FairEduNet-Algorithmen-Design und Lehrbewertungs-Kalibrierung unter Berücksichtigung von Gerechtigkeit in der Hochschulbildung

Summary

Die Forschung zielt darauf ab, einen neuen Ansatz für die Kalibrierung der Lehrbewertung und Bildungsgerechtigkeit in der intelligenten Bildung zu bieten. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Modell die vergleichenden Modelle deutlich übertrifft und Probleme der mangelhaften Multiquellen-Datenintegration und Fairness-Bias in bestehenden Kalibrierungsmethoden effektiv adressiert.

Abstract

Aktuelle Kalibrierungsmethoden der Lehrbewertung stehen vor Herausforderungen wie geringer Integrationseffizienz bei der Verarbeitung multiquellen heterogener Bewertungsdaten, unzureichende Anpassungsfähigkeit zwischen verschiedenen Disziplinen und Lehrszenarien sowie Verspannungen bei den Ergebnissen mit schwachen Fairness-Garantien. Die Forschung zielt darauf ab, ein interpretierbares, übertragbares und skalierbares Fairness-Correction-Framework für tiefgehende Modellierung und dynamische Korrektur von Lehrbewertungsdaten zu entwickeln. Diese Probleme erschweren es, die Kernanforderung eines ausgewogenen Unterrichts in der intelligenten Bildung zu erfüllen. Diese Studie schlägt einen fairnessorientierten Bildungsnetzwerk-Algorithmus vor, der ein generatives adversariales Netzwerk und einen Gradienten-boostenden Entscheidungsbaum integriert. Der Algorithmus konstruiert einen Fairness-Kalibrierungsmechanismus und kombiniert ein bidirektionales Encoder-Darstellungsmodell mit einem Graph-Attention-Netzwerk, um die Feature-Extraktion und dynamische Anpassungsfähigkeit zu optimieren, wodurch die Effizienz der Datenverarbeitung und die Fairness-Kalibrierungsgenauigkeit verbessert werden. Dieser Ansatz erreicht präzise Kalibrierung und Fairness Assurance bei Lehrbewertungen. Im Indikatortest erreichte das Modell eine Genauigkeit von 98,76 % bei den Cluster-Evaluationsmerkmalen, 98,05 % bei der Fairness-Korrektur und 0,968 % bei der szenarioübergreifenden Korrekturkonsistenz im Validierungsset. Bei der Aufgabe zum Verlustwert-Testen sank der Gesamtverlust des Modells während der Korrekturaufgabe der Lehrbewertung im Validierungssatz von 0,1237 auf 0,1018. Im Indikatortest erreichte das Modell eine Genauigkeit von 98,76 % bei den Cluster-Evaluationsmerkmalen, 98,05 % bei der Fairness-Korrektur und 0,968 % bei der szenarioübergreifenden Korrekturkonsistenz im Validierungsset. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Modell die vergleichenden Modelle deutlich übertrifft und Probleme der mangelhaften Multiquellen-Datenintegration und Fairness-Bias in bestehenden Kalibrierungsmethoden effektiv adressiert. Darüber hinaus bietet es innovative algorithmische Rahmenwerke für Technologieentwickler und zuverlässige technische Werkzeuge für Bildungsverantwortliche, um die Lehrgerechtigkeit zu fördern. Die Forschungsbeiträge liegen in: (i) Integration von drei Kernmodulen, darunter Multi-Source-Datenvorverarbeitung, dynamische Fairness-Index-Verifikation und Erklärbarkeitsvisualisierung; und (ii) die Vorschläge eines Fairness-Correction-Paradigmas, das auf der kollaborativen Optimierung generativer adversarialer Netzwerke und Gradient-Boosting-Bäume basiert, das die Grenzen der traditionellen Einzelmodellkorrektur durchbricht und entkoppeltes Lernen von Abweichungsmodellierung und Korrekturentscheidungen ermöglicht.

Introduction

Die Lehrbewertung und -kalibrierung bilden den Kern der Sicherstellung der Lehrqualität in der intelligenten Bildung. Durch dynamische Analyse, Fehlerkorrektur und Ergebniskalibrierung bieten sie eine Grundlage für Unterrichtsverbesserungen und personalisiertes Lernen. Ihre Genauigkeit und Fairness beeinflussen direkt, ob intelligente Bildung technologische Vorurteile durchbrechen und eine ausgewogene Bildungsunterstützung bieten^{kann 1,2}. Bestehende Methoden haben jedoch mehrere Schwächen: Sie verlassen sich auf eine einzige Datenquelle, ignorieren die tatsächliche Situation und führen zu Datenverzerrung und Korrekturfehlern. Das Fehlen eines dynamischen Anpassungsmechanismus für Fairness erschwert es, die Fairness-Bedürfnisse von Disziplinen und Szenarien zu erfüllen ^3,4. Darüber hinaus gibt es Probleme wie fehlende Fairness-Indikatoren und eine Verzerrung in den Korrekturstrategien beim Umgang mit heterogenen Daten aus mehreren Quellen. Zu diesem Zweck haben Wissenschaftler Forschungen aus mehreren Dimensionen durchgeführt, etwa zur Bewertung von tennisunterstütztem Unterricht basierend auf einem verbesserten dichten Trajektorie-Algorithmus⁵. Yin et al. nutzten den analytischen Hierarchieprozess und einen Fuzzy-Synthese-Algorithmus, um den Online-Unterricht zu überwachen⁶. Chen analysierte Bildungsdaten für ältere Erwachsene mithilfe eines verbesserten Data-Mining-Algorithmus, um die Unterrichtsqualität^{zu verbessern 7}.

