FairEduNet Algoritma Tasarımı ve Öğretim Değerlendirme Kalibrasyonu Yükseköğretimde Eşitliği Dikkate Alıyor

Özet

Araştırma, akıllı eğitimde öğretim, değerlendirme kalibrasyonu ve eğitimsel eşitlik için yeni bir yaklaşım sunmayı amaçlamaktadır. Deneysel sonuçlar, önerilen modelin karşılaştırmalı modelleri önemli ölçüde geride bıraktığını ve mevcut kalibrasyon yöntemlerinde kötü çok kaynaklı veri entegrasyonu ve adalet yanlılığı sorunlarını etkili bir şekilde ele aldığını göstermektedir.

Özet

Mevcut öğretim değerlendirme kalibrasyon yöntemleri, çoklu kaynaklı heterojen değerlendirme verilerini işlerken düşük entegrasyon verimliliği, farklı disiplinler ve öğretim senaryoları arasında yetersiz uyum sağlama ve sonuçlarda zayıf adalet garantileriyle önyargılar gibi zorluklarla karşı karşıyadır. Araştırma, öğretim değerlendirme verilerinin derin modellenmesi ve dinamik düzeltmesi için yorumlanabilir, aktarılabilir ve ölçeklenebilir bir adalet düzeltme çerçevesi oluşturmayı amaçlamaktadır. Bu sorunlar, akıllı eğitimde dengeli öğretimin temel gerekliliğini karşılamayı zorlaştırır. Bu çalışma, üretken bir düşman ağı ile gradyan artırıcı karar ağacını entegre eden adalet odaklı bir eğitim ağı algoritması önermektedir. Algoritma, bir adalet kalibrasyon mekanizması oluşturur ve çift yönlü kodlayıcı temsil modelini grafik dikkat ağı ile birleştirerek özellik çıkarımı ve dinamik uyum sağlar, çok kaynaklı veri işleme verimliliğini ve adalet kalibrasyon doğruluğunu artırır. Bu yaklaşım, öğretim değerlendirmelerinde hassas kalibrasyon ve adalet güvencesi sağlar. İndikator testinde, model doğrulama setinde kümeleme değerlendirme özelliklerinde %98,76, adalet düzeltmesinde %98,05 ve çapraz senaryo düzeltme tutarlılığında %0,968 doğruluk elde etti. Kayıp değeri testi görevinde, doğrulama setindeki öğretim değerlendirme düzeltme görevi sırasında modelin toplam kaybı 0.1237'den 0.1018'e düştü. İndikator testinde, model doğrulama setinde kümeleme değerlendirme özelliklerinde %98,76, adalet düzeltmesinde %98,05 ve çapraz senaryo düzeltme tutarlılığında %0,968 doğruluk elde etti. Deneysel sonuçlar, önerilen modelin karşılaştırmalı modelleri önemli ölçüde geride bıraktığını ve mevcut kalibrasyon yöntemlerinde kötü çok kaynaklı veri entegrasyonu ve adalet yanlılığı sorunlarını etkili bir şekilde ele aldığını göstermektedir. Ayrıca, teknoloji geliştiricileri için yenilikçi algoritmik çerçeveler ve eğitim yöneticileri için öğretim eşitliğini teşvik etmek amacıyla güvenilir teknik araçlar sağlar. Araştırma katkıları şunlardan oluşmaktadır: (i) çoklu kaynaklı veri ön işleme, dinamik adalet indeks doğrulaması ve açıklanabilirlik görselleştirmesi dahil olmak üzere üç temel modülün entegrasyonu; ve (ii) üretken karşıt ağların ve gradyan artırıcı ağaçların işbirlikçi optimizasyonuna dayalı bir adalet düzeltme paradigması önermek; bu paradigma, geleneksel tek model düzeltmenin sınırlamalarını aşarak sapma modellemesi ve düzeltme karar verme süreçlerinin ayrılmış öğrenilmesini mümkün kılar.

Giriş

Öğretim değerlendirmesi ve kalibrasyonu, akıllı eğitimde öğretim kalitesinin sağlanmasının temelini oluşturur. Dinamik analiz, hata düzeltme ve sonuç kalibrasyonu sayesinde, öğretim iyileştirmesi ve kişiselleştirilmiş öğrenme için bir temel sağlarlar. Doğruluk ve adalet, akıllı eğitimin teknolojik önyargıları aşıp dengeli eğitim desteği sağlayıp sağlayamayacağını doğrudan^{etkiler 1,2}. Ancak mevcut yöntemlerin birkaç eksikliği vardır: tek bir veri kaynağına dayanır, gerçek durumu görmezden gelir ve veri yanlılığı ile düzeltme yanlılığına yol açar. Dinamik bir adalet uyum mekanizmasının olmaması, disiplinlerin ve senaryoların adalet ihtiyaçlarını karşılamayı^{zorlaştırır 3,4}. Ayrıca, birden fazla kaynaktan gelen heterojen verilerle ilgilenirken adalet göstergelerinin eksikliği ve düzeltme stratejilerinde önyargı gibi sorunlar da vardır. Bu amaçla, akademisyenler tenis destekli öğretimin geliştirilmiş yoğun bir yörünge algoritmasına dayalı değerlendirmesi gibi birçok boyuttan^{araştırmalar yürütmüştürler 5}. Yin ve ark., analitik hiyerarşi sürecini ve bulanık bir sentez algoritmasını kullanarak çevrimiçi öğretimi^{izlemiştir 6}. Chen, öğretim kalitesini artırmak için geliştirilmiş veri madenciliği algoritması kullanarak yaşlı yetişkinler için eğitim verilerini^{analiz etti 7}.

