【技術實現步驟摘要】
本專利技術涉及元認知，具體的說是一種基于出聲思考驅動檢索增強的元認知水平預測方法。
技術介紹
1、元認知是個體對自身認知過程、結果及其相關活動的知識、體驗與監控機制的總稱，它涵蓋元認知知識與元認知監控兩大維度。具體而言，元認知知識涉及個體對自身或他人認知活動、流程、成果及其關聯信息的認知，而元認知監控則是指個體對自我認知活動進行規劃、監測與調節的動態過程。元認知在個體的學習歷程、工作任務執行及問題解決等認知活動中扮演著核心角色，它助力個體高效管理認知資源，進而提升認知活動的效率與質量。隨著認知科學與教育心理學的深入發展，元認知在個體認知活動中的核心地位日益凸顯，由此，對元認知的有效評測成為了研究與實踐的重要議題。
2、當前，元認知評測的方法與技術體系豐富多樣，其中，自我報告法因其簡便易行而廣泛應用。該方法通過問卷填寫或自我陳述的形式，收集個體對自身認知過程、結果及相關活動的認知與體驗信息。然而，該方法易受被試者主觀偏見與記憶偏差的影響，且無法實現實時元認知預測。特別是在教育大模型場景下，難以即時評估用戶元認知水平以生成定制化內容。另一常用方法為出聲思考法，要求被試在執行任務時，用言語表達全部思維活動，以評估其元認知水平。盡管此法能直觀展現被試的思維軌跡，但易受語言表達能力與任務難度的制約，且需專業人員解析回答內容以評估元認知水平。
技術實現思路
1、本專利技術的目的是針對現有技術的不足而提供的一種基于出聲思考驅動檢索增強的元認知水平預測方法，采用構建出聲思考響應分析庫(
2、實現本專利技術目的具體技術方案是：一種基于出聲思考驅動檢索增強的元認知水平預測方法，其特點是采用構建的出聲思考響應分析庫(rag庫)，關聯回答內容與元認知評分，引入大五人格理論校正個性化語言偏差，構建映射模型連接回答與元認知水平，利用深度學習技術將出聲思考回答與聲思考響應分析庫中已有的回答樣本進行高效匹配，實現元認知水平的預測
3、所述出聲思考響應分析庫的構建包含不同元認知水平回答樣本，其具體步驟包括：
4、步驟1：數據收集與元認知水平測定
5、收集一定數量的用戶對選定問題的出聲思考回答，要求用戶詳盡闡述其思維過程，在完成所有問答后，通過問卷測量準確獲取用戶的元認知水平。除此之外，還要收集他們的基本信息，如性別、學歷、專業等，以便之后進行更有針對性的檢索。
6、步驟2：多智能體數據增強
7、根據實際獲取的數據模擬生成覆蓋不同元認知水平的可能回答，運用智能體技術，以此豐富和優化數據集，多智能體數據增強具體包括：
8、(一)多智能體系統的構建，該系統包含以下組件：
9、a)智能體：每個智能體代表一個具有特定元認知水平的用戶，智能體的數量應足夠多，以覆蓋從低到高不同層次的元認知水平。
10、b)交互環境：設計一個模擬環境，該環境能夠接收智能體的輸入(如問題回答)并返回相應的反饋。這個環境基于步驟一中實際收集到的數據進行構建，以確保生成的回答與真實情況相符。
11、c)數據生成機制：在智能體與環境交互的過程中，設計一個機制來記錄并生成數據，這些數據應包括智能體的狀態(如元認知水平)、行動(如回答的問題)以及環境的反饋(如問題的正確答案或評估)。
12、(二)數據增強
13、a)智能體狀態表示
14、假設元認知水平simeta是狀態向量中的一個重要特征，智能體的狀態向量si由下述(1)式表示為：
15、si＝[si1,si2,…,sin]????????????????????????(1)。
16、其中，sij表示智能體i的第j個特征(如元認知水平、知識掌握程度、學習風格等)。
17、b)數據生成函數
18、定義數據生成函數g(si,q)，該函數接受智能體的狀態向量si和問題q作為輸入，并返回智能體對該問題的回答ai，其由下述(2)式表示為：
19、ai＝g(si,q)????????(2)。
20、數據生成函數g(si,q)是深度學習模型，根據輸入的特征和問題生成相應的回答ai。
21、c)數據增強
22、對智能體的狀態向量si進行微調，并應用數據生成函數g(si,q)生成新的回答，該過程可以由下述(3)式表示為：
23、{(s1,q,a1),(s2,q,a2),…,(sm,q,am)}??(3)。
24、其中，s1,s2,sm表示不同狀態的智能體，q是問題，a1,a2,am是對應的回答。
25、步驟3：大五人格校正
26、精確建立用戶回答內容與元認知水平之間的映射關系，并引入大五人格理論進行校正，消除人格特質對語言表達的影響，具體步驟如下：
27、(一)應用大五人格理論，設計問卷或量表對用戶進行人格特質評估。大五人格包括：神經質(neuroticism)、外向性(extraversion)、開放性(openness?to?experience)、宜人性(agreeableness)和盡責性(conscientiousness)五個維度。通過統計分析方法(如因子分析、回歸分析等)，確定用戶的人格特質得分。
28、(二)構建一個校正模型，該模型以人格特質得分為輸入，以回答內容的某些特征(如詞匯使用、句子結構等)為輸出，用于估計人格特質對語言表達的影響。利用機器學習算法如線性回歸，訓練校正模型，使其能夠準確預測人格特質對語言表達的影響，所述線性回歸模型由下述(4)式表示為：
29、acorrected＝a-w·p???????????(4)。
30、其中，a為回答內容特征向量，p為人格特質得分，acorrected為校正后的回答內容特征，w為權重矩陣。
31、通過下述(5)式所示的最小二乘法求解權重矩陣w，使校正后的回答內容特征acorrected與人格特質得分p的相關性最小化：
32、w＝(p′p)-1p′a???????????(5)。
33、其中，a為校正后的回答內容特征acorrected，本文檔來自技高網...
【技術保護點】
1.一種基于出聲思考驅動檢索增強的元認知水平預測方法，其特征在于，采用提取回答特征并應用深度學習技術中的信息抽取方法，利用構建出聲思考響應分析庫，確立多種回答內容與相應元認知評分之間的關聯模式，并將構建的映射模型橋接回答內容與元認知水平之間的內在聯系，將出聲思考回答與聲思考響應分析庫中已有的回答樣本進行匹配，實現元認知水平的預測，所述出聲思考響應分析庫的構建包含不同元認知水平回答樣本，具體步驟包括：
【技術特征摘要】
1.一種基于出聲思考驅動檢索增強的元認知水平預測方法，其特征在于，采用提取回答特征并應用深度學習技術中的信息抽取方法，利用構建出聲思考響應分析庫，確立多種回答內容與相應元認知評分之間的關聯模式，并將構建...
【專利技術屬性】
技術研發人員：吳雯，黃婧淇，任飛霏，張治，賀樑，
申請(專利權)人：華東師范大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。