Obwohl diese Studien Fortschritte gemacht haben, bestehen Probleme wie Kalibrierungsergebnis-Bias und mangelhafte Fairness-Koordination. Daher ist der Aufbau eines Modells, das gleichzeitig eine genaue Lehrbewertung, Kalibrierung und dynamische Fairness Assurance bietet, zu einem Forschungsschwerpunkt in der intelligenten Bildung geworden. Das generative adversariale Netzwerk (GAN) passt sich an, um den impliziten Einfluss sensibler Attribute auf die Ergebnisse durch Echtzeit-Adversarialtraining zwischen Generator und Discriminator zu eliminieren, wobei die Ausgaben durch Kernfaktoren und nicht durch labelinduzierte Verzerrung bestimmt^werden. GAN zeigt Vorteile beim Umgang mit Gruppenverzerrungen in Bewertungsdaten und der Modellierung nichtlinearer Fairness-Einschränkungen. Cheng et al. schlugen einen GAN-basierten Bildverbesserungsalgorithmus vor, um niedrigauflösende Bilder zu adressieren. Der Generator lieferte hochauflösende Bilder aus niedrigauflösenden Eingängen, und der Diskriminator unterschied die erzeugten Bilder von echten hochauflösenden Bildern. Adversarial Training optimiert die Parameter, sodass die Generatorausgabe reale^{Bilder 9} erreicht. Kang et al. schlugen ein crossmodales GAN-Modell vor, um die Effizienz der multimodalen Datenverarbeitung in erneuerbaren Energien zu verbessern. Der Generator erhält einmodale Daten, der Diskriminator unterscheidet die erzeugten von echten multimodalen Daten, und das adversarische Training optimiert das Modell für eine verbesserte Effizienz¹⁰. Der Gradient Boosting Decision Tree (GBDT)-Algorithmus ist ein klassischer Algorithmus für strukturierte Datenverarbeitung mit einer starken Feature-Capture-Fähigkeit. Durch iterative Integration mehrerer Entscheidungsbäume lernt GBDT präzise Datenfehlermuster und zeigt Vorteile bei der Verarbeitung multiquellen heterogener Bewertungsinformationen und der Korrektur nichtlinearer Score-Abweichungen ^11,12. Mizuno et al. schlugen eine GBDT-basierte Pfadvorhersagemethode für starke Niederschlagskatastrophen vor, bei der Pfadmerkmale gelernt und Katastrophenpfade mit Echtzeitdaten vorhergesagt wurden, wobei optimale Vorhersagen über mehrere Entscheidungsbäume ausgewählt^{wurden 13}. Gao et al. entwickelten eine GBDT-basierte visuelle Analysemethode zur Vorhersage der Klickraten in Werbung, wobei sie die Beziehung zwischen visuellen Merkmalen und historischen Klickdaten erlernten, um die Klickraten für neue Anzeigen vorherzusagen¹⁴. Basierend auf den oben genannten Herausforderungen zielt diese Forschung darauf ab, systematisch die folgende wissenschaftliche Kernfrage zu beantworten: Wie kann ein intelligentes Bildungsbewertungsmodell konstruiert werden, das multiquellenbasierte heterogene Daten effizient integriert, sich dynamisch an verschiedene Lehrszenarien anpasst und gleichzeitig Kalibrierungsgenauigkeit und Ergebnisfairness sicherstellt? Um diese Frage zu beantworten, nutzt diese Studie den synergistischen Effekt des Fairness-Constraint-Mechanismus von GAN und die präzise Fehlerkalibrierungsfähigkeit von GBDT. Darüber hinaus wird geforscht, wie fortschrittliche Technologien wie natürliche Sprachverarbeitung (BERT), Verstärkungslernen (RL), Aufmerksamkeitsmechanismen (AM), Langzeit-Kurzzeitgedächtnisnetzwerke (LSTM), Graphen-Aufmerksamkeitsnetzwerke (GAT) und Wissensdestillation (KD) eingeführt werden können, um die inhärenten Einschränkungen eines einzelnen Modells bei Merkmalsextraktion, dynamischer Anpassung und Schlussfolgerungseffizienz auszugleichen. Letztlich ist das Ziel, eine Kalibrierungslösung für Lehrbewertungen bereitzustellen, die sowohl präzise als auch fair ist und starke Verallgemeinerungsmöglichkeiten für den Bereich der intelligenten Bildung bietet.

Protocol

Design und Optimierung des FairEduNet-Algorithmus
Die Studie kombiniert GAN und GBDT, um den FairEduNet-Algorithmus zu konstruieren, der die doppelten Ziele von Fairness-Correction und Genauigkeitskorrektur erreicht, anstatt den Kompromiss einer Einweg-Optimierung. FairEduNet verwendet eine Dual-Channel-Kollaborationsarchitektur: Der GBDT-Backbone-Kanal ist für strukturierte Fehlermodellierung und präzise Korrektur verantwortlich, während der GAN-Hilfskanal sich auf die Entkopplung sensibler Attribute und die dynamische Anpassung der Fairness konzentriert. Die FairEduNet-Algorithmusarchitektur, die GAN und GBDT kombiniert, ist in Abbildung 1 dargestellt.

Abbildung 1: FairEduNet-Algorithmusarchitektur, die GAN und GBDT kombiniert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 1 gezeigt, sammelt und bereitet FairEduNet zunächst Multi-Source-Bewertungsdaten vor. GBDT verwendet mehrere Entscheidungsbäume, um iterativ Bewertungsfehlermuster zu lernen, gibt die anfänglichen Kalibrierungsergebnisse aus und übergibt diese an das GAN-Modul. GAN trainiert den Discriminator, um die Beziehung zwischen den anfänglichen Kalibrierungsergebnissen und sensiblen Attributen zu erlernen, während der Generator die Kalibrierungsparameter dynamisch anpasst. Durch mehrere Runden von adversarialem Training und Fairness-Verification wird der Fairness Bias optimiert. Abschließend werden die fairness-kalibrierten Ergebnisse an das GBDT-Modul zurückgegeben, das auf Genauigkeit und Fairness anpasst und die Kalibrierungsbasis und den Bericht der Lehrbewertung ausgibt. GBDT berechnet Residuen wie in Gleichung (1) gezeigt.

(1)

In Gleichung (1) repräsentiert das Residuum der i-ten Probe in der t-ten Iteration, y_i den wahren Wert und den Vorhersagewert der t-1-ten Iteration. Der GAN-Adversarialprozess ist in Gleichung (2) dargestellt.

(2)

In Gleichung (2) steht x für das anfängliche Kalibrierungsergebnis, z für sensible Attributmerkmale, P_Daten(x)  für die wahre Verteilung nicht-sensibler Merkmale, P_z(z) für die Verteilung sensibler Attribute, D für den Diskriminator und G für den Generator¹⁵. Die anfängliche Kalibrierungsausgabe von GBDT ist in Gleichung (3) dargestellt.

(3)

In Gleichung (3) steht die Vorhersage der i-ten Stichprobe durch den Anfangs-Entscheidungsbaum, K stellt die Gesamtzahl der Entscheidungsbäume dar, γ_k das Gewicht des k-ten Baums und h_k(x_i) die Vorhersageausgabe des k-ten Baumes für das i-Die Probe. Der FairEduNet-Algorithmus kann präzise Kalibrierung und Fairness Assurance für Lehrbewertungsdaten bieten. Bei der Verarbeitung unstrukturierter Bewertungsdaten und der Anpassung an dynamische Szenarien zeigt FairEduNet jedoch eine schwache Feature-Extraktionsfähigkeit für unstrukturierte Features, was zu Kalibrierungsfehlern führt. Darüber hinaus sind die FairEduNet-Fairness-Indikatoren und Kalibrierungsparameter statisch eingestellt, was die Anpassungsfähigkeit an verschiedene Lehrszenarien einschränkt und die Gesamtkalibrierungsqualität beeinflusst. Die Kombination aus bidirektionalen Encoder-Darstellungen von Transformatoren (BERT) und Reinforcement Learning (RL), der BERT-RL-Algorithmus, kann tiefe Merkmale aus unstrukturiertem Text präzise extrahieren und Szenarioparameter dynamisch anpassen, ohne statische Schwellenwerte manuell zu setzen, was die Zuverlässigkeit der Algorithmusausgaben über Szenarien hinweg weiter verbessert^16,17. Traditionelle Methoden wie TF-IDF basieren auf der Worthäufigkeit, aber es fehlt an tiefem kontextuellen Verständnis und sie können in verschiedenen Szenarien keine spezifischen Richtungen der "Fairness" unterscheiden. Word2Vec erzeugt statische Wortvektoren, die Schwierigkeiten haben, sich an komplexe kontextuelle Veränderungen anzupassen und indirekte Verzerrungen zu erkennen. BERT nutzt mehrschichtige Selbstaufmerksamkeit, um bidirektionalen Kontext zu kodieren und erfasst sowohl explizite voreingenommene Begriffe als auch implizite voreingenommene Logik. Traditionelle Ansätze erfordern manuell erstellte voreingenommene Wortlisten, beruhen auf subjektiver Erfahrung und decken begrenzte Szenarien ab. Durch vortrainiertes Model Transfer Learning lernt BERT automatisch tiefe semantische Merkmale ohne umfangreichen manuellen Aufwand, was eine stärkere Verallgemeinerung bei der Erkennung von mehrdeutigen Verzerrungen bietet. Außerdem verlieren traditionelle Methoden oft Informationen bei langen Texten, während BERT bis zu 512 Tokens unterstützt, kontextuelle Beziehungen bewahrt, Verzerrungsmerkmale genau lokalisiert und eine feine Fairness-Korrektur ermöglicht. Der Betriebsprozess von BERT-RL ist in Abbildung 2 dargestellt.

