基于SOM神經(jīng)網(wǎng)絡(luò)的教學(xué)認(rèn)知診斷模型研究

摘要：認(rèn)知診斷模型在評(píng)估知識(shí)點(diǎn)依賴關(guān)系松散型學(xué)科知識(shí)狀態(tài)時(shí)，因其生成的可達(dá)矩陣較為稀疏，易導(dǎo)致認(rèn)知診斷的效率和準(zhǔn)確度降低。而自組織映射（Self-Organizing Maps，SOM）神經(jīng)網(wǎng)絡(luò)可在不考慮知識(shí)點(diǎn)依賴關(guān)系的情況下，通過自動(dòng)發(fā)現(xiàn)樣本中的內(nèi)在規(guī)律和本質(zhì)屬性，實(shí)現(xiàn)對(duì)學(xué)生知識(shí)狀態(tài)的分類與評(píng)估。基于此，文章構(gòu)建了基于SOM神經(jīng)網(wǎng)絡(luò)的教學(xué)認(rèn)知診斷模型，在“大學(xué)英語視聽說”課程中開展了此診斷模型的教學(xué)應(yīng)用，并從診斷結(jié)果、學(xué)習(xí)成效、滿意度三個(gè)方面進(jìn)行了應(yīng)用效果分析，結(jié)果表明：診斷模型用于知識(shí)點(diǎn)依賴關(guān)系松散型學(xué)科時(shí)，能夠通過自組織聚類消除學(xué)生答題過程中的誤差，精準(zhǔn)、高效地分類評(píng)估學(xué)生的知識(shí)狀態(tài)；診斷模型有助于教師實(shí)施有針對(duì)性的補(bǔ)救教學(xué)，在提高學(xué)生的學(xué)習(xí)效率和避免成績(jī)的兩極化方面效果顯著；學(xué)生對(duì)診斷模型的整體滿意度也較高。文章的研究豐富了教學(xué)認(rèn)知診斷理論，可為個(gè)性化學(xué)習(xí)、精準(zhǔn)補(bǔ)救教學(xué)提供診斷方法和實(shí)踐經(jīng)驗(yàn)。

關(guān)鍵詞：SOM神經(jīng)網(wǎng)絡(luò)；認(rèn)知診斷；知識(shí)狀態(tài)；補(bǔ)救教學(xué)；個(gè)性化學(xué)習(xí)

【中圖分類號(hào)】G40-057 【文獻(xiàn)標(biāo)識(shí)碼】A 【論文編號(hào)】1009—8097（2024）09—0059—12 【DOI】10.3969/j.issn.1009-8097.2024.09.006

個(gè)性化教學(xué)是凸顯創(chuàng)新型人才培養(yǎng)獨(dú)特性、創(chuàng)造性和標(biāo)識(shí)性的關(guān)鍵^[1]，其核心環(huán)節(jié)是對(duì)學(xué)習(xí)者個(gè)體全過程學(xué)習(xí)中的知識(shí)狀態(tài)進(jìn)行精準(zhǔn)的認(rèn)知診斷^[2]，以便教師實(shí)現(xiàn)因材施教。認(rèn)知診斷模型作為一種評(píng)估知識(shí)狀態(tài)的有效工具，可以對(duì)學(xué)習(xí)者答題狀況給出準(zhǔn)確的知識(shí)屬性判定^[3]。但因認(rèn)知診斷模型診斷效率和診斷結(jié)果的準(zhǔn)確性與知識(shí)點(diǎn)依賴關(guān)系密切相關(guān)，在評(píng)估知識(shí)點(diǎn)依賴關(guān)系松散型學(xué)科知識(shí)狀態(tài)時(shí)，易導(dǎo)致認(rèn)知診斷的效率和準(zhǔn)確度降低。因此，如何改善知識(shí)點(diǎn)依賴關(guān)系松散型學(xué)科認(rèn)知診斷的效率和精度，成為提升認(rèn)知診斷模型可擴(kuò)展性、實(shí)現(xiàn)個(gè)性化教學(xué)的關(guān)鍵問題^[4]。SOM神經(jīng)網(wǎng)絡(luò)可在不考慮知識(shí)點(diǎn)依賴關(guān)系的情況下，自動(dòng)發(fā)現(xiàn)樣本中的內(nèi)在規(guī)律和本質(zhì)屬性，改善知識(shí)點(diǎn)依賴關(guān)系松散型學(xué)科認(rèn)知診斷的效率和精度。基于此，本研究嘗試系統(tǒng)梳理認(rèn)知診斷模型的相關(guān)研究，構(gòu)建基于SOM神經(jīng)網(wǎng)絡(luò)的教學(xué)認(rèn)知模型并開展實(shí)證研究，以驗(yàn)證此模型的有效性，從而為個(gè)性化學(xué)習(xí)和精準(zhǔn)補(bǔ)救教學(xué)提供參考。

一 認(rèn)知診斷模型的相關(guān)研究

1 認(rèn)知診斷及其相關(guān)研究

認(rèn)知診斷是以認(rèn)知心理學(xué)和心理計(jì)量學(xué)為理論基礎(chǔ)，利用認(rèn)知診斷模型通過測(cè)驗(yàn)對(duì)個(gè)體認(rèn)知結(jié)構(gòu)、認(rèn)知技能等進(jìn)行評(píng)估的方法。認(rèn)知診斷模型能夠通過對(duì)觀察反應(yīng)模式的分類或模式識(shí)別，過濾測(cè)量過程中產(chǎn)生的噪音干擾，建立從觀察反應(yīng)模式到期望反應(yīng)模式的映射，進(jìn)而通過期望反應(yīng)模式確定其對(duì)應(yīng)的理想屬性，實(shí)現(xiàn)對(duì)被試的認(rèn)知診斷^[5]。與傳統(tǒng)測(cè)驗(yàn)相比，認(rèn)知診斷不僅可以通過診斷測(cè)試對(duì)學(xué)生的整體知識(shí)水平做出評(píng)估，還可以對(duì)學(xué)生個(gè)體的知識(shí)結(jié)構(gòu)進(jìn)行精確測(cè)量，定量考察學(xué)生的認(rèn)知結(jié)構(gòu)與個(gè)體差異，幫助學(xué)生更精準(zhǔn)地了解自己的知識(shí)掌握狀態(tài)，為教師因材施教、開展個(gè)性化教學(xué)提供依據(jù)^[6]。