Bu çalışmalar ilerleme kaydetmiş olsa da, kalibrasyon sonucu yanlılığı ve kötü adalet koordinasyonu gibi sorunlar hâlâ devam etmektedir. Bu nedenle, aynı anda doğru öğretim değerlendirme kalibrasyonu ve dinamik adalet güvencesi sağlayan bir model oluşturmak, akıllı eğitimde bir araştırma odak noktası haline gelmiştir. Üretken karşıt ağ (GAN), üretici ile ayırıcı arasında gerçek zamanlı düşmanca eğitim yoluyla hassas özelliklerin sonuçlar üzerindeki örtük etkisini ortadan kaldırmak için uyarlanır; böylece çıktılar etikete dayalı önyargı yerine temel faktörlere göre^{belirlenir 8}. GAN, değerlendirme verilerindeki grup önyargılarını yönetmede ve doğrusal olmayan adalet kısıtlamalarını modellemede avantajlar gösterir. Cheng ve ark. düşük çözünürlüklü görüntüleri ele almak için GAN tabanlı bir görüntü geliştirme algoritması önermiştir. Jeneratör, düşük çözünürlüklü girdilerden yüksek çözünürlüklü görüntüler üretirken, ayrımcılayıcı üretilen görüntüleri gerçek yüksek çözünürlüklü görüntülerden ayırt ediyordu. Düşman eğitimi, parametreleri optimize eder ve böylece jeneratör çıktısı gerçek^{görüntülere yaklaşır 9}. Kang ve ark. yenilenebilir enerji alanlarında çoklu modal veri işleme verimliliğini artırmak için çapraz modal bir GAN modeli önerdi. Üretici tek modal veri alır, ayrımcılayıcı gerçek multimodal veriden üretilen verileri ayırt eder ve düşman eğitimi modeli daha iyi verimlilik^{için optimize eder 10}. Gradyan artırma karar ağacı (GBDT) algoritması, güçlü özellik yakalama yeteneğine sahip yapılandırılmış veri işleme için klasik bir algoritmadır. Birden fazla karar ağacını yinelemeli olarak entegre ederek, GBDT veri hata kalıplarını hassas bir şekilde öğrenir ve çok kaynaklı heterojen değerlendirme bilgisini işlemede ve doğrusal olmayan skor sapmalarını düzeltmede^{avantajlar gösterir 11,12}. Mizuno ve arkadaşları, yoğun yağış afetleri için GBDT tabanlı bir yol tahmin yöntemi önerdi; yol özelliklerini öğrenerek ve felaket yollarını gerçek zamanlı verilerle tahmin etmek, birden fazla karar ağacı aracılığıyla optimal tahminleri^{seçmek 13}. Gao ve ark., reklam tıklama oranı tahmini için GBDT tabanlı görsel analiz yöntemi geliştirmiştir; görsel özellikler ile geçmiş tıklama verileri arasındaki ilişkiyi öğrenerek yeni reklamlar için tıklama oranlarını tahmin^{etmektedir 14}. Yukarıdaki zorluklara dayanarak, bu araştırma aşağıdaki temel bilimsel soruyu sistematik olarak yanıtlamayı amaçlıyor: Akıllı bir eğitim değerlendirme modeli, çoklu kaynaklı heterojen verileri verimli bir şekilde entegre edecek, farklı öğretim senaryolarına dinamik olarak uyum sağlayacak ve aynı anda kalibrasyon doğruluğunu ve sonuç adaletini sağlayacak şekilde nasıl oluşturulabilir? Bu soruyu yanıtlamak için, bu çalışma GAN'ın adalet kısıtlama mekanizmasının sinerjik etkisini ve GBDT'nin hassas hata kalibrasyon yeteneğini kullanmaktadır. Ayrıca, doğal dil işleme (BERT), pekiştirme öğrenme (RL), dikkat mekanizmaları (), uzun kısa süreli bellek ağları (LSTM), grafik dikkat ağları (GAT) ve bilgi damıtılması (KD) gibi gelişmiş teknolojilerin nasıl tanıtılabileceği üzerine araştırmalar yapılmaktadır; böylece tek bir modelin özellik çıkarımı, dinamik uyum ve akıl yürütme verimliliği gibi doğal sınırlamalarını telafi etmek için bu konuda araştırmalar yapılmaktadır. Sonuç olarak, amaç, hem hassas hem de adil ve akıllı eğitim alanında güçlü genelleme yeteneklerine sahip bir öğretim değerlendirme kalibrasyon çözümü sağlamaktır.