Abbildung 2: Flussdiagramm des BERT-RL-Algorithmus. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 2 dargestellt, standardisiert BERT-RL zunächst unstrukturierte Textbewertungsdaten und gibt sie in das BERT-Modell ein. BERT verwendet einen Transformer-Encoder für bidirektionale semantische Modellierung, um Schlüsselmerkmale zu extrahieren und eine Merkmalsmatrix zu erstellen. Die Merkmalsmatrix wird dann in das RL-Modul eingegeben, das die optimale Strategie durch mehrere Iterationen lernt. Die optimierte Parameterkonfiguration wird schließlich in FairEduNet eingespeist, was dessen Anpassungsfähigkeit verbessert. Die Berechnung des BERT-Selbstaufmerksamkeitsmerkmalgewichts ist in Gleichung (4) dargestellt.

(4)

In Gleichung (4) stellt d_k die Dimension des Vektors K dar. Die RL-Multi-Ziel-Belohnungsfunktion wird in Gleichung (5) ausgedrückt.

(5)

In Gleichung (5) stehen ω₁, ω₂ und ω₃ für Gewichtskoeffizienten, für den Kalibrierungsfehler, D_t für die Fairness-Abweichung, D für die Ziel-Fairness-Abweichung und T_{t für} die^{Laufzeit 18}. Diese Studie kombiniert BERT-RL mit FairEduNet und bildet so den BERT-RL-FairEduNet-Algorithmus, der als BFEN bezeichnet wird. BFEN erreicht präzise Kalibrierung und Fairness Assurance der Lehrbewertungsdaten durch GBDT-Feature-Iteration und GAN Echtzeit-Adversarial-Training, während BERT-RL FairEduNet optimiert, um unstrukturierte Daten zu verarbeiten und sich dynamisch an Szenarien anzupassen, wobei Schwächen bei der Feature-Extraktion und statischen Parameterbeschränkungen behoben werden. Die Studie verwendete das BERT-basierte chinesische Modell und trainierte den Korpus aus echten Lehrprotokollen, im Klassenzimmer aufgezeichneten Texten und Bildungsrichtliniendokumenten der National Smart Education Platform für das akademische Jahr 2024 bis 2025 mit einer Vokabelgröße von 21128. Die versteckte Schichtdimension des Modells beträgt 768, mit 12 Aufmerksamkeitsköpfen und 12 Schichten. Die Tiefe des GBDT-Baums wurde auf 8 gesetzt, die Anzahl der Bäume betrug 200 und die Lernrate lag bei 0,1. Der Trainingszyklus von GAN beträgt 150 Runden, und der Discriminator verwendet ein dreischichtiges, vollständig verbundenes Netzwerk mit den Größen 512, 256 und 1. Der Generator verwendet ein vierschichtiges, vollständig verbundenes Netzwerk mit den Größen 1024, 512, 256 und 1. Die Anzahl der versteckten Einheiten in LSTM beträgt 128, und die Sequenzlänge beträgt 512. GAT hat 2 Schichten und 4 Aufmerksamkeitsköpfe. Die Temperatur für die Wissensdestillation ist auf 3,0 gesetzt. RL belohnt die Koeffizienten ω₁ = 0,4, ω₂ = 0,35 und ω₃ = 0,25. Die Gewichtungsauswahlkriterien sollen das Pareto-Front-Gleichgewicht der multiobjektiven Optimierung mit den interpretierbaren Anforderungen von Bildungsgerechtigkeitspraktiken in Einklang bringen. Die Experimente wurden mit einer 50%igen Datenaufteilung durch Kreuzvalidierung und Hyperparameter-Tuning durchgeführt. Der BFEN-Prozess zur Kalibrierung der Lehrbeurteilung ist in Abbildung 3 dargestellt.

Abbildung 3: Korrekturprozess des BFEN-Algorithmus für intelligente Bildung und Lehrevaluation. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 3 dargestellt, bereitet BFEN zunächst multiquellenbasierte Lehrbewertungsdaten vor. BERT optimiert die Feature-Extraction-Fähigkeit von FairEduNet, indem es die textsemantische Ähnlichkeit und tiefe Feature-Gewichte basierend auf einem semantischen Fenster berechnet und wichtige Features auswählt, um eine hochdimensionale semantische Feature-Matrix zu erstellen. RL setzt dann eine multiobjektive Belohnungsfunktion fest und berechnet die Anpassungsfähigkeit von Szenarien sowie Parameteranpassungsgradienten, um Fairness-Schwellenwerte und Kalibrierungsparameter weiter zu optimieren. FairEduNet berechnet Abweichungen zwischen Bewertungsdaten und Fehlermustermodellen, aktualisiert iterativ Entscheidungsbaumgewichte und passt Kalibrierungsstrategien an, bis sich die Fehler innerhalb der vorgegebenen Schwellenwerte stabilisieren. Das Endergebnis umfasst das Fehlerkalibrierungsmodell und den Fairness-Überprüfungsbericht. Das Kalibrierungsmodell wird auf Lehrbewertungsdaten angewandt und erzeugt Vergleichstabellen vor und nach der Kalibrierung, die mit der Bibliothek des Standards für Fairness für intelligente Bildung kombiniert werden, um Zielkalibrierungsparameter zu bestimmen und so eine wissenschaftliche Grundlage für die Kalibrierung der Leistungsbewertung in der intelligenten Bildung zu schaffen. Diese Standardbibliothek deckt drei Dimensionen ab: Bildungschancen-Fairness, Prozessfairness und Ergebnis-Fairness und umfasst 12 Kernindikatoren. Zu diesen Indikatoren gehören das Gleichgewicht der Bildungsressourcenverteilung zwischen den Regionen, der Unterschied in der digitalen Infrastrukturabdeckung zwischen städtischen und ländlichen Schulen, die Toleranzschwelle für verzögerte Reaktion auf die Lernsituation (≤200 ms), die Toleranz fehlender Daten in der multimodalen Bewertung (≤3,5 %), die Sensitivität der Algorithmus-Bias-Erkennung (AUC-Abweichung für Geschlecht/Region/Stufen-Kennzeichnung ≤ 0,02), die KL-Divergenzschwelle für die Punktverteilung vor und nach der Korrektur (≤0,08), den Interpretierbarkeitswert von Lehrerinterventionsvorschlägen (≥4,2/5,0), die Frist der Aktualisierung von Schülerprofilen (abgeschlossen innerhalb von T + 1 Tag), den Konsistenzkoeffizienten der plattformübergreifenden Krediterkennung (≥0,93), die Genauigkeit der semantischen Ausrichtung der Bildungspolitik (BERT-Wert ≥ 0,86) sowie die Vollständigkeit der Erstellung von Fairness-Verifizierungsberichten (einschließlich Verzerrungszuordnung), Konfidenzintervalle und reproduzierbare Parameter-Snapshots) sowie die Bestehensquote der dynamischen Szenarioanpassungsvalidierung, die drei typische Szenarien abdeckt: Live-Klassenzimmer, asynchrone Aufgaben und KI-Lehrassistenten. Die Berechnung der semantischen Merkmalsähnlichkeit ist in Gleichung (6) dargestellt.