在數(shù)學(xué)、計(jì)算機(jī)等知識(shí)點(diǎn)依賴關(guān)系緊密型學(xué)科的認(rèn)知診斷過程中，認(rèn)知診斷模型生成的可達(dá)矩陣較為稠密，能夠有效排除錯(cuò)誤作答模式，獲得較高的診斷效率和診斷結(jié)果準(zhǔn)確度^[7]，促進(jìn)教學(xué)個(gè)性化。例如，馬玉慧等^[8]通過梳理屬性間依賴關(guān)系、形成Q矩陣等，構(gòu)建了規(guī)則空間模型（Rule Space Model，RSM），并基于該模型進(jìn)行個(gè)性化學(xué)習(xí)資源的推送，以在大規(guī)模在線學(xué)習(xí)中實(shí)現(xiàn)因材施教；秦璐等^[9]對(duì)高中化學(xué)的6個(gè)認(rèn)知屬性進(jìn)行了合理劃分，利用RSM認(rèn)知診斷分析工具得出可歸類且個(gè)性化的認(rèn)知診斷結(jié)果，為教師開展科學(xué)、合理的補(bǔ)救教學(xué)提供了幫助；康春花等^[10]在構(gòu)建認(rèn)知模型的基礎(chǔ)上編制了小學(xué)數(shù)學(xué)圖形與幾何認(rèn)知診斷試卷，并從Q矩陣完備性、屬性層級(jí)關(guān)系對(duì)診斷測(cè)試的貢獻(xiàn)率等角度驗(yàn)證了認(rèn)知診斷工具的合理性與有效性；王欣瑜^[11]應(yīng)用認(rèn)知診斷理論編制了1～6年級(jí)數(shù)學(xué)學(xué)力認(rèn)知診斷試卷，對(duì)小學(xué)生數(shù)學(xué)學(xué)力的發(fā)展水平和結(jié)構(gòu)性特征進(jìn)行了系統(tǒng)分析，為教師觀察學(xué)生學(xué)力發(fā)展提供了穩(wěn)定、可靠的方法和數(shù)據(jù)支持；胡心穎等^[12]提出了一種認(rèn)知診斷框架，對(duì)計(jì)算機(jī)課程教學(xué)中學(xué)生的理論學(xué)習(xí)能力與代碼實(shí)踐能力進(jìn)行了建模評(píng)估，診斷結(jié)果為教師了解學(xué)生知識(shí)狀態(tài)、調(diào)整教學(xué)計(jì)劃提供了準(zhǔn)確有效的支持。

然而，將RSM應(yīng)用于語文、外語等知識(shí)點(diǎn)依賴關(guān)系相對(duì)松散的學(xué)科時(shí)，由于知識(shí)屬性間不具備嚴(yán)格的先決關(guān)系，導(dǎo)致屬性加工機(jī)制嚴(yán)格的RSM應(yīng)用于認(rèn)知診斷時(shí)在認(rèn)知準(zhǔn)確度方面表現(xiàn)欠佳。例如，范婷婷等^[13]在系統(tǒng)考察英語閱讀水平的測(cè)試中對(duì)不同認(rèn)知診斷模型的適切性進(jìn)行分析后，發(fā)現(xiàn)RSM不適宜評(píng)估知識(shí)點(diǎn)依賴關(guān)系松散的英語閱讀屬性。為進(jìn)一步拓展認(rèn)知診斷模型在知識(shí)點(diǎn)依賴關(guān)系松散型學(xué)科中的應(yīng)用，Jang^[14]應(yīng)用融合模型對(duì)LanguEdge考試閱讀理解測(cè)試中的認(rèn)知屬性進(jìn)行了分析評(píng)價(jià)，可從認(rèn)知層面幫助學(xué)生獲得有效的診斷反饋。另外，He等^[15]應(yīng)用認(rèn)知診斷模型，對(duì)460名本科生寫作能力的強(qiáng)項(xiàng)和弱項(xiàng)指標(biāo)進(jìn)行了準(zhǔn)確的識(shí)別與分析，但診斷效率較低。需注意的是，認(rèn)知診斷模型應(yīng)用于知識(shí)點(diǎn)依賴關(guān)系松散型學(xué)科時(shí)，其生成的可達(dá)矩陣較為稀疏，導(dǎo)致理想屬性模式空間規(guī)模呈指數(shù)級(jí)增長，造成了診斷效率與診斷結(jié)果準(zhǔn)確率的不穩(wěn)定^[16]。

2 SOM神經(jīng)網(wǎng)絡(luò)及其相關(guān)研究

SOM神經(jīng)網(wǎng)絡(luò)是一種無監(jiān)督型神經(jīng)網(wǎng)絡(luò)，能夠自動(dòng)發(fā)現(xiàn)樣本中的內(nèi)在規(guī)律和本質(zhì)屬性，自組織、自適應(yīng)地改變網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)，實(shí)現(xiàn)自組織聚類。SOM神經(jīng)網(wǎng)絡(luò)因其不過度依賴屬性之間的邏輯關(guān)聯(lián)、根據(jù)數(shù)據(jù)的內(nèi)在特征即可對(duì)數(shù)據(jù)樣本進(jìn)行準(zhǔn)確聚類的特點(diǎn)，而廣受研究者的青睞。例如，周佩等^[17]基于SOM神經(jīng)網(wǎng)絡(luò)的城市匹配模型，準(zhǔn)確匹配出與目標(biāo)城市相似的城市，之后利用插值方法對(duì)缺值數(shù)據(jù)進(jìn)行填補(bǔ)。SOM神經(jīng)網(wǎng)絡(luò)的自組織功能是通過競(jìng)爭(zhēng)學(xué)習(xí)實(shí)現(xiàn)的，這種自組織方式類似于人類大腦中生物神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程^[18]，即通過對(duì)客觀事物的反復(fù)觀察分析，自行揭示其內(nèi)在規(guī)律，并對(duì)具有共同特征的事物進(jìn)行正確歸類。例如，李可心等^[19]基于SOM神經(jīng)網(wǎng)絡(luò)構(gòu)建了工程經(jīng)濟(jì)學(xué)教學(xué)評(píng)價(jià)模型，將5種評(píng)價(jià)結(jié)果的特征參數(shù)作為網(wǎng)絡(luò)的輸入向量進(jìn)行聚類，對(duì)教學(xué)質(zhì)量進(jìn)行了客觀、準(zhǔn)確的有效評(píng)估。也就是說，SOM神經(jīng)網(wǎng)絡(luò)能夠?qū)⒍嗑S輸入模式映射為一維或二維圖形，并保持其拓?fù)浣Y(jié)構(gòu)不變，實(shí)現(xiàn)降維聚類、分類分析的功能^[20]。此外，SOM能夠?qū)W(xué)生答題模式中隱含的內(nèi)在規(guī)律和屬性進(jìn)行聚類分析，且對(duì)學(xué)生答題模式的分類診斷過程不依賴于知識(shí)的可達(dá)性關(guān)系，有利于消除學(xué)生答題誤差對(duì)分類過程的干擾，提高聚類結(jié)果的準(zhǔn)確度，實(shí)現(xiàn)對(duì)學(xué)生認(rèn)知屬性模式的識(shí)別與分析。

綜合上述分析，可知基于SOM神經(jīng)網(wǎng)絡(luò)進(jìn)行自組織聚類分析能夠解決知識(shí)點(diǎn)依賴關(guān)系松散型學(xué)科知識(shí)狀態(tài)診斷過程中稀疏可達(dá)矩陣帶來的診斷準(zhǔn)確率不穩(wěn)定的問題^[21]。基于此，本研究構(gòu)建了基于SOM神經(jīng)網(wǎng)絡(luò)的教學(xué)認(rèn)知診斷模型，之后在“大學(xué)英語視聽說”課程中加以應(yīng)用并對(duì)其應(yīng)用效果進(jìn)行了驗(yàn)證。