Protokol

FairEduNet algoritma tasarımı ve optimizasyonu
Çalışma, GAN ve GBDT'yi birleştirerek FairEduNet algoritmasını oluşturuyor ve tek yönlü optimizasyonun takas vermesi yerine adalet düzeltmesi ve doğruluk düzeltmesi gibi çift hedefe ulaşıyor. FairEduNet, çift kanallı işbirlikçi mimariyi benimser: GBDT omurga kanalı yapılandırılmış hata modellemesi ve hassas düzeltmeden sorumludurken, GAN yardımcı kanalı hassas özellikleri ayırmaya ve adaleti dinamik olarak ayarlamaya odaklanır. GAN ve GBDT'yi birleştiren FairEduNet algoritma mimarisi, Şekil 1'de gösterilmiştir.

Şekil 1: GAN ve GBDT'yi birleştiren FairEduNet algoritma mimarisi. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 1'de gösterildiği gibi, FairEduNet önce çok kaynaklı değerlendirme verilerini toplar ve ön işler yapar. GBDT, değerlendirme hata desenlerini yinelemeli olarak öğrenmek için birden fazla karar ağacı kullanır, ilk kalibrasyon sonuçlarını çıkarır ve bunları GAN modülüne iletir. GAN, ayrımcıyı ilk kalibrasyon sonuçları ile hassas özellikler arasındaki ilişkiyi öğrenmesi için eğitir, üretici ise kalibrasyon parametrelerini dinamik olarak ayarlar. Birden fazla rakibi eğitim turu ve adalet doğrulaması sayesinde, adalet önyargısı optimize edilir. Son olarak, adalet kalibrasyonu yapılan sonuçlar GBDT modülüne geri aktarılır; modül doğruluk ve adalet için ayarlar yapar ve öğretim değerlendirme kalibrasyon temeli ile rapor çıkarır. GBDT, Denklem (1)'de gösterildiği gibi kalıntıları hesaplar.

(1)

Denklem (1)'de, t-yinelemedeki i-inci örneklemin kalıntısını, y_i gerçek değeri ve t-1'in önerme değerini temsil eder. GAN karşıt süreci Denklem (2)'de gösterilmiştir.

(2)

Denklem (2)'de, x ilk kalibrasyon sonucunu, z hassas özellik özelliklerini, P_verisi(x)  hassas olmayan özelliklerin gerçek dağılımını, P_z(z) hassas özelliklerin dağılımını, D ayrımcıyı ve G üreteç^15'i temsil eder. GBDT'nin ilk kalibrasyon çıktısı Denklem (3)'de gösterilmiştir.

(3)

Denklem (3)'de, i-ci örneklemin ilk karar ağacı tarafından tahmin edilmesini, K toplam karar ağacı sayısını, γ_k k-th ağacının ağırlığını ve h_k(x_i) i için k-th ağacının tahmin çıktısını temsil eder-Örnek. FairEduNet algoritması, öğretim değerlendirme verileri için hassas kalibrasyon ve adalet güvencesi sağlayabilir. Ancak, yapılandırılmamış değerlendirme verilerini işlerken ve dinamik senaryolara uyum sağlarken, FairEduNet yapılandırılmamış özellikler için zayıf özellik çıkarma yeteneği sergilemekte bu da kalibrasyon yanlılığına yol açmaktadır. Ayrıca, FairEduNet'in adalet göstergeleri ve kalibrasyon parametreleri statik olarak ayarlanmıştır; bu da farklı öğretim senaryolarına uyum sağlamasını sınırlar ve genel kalibrasyon kalitesini etkiler. Transformatörlerden (BERT) alınan çiftyönlü kodlayıcı temsilleri ile pekiştirme öğrenme (RL) kombinasyonu, BERT-RL algoritması, yapılandırılmamış metinden derin özellikleri doğru şekilde çıkarabilir ve statik eşikleri manuel olarak belirlemeden senaryo parametrelerini dinamik olarak uyarlayabilir; böylece algoritma çıktılarının senaryolar arasında güvenilirliğini daha da artırır^16,17. TF-IDF gibi geleneksel yöntemler kelime sıklığına dayanır ancak derin bağlamsal anlayışa sahip değildir ve farklı senaryolarda "adalet" yönlerini ayırt edemezler. Word2Vec, karmaşık bağlamsal değişikliklere uyum sağlamakta ve dolaylı önyargıyı tanımakta zorlanan statik kelime vektörleri üretir. BERT, çift yönlü bağlamı kodlamak için çok katmanlı öz-dikkat kullanır; hem açık önyargılı terimleri hem de örtük önyargılı mantığı yakalar. Geleneksel yaklaşımlar elle oluşturulmuş önyargılı kelime listeleri gerektirir, öznel deneyime dayanır ve sınırlı senaryoları kapsar. Önceden eğitilmiş model transfer öğrenimi sayesinde, BERT derin anlamsal özellikleri kapsamlı manuel çaba gerektirmeden otomatik olarak öğrenir ve belirsiz önyargıyı tanımada daha güçlü genelleme sunar. Ayrıca, geleneksel yöntemler uzun metinlerle genellikle bilgi kaybederken, BERT 512 token'a kadar destekler; bağlamsal ilişkileri korur, önyargı özelliklerini doğru konumlandırır ve ince taneli adalet düzeltmesini sağlar. BERT-RL'nin çalışma süreci Şekil 2'de gösterilmiştir.

