensino dos dados de avaliação por meio da iteração de características do GBDT e treinamento adversarial em tempo real GAN, enquanto o BERT-RL otimiza o FairEduNet no manejo de dados não estruturados e na adaptação dinâmica a cenários, corrigindo fraquezas na extração de características e limitações estáticas de parâmetros. O estudo utilizou o modelo BERT-base-chinês e pré-treinou o corpus de registros reais de ensino, textos gravados em sala de aula e documentos de políticas educacionais da National Smart Education Platform para o ano letivo de 2024 a 2025, com um vocabulário de 21128. A dimensão da camada oculta do modelo é 768, com 12 cabeças de atenção e 12 camadas. A profundidade da árvore GBDT foi definida para 8, o número de árvores era 200 e a taxa de aprendizado era 0,1. O ciclo de treinamento do GAN é de 150 rodadas, e o discriminador utiliza uma rede totalmente conectada de 3 camadas com tamanhos de 512, 256 e 1. O gerador utiliza uma rede totalmente conectada de 4 camadas com tamanhos 1024, 512, 256 e 1. O número de unidades ocultas no LSTM é 128, e o comprimento da sequência é 512. O GAT tem 2 camadas e 4 cabeças de atenção. A temperatura para destilação do conhecimento é definida para 3,0. Coeficientes de peso de recompensa RL ω₁ = 0,4, ω₂ = 0,35 e ω₃ = 0,25. Os critérios de seleção de pesos são para equilibrar o equilíbrio frontal de Pareto da otimização multiobjetivo com os requisitos de interpretabilidade das práticas de equidade educacional. Os experimentos foram concluídos usando uma divisão de 50% dos dados por meio de validação cruzada e ajuste de hiperparâmetros. O processo BFEN para calibração de avaliações de ensino é mostrado na Figura 3.

Figura 3: Processo de correção do algoritmo BFEN para educação inteligente e avaliação do ensino. Por favor, clique aqui para ver uma versão ampliada desta figura.

Como mostrado na Figura 3, o BFEN primeiro pré-processa dados de avaliação de ensino multi-fonte. O BERT otimiza a capacidade de extração de características do FairEduNet calculando similaridade semântica do texto e pesos profundos de características com base em uma janela semântica, selecionando características importantes para construir uma matriz semântica de alta dimensão. O RL então define uma função de recompensa multi-objetivo e calcula gradientes de adaptabilidade ao cenário e ajuste de parâmetros para otimizar ainda mais os limiares de justiça e parâmetros de calibração. O FairEduNet calcula desvios entre dados de avaliação e modelos de padrão de erro, atualiza iterativamente os pesos da árvore de decisão e ajusta estratégias de calibração até que os erros se estabilizem dentro de limites pré-definidos. O resultado final inclui o modelo de calibração de erros e o relatório de verificação de equidade. O modelo de calibração é aplicado aos dados de avaliação do ensino, gerando tabelas comparativas pré e pós-calibração, que são combinadas com a biblioteca de padrões de justiça educacional inteligente para determinar parâmetros de calibração alvo, fornecendo uma base científica para a calibração de avaliação do ensino na educação inteligente. Esta biblioteca padrão abrange três dimensões: equidade em oportunidades educacionais, equidade de processos e equidade de resultados, e inclui 12 indicadores principais. Esses indicadores incluem o equilíbrio da alocação de recursos educacionais entre regiões, a diferença na cobertura de infraestrutura digital entre escolas urbanas e rurais, o limiar de tolerância para resposta tardia ao diagnóstico de situações de aprendizagem (≤200 ms), a tolerância à ausência de dados na avaliação multimodal (≤3,5%), a sensibilidade à detecção de viés do algoritmo (desvio AUC para rotulagem gênero/região/estágio ≤ 0,02), o limiar de divergência do KL para distribuição de pontuação antes e depois da correção (≤0,08), a pontuação de interpretabilidade das sugestões de intervenção do professor (≥4,2/5,0), a pontualidade das atualizações do perfil dos alunos (concluídas em T + 1 dias), o coeficiente de consistência do reconhecimento de créditos multiplataforma (≥0,93), a precisão do alinhamento semântico da política educacional (pontuação BERT ≥ 0,86) e a completude da geração de relatórios de verificação de justiça (incluindo atribuição de viés, intervalos de confiança e snapshots de parâmetros reproduzíveis), além da taxa dinâmica de validação de adaptação de cenários que cobre três cenários típicos: sala de aula ao vivo, tarefas assíncronas e assistentes de ensino de IA. O cálculo de similaridade semântica de características é mostrado na Equação (6).

(6)

Na Equação (6), f_i representa o valor da i-ésima dimensão semântica das características, g_i representa o valor da i-ésima dimensão importante das características de avaliação, e n representa o número total de dimensões das características. O cálculo do parâmetro de adaptação do cenário RL é mostrado na Equação (7).