二 基于SOM神經(jīng)網(wǎng)絡(luò)的教學(xué)認(rèn)知診斷模型構(gòu)建

為了在知識(shí)點(diǎn)依賴關(guān)系松散型學(xué)科中開展教學(xué)認(rèn)知診斷，本研究引入SOM神經(jīng)網(wǎng)絡(luò)對(duì)答題模式進(jìn)行自組織聚類。SOM神經(jīng)網(wǎng)絡(luò)能在不依賴知識(shí)關(guān)聯(lián)關(guān)系和先驗(yàn)知識(shí)的情況下，通過自組織學(xué)習(xí)，從眾多實(shí)際反應(yīng)模式中尋找樣本的內(nèi)在特征和規(guī)律，進(jìn)而排除答題過程中的噪音干擾，實(shí)現(xiàn)對(duì)學(xué)生實(shí)際反應(yīng)模式的自動(dòng)分類。對(duì)反應(yīng)模式按知識(shí)點(diǎn)進(jìn)行切片和概率統(tǒng)計(jì)，可以確定各類別對(duì)應(yīng)的屬性模式，從而實(shí)現(xiàn)對(duì)各類別學(xué)生知識(shí)結(jié)構(gòu)的診斷評(píng)估。基于此，本研究構(gòu)建了基于SOM神經(jīng)網(wǎng)絡(luò)的教學(xué)認(rèn)知診斷模型，其診斷流程分為自組織分類、知識(shí)結(jié)構(gòu)診斷、補(bǔ)救教學(xué)三個(gè)環(huán)節(jié)，如圖1所示。

（1）自組織分類

自組織分類是指利用SOM神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)學(xué)生實(shí)際反應(yīng)模式的自動(dòng)分類。本環(huán)節(jié)包括四個(gè)步驟：

①規(guī)范化反應(yīng)模式。根據(jù)教學(xué)內(nèi)容確定知識(shí)點(diǎn)，組織編寫與知識(shí)點(diǎn)對(duì)應(yīng)的測(cè)試項(xiàng)目，之后開展診斷測(cè)驗(yàn)，規(guī)范化表征由學(xué)生答題結(jié)果構(gòu)成的反應(yīng)模式，用1、0分別表示答題結(jié)果的正確、錯(cuò)誤情況，生成反應(yīng)模式向量，即SOM分類數(shù)據(jù)。

②創(chuàng)建SOM神經(jīng)網(wǎng)絡(luò)。根據(jù)反應(yīng)模式向量的維度值確定SOM神經(jīng)網(wǎng)絡(luò)輸入層的神經(jīng)元數(shù)量，之后根據(jù)樣本數(shù)量確定輸出平面神經(jīng)元的規(guī)模（即競(jìng)爭(zhēng)層的規(guī)模），進(jìn)而初始化競(jìng)爭(zhēng)層，得到SOM神經(jīng)網(wǎng)絡(luò)特征映射矩陣（如圖2所示），在此基礎(chǔ)上創(chuàng)建SOM神經(jīng)網(wǎng)絡(luò)。

③輸入答題向量進(jìn)行自組織訓(xùn)練。輸入層神經(jīng)元負(fù)責(zé)接收由反應(yīng)模式向量構(gòu)成的分類數(shù)據(jù)，并從輸入層傳入競(jìng)爭(zhēng)層；在訓(xùn)練過程中SOM神經(jīng)網(wǎng)絡(luò)通過自組織方式調(diào)整網(wǎng)絡(luò)權(quán)值，使輸出平面神經(jīng)元成為對(duì)特定反應(yīng)模式敏感的神經(jīng)細(xì)胞，對(duì)應(yīng)的內(nèi)星權(quán)向量成為各反應(yīng)模式的聚類中心。

④確定答題模式與答題模式類別映射。訓(xùn)練結(jié)束后，形成輸出平面神經(jīng)元與反應(yīng)模式的特定映射關(guān)系，得到競(jìng)爭(zhēng)層對(duì)應(yīng)的特征映射矩陣（圖2中不同顏色的網(wǎng)格區(qū)域）。當(dāng)輸入一個(gè)反應(yīng)模式時(shí)，網(wǎng)絡(luò)輸出層代表該反應(yīng)模式的特定神經(jīng)元將產(chǎn)生最大響應(yīng)，從而將該輸入向量自動(dòng)歸類，實(shí)現(xiàn)反應(yīng)模式分類，進(jìn)而確定答題模式類別。

（2）知識(shí)結(jié)構(gòu)診斷

知識(shí)結(jié)構(gòu)診斷是指通過計(jì)算測(cè)試項(xiàng)目切片的正確率，確定類別屬性模式，完成對(duì)類別知識(shí)結(jié)構(gòu)的診斷。本環(huán)節(jié)包括四個(gè)步驟：

①按知識(shí)點(diǎn)對(duì)測(cè)試項(xiàng)目進(jìn)行切片。本研究從前測(cè)實(shí)驗(yàn)數(shù)據(jù)中隨機(jī)選擇一個(gè)類別，以這一類別內(nèi)的5名學(xué)生為例，依據(jù)5名學(xué)生的答題正誤情況，得到其反應(yīng)模式，如表1所示。其中，ID列為學(xué)生編號(hào)，P1～P5表示五個(gè)測(cè)試項(xiàng)目，A、B、C、D為四個(gè)知識(shí)點(diǎn)；P1（A）表示測(cè)試項(xiàng)目P1考查的知識(shí)點(diǎn)為A；第1行表示學(xué)生S1的反應(yīng)模式為10101（“1”表示答題正確、“0”表示答題錯(cuò)誤）；S1行P1列為1，表示學(xué)生S1在測(cè)試項(xiàng)目P1中答題正確。為實(shí)現(xiàn)由反應(yīng)模式確定類別屬性模式，需先按知識(shí)點(diǎn)對(duì)測(cè)試項(xiàng)目進(jìn)行切片，然后將包含同一知識(shí)點(diǎn)的測(cè)試項(xiàng)目進(jìn)行切片，得到各類別屬性對(duì)應(yīng)的項(xiàng)目切片，如表2第1行所示。

②計(jì)算項(xiàng)目切片的正確率。由于同一知識(shí)點(diǎn)的項(xiàng)目切片可能包含多個(gè)測(cè)試項(xiàng)目，所以需要以知識(shí)點(diǎn)為單位先計(jì)算各測(cè)試項(xiàng)目切片的正確率，再通過求平均值得到知識(shí)點(diǎn)的正確率。如表2所示，知識(shí)點(diǎn)A的項(xiàng)目切片包含P1、P4，故知識(shí)點(diǎn)A的正確率為項(xiàng)目切片P1、P4的平均正確率。經(jīng)計(jì)算，項(xiàng)目切片P1、P4的正確率分別為80%、20%，進(jìn)一步計(jì)算這兩個(gè)項(xiàng)目切片的平均正確率：（80%+20%）/2=50%，便得到知識(shí)點(diǎn)A的正確率。同理，可以計(jì)算出知識(shí)點(diǎn)B、C、D的正確率分別為20%、60%、80%，如表2第2行所示。

