智能辅导系统是一个基于计算机的学习环境,融合了认知科学、计算机视觉、自然语言处理等领域的内容,最终目的是在没有人为干预的情况下提高学生的知识水平和学习能力。具体来说,智能辅导系统能实时监控学生与系统的交互,获取学生数据并分析学习情况,依据学生的能力水平与学习风格自动提供合适的学习内容给学生,通过测评反馈、课中互动交流及课后的智能化作业推送完成教学全过程。智能辅导系统这一系列功能都离不开对学生学习成果的评估。合理的评估机制可以减少学生重复无意义的学习,为学生提供精确及时的反馈,更大限度地提升教学质量。当前的评估技术从应用角度可分为两大类:对学生学习表现的评估和深入的认知诊断。学生表现评估就是给学生一个总体评分,认知诊断则需要更进一步推断出学生的长处与弱项及对它们的掌握程度。学生表现评估通常使用模糊集的相关理论,但是它有一些明显的缺点:依赖于学生每道题的作答时间,无法区分相同成绩的学生,方法复杂不能体现教学设计思想。在认知诊断方面,传统的认知诊断方法简化认知建模导致诊断的结果是二元的,掌握或没掌握,另一些高级的认知诊断模型参数估计方法复杂,时间复杂度高不利于与学生的实时交互。针对表现评估的缺点我们设计了新的模糊推理方法确定学生的学生成绩。具体地说,首先定义合适的模糊集模糊化问题的三个属性:重要性、复杂度、难度,计算三个属性属于低、中、高三个水平的程度,再由三个属性高低程度的不同根据设计的推理规则推理某道题的综合水平。可以从原答题准确率中为每个学生计算出一个校准的准确率重新计算学生的得分。针对认知诊断的缺点本文提出了基于贝叶斯网络的认知诊断模型。首先引入项目反应理论简化确定条件概率分布,然后提出教育假设模拟学生的认知加工过程,最后引入失误系数和猜测系数让模型更精确地模拟被试对问题的作答情况。只需要估计学生所在测试群体的能力先验概率分布,收集考试结果即可自动更新贝叶斯网络推理学生的能力和相关技能分布。通过在真实数据集上预测学生的学习表现说明了诊断模型的有效性,给出一个具体应用展示了其良好的可解释性。