(6)

In Gleichung (6) stellt f_i den Wert der i-ten semantischen Merkmalsdimension dar, g_i den Wert der i-ten wichtigen Bewertungs-Dimension, und n die Gesamtzahl der Merkmalsdimensionen. Die Berechnung des RL-Szenarioanpassungsparameters ist in Gleichung (7) dargestellt.

(7)

In Gleichung (7) repräsentiert θ_t den Parameterwert in der t-ten Iteration, α die Lernrate und den Parametergradienten basierend auf der Belohnungsfunktion R(θ_t).

Konstruktion des Kalibrierungsmodells für Lehrbewertung
Obwohl BFEN bestimmte Vorteile bei der Kalibrierung der Lehrbewertung aufweist, weist es weiterhin eine geringe Integrationseffizienz für multiquellenbasierte heterogene Bewertungsdaten und eine unzureichende dynamische Fairness-Anpassung in praktischen Anwendungen auf. Der AM-LSTM-Algorithmus, der Aufmerksamkeitsmechanismus (AM) und Long Short-Term Memory (LSTM) kombiniert, weist Schlüsselmerkmalen von Multi-Source-Bewertungsdaten über AM Gewichtungen zu und erfasst die dynamischen Veränderungsmuster der Bewertungsdaten im Zeitverlauf mithilfe der sequenziellen Speicherfähigkeit von LSTM. Dieser Ansatz verbessert effektiv die Effizienz der Multisource-Datenintegration und das dynamische Feature Learning^19,20. Der Betriebsprozess von AM-LSTM ist in Abbildung 4 dargestellt.

Abbildung 4: AM-LSTM-Betriebsflussdiagramm. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Wie in Abbildung 4 dargestellt, bereitet AM-LSTM zunächst multiquellenbasierte heterogene Lehrbewertungsdaten vor, um einen standardisierten Datensatz zu bilden. AM berechnet Aufmerksamkeitsgewichte für Merkmale aus verschiedenen Datenquellen, um wichtige Merkmale auszuwählen, und erstellt eine gewichtete Merkmalsmatrix. Die gewichtete Merkmalsmatrix wird dann in LSTM eingegeben, das seinen Gating Mechanismus nutzt, um dynamische Muster über die Zeit zu erlernen, Beziehungen zwischen Bewertungsdaten in verschiedenen Phasen zu erfassen und dynamische Merkmalsvektoren auszugeben. Schließlich werden diese dynamischen Merkmalsvektoren mit Fairness-Einschränkungen kombiniert, um Zwischenkalibrierungsergebnisse zu erzeugen, die sich an die Multi-Source-Datenintegration und dynamische Szenarien anpassen und so die Grundlage für die spätere Modelloptimierung bilden. Die Berechnung des Aufmerksamkeitsgewichts ist in Gleichung (8) dargestellt.

(8)

In Gleichung (8) stellt a_n die Aufmerksamkeitsverteilung für das n-te Merkmal dar, x_n die Ähnlichkeit, q den Abfragevektor und Softmax die Aktivierungsfunktion. Das LSTM-Vergessengatter wird in Gleichung (9) dargestellt.

(9)

In Gleichung (9) ist W_f das Vergessen-Gate-Gewicht, b_f die Vergessen-Gate-Bias, x_t ist die Eingabe zum Zeitpunkt t, h_t-1 die externe Zustandsvariable zum Zeitpunkt t-1 und σ stellt die Sigmoid-Funktion²¹ dar. Diese Studie kombiniert AM-LSTM mit BFEN, um das AM-LSTM-BFEN Kalibrierungsmodell der Lehrbewertung zu erstellen, das als FBFEN bezeichnet wird. In diesem Modell adressiert AM-LSTM die Einschränkungen von BFEN bei der Effizienz der multiquellenbasierten heterogenen Datenintegration und der dynamischen Feature-Extraktion. Es integriert außerdem Fairness-Constraints, um Zwischenkalibrierungsergebnisse zu optimieren, wodurch BFEN eine präzise Kalibrierung und dynamische Fairness Assurance für die Lehrbewertungsdaten weiter erreichen kann. Der Betriebsablauf von FBFEN ist in Abbildung 5 dargestellt.

Abbildung 5: Betriebsablauf des FBFEN-Lehrbewertungs- und Korrekturmodells. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 5 dargestellt, bereitet FBFEN zunächst die ursprünglichen multiquellenbasierten Lehrbewertungsdaten vor und gibt den standardisierten Datensatz in das AM-LSTM-Modul ein. AM berechnet Feature-Aufmerksamkeitsgewichte, während LSTM dynamische Muster lernt und Zwischenkalibrierungsergebnisse liefert, die Multiquelleninformationen und dynamische Features integrieren. Die Zwischenergebnisse werden dann in das BFEN-Modul eingegeben. GBDT lernt iterativ die Fehlermuster der Bewertungsdaten basierend auf den Zwischenergebnissen und dem voreingestellten Fehlermodell und liefert vorläufige Kalibrierungsergebnisse. Unterdessen analysiert GAN den durch sensible Attribute in den vorläufigen Ergebnissen verursachte Fairness-Bias durch adversariales Training zwischen Generator und Discriminator und passt die Kalibrierungsparameter dynamisch an, um Verzerrungen zu eliminieren. Schließlich werden die GAN-optimierten Kalibrierungsparameter an GBDT zurückgegeben, um Entscheidungsbaumgewichte und Kalibrierungsstrategien zu aktualisieren und so ein sekundäres Kalibrierungsergebnis zu erzeugen, das Präzision und Fairness ausbalanciert. Die Datenstandardisierung wird in Gleichung (10) ausgedrückt.

(10)

In Gleichung (10) steht z' für den standardisierten Wert, z für den ursprünglichen Wert und z_min und z_max für die Minimal- und Maximumwerte. Die Endzielfunktion des GAN-Generators wird in Gleichung (11) ausgedrückt.