③確定類別屬性模式。在同一類別中，學(xué)生對(duì)知識(shí)點(diǎn)的掌握情況由預(yù)設(shè)的評(píng)定標(biāo)準(zhǔn)確定，評(píng)定標(biāo)準(zhǔn)越低，說明根據(jù)項(xiàng)目切片正確率估算出的知識(shí)點(diǎn)掌握狀態(tài)的精度就越低，對(duì)應(yīng)的補(bǔ)救教學(xué)內(nèi)容的完備性也就越差；反之亦成立。例如，預(yù)設(shè)的評(píng)定標(biāo)準(zhǔn)為60%，若正確率低于此評(píng)定標(biāo)準(zhǔn)，說明未掌握知識(shí)點(diǎn)，用“0”表示；若正確率高于此評(píng)定標(biāo)準(zhǔn)，說明已掌握知識(shí)點(diǎn)，用“1”表示。按此標(biāo)準(zhǔn)得到類別屬性模式為0011，意思是該類別的知識(shí)結(jié)構(gòu)為未掌握知識(shí)點(diǎn)A、B，但已掌握知識(shí)點(diǎn)C、D，如表2第3行所示。

④根據(jù)類別屬性模式確定各類別知識(shí)結(jié)構(gòu)，生成類別診斷報(bào)告。此診斷報(bào)告描述了該類別學(xué)生的知識(shí)掌握情況，是開展補(bǔ)救教學(xué)的直接依據(jù)。

（3）補(bǔ)救教學(xué)

補(bǔ)救教學(xué)是指依據(jù)類別知識(shí)結(jié)構(gòu)，確定補(bǔ)救教學(xué)方案，推送個(gè)性化資源，實(shí)施補(bǔ)救教學(xué)。本環(huán)節(jié)包括四個(gè)步驟：①依據(jù)類別診斷報(bào)告，確定各類別補(bǔ)救教學(xué)方案，包括要掌握的知識(shí)點(diǎn)、補(bǔ)救教學(xué)路徑等。②依據(jù)類別診斷報(bào)告及其相應(yīng)的補(bǔ)救教學(xué)方案，教師在教學(xué)活動(dòng)開展前為各類別學(xué)生推送個(gè)性化學(xué)習(xí)資源，如數(shù)字化學(xué)習(xí)資料、習(xí)題等。③學(xué)生下載個(gè)性化學(xué)習(xí)資源后，嘗試自學(xué)薄弱知識(shí)點(diǎn)并進(jìn)行練習(xí)。教師需要實(shí)時(shí)觀察學(xué)生的學(xué)習(xí)進(jìn)度和效果，并根據(jù)實(shí)際需要適時(shí)提供指導(dǎo)或共享問題講解，引導(dǎo)學(xué)生查缺補(bǔ)漏。④各類別學(xué)生完成個(gè)性化作業(yè)，作業(yè)的總量和內(nèi)容與學(xué)生的知識(shí)結(jié)構(gòu)類別直接相關(guān)，即每個(gè)學(xué)生完成的作業(yè)都是為了彌補(bǔ)自身知識(shí)缺陷所需。這種個(gè)性化作業(yè)不僅節(jié)省了學(xué)生對(duì)已掌握知識(shí)的練習(xí)時(shí)間、減輕了其學(xué)習(xí)負(fù)擔(dān)，而且因其針對(duì)性強(qiáng)，能夠有效提高補(bǔ)救教學(xué)效率、避免問題積累。當(dāng)然，在整個(gè)補(bǔ)救教學(xué)過程中，教師“教”的角色被弱化，其主要職責(zé)是組織和管理補(bǔ)救教學(xué)，即針對(duì)學(xué)生面臨的共同問題、突出難題等開展專項(xiàng)補(bǔ)救教學(xué)活動(dòng)，而學(xué)生的針對(duì)性自主學(xué)習(xí)成為了補(bǔ)救教學(xué)環(huán)節(jié)的主體活動(dòng)。

三 基于SOM神經(jīng)網(wǎng)絡(luò)的教學(xué)認(rèn)知診斷模型應(yīng)用

為驗(yàn)證基于SOM神經(jīng)網(wǎng)絡(luò)的教學(xué)認(rèn)知診斷模型（下文簡(jiǎn)稱“診斷模型”）的可行性，本研究選擇在“大學(xué)英語視聽說”課程中開展診斷模型的教學(xué)應(yīng)用。“大學(xué)英語視聽說”課程重視培養(yǎng)大學(xué)生的聽說能力，課程知識(shí)點(diǎn)之間的關(guān)聯(lián)不緊密，屬于知識(shí)點(diǎn)依賴關(guān)系松散型學(xué)科。

1 應(yīng)用對(duì)象

本研究以河南省H大學(xué)教育技術(shù)學(xué)專業(yè)的一年級(jí)本科生為應(yīng)用對(duì)象。該專業(yè)共有兩個(gè)教學(xué)班，其中一班設(shè)為實(shí)驗(yàn)組，共48名學(xué)生，平均年齡為20.2歲，男生、女生的比例為1：9；二班設(shè)為對(duì)照組，共49名學(xué)生，平均年齡為19.9歲，男生、女生的比例為1：7。在開始診斷模型的正式應(yīng)用之前，兩組學(xué)生均已完成“大學(xué)英語視聽說”課程前兩課的學(xué)習(xí)任務(wù)。

2 應(yīng)用環(huán)境

診斷模型的教學(xué)應(yīng)用在云桌面機(jī)房進(jìn)行，軟件工具為基于認(rèn)知診斷的可編程教學(xué)輔助系統(tǒng)（Cognitive Diagnosis based Programmable Teaching Support System，CDPTSS）^[22]，此系統(tǒng)在教育測(cè)試與評(píng)估中心（The Center for Educational Testing and Evaluation，CETE）實(shí)驗(yàn)室設(shè)計(jì)的認(rèn)知診斷評(píng)價(jià)工具提供的開放接口上擴(kuò)展了可編程認(rèn)知診斷接口。本研究應(yīng)用MiniSOM工具包，實(shí)現(xiàn)了基于SOM神經(jīng)網(wǎng)絡(luò)的認(rèn)知診斷模塊的應(yīng)用。此模塊的輸入輸出符合CDPTSS的可編程認(rèn)知診斷接口標(biāo)準(zhǔn)，能夠通過CDPTSS接收學(xué)生答題結(jié)果并將其轉(zhuǎn)換為實(shí)際反應(yīng)模式，然后完成對(duì)實(shí)際反應(yīng)模式的自組織聚類，最后將聚類結(jié)果返回CDPTSS。接收到診斷結(jié)果后，CDPTSS提供診斷報(bào)告生成、診斷結(jié)果評(píng)價(jià)、個(gè)性化學(xué)習(xí)資源推送、前后測(cè)等功能支持。CDPTSS產(chǎn)生的診斷結(jié)果、測(cè)試成績(jī)、調(diào)查問卷等反饋數(shù)據(jù)，均使用SPSS 20.0進(jìn)行統(tǒng)計(jì)分析。

3 應(yīng)用過程

診斷模型的具體教學(xué)應(yīng)用過程如圖3所示。概括來說，此過程共持續(xù)5周，其中第1周進(jìn)行教學(xué)準(zhǔn)備；第2～3周開展課堂教學(xué)、第4周開展診斷與補(bǔ)救教學(xué)；第5周處理相關(guān)數(shù)據(jù)。