(7)

Na Equação (7), θ_t representa o valor do parâmetro na t-ésima iteração, α representa a taxa de aprendizado e representa o gradiente de parâmetros baseado na função de recompensa R(θ_t).

Construção do modelo de calibração de avaliação do ensino
Embora o BFEN demonstre certas vantagens no ensino da calibração de avaliações, ele ainda enfrenta baixa eficiência de integração para dados heterogêneos de avaliação multi-fonte e adaptação dinâmica insuficiente da justiça em aplicações práticas. O algoritmo AM-LSTM, que combina Mecanismo de Atenção (AM) e Memória de Curto Prazo Longo (LSTM), atribui pesos às principais características dos dados de avaliação multifonte por meio do AM e captura os padrões dinâmicos de mudança dos dados de avaliação ao longo do tempo usando a capacidade de memória sequencial do LSTM. Essa abordagem melhora efetivamente a eficiência da integração de dados multi-fonte e o aprendizado dinâmico de recursos^19,20. O processo operacional do AM-LSTM é mostrado na Figura 4.

Figura 4: Fluxograma de operação AM-LSTM. Por favor, clique aqui para ver uma versão ampliada desta figura.

Como mostrado na Figura 4, o AM-LSTM primeiro pré-processa dados de avaliação de ensino heterogêneos multi-fonte para formar um conjunto de dados padronizado. O AM calcula pesos de atenção para características de diferentes fontes de dados para selecionar características importantes e constrói uma matriz de características ponderada. A matriz de características ponderada é então inserida no LSTM, que utiliza seu mecanismo de controle para aprender padrões dinâmicos ao longo do tempo, capturando relações entre dados de avaliação em diferentes estágios e emitindo vetores dinâmicos de características. Por fim, esses vetores de características dinâmicas são combinados com restrições de justiça para gerar resultados intermediários de calibração que se adaptam à integração de dados multi-fonte e a cenários dinâmicos, fornecendo uma base para otimizações subsequentes do modelo. O cálculo do peso de atenção é mostrado na Equação (8).

(8)

Na Equação (8), _{a n} representa a alocação de atenção para a n-ésima característica, x_n representa a similaridade, q representa o vetor de consulta e softmax representa a função de ativação. O portão de esquecimento do LSTM é expresso na Equação (9).

(9)

Na Equação (9), W_f é o peso da porta de esquecimento, b_f é o viés da porta de esquecimento, x_t é a entrada no tempo t, h_t-1 é a variável de estado externa no tempo t-1, e σ representa a função^{sigmoide 21}. Este estudo combina AM-LSTM com BFEN para construir o modelo de calibração de avaliação de ensino AM-LSTM-BFEN, conhecido como FBFEN. Neste modelo, o AM-LSTM aborda as limitações do BFEN na eficiência de integração heterogênea de dados multi-fonte e extração dinâmica de características. Também integra restrições de justiça para otimizar os resultados de calibração intermediária, permitindo que o BFEN alcance ainda mais calibração precisa e garantia dinâmica de justiça para o ensino dos dados de avaliação. O processo operacional do FBFEN é mostrado na Figura 5.

Figura 5: Processo operacional do modelo de avaliação e correção do ensino FBFEN. Por favor, clique aqui para ver uma versão maior desta figura.

Como mostrado na Figura 5, o FBFEN primeiro pré-processa os dados originais de avaliação de ensino multifontes e insere o conjunto de dados padronizado no módulo AM-LSTM. O AM calcula os pesos de atenção das características, enquanto o LSTM aprende padrões dinâmicos, produzindo resultados intermediários de calibração que integram informações multifontes e características dinâmicas. Os resultados intermediários são então inseridos no módulo BFEN. O GBDT aprende iterativamente os padrões de erro dos dados de avaliação com base nos resultados intermediários e no modelo de erro pré-definido, gerando resultados preliminares de calibração. Enquanto isso, o GAN analisa o viés de justiça causado por atributos sensíveis nos resultados preliminares por meio de treinamento adversarial entre o gerador e o discriminador, ajustando dinamicamente os parâmetros de calibração para eliminar o viés. Por fim, os parâmetros de calibração otimizados para GAN são reenviados ao GBDT para atualizar os pesos da árvore de decisão e as estratégias de calibração, produzindo um resultado secundário de calibração que equilibra precisão e justiça. A padronização dos dados é expressa na Equação (10).

(10)

Na Equação (10), z' representa o valor padronizado, z representa o valor original, e z_min e z_max representam os valores mínimo e máximo. A função objetivo final do gerador GAN é expressa na Equação (11).

(11)

Na Equação (11), N representa o número de iterações, λ representa o fator de peso de perda, ωⁱ representa o fator de peso da i-ésima iteração, representa a função de perda adversarial e representa a perda binária de entropia^{cruzada 22}.