(11)

In Gleichung (11) steht N für die Anzahl der Iterationen, λ für den Gewichtsverlustfaktor, ωⁱ für den Gewichtsfaktor der i-ten Iteration, für die adversariale Verlustfunktion und für den binären Kreuzentropieverlust²².

Optimierung des FBFEN-Lehrbewertungs-Kalibrierungsmodells
Obwohl FBFEN eine starke Multi-Source-Datenintegration und dynamische Fairness Assurance bei der Kalibrierung der Lehrbeurteilung aufweist, weist es dennoch eine schwache Merkmalskorrelation sowie eine geringe Ausbildungs- und Inferenzeffizienz aufgrund der komplexen Modellstruktur in komplexen Bildungsszenarien auf. Der GAT-KD-Algorithmus, der das Graph Attention Network (GAT) und die Knowledge Distillation (KD) kombiniert, konstruiert dynamisch einen semantischen Assoziationsgraphen zwischen Features mittels GATs Aufmerksamkeitsmechanismus und verbessert so die semantische Ausrichtung von Multiquellendaten. KD komprimiert das Wissen des komplexen Modells in ein leichtes Netzwerk, was die Inferenzeffizienz deutlich verbessert und gleichzeitig die Modellleistung^23,24 beibehält. Der Betriebsprozess von GAT-KD ist in Abbildung 6 dargestellt.

Abbildung 6: GAT-KD-Betriebsflussdiagramm. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 6 gezeigt, konstruiert GAT-KD einen semantischen Assoziationsgraphen unter Merkmalen über das GAT-Modul, aggregiert dynamisch Nachbarschaftsmerkmale mithilfe des Aufmerksamkeitsmechanismus und verbessert die semantische Darstellung lokaler Merkmale. KD verwendet dann die Ausgabe-Softlabels als Überwachungssignale, minimiert den Divergenzverlust zwischen den Ausgabeverteilungen und den Kreuzentropieverlust zwischen seinen Vorhersagen und den wahren Labels, wodurch Wissenstransfer und Modellkompression erreicht werden. Das Endergebnis ist ein leichtes Kalibrierungsmodell mit hoher Präzision und Effizienz. Die Berechnung des GAT-Aufmerksamkeitskoeffizienten ist in Gleichung (12) dargestellt.

(12)

In Gleichung (12) und repräsentieren die Merkmalsvektoren der Knoten i und j, W die lernbare Gewichtungsmatrix, a den Aufmerksamkeitsgewichtvektor, die Verkettungsoperation und LeakyReLU die Aktivierungsfunktion²⁵. Die Berechnung der KD-Verlustfunktion ist in Gleichung (13) dargestellt.

(13)

In Gleichung (13) stellt KL den Divergenzverlust dar, T² das Gradientenskalierungsgleichgewicht, p^Student die Soft-Label-Wahrscheinlichkeit des Lightweight-Modells und p^Teacher die Soft-Label-Wahrscheinlichkeit des komplexen Modells²⁶. Durch die Kombination von aufmerksamkeitsverstärkter Merkmalassoziation und leichtem Wissenstransfer adressiert GAT-KD effektiv den semantischen Merkmalsbias und die hohe Rechenkomplexität. Diese Studie integriert GAT-KD in FBFEN, um das GAT-KD-FBFEN-Lehrbewertungskalibrierungsmodell zu bilden, das als GFBFEN bezeichnet wird. GAT-KD optimiert die Schwächen von FBFEN bei der unvollständigen Multi-Source-Feature-Korrelationserfassung und der geringen Inferenzeffizienz. Der Betriebsprozess von GFBFEN ist in Abbildung 7 dargestellt.

Abbildung 7: GFBFEN-Lehrevaluations- und Korrekturfunktionsprozess. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 7 dargestellt, standardisiert GFBFEN multiquellenbasierte Lehrbewertungsdaten. GAT modelliert komplexe Beziehungen zwischen Merkmalen und berechnet dynamisch semantische Assoziationsgewichte zwischen Knoten mithilfe von Aufmerksamkeitsmechanismen. KD komprimiert das Wissen des komplexen Modells zu einem leichten Netzwerk, was die Inferenzeffizienz erheblich verbessert und gleichzeitig die Präzision beibehält. Das AM-LSTM-Modul weist Multi-Source-Features Wichtigkeitsgewichtungen zu und erfasst zeitlich dynamische Muster der Bewertungsdaten, wobei es zwischenliegende Kalibrierungsergebnisse liefert, die Multi-Source-Informationen integrieren. Diese Ergebnisse werden in das BFEN-Modul für die tiefgehende Verarbeitung eingegeben. Konkret extrahiert BERT semantische Merkmale aus unstrukturiertem Text, RL optimiert dynamisch Fairness-Schwellenwerte und Kalibrierungsparameter, GBDT lernt iterativ Fehlermuster für die vorläufige Kalibrierung, und GAN eliminiert durch adversariales Training Verzerrungen, die durch sensible Attribute verursacht werden. Der dynamische Parameteranpassungsmechanismus kalibriert automatisch die Reaktionsempfindlichkeit und Fairness-Gewichte jedes Moduls, indem er die zeitlichen Veränderungen und Gruppenverteilungsverschiebungen der Lehrszene in Echtzeit erkennt, wodurch das Problem der durch statischen Parameterkonfigurationen verursachten Problem der unzureichenden Anpassungsfähigkeit gelöst wird und sichergestellt wird, dass das Modell in verschiedenen Lehrphasen Robustheit und Fairness aufrechterhalten kann. Studierendengruppen und Bewertungsszenarien. Der Bewertungstyp beeinflusst direkt die Granularität und den Rückkopplungszyklus der Zeitreihenmodellierung, während formative Bewertung die dynamische Natur des Prozesses betont. Die Unterschiede in den Disziplinen bestimmen die Zuteilung der Funktionen zwischen BERT- und GBDT-Modulen. Daher kann die Einführung eines dynamischen Anpassungsmechanismus effektiv an verschiedene Bewertungstypen und disziplinäre Merkmale angepasst werden. Schließlich liefert das Modell durch mehrere Runden von Parameterfeedback und iterativer Optimierung präzise und faire Kalibrierungsergebnisse der Lehrbewertung. Die Optimierungsfunktion der dynamischen Fairnessbedingung wird in Gleichung (14) ausgedrückt.

(14)

In Gleichung (14) stellt S die Menge der sensiblen Attribute dar, stellt das vorhergesagte Ausgabekalibrierungsergebnis dar, stellt die Varianz der Vorhersagen innerhalb von Gruppen dar, γ repräsentiert Intergruppenparameter und stellt den Gesamterwartungswert dar. Die adaptive Berechnung der Fusionsgewichte mehrerer Merkmale ist in Gleichung (15) dargestellt.