具體來說，在第1周的教學(xué)準(zhǔn)備環(huán)節(jié)，首先由教師組織實(shí)驗(yàn)組學(xué)生和對(duì)照組學(xué)生開展前測(cè)，以確保兩組學(xué)生的初始學(xué)習(xí)水平相當(dāng)；之后確定教學(xué)內(nèi)容、測(cè)試項(xiàng)目。在教學(xué)活動(dòng)環(huán)節(jié)，教師先于第2～3周在課堂上組織兩組學(xué)生參加90分鐘的課程學(xué)習(xí)與練習(xí)，并要求兩組學(xué)生課后完成相關(guān)作業(yè)，進(jìn)行鞏固練習(xí)；之后于第4周組織實(shí)驗(yàn)組學(xué)生進(jìn)行SOM認(rèn)知診斷測(cè)試，同時(shí)組織對(duì)照組學(xué)生進(jìn)行RSM認(rèn)知診斷測(cè)試，并根據(jù)系統(tǒng)生成的認(rèn)知診斷報(bào)告，教師對(duì)兩組學(xué)生開展個(gè)性化補(bǔ)救教學(xué)。在第5周的數(shù)據(jù)處理環(huán)節(jié)，教師先開展后測(cè)，收集兩組學(xué)生的學(xué)習(xí)成績(jī)數(shù)據(jù)；之后向?qū)嶒?yàn)組學(xué)生發(fā)放調(diào)查問卷，進(jìn)行滿意度調(diào)查，收集實(shí)驗(yàn)組學(xué)生對(duì)教學(xué)活動(dòng)的態(tài)度與評(píng)價(jià)數(shù)據(jù)；最后對(duì)上述數(shù)據(jù)進(jìn)行整理、分析。除了認(rèn)知診斷測(cè)試方式存在不同，實(shí)驗(yàn)組學(xué)生和對(duì)照組學(xué)生在實(shí)驗(yàn)環(huán)境、教學(xué)方式、學(xué)習(xí)資源、測(cè)試內(nèi)容等方面均完全相同。

4 診斷實(shí)施及結(jié)果

本研究以“大學(xué)英語視聽說”課程所用教材《大學(xué)英語視聽說教程4》的第3章“Watch Out When Nature Strikes Back”為教學(xué)內(nèi)容，主要涉及單詞和詞組、時(shí)態(tài)和語態(tài)、非謂語動(dòng)詞、從句4個(gè)知識(shí)點(diǎn)。課程學(xué)習(xí)結(jié)束后，實(shí)驗(yàn)組學(xué)生進(jìn)行SOM認(rèn)知診斷測(cè)試，測(cè)試內(nèi)容是與教學(xué)內(nèi)容有關(guān)的7個(gè)測(cè)試項(xiàng)目。實(shí)驗(yàn)組學(xué)生通過CDPTSS完成測(cè)試，測(cè)試結(jié)果通過CDPTSS的可編程接口調(diào)用基于SOM神經(jīng)網(wǎng)絡(luò)的診斷模塊進(jìn)行分類評(píng)估，對(duì)應(yīng)的SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。在SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，輸入層神經(jīng)元個(gè)數(shù)為7，與實(shí)際反應(yīng)模式維度相同。其中，sigma值為3（默認(rèn)值），學(xué)習(xí)率為0.5（默認(rèn)值），網(wǎng)絡(luò)輸出層網(wǎng)格邊長為8（分組越細(xì)、相似度越高）^[23]，近鄰函數(shù)為bubble（運(yùn)算速度優(yōu)于高斯函數(shù)且sigma值較小），最大迭代次數(shù)為200（≥200時(shí)，聚類結(jié)果不變，減少程序運(yùn)行時(shí)間）^[24]。

SOM神經(jīng)網(wǎng)絡(luò)能夠自組織、自適應(yīng)地改變網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)，實(shí)現(xiàn)對(duì)實(shí)際反應(yīng)模式特征空間的自動(dòng)分類，且整個(gè)分類過程無需預(yù)先確定聚類中心、無需導(dǎo)師信號(hào)支持。實(shí)驗(yàn)組的實(shí)際反應(yīng)模式作為訓(xùn)練數(shù)據(jù)輸入SOM神經(jīng)網(wǎng)絡(luò)，訓(xùn)練結(jié)束后即可確定網(wǎng)絡(luò)輸出層各神經(jīng)元與各輸入模式之間的特定關(guān)系——此時(shí)輸入一個(gè)特征模式，網(wǎng)絡(luò)輸出層代表該特征模式的特定神經(jīng)元將產(chǎn)生最大響應(yīng)，從而將該輸入自動(dòng)歸類。實(shí)驗(yàn)組的實(shí)際反應(yīng)模式聚類結(jié)果如圖5所示，48名實(shí)驗(yàn)組學(xué)生的反應(yīng)模式被自動(dòng)歸為為G1、G2、G3、G4、G5五類，分別對(duì)應(yīng)于圖中的圓形、三角形、正方形、菱形、五角星。同時(shí)，圖5采用熱力圖呈現(xiàn)SOM神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束后的U-Matrix權(quán)重矩陣，這是輸入空間中樣本的概率密度在二維平面上的映射；矩陣中單元格的著色由淺到深，表示該節(jié)點(diǎn)與領(lǐng)域節(jié)點(diǎn)的距離由近到遠(yuǎn)。圖5的聚類結(jié)果表明，五類反應(yīng)模式之間的區(qū)分度較高，聚類結(jié)果理想。

圖5給出的聚類結(jié)果雖然清晰地呈現(xiàn)了五類反應(yīng)模式的樣本分布情況，但缺少各網(wǎng)格響應(yīng)的樣本數(shù)量信息。本研究通過改進(jìn)代碼方案，得到五類反應(yīng)模式的樣本數(shù)量分布（如圖6所示），對(duì)網(wǎng)格響應(yīng)的樣本數(shù)量進(jìn)行了補(bǔ)充描述。其中，圓餅表示產(chǎn)生響應(yīng)的網(wǎng)格，其位置分布、圖例配色與圖5相同；圓餅中的數(shù)字表示該網(wǎng)格響應(yīng)的樣本數(shù)量。從圖6可知，G1、G2、G3、G4、G5的樣本數(shù)量分別為7、8、10、11、12。