Otimização do modelo de calibração de avaliação de ensino FBFEN
Embora o FBFEN demonstre forte integração de dados multi-fonte e garantia dinâmica de justiça na calibração de avaliações do ensino, ele ainda enfrenta correlação fraca de características e baixa eficiência de treinamento e inferência devido à estrutura complexa do modelo em cenários educacionais complexos. O algoritmo GAT-KD, que combina Rede de Atenção em Grafos (GAT) e Destilação de Conhecimento (KD), constrói dinamicamente um grafo de associação semântica entre características por meio do mecanismo de atenção do GAT, aprimorando o alinhamento semântico de dados multifonte. O KD comprime o conhecimento do modelo complexo em uma rede leve, melhorando significativamente a eficiência da inferência enquanto mantém o desempenho do^{modelo 23,24}. O processo operacional do GAT-KD é mostrado na Figura 6.

Figura 6: Fluxograma de operações GAT-KD. Por favor, clique aqui para ver uma versão maior desta figura.

Como mostrado na Figura 6, o GAT-KD constrói um grafo semântico de associação entre características por meio do módulo GAT, agrega dinamicamente informações de características de vizinhança usando o mecanismo de atenção e aprimora a representação semântica das características locais. O KD então utiliza os soft labels de saída como sinais de supervisão, minimizando a perda de divergência entre distribuições de saída e a perda de entropia cruzada entre suas previsões e os true labels, alcançando transferência de conhecimento e compressão do modelo. A saída final é um modelo de calibração leve, com alta precisão e eficiência. O cálculo do coeficiente de atenção da GAT é mostrado na Equação (12).

(12)

Na Equação (12), e representam os vetores de características dos nós i e j, W representa a matriz de pesos aprendível, a representa o vetor de pesos de atenção, representa a operação de concatenação, e LeakyReLU representa a função de^{ativação 25}. O cálculo da função de perda KD é mostrado na Equação (13).

(13)

Na Equação (13), KL representa a perda de divergência, T² representa o balanço de escala do gradiente, p^student representa a probabilidade soft label do modelo leve, e p^teacher representa a probabilidade soft label do modelo^{complexo 26}. Ao combinar associação de características aprimorada pela atenção e transferência leve de conhecimento, o GAT-KD aborda efetivamente o viés semântico de características e a alta complexidade computacional. Este estudo integra o GAT-KD ao FBFEN para formar o modelo de calibração de avaliação de ensino GAT-KD-FBFEN, conhecido como GFBFEN. O GAT-KD otimiza as limitações do FBFEN em captura incompleta de correlação de características multi-fonte e baixa eficiência de inferência. O processo operacional do GFBFEN é mostrado na Figura 7.

Figura 7: Processo de avaliação e correção do modelo de avaliação e correção do GFBFEN. Por favor, clique aqui para ver uma versão maior desta figura.

Como mostrado na Figura 7, o GFBFEN padroniza dados de avaliação de ensino multifonte. O GAT modela relações complexas entre características e calcula dinamicamente pesos de associação semântica entre nós usando mecanismos de atenção. O KD comprime o conhecimento do modelo complexo em uma rede leve, melhorando significativamente a eficiência da inferência enquanto mantém a precisão. O módulo AM-LSTM atribui pesos de importância a características multi-fonte e captura padrões dinâmicos temporais dos dados de avaliação, gerando resultados intermediários de calibração que integram informações multifonte. Esses resultados são inseridos no módulo BFEN para processamento profundo. Especificamente, o BERT extrai características semânticas de texto não estruturado, o RL otimiza dinamicamente limiares de justiça e parâmetros de calibração, o GBDT aprende iterativamente padrões de erro para calibração preliminar, e o GAN elimina vieses causados por atributos sensíveis por meio de treinamento adversarial. O mecanismo dinâmico de ajuste de parâmetros calibra automaticamente os pesos de sensibilidade e justiça de resposta de cada módulo, detectando as mudanças temporais e os deslocamentos de distribuição de grupos da cena de ensino em tempo real, resolvendo assim o problema da adaptabilidade insuficiente causada pela configuração estática dos parâmetros e garantindo que o modelo possa manter robustez e justiça em diferentes estágios de ensino, grupos de estudantes e cenários de avaliação. O tipo de avaliação afeta diretamente a granularidade e o ciclo de retroalimentação da modelagem de séries temporais, enquanto a avaliação formativa enfatiza a natureza dinâmica do processo. As diferenças entre as disciplinas determinam a alocação de características entre os módulos BERT e GBDT. Portanto, adotar um mecanismo de ajuste dinâmico pode se adaptar efetivamente a diferentes tipos de avaliação e características disciplinares. Por fim, por meio de múltiplas rodadas de feedback de parâmetros e otimização iterativa, o modelo produz resultados precisos e justos de calibração de avaliações de ensino. A função de otimização de restrições de justiça dinâmica é expressa na Equação (14).