(15)

In Gleichung (15) steht w_k für das Merkmalsgewicht der k-ten Datenquelle, β für den Gewichtungsparameter, Sim für die Messfunktion der Merkmalsähnlichkeit, f_k für den aus der k-ten Datenquelle extrahierten Merkmalsvektor, f_global für das globale Merkmalszentrum und K für das Feature-Zentrum stellt die Gesamtzahl der Datenquellen dar. Die Studie legte die Gewichtungen sensibler Eigenschaften fest, darunter Geschlecht, Ethnie, Region, Familienstatus und Muttersprachenhintergrund. Die Gewichte werden auf Basis der Ergebnisse der Korrelationsanalyse bestimmt. Die Studie verwendete den Pearson-Korrelationskoeffizienten und den Spearman-Rangkorrelationskoeffizienten als duale Indikatoren für die gemeinsame Bewertung, kombiniert mit Expertenerfahrung im Bereich der Ausbildung zur Gewichtskalibrierung. Die endgültige Bestimmung der Gewichtungen für jedes sensible Attribut ergab Werte von 0,18 für das Geschlecht, 0,22 für Ethnie, 0,25 für Region, 0,19 für den familiären wirtschaftlichen Status und 0,16 für den Muttersprachenhintergrund. Geschlecht: Geschlechtsidentität gemäß legaler Registrierung und Selbstidentifikation, binär (männlich/weiblich) mit nicht-binären Optionen; Datenfeld "Geschlecht". Ethnizität: Basierend auf nationaler ethnischer Zugehörigkeit von 56 Gruppen, vereinbar mit unbekannten und grenzüberschreitenden Gruppen; Datenfeld "Ethnizität". Region: Verwaltungsunterteilung der Haushaltsregistrierung oder langfristigen Wohnsitze, die Provinz-, Gemeinde- und Kreisebene abdeckt, wobei die städtisch-ländliche Doppelstruktur und die Migrantenbevölkerung berücksichtigt werden; Datenfeld "Region". Familienstatus: Nach nationalen statistischen Standards und Bildungsunterstützungsindikatoren mit einer fünfstufigen Klassifikation; Datenfeld "economic_status". Muttersprachenhintergrund: Grundunterricht und Familienkommunikationssprache während der Grundschulbildung, abgedeckt Mandarin, Minderheitensprachen, Dialekte und Fremdsprachen, gewichtet nach Alter und Häufigkeit des Erwerbs; Datenfeld "mother_tongue."

Der Korrekturprozess führte einen dreistufigen dynamischen Gewichtungsmechanismus ein. Die erste Stufe implementierte die initiale Abweichungsidentifikation basierend auf der Gewichtsmatrix sensibler Attribute und markierte Datenpunkte, die in Dimensionen wie Geschlecht, Ethnie und Region signifikant vom globalen Merkmalszentrum abwichen. Die zweite Stufe führt Bildungskontextbeschränkungen ein, um die Abweichungsintensität kontextbewusst neu zu qualifizieren. Die dritte Stufe überprüft die Korrekturstabilität durch kontrafaktische Störungstests, ersetzt systematisch die Werte sensibler Attribute, während nicht-sensible Merkmale unverändert bleiben, und beobachtet, ob die Änderung der Bewertungswerte innerhalb der ±±3,2%-Schwelle liegt.

Results

BFEN-Algorithmus-Leistungsanalyse
Die in den Experimenten bewerteten Indikatoren umfassten folgende:

Die Genauigkeit der Evaluationskorrektur (ECA) bezeichnet den Anteil der Abweichungsaufgaben, die vom Modell innerhalb der Lehrbewertungsergebnisse korrekt identifiziert und korrigiert wurden, und spiegelt damit die Gesamtwirksamkeit des Korrekturmechanismus wider. Höhere Werte deuten auf eine überlegene Korrekturgenauigkeit hin.

Die Fairness-Abweichungsrate (FDR) misst das Ausmaß der Intergruppen-Score-Unterschiede, die das Modell während des Kalibrierungsprozesses nicht eliminieren kann. Sie wird als das Verhältnis der Standardabweichung jedes sensiblen Attributs (z. B. Geschlecht, Region, Ethnie) innerhalb der Punktverteilung zur Gesamtstandardabweichung berechnet; Niedrigere Werte bedeuten geringere Unterschiede zwischen den Gruppen und eine robustere Fairness-Garantie.

Die Szenarioanpassungsrate (SAR) gibt den Prozentsatz der Korrekturaufgaben an, die das Modell erfolgreich in heterogenen Unterrichtskontexten (z. B. Naturwissenschaften vs. Geisteswissenschaften, online vs. Offline-Umgebungen) erfolgreich ausführt.

Der Fairness-Maintenance-Grad (FMD) ist definiert als eins minus das Verhältnis der Varianz der Fairness-Indikatoren zwischen sensiblen Attributgruppen nach der Korrektur zu der zuvor beobachteten Variable, was die Fähigkeit des Systems widerspiegelt, seine strukturelle Fairness während des Kalibrierungsprozesses zu erhalten.

Die Erkennungsrate für disziplinäre Merkmalsmerkmale (DFRR) berechnet den Anteil der Stichproben, in denen Kernmerkmale innerhalb der Bewertungsdaten jeder Disziplin korrekt identifiziert sind, relativ zur Gesamtgröße der Bewertungsstichprobe, und demonstriert die Fähigkeit des Modells, domänenspezifische Variationen zu erkennen und zu erfassen.

Multi-Source Data Fusion Efficiency (MDFE) bezeichnet die Durchsatzeffizienz des Modells während der Feature-Ausrichtung, Gewichtszuweisung und Abweichungskorrektur beim Fusionieren von multiquellen heterogenen Evaluationsdaten. Diese umfassende Kennzahl ist definiert als Produkt der Anzahl der pro Sekunde bearbeiteten Bewertungsproben (Proben pro Sekunde) und der Konformitätsrate der Korrekturkonsistenz (bei einem >95%-Konfidenzniveau), wobei höhere Werte auf eine effizientere und stabilere Fusionspipeline hinweisen.

Die Stabilität des Korrekturergebnisses (CRS) zeigt die Konsistenz der Kalibrierungsausgaben über mehrere unabhängige Durchläufe hinweg, quantifiziert durch den Umkehr der Standardabweichung des euklidischen Abstands zwischen den Korrekturausgängen jedes Durchlaufs unter identischen Eingaben. Höhere Werte bedeuten eine erhöhte Systemzuverlässigkeit.

Die Korrekturzeit für einzelne Daten (SDCT) stellt die durchschnittliche Rechenlatenz dar, die das Modell benötigt, um die Kalibrierung einer einzelnen Bewertungsprobe in Millisekunden (ms) abzuschließen; Niedrigere Werte deuten auf eine stärkere Echtzeit-Reaktionsfähigkeit hin.

Der korrigierte absolute Fehler (CAE) misst den mittleren absoluten Fehler zwischen den kalibrierten Vorhersagen und den Ground-Truth-Werten und stellt die Restabweichung des Modells im Vergleich zu den ursprünglichen unkalibrierten Daten dar. Niedrigere Werte bedeuten, dass die kalibrierten Ausgaben besser mit den tatsächlichen Leistungsniveaus übereinstimmen.

Der korrigierte relative Fehler (CRE) quantifiziert den durchschnittlichen absoluten Fehler zwischen den kalibrierten Vorhersagen und den Grundwahrheitswerten, ausgedrückt als Prozentsatz der Grundwahrheit, wobei niedrigere Werte eine höhere relative Kalibrierungsgenauigkeit anzeigen.