經(jīng)計(jì)算，本研究得到五類反應(yīng)模式不同知識(shí)點(diǎn)的項(xiàng)目切片正確率，如圖7所示。其中，橫軸為五類反應(yīng)模式G1、G2、G3、G4、G5及其相應(yīng)的學(xué)生人數(shù)；縱軸為項(xiàng)目切片的正確率，反映各類別學(xué)生對(duì)知識(shí)點(diǎn)A、B、C、D的掌握情況。為保證補(bǔ)救教學(xué)內(nèi)容的完備性，確保同一類別內(nèi)的學(xué)生的知識(shí)缺陷得到充分補(bǔ)救，本研究將預(yù)設(shè)的評(píng)定標(biāo)準(zhǔn)定為75%。由于教學(xué)內(nèi)容主要涉及4個(gè)知識(shí)點(diǎn)，所以類別屬性模式以4位二進(jìn)制數(shù)表示，其中“1”表示已掌握知識(shí)點(diǎn)，“0”表示未掌握知識(shí)點(diǎn)。由圖7可知，G1中知識(shí)點(diǎn)A、B、C、D的正確率分別為76.19%、10.71%、82.14%、42.86%，所以G1的屬性模式為1010，表示G1類7名學(xué)生的知識(shí)點(diǎn)診斷結(jié)果為：已掌握知識(shí)點(diǎn)A單詞和詞組、C非謂語動(dòng)詞，但未掌握知識(shí)點(diǎn)B時(shí)態(tài)和語態(tài)、D從句。同理，可以確定G2、G3、G4、G5的類別屬性模式。

完成診斷后，CDPTSS根據(jù)類別屬性模式確定各類別知識(shí)結(jié)構(gòu)，生成類別診斷報(bào)告。CDPTSS根據(jù)各類別診斷報(bào)告向?qū)W生有針對(duì)性地推送學(xué)習(xí)資源，教師結(jié)合類別診斷報(bào)告和CDPTSS推送的學(xué)習(xí)資源開展個(gè)性化補(bǔ)救教學(xué)。例如，根據(jù)G1的屬性模式1010，CDPTSS會(huì)有針對(duì)性地推送學(xué)生未掌握的知識(shí)點(diǎn)B時(shí)態(tài)和語態(tài)、D從句相關(guān)的學(xué)習(xí)資源。據(jù)此，教師了解各類別學(xué)生的知識(shí)點(diǎn)掌握情況，從而準(zhǔn)確把握各類別學(xué)生的知識(shí)缺陷，進(jìn)而開展個(gè)性化補(bǔ)救教學(xué)。

四 基于SOM神經(jīng)網(wǎng)絡(luò)的教學(xué)認(rèn)知診斷模型效果分析

為驗(yàn)證基于SOM神經(jīng)網(wǎng)絡(luò)的教學(xué)認(rèn)知診斷模型的應(yīng)用效果，本研究從診斷結(jié)果、學(xué)習(xí)成效、滿意度三個(gè)方面進(jìn)行了分析。

1 診斷結(jié)果評(píng)價(jià)

診斷結(jié)果評(píng)價(jià)以診斷準(zhǔn)確率為指標(biāo)，是指實(shí)驗(yàn)組學(xué)生獲取診斷報(bào)告后，結(jié)合自己對(duì)知識(shí)點(diǎn)的實(shí)際掌握情況，通過CDPTSS發(fā)放的調(diào)查問卷對(duì)診斷準(zhǔn)確率進(jìn)行評(píng)分。診斷準(zhǔn)確率評(píng)價(jià)結(jié)果分為高、中、低三個(gè)區(qū)間，實(shí)驗(yàn)組學(xué)生的整體診斷結(jié)果評(píng)價(jià)如表3所示，可以看出：五類反應(yīng)模式的知識(shí)結(jié)構(gòu)越完善，診斷準(zhǔn)確率就越高，如G5類診斷準(zhǔn)確率位于高區(qū)間的占比為83.33%，而G1類位于高區(qū)間的占比為42.86%，這與組內(nèi)成員的知識(shí)掌握狀態(tài)和認(rèn)知水平有關(guān)；五類反應(yīng)模式的診斷正確率也有一個(gè)共同點(diǎn)，那就是位于低區(qū)間的占比都在20.00%以下。具體來說，實(shí)驗(yàn)組有64.59%的學(xué)生認(rèn)為診斷模型的診斷準(zhǔn)確率位于高區(qū)間，有25.00%的學(xué)生認(rèn)為診斷準(zhǔn)確率位于中區(qū)間，僅有10.41%的學(xué)生認(rèn)為診斷準(zhǔn)確率位于低區(qū)間。可見，本研究提出的基于SOM神經(jīng)網(wǎng)絡(luò)的教學(xué)認(rèn)知診斷模型的診斷準(zhǔn)確率較高，可以滿足知識(shí)點(diǎn)依賴關(guān)系松散型學(xué)科的教學(xué)認(rèn)知診斷需要，能夠精準(zhǔn)、高效地分類評(píng)估學(xué)生的知識(shí)狀態(tài)。

2 學(xué)習(xí)成效分析

在教學(xué)應(yīng)用開始之前，教師對(duì)實(shí)驗(yàn)組學(xué)生和對(duì)照組學(xué)生分別進(jìn)行了前測(cè)，以對(duì)比兩組學(xué)生的初始知識(shí)水平。本研究采用獨(dú)立樣本t檢驗(yàn)對(duì)兩組的前測(cè)成績(jī)進(jìn)行分析，結(jié)果如表4所示。其中，Sig.值遠(yuǎn)大于0.05，說明兩組學(xué)生的初始知識(shí)水平相當(dāng)，不存在顯著差異。

為觀測(cè)兩組學(xué)生的學(xué)習(xí)效果，教師在課堂教學(xué)活動(dòng)結(jié)束后組織兩組學(xué)生進(jìn)行了后測(cè)。本研究使用SPSS 20.0，對(duì)兩組的前后測(cè)成績(jī)進(jìn)行對(duì)比分析，結(jié)果如表5所示。表5顯示，實(shí)驗(yàn)組與對(duì)照組的Sig.值均小于0.05，說明兩組學(xué)生通過課程學(xué)習(xí)后成績(jī)差異顯著；實(shí)驗(yàn)組前測(cè)-后測(cè)成績(jī)平均分的差值為-15.25，而對(duì)照組的差值為-12.12，且實(shí)驗(yàn)組的Sig.值小于對(duì)照組（0.000＜0.004），說明實(shí)驗(yàn)組學(xué)生在補(bǔ)救教學(xué)環(huán)節(jié)的學(xué)習(xí)效率更高，學(xué)習(xí)成績(jī)的提高更為顯著。另外，實(shí)驗(yàn)組的標(biāo)準(zhǔn)差比對(duì)照組少2.657，說明實(shí)驗(yàn)組學(xué)生在進(jìn)行認(rèn)知診斷和補(bǔ)救教學(xué)后，不僅學(xué)習(xí)效率提高了，而且成績(jī)分布更為集中，可見診斷模型在提高實(shí)驗(yàn)組學(xué)生的學(xué)習(xí)效率和避免成績(jī)的兩極化方面效果顯著，主要原因如下：①對(duì)照組學(xué)生進(jìn)行的是RSM認(rèn)知診斷測(cè)試，而RSM應(yīng)用于知識(shí)點(diǎn)依賴關(guān)系相對(duì)松散的學(xué)科時(shí)，所構(gòu)建的可達(dá)矩陣退化為稀疏矩陣，導(dǎo)致RSM診斷性能向普通測(cè)驗(yàn)退化，且無法有效排除診斷過程中引入的干擾因素，故診斷效率與精確度下降，對(duì)學(xué)生整體知識(shí)狀態(tài)與學(xué)生個(gè)體知識(shí)結(jié)構(gòu)的評(píng)價(jià)誤差較大，影響了學(xué)生的學(xué)習(xí)成效。②實(shí)驗(yàn)組進(jìn)行的是SOM認(rèn)知診斷測(cè)試，而SOM能夠通過對(duì)客觀答題數(shù)據(jù)的反復(fù)觀察、分析與比較，自行發(fā)現(xiàn)其內(nèi)在的猜測(cè)、失誤等規(guī)律，并對(duì)具有共同特征的樣本進(jìn)行準(zhǔn)確識(shí)別；能夠在不考慮知識(shí)點(diǎn)依賴關(guān)系的情況下對(duì)學(xué)生的知識(shí)狀態(tài)進(jìn)行精確的分類分析，并為各類別學(xué)生提供有效的認(rèn)知診斷報(bào)告；能夠幫助教師實(shí)時(shí)把握各類別學(xué)生的知識(shí)缺陷，并針對(duì)學(xué)生面臨的共性問題組織補(bǔ)救教學(xué)，及時(shí)解決大部分學(xué)生的學(xué)習(xí)問題。此外，CDPTSS可依據(jù)診斷報(bào)告，向各類別學(xué)生推送符合其需求的個(gè)性化學(xué)習(xí)資源與作業(yè)，幫助學(xué)生有的放矢地查漏補(bǔ)缺；學(xué)生可以通過類別診斷報(bào)告明確自身的知識(shí)缺陷，有針對(duì)性地解決自己面臨的學(xué)習(xí)問題，避免問題積累。總的來說，基于SOM神經(jīng)網(wǎng)絡(luò)的教學(xué)認(rèn)知診斷結(jié)果有助于實(shí)驗(yàn)組學(xué)生開展更為有效的補(bǔ)救教學(xué)，并促進(jìn)學(xué)習(xí)資源的高效利用，提升了實(shí)驗(yàn)組學(xué)生的學(xué)習(xí)成效。

