In this paper they deal with the issue of specification and design of parallel communicatingprocesses. A trace-state based model is introduced to describe the behaviour of concurrent programs. They presenta formal sys...In this paper they deal with the issue of specification and design of parallel communicatingprocesses. A trace-state based model is introduced to describe the behaviour of concurrent programs. They presenta formal system based on that model to achieve hierarchical and modular development and verification methods. Anumber of refinement rules are used to decompose the specification into smaller ones and calculate program fromthe展开更多
准确预测学生答题表现是智能导学系统为学生提供个性化学习服务的先决条件.认知诊断和知识追踪作为主流的学生表现预测方法,均将学生表现仅归因于知识状态,而忽视了学生答题过程中的应试心理状态,限制了模型预测精准性的进一步提升.为此...准确预测学生答题表现是智能导学系统为学生提供个性化学习服务的先决条件.认知诊断和知识追踪作为主流的学生表现预测方法,均将学生表现仅归因于知识状态,而忽视了学生答题过程中的应试心理状态,限制了模型预测精准性的进一步提升.为此,本文将学生的应试心理状态融入以知识为中心的学生表现预测模型中,并结合认知诊断可解释与知识追踪动态预测的互补优势,提出了一种应试心理状态增强的学生表现预测模型(Test-taking psychological state enhanced Student Performance Prediction model,TSPP).该模型通过捕捉习题与学生答题行为之间的复杂高阶关系,对学生应试心理状态进行建模;同时通过提取异构知识图中丰富的节点间关系对学生动态知识状态进行建模;最后设计了一种渐进式融合门,其采用可解释渐进式的方式融合应试心理状态与知识状态,得到可解释的预测结果.在3个真实世界数据集上的大量实验结果表明,TSPP模型在AUC(Area Under the Curve)和ACC(ACCuracy)2项指标上,相较于9种对比模型的平均表现,分别提升了6.05%和7.27%,在RMSE(Root Mean Square Error)指标上降低了6.76%.此外,通过对TSPP中的应试心理状态和知识状态进行可视化分析,并探究其可解释性参数的优势,本文进一步验证了TSPP的可解释性.展开更多
基金ESPRIT Basic Research ProCoS project 3104 and 7071
文摘In this paper they deal with the issue of specification and design of parallel communicatingprocesses. A trace-state based model is introduced to describe the behaviour of concurrent programs. They presenta formal system based on that model to achieve hierarchical and modular development and verification methods. Anumber of refinement rules are used to decompose the specification into smaller ones and calculate program fromthe
文摘准确预测学生答题表现是智能导学系统为学生提供个性化学习服务的先决条件.认知诊断和知识追踪作为主流的学生表现预测方法,均将学生表现仅归因于知识状态,而忽视了学生答题过程中的应试心理状态,限制了模型预测精准性的进一步提升.为此,本文将学生的应试心理状态融入以知识为中心的学生表现预测模型中,并结合认知诊断可解释与知识追踪动态预测的互补优势,提出了一种应试心理状态增强的学生表现预测模型(Test-taking psychological state enhanced Student Performance Prediction model,TSPP).该模型通过捕捉习题与学生答题行为之间的复杂高阶关系,对学生应试心理状态进行建模;同时通过提取异构知识图中丰富的节点间关系对学生动态知识状态进行建模;最后设计了一种渐进式融合门,其采用可解释渐进式的方式融合应试心理状态与知识状态,得到可解释的预测结果.在3个真实世界数据集上的大量实验结果表明,TSPP模型在AUC(Area Under the Curve)和ACC(ACCuracy)2项指标上,相较于9种对比模型的平均表现,分别提升了6.05%和7.27%,在RMSE(Root Mean Square Error)指标上降低了6.76%.此外,通过对TSPP中的应试心理状态和知识状态进行可视化分析,并探究其可解释性参数的优势,本文进一步验证了TSPP的可解释性.