Die Korrekturgenauigkeitsrate (CAR) stellt den Anteil der Proben dar, deren absoluter Fehler nach der Kalibrierung < 0,5 relativ zur Gesamtstichprobengröße beträgt, was die Zuverlässigkeit des Modells bei der Erfüllung vordefinierter Präzisionsbedingungen demonstriert. Hohe Werte untermauern den empirischen Nutzen und die Glaubwürdigkeit der Ergebnisse.

Totalverlustwert (TL) stellt den umfassenden Optimierungszielwert dar, der aus der gewichteten Summe einzelner Teilverlustterme bei Abschluss der Aufgabe abgeleitet wird. Konkret werden sieben Metriken – DFRR, MDFE, CRS, SDCT, CAE, CRE und CAR – mittels Z-Score-Normalisierung standardisiert und entsprechend der operativen Priorität der Evaluationsaufgaben gewichtet. Gegeben der Gewichtungsvektor [0,15, 0,12, 0,1, 0,08, 0,13, 0,12, 0,1] werden diese sieben normalisierten Indikatorwerte aggregiert, um den Endverlust zu berechnen.

Die Genauigkeit der Evaluationsmerkmale-Clustering (EFCA) bewertet den Ausgleichsgrad zwischen den vom Modell generierten unüberwachten Clustering-Konfigurationen und den von Domänenexperten validierten Ground-Truth-Kategorien.

Die hochdimensionale Datenverarbeitungseffizienz (HDPE) misst die Anzahl der Proben, die einer Dimensionsreduktion und Abweichungskorrektur pro Zeiteinheit unterzogen werden, wenn hochdimensionale, spärliche Vektoren mit ≥50 Bewertungsmerkmalen verarbeitet werden. Gemessen in Proben pro Sekunde spiegeln höhere Werte eine robustere Fähigkeit wider, komplexe, groß angelegte Bewertungseingaben in Echtzeit zu verarbeiten.

Die Fairness Correction Precision (FCP) bewertet die Gleichmäßigkeit der Kalibrierungseffekte zwischen unterschiedlichen Schülerkohorten. Diese Metrik wird quantifiziert, indem der Mittelwert der Verteilung der Kolmogorov-Smirnov-Distanz für die korrigierten absoluten Fehler über die empfindlichen Attributuntergruppen berechnet wird; Niedrigere Werte bedeuten eine ausgewogenere gruppenübergreifende Leistung und eine stärkere Fairness Assurance.

Cross-Scene Correction Consistency (CSCC) quantifiziert den Verteilungsoffset von Kalibrierungsergebnissen über drei typische Szenarien – nämlich Klassenbewertung, praktische Bewertung und Online-Tests – modelliert als Wasserstein-Distanzverhältnis.

Um die Leistung des vorgeschlagenen BFEN-Lehrbeurteilungs-Kalibrierungsalgorithmus zu überprüfen, verglich die Studie ihn mit dem PRF-Algorithmus, der Hauptkomponentenanalyse (PCA) und Zufallswald (RF) kombinierte; der EAB-Algorithmus, der extreme Learning Machine (ELM) und adaptives Boosting (AdaBoost) kombinierte; und der DBLR-Algorithmus, der Deep Belief Network (DBN) und logistische Regression (LR) kombinierte. Die Experimente liefen auf einem System mit einem Intel Core i9-13900HX-Prozessor und einer NVIDIA RTX 4080 GPU, das eine hohe parallele Rechenleistung und großen Videospeicher ermöglichte, um Feature-Extraktion und Kalibrierungsberechnungen für groß angelegte Lehrbewertungsdaten effizient durchzuführen. Das Betriebssystem war Windows 11, und Python 3.9 wurde für die Programmierung verwendet. Die Algorithmen wurden mit der Scikit-learn-Bibliothek implementiert, Deep-Learning-Module wurden über das TensorFlow-Framework entwickelt, und Pandas- sowie NumPy-Bibliotheken wurden für die Datenvorverarbeitung eingesetzt. Die Entwicklungsumgebung verwendete PyCharm Professional 2023.1, und Seaborn wurde zur Visualisierung von Kalibrierungsergebnissen eingesetzt, um einen intuitiven Vergleich der Algorithmusleistung zu erleichtern. Um die Zuverlässigkeit der Daten sicherzustellen, verwendete die Studie den Global Education Monitoring Report Datensatz¹ und den akademischen Leistungsdatensatz² der spanischen Mittelstufenschüler. Der Datensatz enthält 12.486 Datensätze, die multimodale Lehrbewertungsdaten wie universitäre Lehrbewertungen, akademische Leistungen der Studierenden, Evaluationen von Studierenden und Kursfeedback abdecken und 137 Merkmale der Lehrdimension umfassen, darunter Häufigkeit der Interaktion im Klassenzimmer, zeitnahe Feedback bei Aufgaben, Konsistenz der Bewertung, Sprachinklusivität und interkulturelle Sensibilität. Die Zielvariable ist der Lehrbewertungsscore, der in dieser Studie auf einen multidimensionalen gewichteten zusammengesetzten Wert abgebildet wird, der von Experten kalibriert wird. Die Forschung integriert vier Arten von Informationsquellen: Lehrevaluationen für Studierende, Peer-Reviews, Beobachtungen im Klassenzimmer und Überprüfung von Lehrdossiers mit Gewichtungen von 0,35, 0,25, 0,25 bzw. 0,15. Die Trainings- und Validierungssätze sind chronologisch aus den beiden Datensätzen getrennt. Die Studie verwendet Daten aus September 2024 als Trainingsset und Daten von Oktober 2024 bis Juni 2025 als Validierungsset, um mit dem zeitlichen Fortschritt von Bildungsbewertungen in Einklang zu kommen. In der Vorverarbeitungsphase wird eine modalitätsspezifische Strategie angewandt, bei der strukturierte Features über Z-Score-Normalisierung standardisiert und Ausreißer Winsorized sind, während textuelle Features nach dem BERT-basierten chinesischen Modell kodiert und auf 768 Dimensionen reduziert werden. Adversariales Training wird angewendet, um die Robustheit gegen implizite Verzerrungsformen zu erhöhen und semantische Drift durch kulturelle Hintergrundunterschiede zu mildern.