Şekil 2: BERT-RL algoritma işlem akış şeması. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 2'de gösterildiği gibi, BERT-RL önce yapılandırılmamış metin değerlendirme verilerini standartlaştırır ve bunu BERT modeline girer. BERT, çift yönlü anlamsal modelleme için bir Transformer kodlayıcı kullanır; temel özellikleri çıkarır ve bir özellik matrisi oluşturur. Özellik matrisi daha sonra RL modülüne girilir; modül birden fazla yinelemeyle optimal stratejiyi öğrenir. Optimize edilmiş parametre yapılandırması nihayet FairEduNet'e aktarılır ve uyum sağlar. BERT öz-dikkat özellik ağırlık hesaplaması Denklem (4)'te gösterilmiştir.

(4)

Denklem (4)'te, d_k vektör K'nin boyutunu temsil eder. RL çok amaçlı ödül fonksiyonu, Denklem (5)'te ifade edilir.

(5)

Denklem (5)'te, ω₁, ω₂ ve ω₃ ağırlık katsayılarını temsil eder, kalibrasyon hatasını temsil eder, D_t adalet sapmasıdır, D_hedefi hedef adalet sapmasıdır ve T_t çalışma^{süresi 18'dir}. Bu çalışma, BERT-RL ile FairEduNet birleştirerek BFEN olarak adlandırılan BERT-RL-FairEduNet algoritmasını oluşturmaktadır. BFEN, GBDT özellik yinelemesi ve GAN gerçek zamanlı rakip eğitimi sayesinde öğretim değerlendirme verilerinin hassas kalibrasyonu ve adalet güvencesini sağlarken, BERT-RL FairEduNet'i yapılandırılmamış verileri işlemede ve senaryolara dinamik uyum sağlamada optimize eder; özellik çıkarma ve statik parametre sınırlamalarındaki zayıflıkları giderir. Çalışma, BERT-tabanlı-Çin modelini kullandı ve 2024-2025 akademik yılı için Ulusal Akıllı Eğitim Platformu'ndan gerçek öğretim günlükleri, sınıf kayıtlı metinler ve eğitim politikası belgelerini önceden eğitti; kelime dağarcığı büyüklüğü 21128'dir. Modelin gizli katman boyutu 768, 12 dikkat başlığı ve 12 katman içerir. GBDT ağacının derinliği 8 olarak ayarlanmış, ağaç sayısı 200 ve öğrenme oranı 0,1 olmuştur. GAN'ın eğitim döngüsü 150 mermidir ve ayrımcı, 512, 256 ve 1 boyutlarında tam bağlantılı 3 katmanlı bir ağ kullanır. Jeneratör, 1024, 512, 256 ve 1 boyutlarında 4 katmanlı, tam bağlantılı bir ağ kullanır. LSTM'deki gizli birim sayısı 128 ve dizis uzunluğu 512'dir. GAT'ın 2 katmanı ve 4 dikkat başlığı var. Bilgi damıtılması için sıcaklık 3.0 olarak ayarlanmıştır. RL ödül ağırlık katsayıları ω₁ = 0.4, ω₂ = 0.35 ve ω₃ = 0.25. Ağırlık seçimi kriterleri, çok amaçlı optimizasyonun Pareto ön dengesini eğitim eşitliği uygulamalarının yorumlanabilirlik gereksinimleriyle dengelemektir. Deneyler, çapraz doğrulama ve hiperparametre ayarlama yoluyla %50 veri bölünmesiyle tamamlandı. Değerlendirme kalibrasyonu öğretmek için BFEN süreci Şekil 3'te gösterilmiştir.