3 滿意度調(diào)查

在診斷模型的教學(xué)應(yīng)用結(jié)束后，本研究團(tuán)隊(duì)面向?qū)嶒?yàn)組學(xué)生開展了滿意度調(diào)查。調(diào)查問卷從診斷模型有效性、補(bǔ)救教學(xué)效率、教學(xué)效果滿意度三個(gè)維度展開調(diào)查，各維度題項(xiàng)采用李克特五點(diǎn)量表評(píng)分，用1～5分表示從“非常不同意”到“非常同意”。為衡量問卷是否具有可靠性和穩(wěn)定性，本研究進(jìn)行了信度分析，得到上述三個(gè)維度的Cronbach’s α系數(shù)值分別為0.879、0.830、0.732，均大于0.7，表明問卷有較高的可信度。

本研究通過“問卷星”開展實(shí)驗(yàn)組學(xué)生的滿意度調(diào)查，共發(fā)放問卷48份，回收有效問卷46份。對(duì)有效問卷數(shù)據(jù)進(jìn)行處理與分析后，結(jié)果顯示：診斷模型有效性、補(bǔ)救教學(xué)效率、教學(xué)效果滿意度三個(gè)維度的均值分別是4.50、4.57、4.61，均在4分以上，說明診斷模型用于知識(shí)點(diǎn)依賴關(guān)系松散型學(xué)科時(shí)，對(duì)學(xué)生知識(shí)結(jié)構(gòu)的診斷精度和效度都比較高，方便教師開展補(bǔ)救教學(xué)，學(xué)生整體滿意度較高。具體來說，從診斷模型有效性維度的整體均值（M=4.59）和標(biāo)準(zhǔn)差（SD=0.696）來看，診斷模型的診斷準(zhǔn)確率較高，能夠讓學(xué)生準(zhǔn)確、及時(shí)地了解認(rèn)識(shí)自身的知識(shí)缺陷，并明確補(bǔ)救教學(xué)方向；從補(bǔ)救教學(xué)效率維度的整體均值（M=4.32）和標(biāo)準(zhǔn)差（SD=1.171）來看，學(xué)生認(rèn)為診斷模型能夠幫助自己針對(duì)知識(shí)缺陷開展個(gè)性化學(xué)習(xí)，有效提高了查漏補(bǔ)缺的效率和學(xué)習(xí)興趣；而從教學(xué)效果滿意度維度的整體均值（M=4.01）和標(biāo)準(zhǔn)差（SD=1.179）來看，大部分學(xué)生認(rèn)為診斷模型有助于明確學(xué)習(xí)方向、激發(fā)學(xué)習(xí)動(dòng)力，對(duì)其應(yīng)用效果的滿意度較高。

五 結(jié)語

為在知識(shí)點(diǎn)依賴關(guān)系松散型學(xué)科中有效開展教學(xué)認(rèn)知診斷，本研究引入SOM神經(jīng)網(wǎng)絡(luò)來發(fā)現(xiàn)學(xué)生答題模式中隱含的規(guī)律，實(shí)現(xiàn)對(duì)答題模式的自組織聚類分析。在此基礎(chǔ)上，本研究構(gòu)建了基于SOM神經(jīng)網(wǎng)絡(luò)的教學(xué)認(rèn)知診斷模型，開展了具體的教學(xué)應(yīng)用并進(jìn)行了應(yīng)用效果分析，結(jié)果顯示：診斷模型的診斷準(zhǔn)確率較高，可以滿足知識(shí)點(diǎn)依賴關(guān)系松散型學(xué)科的教學(xué)認(rèn)知診斷需要，能夠精準(zhǔn)、高效地分類評(píng)估學(xué)生的知識(shí)狀態(tài)；診斷模型有助于教師實(shí)施有針對(duì)性的補(bǔ)救教學(xué)，在提高學(xué)生的學(xué)習(xí)效率和避免成績(jī)的兩極化方面效果顯著；學(xué)生對(duì)診斷模型的整體滿意度也較高。可見，診斷模型有效解決了知識(shí)點(diǎn)依賴關(guān)系松散型學(xué)科教學(xué)認(rèn)知診斷效率和準(zhǔn)確度低的問題，進(jìn)一步豐富了教學(xué)認(rèn)知診斷的方法與模型。但要注意的是，在進(jìn)行SOM神經(jīng)網(wǎng)絡(luò)分類時(shí)其答題模式的特征空間中可能出現(xiàn)離群值，而這種離群值的歸類及其屬性模式判定將直接影響診斷結(jié)果的準(zhǔn)確性。對(duì)此，后續(xù)研究將嘗試融合離群點(diǎn)檢測(cè)技術(shù)，來弱化離群值對(duì)聚類效果的影響，并在此基礎(chǔ)上進(jìn)一步探索高階認(rèn)知目標(biāo)達(dá)成的診斷方法與模型。

參考文獻(xiàn)

[1]李偉.個(gè)性化教學(xué)的教師之維與建構(gòu)[J].教育研究，2013，（5）：134-138.

[2]李建偉，武佳惠，姬艷麗.面向自適應(yīng)學(xué)習(xí)的個(gè)性化學(xué)習(xí)路徑推薦[J].現(xiàn)代教育技術(shù)，2023，（1）：108-117.

[3][6]魏培文，朱珂，葉海智，等.面向精準(zhǔn)教學(xué)的多級(jí)認(rèn)知診斷模型構(gòu)建與應(yīng)用[J].現(xiàn)代教育技術(shù)，2023，（8）：117-126.

