教育數(shù)據(jù)挖掘是當(dāng)前數(shù)據(jù)工程、大數(shù)據(jù)與人工智能等眾多領(lǐng)域的前沿研究方向。作為教育數(shù)據(jù)挖掘的一個分支，教育訓(xùn)練數(shù)據(jù)的分析與評估旨在通過分析教育訓(xùn)練過程中產(chǎn)生的數(shù)據(jù)來評估學(xué)習(xí)者在學(xué)習(xí)訓(xùn)練過程中的狀態(tài)或具備的能力，為實現(xiàn)精準(zhǔn)學(xué)習(xí)、精準(zhǔn)訓(xùn)練奠定基礎(chǔ)。本書在現(xiàn)有認(rèn)知診斷模型的基礎(chǔ)上，聚焦面向?qū)W習(xí)任務(wù)的教育場景，充分考慮面向?qū)W習(xí)任務(wù)的知識關(guān)聯(lián)關(guān)系，開展認(rèn)知診斷方法研究，從而支撐教育訓(xùn)練過程的分析與評估。本書內(nèi)容所涉及的工作是教育與數(shù)據(jù)科學(xué)跨學(xué)科研究與實踐的一次有益嘗試。 2020年以來，為了應(yīng)對疫情危機，在線學(xué)習(xí)廣泛開展，在此過程中產(chǎn)生了大量的學(xué)習(xí)數(shù)據(jù)，這為教育訓(xùn)練數(shù)據(jù)的分析與評估研究提供了更多的現(xiàn)實應(yīng)用場景。本書將教育訓(xùn)練數(shù)據(jù)的分析與評估聚焦于面向?qū)W習(xí)者能力評估的認(rèn)知診斷方法研究，探索通過分析學(xué)習(xí)者相關(guān)學(xué)習(xí)過程的數(shù)據(jù)，挖掘出知識掌握程度（認(rèn)知狀態(tài)）的智能評測方法。認(rèn)知診斷方法是實現(xiàn)個性化學(xué)習(xí)乃至智能教育中“因材施教”目標(biāo)的基石，相關(guān)的研究成果也逐步應(yīng)用于面向基礎(chǔ)教育、高等教育的在線學(xué)習(xí)場景。因此，從認(rèn)知診斷方法的視角研究教育訓(xùn)練數(shù)據(jù)的分析與評估具有重要的意義與應(yīng)用價值。面向?qū)W習(xí)任務(wù)的場景普遍存在于基礎(chǔ)教育、高等教育乃至軍事教育等多種類型的教育場景，在這些教育場景中往往需要表達(dá)并利用知識間的關(guān)聯(lián)關(guān)系，以建立更加有效的認(rèn)知診斷模型�，F(xiàn)有的認(rèn)知診斷研究將學(xué)習(xí)任務(wù)中各知識對于正確作答的影響視為同等重要，而未考慮知識的協(xié)調(diào)綜合的影響，即認(rèn)知診斷模型忽視了學(xué)習(xí)任務(wù)本身的知識關(guān)聯(lián)關(guān)系，從而影響了認(rèn)知診斷結(jié)果的準(zhǔn)確性。本書針對如何建模面向?qū)W習(xí)任務(wù)的知識關(guān)聯(lián)關(guān)系及強度，如何構(gòu)建更具泛化性的認(rèn)知診斷聚合方式，以及如何建立深度神經(jīng)網(wǎng)絡(luò)實現(xiàn)認(rèn)知診斷模型參數(shù)的統(tǒng)一學(xué)習(xí)這三方面挑戰(zhàn)，分別闡述了知識關(guān)聯(lián)建模、知識聚合方法以及認(rèn)知診斷模型參數(shù)學(xué)習(xí)等方面的研究思路，為認(rèn)知診斷模型向?qū)W習(xí)任務(wù)場景的應(yīng)用拓展提供了有價值的理論與方法基礎(chǔ)。本書針對以下三個方面的問題，提出了獨創(chuàng)性的解決方案。 (1) 針對面向?qū)W習(xí)任務(wù)的知識關(guān)聯(lián)建模復(fù)雜的問題，在劃分知識關(guān)聯(lián)類型的基礎(chǔ)上，提出了基于模糊測度的知識關(guān)聯(lián)建模（KRFM）方法。首先，應(yīng)用該方法實現(xiàn)了知識的關(guān)聯(lián)關(guān)系量化表征，同時給出了模糊測度的兩種計算方法；然后，詳細(xì)闡述了面向?qū)W習(xí)任務(wù)的知識全局重要度以及兩兩知識間的交互指標(biāo)計算的實現(xiàn)算法，接著圍繞認(rèn)知診斷這一應(yīng)用需求，分析了知識關(guān)聯(lián)嵌入認(rèn)知診斷過程的方式；最后，采用合成數(shù)據(jù)集和公開數(shù)據(jù)集，對所提出的方法在學(xué)習(xí)表現(xiàn)評估和知識關(guān)聯(lián)預(yù)測等任務(wù)上開展實驗與分析，結(jié)果驗證了KRFM方法的可行性和有效性。 (2) 針對現(xiàn)有認(rèn)知診斷模型聚合方式泛化性弱的問題，提出了基于Sugeno積分的知識聚合（SI-GAM）方法。該方法不僅實現(xiàn)了知識關(guān)聯(lián)的融合，還建立了知識聚合函數(shù)的表達(dá)形式。具體而言，首先，用SI-GAM方法實現(xiàn)了知識權(quán)重和聚合函數(shù)的聯(lián)合表征；然后，將SI-GAM方法與現(xiàn)有聚合方法比較，推導(dǎo)證明了該方法的泛化能力；最后，進一步論證了SI-GAM方法在處理認(rèn)知診斷多策略問題上的優(yōu)勢。本書分別在合成數(shù)據(jù)集和公開數(shù)據(jù)集上的學(xué)習(xí)表現(xiàn)預(yù)測和參數(shù)敏感性實驗方面證實了SI-GAM方法的有效性和魯棒性，并通過案例分析體現(xiàn)了SI-GAM方法的解釋性。 (3) 針對融合知識關(guān)聯(lián)認(rèn)知診斷深度模型參數(shù)統(tǒng)一學(xué)習(xí)難的問題，提出了基于模糊積分深度神經(jīng)網(wǎng)絡(luò)的認(rèn)知診斷模型（CHI-CDM）。該模型實現(xiàn)了學(xué)習(xí)者認(rèn)知狀態(tài)與知識權(quán)重的統(tǒng)一表達(dá)。具體而言，首先，從學(xué)習(xí)者和學(xué)習(xí)任務(wù)兩個維度構(gòu)建了CHI-CDM框架；然后，提出了針對多個學(xué)習(xí)任務(wù)的知識權(quán)重學(xué)習(xí)算法以獲得知識關(guān)聯(lián)關(guān)系及強度，該算法針對的是考查知識點數(shù)量相同的學(xué)習(xí)任務(wù)場景；最后，利用模糊積分深度神經(jīng)網(wǎng)絡(luò)實現(xiàn)知識聚合，在刻畫知識關(guān)聯(lián)關(guān)系的基礎(chǔ)上構(gòu)建了認(rèn)知診斷深度模型。實驗詳細(xì)描述了如何利用公開數(shù)據(jù)集和實際數(shù)據(jù)集對CHI-CDM開展分析以驗證模型效果，同時展示了該模型在學(xué)習(xí)表現(xiàn)預(yù)測、認(rèn)知狀態(tài)診斷及知識關(guān)聯(lián)表征等方面的應(yīng)用。 本書在編寫過程中，參考了相關(guān)資料，在此對相關(guān)文獻的作者表示衷心的感謝。 由于編著水平有限，書中難免存在一些不足，敬請廣大讀者批評指正。 編 者 2023年2月