Şekil 3: Akıllı eğitim ve öğretim değerlendirmesi için BFEN algoritmasının düzeltme süreci. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 3'te gösterildiği gibi, BFEN önce çok kaynaklı öğretim değerlendirme verilerini ön işler. BERT, FairEduNet'in özellik çıkarma yeteneğini, bir anlamsal pencereye dayalı metin anlamsal benzerliği ve derin özellik ağırlıklarını hesaplayarak ve önemli özellikleri seçerek yüksek boyutlu anlamsal özellik matrisi oluşturarak optimize eder. RL daha sonra çok amaçlı bir ödül fonksiyonu belirler ve senaryo uyumlanabilirliği ile parametre ayarlama gradyanlarını hesaplayarak adalet eşiklerini ve kalibrasyon parametrelerini daha da optimize eder. FairEduNet, değerlendirme verileri ile hata deseni modelleri arasındaki sapmaları hesaplar, karar ağacı ağırlıklarını yinelemeli olarak günler ve hatalar önceden belirlenmiş eşikler içinde stabil olana kadar kalibrasyon stratejilerini ayarlar. Son çıktı, hata kalibrasyon modeli ve adalet doğrulama raporunu içerir. Kalibrasyon modeli, öğretim değerlendirme verilerine uygulanır; kalibrasyon öncesi ve sonrası karşılaştırma tabloları oluşturulur; bu tablolar, akıllı eğitim adalet standartı kütüphanesiyle birleştirilerek hedef kalibrasyon parametrelerini belirler; böylece akıllı eğitimde değerlendirme kalibrasyonu öğretim için bilimsel bir temel oluşturur. Bu standart kütüphane, eğitim fırsatı adaleti ve süreç adaleti ve sonuç adaleti olmak üzere üç boyutu kapsar ve 12 temel göstergeyi içerir. Bu göstergeler arasında bölgeler arasındaki eğitim kaynakları tahsisi dengesi, kentsel ve kırsal okullar arasındaki dijital altyapı kapsamındaki fark, öğrenme durumu teşhisine gecikmeli yanıt için tolerans eşiği (≤200 ms), çoklu modal değerlendirmede eksik verilere tolerans (≤3,5%), algoritma yanlılığı tespitinin hassasiyeti (cinsiyet/bölge/aşama etiketleme için AUC sapması ≤ 0,02) yer alır. düzeltme öncesi ve sonrası puan dağılımı için KL ayrışma eşiği (≤0.08), öğretmen müdahale önerilerinin yorumlanabilirlik puanı (≥4.2/5.0), öğrenci profili güncellemelerinin zamanında gerçekleşmesi (T + 1 gün içinde tamamlandı), platformlar arası kredi tanıma tutarlılık katsayısı (≥0.93), eğitim politikası anlamsal uyumunun doğruluğu (BERT puanı ≥ 0.86) ve adalet doğrulama raporu üretiminin tamlığı (önyargı attıfı dahil, güven aralıkları ve tekrarlanabilir parametre anlık görüntüleri) ile birlikte dinamik senaryo uyarlama doğrulama geçiş oranını da kapsıyor: canlı sınıf, asenkron ödevler ve yapay zeka öğretim asistanları. Anlamsal özellik benzerliği hesaplaması Denklem (6)'da gösterilmiştir.

(6)

Denklem (6)'da, f_i  i. anlamsal özellik boyutunun değerini, g_i i. önemli değerlendirme özellik boyutunun değerini, n ise toplam özellik boyutlarının sayısını temsil eder. RL senaryo uyarlama parametre hesaplaması Denklem (7)'de gösterilmiştir.

(7)

Denklem (7)'de, θ_t t-yinelenmesindeki parametre değerini, α öğrenme hızını ve ödül fonksiyonu R(θ_t)'ye dayalı parametre gradyanını temsil eder.

Öğretim değerlendirme kalibrasyon modeli inşası
BFEN, değerlendirme kalibrasyonu öğretmesinde bazı avantajlar gösterse de, çok kaynaklı heterojen değerlendirme verileri için düşük entegrasyon verimliliği ve pratik uygulamalarda yetersiz dinamik adalet uyumu ile karşı karşıyadır. -LSTM algoritması, Dikkat Mekanizması () ve Uzun Kısa Süreli Hafıza (LSTM) birimlerini birleştirir, üzerinden çoklu kaynaklı değerlendirme verilerinin temel özelliklerine ağırlıklar atar ve LSTM'nin ardışık bellek yeteneğini kullanarak değerlendirme verilerinin zaman içindeki dinamik değişim kalıplarını yakalar. Bu yaklaşım, çok kaynaklı veri entegrasyonu verimliliğini ve dinamik özellik öğrenimini etkili^{bir şekilde artırır 19,20}. -LSTM'nin çalışma süreci Şekil 4'te gösterilmiştir.

Şekil 4:-LSTM operasyon akış şeması. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 4'te gösterildiği gibi,-LSTM önce çok kaynaklı heterojen öğretim değerlendirme verilerini önceden işleyerek standartlaştırılmış bir veri seti oluşturur. , önemli özellikleri seçmek için farklı veri kaynaklarından özellikler için dikkat ağırlıklarını hesaplar ve ağırlıklı bir özellik matrisi oluşturur. Ağırlıklı özellik matrisi daha sonra LSTM'ye girilir; LSTM, geçiş mekanizmasını kullanarak zaman içinde dinamik kalıpları öğrenir, farklı aşamalarda değerlendirme verileri arasındaki ilişkileri yakalar ve dinamik özellik vektörleri çıkarır. Son olarak, bu dinamik özellik vektörleri, adalet kısıtlamalarıyla birleştirilerek çoklu kaynaklı veri entegrasyonu ve dinamik senaryolara uyum sağlayan ara kalibrasyon sonuçları elde edilir ve sonraki model optimizasyonu için bir temel oluşturur. Dikkat ağırlık hesaplaması Denklem (8)'de gösterilmiştir.