[4]楊重陽，武法提.精準(zhǔn)教學(xué)與個(gè)性化學(xué)習(xí)場(chǎng)景中教學(xué)支持服務(wù)框架研究[J].現(xiàn)代教育技術(shù)，2022，（1）：111-117.

[5]Gao L， Zhao Z， Li C， et al. Deep cognitive diagnosis model for predicting students’ performance[J]. Future Generation Computer Systems， 2022，126：252-262.

[7]黃宏濤，張若，李海龍，等.基于近似子圖的實(shí)時(shí)教學(xué)認(rèn)知診斷模型設(shè)計(jì)與應(yīng)用[J].現(xiàn)代遠(yuǎn)程教育研究，2018，（4）：97-105、112.

[8]馬玉慧，王珠珠，王碩爍，等.面向智慧教育的學(xué)習(xí)分析與智能導(dǎo)學(xué)研究——基于RSM的個(gè)性化學(xué)習(xí)資源推送方法[J].電化教育研究，2018，（10）：47-52、82.

[9]秦璐，閆春更，延倩倩，等.基于RSM的高中氧化還原反應(yīng)認(rèn)知診斷研究[J].化學(xué)教育（中英文），2020，（23）：54-59.

[10]康春花，吳會(huì)云，陳婧，等.小學(xué)數(shù)學(xué)“圖形與幾何”認(rèn)知診斷測(cè)驗(yàn)的編制[J].教育測(cè)量與評(píng)價(jià)（理論版），2015：4-8、28.

[11]王欣瑜.跨年級(jí)小學(xué)數(shù)學(xué)學(xué)力認(rèn)知診斷測(cè)驗(yàn)的開發(fā)與驗(yàn)證[J].中國考試，2019，（8）：71-78.

[12]胡心穎，何鈺，孫廣中.基于概率圖模型的計(jì)算機(jī)課程教學(xué)認(rèn)知診斷框架（英文）[J].中國科學(xué)技術(shù)大學(xué)學(xué)報(bào)，2021，（1）：12-21.

[13]范婷婷，孫波，曾用強(qiáng).英語閱讀測(cè)試中不同認(rèn)知診斷模型比較研究[J].中國考試，2023，（5）：53-61.

[14]Jang E E. Cognitive diagnostic assessment of L2 reading comprehension ability： Validity arguments for fusion model application to LanguEdge assessment[J]. Language Testing， 2009，（1）：31-73.

[15]He L， Jiang Z， Min S. Diagnosing writing ability using China’s standards of english language ability： Application of cognitive diagnosis models[J]. Assessing Writing， 2021，50：100565.

[16]Chen L H. Enhancement of student learning performance using personalized diagnosis and remedial learning system[J]. Computers amp; Education， 2011，（1）：289-299.

[17]周佩，楊凡，韋駿.基于最優(yōu)城市匹配神經(jīng)網(wǎng)絡(luò)模型的PM2.5插值方法[J].北京大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，（5）：793-800.

[18]Tamayo P， Slonim D， Mesirov J， et al. Interpreting gene expression with self-organizing maps[J]. Proceedings of the National Academy of Sciences， 1999，（6）：2907-2912.

[19]李可心，張斌，蒙彥宇，等.基于SOM神經(jīng)網(wǎng)絡(luò)的工程經(jīng)濟(jì)學(xué)教學(xué)質(zhì)量評(píng)價(jià)模型研究[J].現(xiàn)代電子技術(shù)，2023，（18）：162-166.

[20]Kohonen T. Self-organized formation of topologically correct feature maps[J]. Biological Cybernetics，1982，（1）：59-69.

[21]Bigdeli A， Maghsoudi A， Ghezelbash R. Application of self-organizing map （SOM） and K-means clustering algorithms for portraying geochemical anomaly patterns in Moalleman district， NE Iran[J]. Journal of Geochemical Exploration， 2022，233：106923.

[22]黃宏濤，梁存良，李大鵬，等.基于近似子圖的規(guī)則空間壓縮算法[J].自動(dòng)化學(xué)報(bào)，2019，（8）：1586-1598.

[23]Shalaginov A， Franke K. A New method for an optimal SOM size determination in neuro-fuzzy for the digital forensics applications[A]. International Work-Conference on Artificial Neural Networks[C]. Berlin， German： Springer International Publishing， 2015：549-563.

[24]張康林，葉春明，李釗慧，等.基于Pytorch的LSTM模型對(duì)股價(jià)的分析與預(yù)測(cè)[J].計(jì)算機(jī)技術(shù)與發(fā)展，2021，（1）：161-167.

Research on Cognitive Diagnostic Model for Teaching Based on SOM Neural Network

LIANG Cun-Liang""" ZHANG Yue""" HUANG Hong-Tao""" YE Hai-Zhi""" LI Xiao-Juan^{[Corresponding Author]}

（Faculty of Educational， Henan Normal University， Xinxiang， Henan， China 453007）

Abstract： When cognitive diagnostic model is used to evaluate the knowledge state of subjects with loose dependency relationship of knowledge points， its generative reachable matrix is sparse， which tends to reduce the efficiency and accuracy of cognitive diagnosis. However， the self-organizing maps （SOM） neural network can realize the classification and evaluation of students’ knowledge state by automatically discovering the inherent laws and essential attributes in samples without considering the dependency relationship of knowledge points. Based on this， the paper constructed the cognitive diagnostic model for teaching based on SOM neural network， carried out the teaching application of this diagnostic model in the “College English Audiovisual Speaking” course， and analyzed the application effect from three aspects of diagnostic result， learning effect and satisfaction degree. The results showed that when the diagnostic model was applied to the subject with loose dependency relationship of knowledge points， it can eliminate the errors in students’ answering process by self-organizing clustering， and accurately and efficiently evaluating students’ knowledge state by category. The diagnostic model was helpful for teachers to implement targeted remedial teaching， improve students’ learning effectiveness and avoid the polarization of grades. Students’ overall satisfaction with the diagnostic model was also high. The research of this paper enriched the teaching cognitive diagnostic theory and provided diagnostic methods and practical experience for personalized learning and precision remedial teaching.

Keywords： SOM neural network; cognitive diagnosis; knowledge state; remedial teaching; personalized learning

*基金項(xiàng)目：本文為2024年河南省高等學(xué)校重點(diǎn)科研項(xiàng)目“基于SOM神經(jīng)網(wǎng)絡(luò)的認(rèn)知診斷方法及個(gè)性化教學(xué)應(yīng)用”（項(xiàng)目編號(hào)：24A880011）、2024年河南省高教教改重點(diǎn)項(xiàng)目（本科教育類）“面向教育強(qiáng)國的卓越師范生協(xié)作辯論教學(xué)模式研究與實(shí)踐”（項(xiàng)目編號(hào)：2024SJGLX0082）的階段性研究成果。

作者簡(jiǎn)介：梁存良，副教授，碩士，研究方向?yàn)檎J(rèn)知診斷、個(gè)性化教學(xué)，郵箱為021073@htu.edu.cn。

收稿日期：2024年3月18日