买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种针对公平感知认知诊断任务的路径因果推理的答题预测方法，包括：1，建立包含敏感属性的认知诊断任务因果图，并用于构建深度神经网络模型；2，建立基于交叉熵损失的混合损失函数；3，在教育数据集上训练深度神经网络模型；4，利用训练好的网络模型对学生答题能力进行预测。本发明能够有效去除教育数据集中敏感属性所带来的偏差，从而实现更加公平的答题能力预测。

主权项：1.一种针对公平感知认知诊断任务的路径因果推理的答题预测方法，其特征在于，所述公平感知认知诊断任务为给定学生特征u和敏感属性A，建模学生能力θ，从而利用能力θ对学生回答习题V的答题结果y进行预测，在对θ建模的过程中，令辅助建模的K个非敏感属性的标签为{Labelk|k＝1,2,…,K}；其中，Labelk表示第k个非敏感属性的标签；所述答题预测方法是按如下步骤进行：步骤1、建立包含敏感属性的认知诊断任务因果图：令所述包含敏感属性的认知诊断任务因果图中的节点包括：学生特征u，敏感属性A，学生能力θ，第一中介变量Uf，第二中介变量Ud；令所述包含敏感属性的认知诊断任务因果图中的路径包括：学生特征u通过第一中介变量Uf对学生能力θ产生影响的学生-能力路径u→Uf→θ，敏感属性A通过第一中介变量Uf对学生能力θ产生影响的第一敏感-能力路径A→Uf→θ，敏感属性A通过第二中介变量Ud对学生能力θ产生影响的第二敏感-能力路径A→Ud→θ；步骤2、构建深度神经网络，包括：表征建模模块，解耦预测模块、去偏模块和预测偏模块；步骤2.1、构建表征建模模块，用于对学生特征u和敏感属性A进行融合处理，得到学生能力θ；对敏感属性A和学生特征u分别进行干预，得到反事实敏感属性A*和反事实学生特征u*，并输入表征建模模块中进行处理，得到反事实学生能力θ*；步骤2.2、所述解耦预测模块将敏感属性A解耦为第一中介变量Uf和第二中介变量Ud，并得到第k个非敏感属性的预测值敏感属性A的预测值以及反事实敏感属性A*的预测值步骤2.3、所述去偏模块利用式5得到无偏的表征θd：θd＝σθ-βθ*5式5中，β表示一个待学习的参数；步骤2.4、所述预测模块对学生能力θ和习题V进行处理，得到学生答对习题的概率值；步骤3、构建深度神经网络的联合损失函数L；步骤4、采用Adam优化器对所述深度神经网络模型进行训练，并计算联合损失函数L以更新网络参数，直到达到最大迭代次数或所述联合损失函数L收敛为止，从而得到最优关系推理模型，用于实现对学生做题情况的预测。

全文数据：

权利要求：

百度查询： 合肥工业大学 针对公平感知认知诊断任务的路径因果推理的答题预测方法