(8)

Denklem (8)'de, _n  n. özelliğin dikkat tahsisini, x_n benzerliği, q sorgu vektörünü ve softmax aktivasyon fonksiyonunu temsil eder. LSTM unut kapısı Denklem (9)'da ifade edilir.

(9)

Denklem (9)'da, W_f unut kapı ağırlığı, b_f unut kapı önyargısı, x_t  t zamanındaki giriş, h_t-1 zamanındaki harici durum değişkeni ve σ sigmoid^{fonksiyonu 21'i} temsil eder. Bu çalışma,-LSTM ile BFEN'i birleştirerek-LSTM-BFEN öğretim değerlendirme kalibrasyon modeli olan FBFEN'i oluşturmaktadır. Bu modelde-LSTM, BFEN'in çok kaynaklı heterojen veri entegrasyonu verimliliği ve dinamik özellik çıkarma konusundaki sınırlamalarını ele alır. Ayrıca, orta kalibrasyon sonuçlarını optimize etmek için adalet kısıtlamalarını entegre eder ve BFEN'in öğretim değerlendirme verileri için hassas kalibrasyon ve dinamik adalet güvencesini daha da sağlamasını sağlar. FBFEN'in çalışma süreci Şekil 5'te gösterilmiştir.

Şekil 5: FBFEN öğretim değerlendirme ve düzeltme modelinin çalışma süreci. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 5'te gösterildiği gibi, FBFEN önce orijinal çok kaynaklı öğretim değerlendirme verilerini ön işler ve standartlaştırılmış veri setini-LSTM modülüne girer. özellik ağırlıklarını hesaplarken, LSTM dinamik kalıpları öğrenerek çoklu kaynak bilgisi ve dinamik özellikleri entegre eden ara kalibrasyon sonuçları çıkarır. Ara sonuçlar daha sonra BFEN modülüne girilir. GBDT, ara sonuçlar ve ön ayarlanmış hata modeline dayalı olarak değerlendirme verilerindeki hata kalıplarını yinelemeli olarak öğrenir ve ön kalibrasyon sonuçlarını ortaya çıkarır. Bu arada, GAN, ön sonuçlarda hassas özelliklerden kaynaklanan adalet yanlılığını üretici ile ayrımcı arasında rakip eğitim yoluyla analiz eder ve kalibrasyon parametrelerini dinamik olarak ayarlayarak önyargıyı ortadan kaldırır. Son olarak, GAN optimize edilmiş kalibrasyon parametreleri GBDT'ye geri aktarılır ve karar ağacı ağırlıkları ile kalibrasyon stratejileri güncellenir ve hassasiyet ile adaleti dengeleyen ikincil bir kalibrasyon sonucu üretir. Veri standartlaştırması, Denklem (10)'da ifade edilir.

(10)

Denklem (10)'da z' standartlaştırılmış değeri, z orijinal değeri, z_minimum ve z_max minimum ve maksimum değerleri temsil eder. GAN üretecinin nihai amaç fonksiyonu, Denklem (11)'de ifade edilir.

(11)

Denklem (11)'de, N yineleme sayısını, λ kayıp ağırlık faktörünü, ωⁱ i-ci yinelemenin ağırlık faktörünü, rakip kayıp fonksiyonunu ve ikili çapraz entropi^{kaybı 22'yi} temsil eder.

FBFEN öğretim değerlendirme kalibrasyon modeli optimizasyonu
FBFEN, öğretim değerlendirme kalibrasyonunda güçlü çok kaynaklı veri entegrasyonu ve dinamik adalet güvencesi gösterse de, karmaşık eğitim senaryolarındaki karmaşık model yapısı nedeniyle zayıf özellik korelasyonu ve düşük eğitim ve çıkarım verimliliği ile karşı karşıyadır. Grafik Dikkat Ağı (GAT) ve Bilgi Damıtılması (KD) ile Bilgi Damıtılması (KD) birleşen GAT-KD algoritması, GAT'ın dikkat mekanizması aracılığıyla özellikler arasında anlamsal bir ilişkilendirme grafiği dinamik olarak inşa eder ve çok kaynaklı verilerin anlamsal hizalanmasını artırır. KD, karmaşık modelin bilgisini hafif bir ağa sıkıştırarak çıkarım verimliliğini önemli ölçüde artırırken model performansını^23,24 korur. GAT-KD'nin çalışma süreci Şekil 6'da gösterilmiştir.

Şekil 6: GAT-KD operasyon akış şeması. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 6'da gösterildiği gibi, GAT-KD GAT modülü aracılığıyla özellikler arasında anlamsal bir ilişkilendirme grafiği oluşturur, dikkat mekanizması kullanarak komşuluk özellik bilgilerini dinamik olarak toplar ve yerel özelliklerin anlamsal temsilini geliştirir. KD daha sonra çıkış yumuşak etiketlerini denetim sinyali olarak kullanır, çıktı dağılımları arasındaki divergens kaybını ve tahminleri ile gerçek etiketler arasındaki çapraz entropi kaybını en aza indirir, böylece bilgi transferi ve model sıkıştırmasını sağlar. Son çıktı, yüksek hassasiyet ve verimlilikle hafif bir kalibrasyon modelidir. GAT dikkat katsayısı hesaplaması Denklem (12)'de gösterilmiştir.

