CN120235739A 基于联合概率模型的多群组时间序列学生认知诊断方法 （暨南大学）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120235739A(43)申请公布日2025.07.01

(21)申请号202510678687.2

(22)申请日2025.05.26

(71)申请人暨南大学

地址510000广东省广州市天河区黄埔大

道西601号

(72)发明人毛佳宁梁倩茹杜景萍

(74)专利代理机构北京盛询知识产权代理有限公司11901

专利代理师杜旭东

(51)Int.CI.

GO6Q50/20(2012.01)

GO6F18/2415(2023.01)

GO6F18/27(2023.01)

GO6Q10/0639(2023.01)

权利要求书2页说明书9页附图2页

(54)发明名称

基于联合概率模型的多群组时间序列学生认知诊断方法

(57)摘要

CN120235739A本发明公开了一种基于联合概率模型的多群组时间序列学生认知诊断方法，属于教育领域，包括以下步骤：获取至少两个连续时间点的学生答题数据、群体分类标签及协变量数据；根据学生答题数据、群体分类标签及协变量数据，构建联合概率模型，联合概率模型包括结构模型和测量模型；结构模型用于描述学生潜在知识掌握状态的动态变化过程，测量模型用于建立学生在各时间点的答题数据与潜在知识掌握状态之间的关联关系；基于联合概率模型进行分析，获得学生潜在知识掌握状态。本发明能够在多个群

CN120235739A

据。

MG-GDINA模型拟合

潜在知识掌握状态分配

潜在转移CDM的估算

CN120235739A权利要求书1/2页

2

1.一种基于联合概率模型的多群组时间序列学生认知诊断方法，其特征在于，包括以下步骤：

获取至少两个连续时间点的学生答题数据、群体分类标签及协变量数据；

根据所述学生答题数据、群体分类标签及协变量数据，构建联合概率模型，所述联合概率模型包括结构模型和测量模型；

所述结构模型用于描述学生潜在知识掌握状态的动态变化过程，所述测量模型用于建立学生在各时间点的答题数据与潜在知识掌握状态之间的关联关系；

基于所述联合概率模型进行分析，获得学生潜在知识掌握状态。

2.根据权利要求1所述的方法，其特征在于，所述结构模型包括初始状态概率函数和状态转移概率函数；

所述初始状态概率函数用于建立协变量与初始时间点知识状态的关联；

所述状态转移概率函数用于建立协变量对相邻时间点间状态转变的关系。

3.根据权利要求1所述的方法，其特征在于，所述测量模型采用多组别认知诊断模型，通过多组别认知诊断模型建立各时间点学生答题数据与潜在知识状态的映射关系。

4.根据权利要求2所述的方法，其特征在于，所述初始状态概率函数的表达式为：

表达式为在时间点1时，第8组的潜在知识掌握状态为：的概率；其中，表示第g组中第一个时间点的潜在知识掌握状态，,s(9)表示第g组中第一个时间点的分类估计值，为在第g组中第一个时间点的协变量向量，Pos(⑨为第8组在第一个时间点上分类为

截距，表示第g组在第一个时间点上分类为的回归系数向量。

5.根据权利要求2所述的方法，其特征在于，所述状态转移概率函数的表达式为：

表达式为在第g组中，当t-1时刻的潜在知识掌握状态为,而在t时候它的潜在知识掌握状态由.转变为的概率；其中，表示第g组中第t个时间点的潜在知识掌握状态，表示第8组中第七个时间点的分类估计值，为第g组中第t个时间点的协变量向量，Yos(⑨1s(⑨1表示第8组在在第t-1时间点被分类为：而在第t个时间点上分类为

的截距项，表示第g组在在第t-1时间点被分类为.而在第t个时间点上

CN120235739A权利要求书2/2页

3

被分类为.的回归系数向量。

6.根据权利要求1所述的方法，其特征在于，所述多组别认知诊断模型的响应函数为：

式中，)表示群体g的题目参数；为群体g对题目j的截距参数，表示在不具备第g组中题目j所需的任何属性时，答对题目j的概率；为在群体g中αk引起的主效应，即掌握第g组题目j所需要的属性中的单个属性k后答对题目j的概率；为群体g中两个属性αk和αk之间的交互效应，即掌握第