(14)

Na Equação (14), S representa o conjunto de atributos sensíveis, representa o resultado previsto da calibração de saída, representa a variância das previsões dentro dos grupos, γ representa parâmetros intergrupos e representa o valor esperado global. O cálculo adaptativo dos pesos de fusão de características multi-fonte é mostrado na Equação (15).

(15)

Na Equação (15), w_k representa o peso das características da k-ésima fonte de dados, β representa o parâmetro de peso, Sim representa a função de medição de similaridade de características, f_k representa o vetor de características extraído da k-ésima fonte de dados, f_global representa o centro global de características, e K  representa o número total de fontes de dados. O estudo definiu os pesos dos atributos sensíveis, incluindo gênero, etnia, região, situação econômica familiar e origem na língua materna. Os pesos são determinados com base nos resultados da análise de correlação. O estudo utilizou o coeficiente de correlação de Pearson e o coeficiente de correlação de rank Spearman como indicadores duplos para avaliação conjunta, combinados com experiência especializada na área de educação para calibração de peso. A determinação final dos pesos para cada atributo sensível resultou em valores de 0,18 para gênero, 0,22 para etnia, 0,25 para região, 0,19 para status econômico familiar e 0,16 para origem na língua materna. Gênero: Identidade de gênero por registro legal e autoidentificação, binário (masculino/feminino) com opções não binárias; Campo de dados "gênero". Etnia: Com base na identificação étnica nacional de 56 grupos, compatível com grupos não identificados e transfronteiriços; Campo de dados "etnia". Região: Divisão administrativa do registro domiciliar ou residência de longo prazo, abrangendo níveis provincial, municipal e de condado, considerando a estrutura dual urbano-rural e a população migrante; Campo de dados "região". Situação econômica familiar: De acordo com padrões estatísticos nacionais e indicadores de assistência educacional, utilizando uma classificação de cinco níveis; Campo de dados "economic_status". Antecedentes na língua materna: Ensino primário e língua de comunicação familiar durante a educação básica, abrangendo mandarim, línguas minoritárias, dialetos e línguas estrangeiras, ponderados pela idade e frequência de aquisição; Campo de dados "mother_tongue."

O processo de correção adotou um mecanismo de ponderação dinâmica em três estágios. A primeira etapa implementou a identificação inicial de desvio baseada na matriz de pesos dos atributos sensíveis, marcando pontos de dados que se desviaram significativamente do centro global de características em dimensões como gênero, etnia e região. A segunda etapa introduz restrições de contexto educacional para requalificar a intensidade do desvio de forma consciente do contexto. A terceira etapa verifica a estabilidade da correção por meio de testes de perturbação contrafactual, substituindo sistematicamente os valores dos atributos sensíveis enquanto mantém as características não sensíveis inalteradas, e observando se a mudança nas pontuações de avaliação está dentro do limiar de ±±3,2%.

Resultados

Análise de desempenho do algoritmo BFEN
Os indicadores avaliados nos experimentos incluíram os seguintes:

A precisão da correção da avaliação (ECA) denota a proporção de itens de desvio corretamente identificados e corrigidos pelo modelo nos resultados da avaliação de ensino, refletindo assim a eficácia geral do mecanismo de correção. Valores mais altos indicam precisão superior na correção.

A taxa de desvio de j...

Discussão

O algoritmo BFEN proposto neste estudo demonstrou desempenho superior em experimentos comparativos. Do ponto de vista da ECA e FDR, superou significativamente os algoritmos PRF, EAB e DBLR. Ao calibrar os registros de avaliação de 421, o BFEN aumentou o ECA para 98,75% e manteve a estabilidade, enquanto o FDR diminuiu para 2,87%. Esse desempenho resultou da integração do BERT-RL para otimização de recursos e adaptação dinâmica. O BERT extraiu com precisão informações profundas de viés se...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Global Education Monitoring Report dataset	UNESCO	https://www.education-progress.org/	Dataset
NumPy	NumPy	https://numpy.org/	Pré-processamento de dados
Pandas	Pandas, NumPy	https://pandas.pydata.org/	Pré-processamento de dados
PyCharm Professional 2023.1	PyCharm	Versão 2023.1	Ambiente de desenvolvimento
Python 3.9	Python	Versão 3.9	‌Linguagem de programação
Scikit-learn	Scikit-learn	https://scikit-learn.org/stable/index.html	Aprendizado de máquina
Seaborn	Seaborn	https://seaborn.pydata.org/	Visualização
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/	Aprendizado profundo
Windows 11	Microsoft	Versão 11	Sistema operacional