(12)

Denklem (12) 'de ve i ile j düğümlerinin özellik vektörlerini temsil eder, W öğrenilebilir ağırlık matrisini, a dikkat ağırlık vektörünü, birleştirme işlemini temsil eder ve LeakyReLU aktivasyon^{fonksiyonu 25'i} temsil eder. KD kayıp fonksiyonu hesaplaması Denklem (13)'te gösterilmiştir.

(13)

Denklem (13)'de, KL divergens kaybını, T² gradyan ölçekleme dengesini, p^öğrenci hafif model için yumuşak etiket olasılığını ve p^öğretmeni karmaşık model^26'nın yumuşak etiket olasılığını temsil eder. Dikkat artırılmış özellik ilişkilendirmesi ve hafif bilgi transferini birleştirerek, GAT-KD özellik anlamsalını ve yüksek hesaplama karmaşıklığını etkili bir şekilde ele alır. Bu çalışma, GAT-KD'yi FBFEN'e entegre ederek GFBFEN olarak adlandırılan GAT-KD-FBFEN öğretim değerlendirme kalibrasyon modelini oluşturur. GAT-KD, FBFEN'in eksik çok kaynaklı özellik korelasyon yakalama ve düşük çıkarım verimliliği konusundaki eksikliklerini optimize eder. GFBFEN'in çalışma süreci Şekil 7'de gösterilmiştir.

Şekil 7: GFBFEN öğretim değerlendirme ve düzeltme modeli işlem süreci. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 7'de gösterildiği gibi, GFBFEN çok kaynaklı öğretim değerlendirme verilerini standartlaştırır. GAT, özellikler arasındaki karmaşık ilişkileri modeller ve dikkat mekanizmaları kullanarak düğümler arasındaki anlamsal ilişki ağırlıklarını dinamik olarak hesaplar. KD, karmaşık modelin bilgisini hafif bir ağa sıkıştırarak çıkarım verimliliğini önemli ölçüde artırırken hassasiyeti korur. -LSTM modülü, çoklu kaynaklı özelliklere önem ağırlıkları atar ve değerlendirme verilerinin zamansal dinamik desenlerini yakalar, çoklu kaynaklı bilgiyi entegre eden ara kalibrasyon sonuçları çıkarır. Bu sonuçlar, derin işleme için BFEN modülüne girilir. Özellikle, BERT yapılandırılmamış metinden anlamsal özellikleri çıkarır, RL adalet eşiklerini ve kalibrasyon parametrelerini dinamik olarak optimize eder, GBDT ön kalibrasyon için hata kalıplarını yinelemeli olarak öğrenir ve GAN, karşı eğitim yoluyla hassas özelliklerden kaynaklanan önyargıları ortadan kaldırır. Dinamik parametre ayarlama mekanizması, her modülün yanıt hassasiyeti ve adalet ağırlıklarını otomatik olarak kalibre eder; öğretim sahnesinin zamansal değişikliklerini ve grup dağılımındaki değişimleri gerçek zamanlı algılarak, böylece statik parametre yapılandırmasından kaynaklanan yetersiz uyum sağlama sorununu çözer ve modelin farklı öğretim aşamalarında sağlamlık ve adaleti koruyabilmesini sağlar. öğrenci grupları ve değerlendirme senaryoları. Değerlendirme türü, zaman serisi modellemenin granülerliği ve geri bildirim döngüsünü doğrudan etkilerken, biçimlendirici değerlendirme sürecin dinamik doğasını vurgular. Disiplinlerdeki farklılıklar, BERT ve GBDT modülleri arasındaki özelliklerin dağılımı belirler. Bu nedenle, dinamik bir uyum mekanizmasının benimsenmesi, farklı değerlendirme türlerine ve disipliner özelliklere etkili şekilde uyum sağlayabilir. Son olarak, birden fazla parametre geri bildirimi ve yinelemeli optimizasyon turları yoluyla model, kesin ve adil öğretim değerlendirme kalibrasyon sonuçları üretir. Dinamik adalet kısıtlama optimizasyon fonksiyonu, Denklem (14)'te ifade edilir.

(14)

Denklem (14)'te S, hassas özellikler kümesini, tahmin edilen çıktı kalibrasyon sonucunu, gruplar içindeki tahminlerin varyansını, γ gruplar arası parametreleri ve genel beklenen değeri temsil eder. Çok kaynaklı özellik füzyon ağırlıklarının uyarlanabilir hesaplaması Denklem (15)'te gösterilmiştir.

