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！

龙图腾网获悉合肥工业大学申请的专利一种反事实公平性的认知诊断方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117474399B 。

龙图腾网通过国家知识产权局官网在2026-02-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311462970.9，技术领域涉及：G06Q10/0639；该发明授权一种反事实公平性的认知诊断方法是由吴乐;谢俊松;张琨;邵鹏阳;刘菲设计研发完成，并于2023-11-06向国家知识产权局提交的专利申请。

本一种反事实公平性的认知诊断方法在说明书摘要公布了：本发明公开了一种反事实公平性的认知诊断方法，包括：1.构造多源数据：学生‑习题交互记录、学生‑自致属性、敏感属性等数据；2.提出认知诊断中的公平性定义；3.在传统认知诊断中计算有偏的总体因果效应；4.在模型推断阶段，设计反事实的认知诊断模型，计算敏感属性到知识熟练度的虚假关联效应，同时将其从步骤3计算的有偏总体效应中减去，实现认知诊断的公平性。本发明基于反事实的去偏思想，通过捕获仅有敏感属性产生的虚假关联，再从有偏的总体效应中减去，能够有效缓解认知诊断中的公平性问题，同时保持模型的有用性。

本发明授权一种反事实公平性的认知诊断方法在权利要求书中公布了：1.一种反事实公平性的认知诊断方法，其特征在于，是按如下步骤进行： 步骤1、构造多源数据，包括：学生-习题交互记录，学生-自致属性，敏感属性； 步骤1.1、定义学生集合U＝{u1,u2…ui,…u|U|}，其中，ui表示第i个学生，|U|表示学生的总数，1≤i≤|U|； 定义习题集合E＝{e1,e2…,ej…,e|E|}，其中，ej表示第j个习题，|E|表示习题的总数，1≤j≤|E|； 定义知识点集合C＝{c1,c2…,ck…,c|C|}，其中，ck表示第k个知识点，|C|表示知识点的总数，1≤k≤|C|； 步骤1.2、令T＝{t1,t2…,tl…,t|T|}表示学生自致属性集合，其中，tl表示第l个自致属性，|T|表示自致属性的总数，1≤l≤|T|； 令学生二值敏感属性矩阵A＝[a1,a2…ai,…a|U|]，ai表示第i个学生ui的敏感属性值，且ai∈{0,1}，根据敏感属性值将学生集合U拆分成2个子集群体，U0＝{ui|ai＝0}代表敏感属性值为0的用户子集，U1＝{ui|ai＝1}代表敏感属性值为1的用户子集； 步骤1.3、令学生对习题的作答记录交互矩阵R＝{rij}|U|×|E|，其中，rij表示第i个学生ui作答第j个习题ej的得分，若第i个学生ui作答正确第j个习题ej，则令rij＝1，若第i个学生ui作答错误第j个习题ej，则令rij＝0，若第i个学生ui未作答第j个习题eij，则令rij＝-1； 令习题-知识点关联矩阵为Q＝{qjk}|E|×|C|，其中，qjk表示第j个习题ej是否与第k个知识点ck相关，若qjk＝1，则表示相关，若qjk＝0，则表示不相关； 步骤1.4、令第i个学生ui在所有自致属性上的信息为其中，表示第i个学生ui在第l个自致属性tl上的信息，若第i个学生ui在第l个自致属性tl上没有记录，则令 步骤2、基于估计二值敏感属性值对认知诊断结果的影响，提出认知诊断中的公平性定义： 步骤2.1、利用式1计算认知诊断模型对第g个子集群体Ug的低估率 式1中，Ug表示第g个子集群体，且g∈{0,1}；表示第g个子集群体Ug中假负样本数；第g个子集群体Ug中真正样本数； 步骤2.2、利用式2计算认知诊断模型对第g个子集群体Ug的高估率 式2中，和分别表示第g个子集群体Ug中假正样本数和真负样本数； 步骤2.3、若式3和式4成立，则表示认知诊断模型对2个子集群体U0和U1的预测偏好一致： 式3表示认知诊断模型对2个子集群体U0和U1的假负预测偏好一致； 式4表示认知诊断模型对2个子集群体U0和U1的假正预测偏好一致； 步骤3、在传统认知诊断中计算有偏的总体因果效应： 步骤3.1、令表示第i个学生ui独热编码表征，表示第i个学生ui的自致属性Mi对应的多热编码表征，通过式5计算认知诊断模型得到的第i个学生ui知识熟练度 式5中，B和C表示2个待学习的矩阵，σ为sigmoid激活函数，αi为第i个学生ui设定的一个待学习参数； 步骤3.2、令表示第j个习题ej的习题独热编码表征，则根据式6计算第j个习题ej的知识点矩阵 步骤3.3、令D和D'分别为两个待学习矩阵，则根据式7计算第j个习题ej的难度表征 根据式8计算第j个习题ej的区分度表征 根据式9得到关于第j个习题ej的知识点矩阵、难度和区分度表征的集合 步骤3.4、令表示第i个学生ui敏感属性ai的多热编码表征，则通过式10计算敏感属性虚假关联产生的第i个学生ui的知识熟练度 式10中，C'为待学习矩阵； 步骤3.5、使用G·表示认知诊断模型的交互函数，则根据式11得到认知诊断模型输出的第i个学生ui对第j个习题ej仅依靠学生自致属性Mi的预测值 根据根据式12得到认知诊断模型输出的敏感属性虚假关联产生的第i个学生ui对第j个习题ej的预测值 根据式13得到认知诊断模型输出的第i个学生ui对第j个习题ej的预测值即有偏的总体因果效应： 步骤3.6、利用式14构建仅依靠学生自致属性的认知诊断模型交叉熵损失函数Losss： 式14中，表示第i个学生ui作答的所有习题集合； 利用式15构建认知诊断模型的敏感属性虚假关联产生的交叉熵损失函数Lossa： 利用式16构建认知诊断模型同时使用学生自致属性和敏感属性的交叉熵损失函数Lossa,s： 步骤3.7、利用式17得到认知诊断模型的总体目标函数Loss； Loss＝Lossa,s+Losss+Lossa17 步骤3.8、利用Adam优化器对认知诊断模型进行训练，并最小化总损失函数Loss以更新模型参数，直至收敛为止，从而得到训练好的认知诊断模型T； 步骤4、在模型推断阶段，实现公平的认知诊断预测结果： 步骤4.1、在推断阶段，设计反事实的认知诊断模型CF_T，并利用式18计算反事实的认知诊断模型CF_T输出的敏感属性产生的第i个学生ui对第j个习题ej的预测值即虚假关联效应： 式18中，为训练好的认知诊断模型T输出的所有习题难度、区分度表征的均值； 步骤4.2、利用式19得到第i个学生ui作答第j个习题ej的公平预测结果 式17中，γ为超参数，控制去偏的强度，yi,j表示训练好的认知诊断模型T输出的第i个学生ui对第j个习题ej的预测值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。