(15)

Denklem (15)'te, w_k k-th veri kaynağının özellik ağırlığını, β ağırlık parametresini, Sim özellik benzerliği ölçüm fonksiyonunu, f_k  k-th veri kaynağından çıkarılan özellik vektörünü, f_global küresel özellik merkezini, K ise toplam veri kaynakları sayısını temsil eder. Çalışma, cinsiyet, etnik köken, bölge, aile ekonomik durumu ve ana dil geçmişi gibi hassas özelliklerin ağırlıklarını belirledi. Ağırlıklar, korelasyon analizi sonuçlarına dayanarak belirlenir. Çalışma, Pearson korelasyon katsayısı ve Spearman sıralama korelasyon katsayısını ortak değerlendirme için çift gösterge olarak kullandı ve ağırlık kalibrasyonu eğitimi alanında uzman deneyimiyle birleştirildi. Her hassas özellik için ağırlıkların nihai belirlenmesi, cinsiyet için 0,18, etnik köken için 0,22, bölge için 0,25, aile ekonomik durumu için 0,19 ve ana dil kökeni için 0,16 değerleri verdi. Cinsiyet: Yasal kayıt ve kendini tanımlama başına cinsiyet kimliği, ikili (erkek/kadın) ve non-binary seçeneklerle; veri alanı "cinsiyet". Etnik köken: 56 grubun ulusal etnik kimliğine dayanır, tanımlanamayan ve sınır ötesi gruplarla uyumludur; veri alanı "etnik köken". Bölge: Hane kaydının veya uzun süreli ikametgahın idari bölümü, il, belediye ve ilçe düzeylerini kapsayan, kentsel-kırsal çift yapı ve göçmen nüfusu dikkate alır; veri alanı "bölge". Aile ekonomik durumu: Ulusal istatistiksel standartlar ve eğitim yardımı göstergelerine göre, beş seviyeli bir sınıflandırma kullanılarak; veri alanı "economic_status". Ana dil geçmişi: Temel eğitim sırasında temel öğretim ve aile iletişimi dili, Mandarin, azınlık dilleri, lehçeler ve yabancı dilleri kapsa, edinim yaşı ve sıklığına göre ağırlıklandırılmıştır; veri alanı "mother_tongue."

Düzeltme süreci üç aşamalı dinamik ağırlıklandırma mekanizmasını benimsedi. İlk aşama, hassas özelliklerin ağırlık matrisine dayalı ilk sapma tanımlamasını uyguladı ve cinsiyet, etnik köken ve bölge gibi boyutlarda küresel özellik merkezinden önemli ölçüde sapan veri noktalarını işaretledi. İkinci aşama, sapma yoğunluğunu bağlam farkında bir şekilde yeniden nitelendirmek için eğitim bağlam kısıtlamaları getirir. Üçüncü aşama, karşı gerçekçi pertürbasyon testleriyle düzeltme kararlılığını doğrular; hassas özelliklerin değerlerini sistematik olarak değiştirirken, hassas olmayan özellikler değişmeden kalır ve değerlendirme puanlarındaki değişikliğin %3,2 ±± içinde olup olmadığını gözlemler.

Sonuçlar

BFEN algoritma performans analizi
Deneylerde değerlendirilen göstergeler şunları içeriyordu:

Değerlendirme düzeltme doğruluğu (ECA), öğretim değerlendirme sonuçlarındaki model tarafından doğru şekilde tanımlanan ve düzeltilen sapma maddelerinin oranını ifade eder; böylece düzeltme mekanizmasının genel etkinliğini yansıtır. Daha yüksek değerler, üstün düzeltme doğruluğunu gösterir.

Adil sapma oranı (FDR), kalibras...

Tartışma

Bu çalışmada önerilen BFEN algoritması, karşılaştırmalı deneylerde üstün performans göstermiştir. ECA ve FDR açısından bakıldığında, PRF, EAB ve DBLR algoritmalarını önemli ölçüde geride bıraktı. 421 değerlendirme kaydı kalibre edilirken, BFEN ECA'yı %98,75'e yükseltti ve istikrarı korurken, FDR %2,87'ye düştü. Bu performans, özellik optimizasyonu ve dinamik uyum için BERT-RL'nin entegrasyonundan kaynaklanmıştır. BERT, yapılandırılmamış değerlendirme metinlerinden derin anlamsal önyargı ...

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Global Education Monitoring Report dataset	UNESCO	https://www.education-progress.org/	Veri Seti
NumPy	NumPy	https://numpy.org/	Veri ön işleme
Pandas	Pandas, NumPy	https://pandas.pydata.org/	Veri ön işleme
PyCharm Professional 2023.1	PyCharm	Sürüm 2023.1	Geliştirme ortamı
Python 3.9	Python	Sürüm 3.9	‌Programlama dili
Scikit-learn	Scikit-learn	https://scikit-learn.org/stable/index.html	Makine Öğrenimi
Seaborn	Seaborn	https://seaborn.pydata.org/	Görselleştirme
Spanish middle school student academic performance dataset	UC Irvine Machine Learning Repository	https://archive.ics.uci.edu/dataset/320/student+performance	Veri Seti
TensorFlow	TensorFlow	https://www.tensorflow.org/	Derin Öğrenme
Windows 11	Microsoft	Sürüm 11	İşletim Sistemi