Um fachübergreifende Ausbildung und Validierungsforschung zu erreichen, wird das Modell auf vier heterogene Unterrichtsszenarien übertragen: Grundbildung K-12, Berufsbildung, Weiterbildung und internationale chinesische Bildung für null oder wenige Stichprobenvalidierung. In diesen vier Szenarien führt die Studie während des Algorithmustrainings domänenadaptive Regularisierungsterme ein, um die Konsistenz der Merkmalsverteilung des Modells in verschiedenen Lehrszenarien einzuschränken. Einbettung eines leichtgewichtigen, syntaxbewussten Maskenmechanismus für kurze Satzrauschen in K-12-Szenarien; Um der Mehrdeutigkeit der beruflichen Terminologie in der Berufsausbildung entgegenzuwirken, wird ein dynamisches Domänenwörterbuch erstellt und in das Wissensdiagramm der Lehrplanübersicht integriert. Entwerfen Sie ein Lernmodul zum Vergleich von Altersgruppen, um die intergenerationelle semantische Lücke in der Fortbildung zu schließen und semantische Anker für die Evaluationsausdrücke verschiedener Altersgruppen im latenten Raum auszurichten. Um den kulturellen Last-Ausdruck in der internationalen chinesischen Bildung zu adressieren, werden sprachübergreifende Vergleichshinweise zur Feinabstimmung verwendet und so die Robustheit des Verständnisses nicht-wörtlicher Bildungskonzepte verbessert. Forschung zu fachkundigen Kalibrierungs- und Zuverlässigkeitstests strukturierter Felder in ursprünglichen Bewertungsdaten, wobei Einträge mit niedriger Zuverlässigkeit bei Krippendorffs Alphakoeffizienten unter 0,75 entfernt wurden. Doppelblinde manuelle Annotation wurde in Schülerbewertungstexten implementiert, wobei drei Experten für Bildungsmessung unabhängig voneinander die Abweichungstyp-Markierung durchführten und Cohens Konsistenz k = 0,86 in der Annotation erreichten. Schließlich wurden die kommentierten Ergebnisse mit den Anwesenheitsprotokollen der Supervision und den Schlussfolgerungen der Lehrakten-Review abgeglichen, um die endgültigen Kalibrierungsetiketten zu erstellen.

Die ausgewählten Datensätze stammen aus unterschiedlichen Populationen, Messsystemen und Bildungshintergründen. Dieses bereichsübergreifende Validierungsparadigma testete rigoros die Robustheits- und Generalisierungsgrenzen des Modells innerhalb eines authentischen Bildungsökosystems und verhinderte so Bewertungsillusionen, die durch Datenhomogenisierung verursacht wurden. Beide Repositorien enthielten umfangreiche Mengen an Lehrbewertungsunterlagen, die einen direkten Referenzwert für den Einsatz fairness-sensitiver intelligenter Bildungsalgorithmen boten. Beide Datensätze enthielten umfangreiche Daten zur Lehrbewertung und lieferten direkte Referenzwerte für die Entwicklung fairness-bewusster intelligenter Bildungsalgorithmen und die Kalibrierung der Lehrbewertung. Die Studie kalibrierte 1000 Lehrbewertungsaufzeichnungen mit den vier Algorithmen und berechnete deren ECA und Fairness FDR. Die Ergebnisse sind in Abbildung 8 dargestellt.

Abbildung 8: Vergleich der Testergebnisse zwischen ECA und FDR. (A) BFEN. (B) PRF. (C) EAB. (D) DBLR. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 8A dargestellt, erreichte BFEN zunächst einen ECA von 82,47 % und einen FDR von 5,71 % in der Bewertungs-Kalibrierungsaufgabe. Mit steigender Anzahl kalibrierter Datensätze stieg die ECA auf 98,75 % und stabilisierte sich nach der Kalibrierung von 421 Datensätzen, während die FDR auf 2,87 % sank und sich nach der Kalibrierung von 514 Datensätzen stabilisierte. Wie in Abbildung 8B dargestellt, stieg die ECA-Kurve des PRF-Algorithmus allmählich an, während die FDR-Linie langsam abnahm. Am Ende der Kalibrierungsaufgabe lag der ECA-Wert bei 92,30 % und der PDR-Wert bei 6,72 %. Abbildung 8C zeigt, dass die ECA-Kurve des EAB-Algorithmus schnell anstieg, bevor sie abflachte, während ihre FDR-Trajektorie vor der Konvergenz starke frühe Schwankungen zeigte und mit einem ECA von 84,64 % und einem FDR von 8,93 % endete. Wie in Abbildung 8D dargestellt, zeigte der DBLR-Algorithmus eine träge nach oben gerichtete ECA-Trajektorie begleitet von marginalen Schwankungen und begrenzter Kompression in seiner FDR-Linie und schloss die Kalibrierungsaufgabe mit einem ECA von 83,51 % und einem FDR von 8,42 % ab. Diese experimentellen Ergebnisse bestätigen, dass der BFEN-Algorithmus die Basisansätze sowohl bei der Genauigkeit der Evaluationskorrektur als auch bei der Fairness-Bias-Kontrolle deutlich übertrifft. Diese überlegene Verallgemeinerungsfähigkeit ist der Integration von BERT in BFEN zuzuschreiben, das tiefe semantische Merkmale aus unstrukturiertem Bewertungstext extrahiert, um versteckte Bias-Ausdrücke zu erfassen, während das RL-Modul dynamisch Fairness-Schwellenwerte und Korrekturparameter über eine multiobjektive Belohnungsfunktion optimiert, um sensible Attribute von den Endausgaben zu entkoppeln. Die Studie testete anschließend SAR und FMD für die Klassenprüfung, Abschlussprüfungen, praktische Evaluation und Online-Bewertung und bezeichnete die vier Szenarien als A, B, C und D. Die Ergebnisse sind in Abbildung 9 dargestellt.

Abbildung 9: Vergleich von SAR- und FMD-Ergebnissen in verschiedenen Szenarien. (A) SAR-Testergebnisse. (B) FMD-Testergebnisse. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 9A dargestellt, erreichte BFEN einen SAR von über 98 % in allen Unterrichtsszenarien, mit dem höchsten SAR von 99,01 % bei Klassenprüfungen. Die SAR des Vergleichsalgorithmus in verschiedenen Szenarien ist niedriger als die des BFEN-Algorithmus, wobei der DBLR-Algorithmus für das Endbewertungsszenario mit 70,23 % die niedrigste SAR für das Endbewertungsszenario aller Algorithmen hat. Wie in Abbildung 9B dargestellt, ist die FMD des BFEN-Algorithmus in verschiedenen Unterrichtsszenarien immer noch deutlich höher als die des Vergleichsalgorithmus, mit FMDs von 98,47 %, 98,05 %, 97,81 % und 97,94 % in verschiedenen Szenarien. Die FMDs des Benchmark-Algorithmus DBLR liegen bei 82,36 %, 71,74 %, 70,59 % bzw. 69,12 %. Die FMDs des EAB-Algorithmus betragen jeweils 80,79 %, 68,21 %, 67,65 % und 66,03 %, während die FMDs des PRF-Algorithmus 86,42 %, 82,17 %, 80,98 % und 78,33 % betragen. Diese Ergebnisse zeigten, dass BFEN aufgrund des iterativen Lernens von GBDT mit mehreren Entscheidungsbäumen besser abschneidete, was Fehlermuster in verschiedenen Szenarien genau erfasste und stabile sowie faire Kalibrierungsergebnisse sicherstellte. Die Studie bewertete außerdem die disziplinäre Merkmalserkennungsrate (DFRR) für Chinesisch, Mathematik und Englisch mit den vier Algorithmen. Die Ergebnisse sind in Abbildung 10 dargestellt.

Abbildung 10: Vergleich der DFRR-Testergebnisse in verschiedenen Disziplinen. (A) Trainingsset. (B) Validierung gesetzt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 10A dargestellt, erreichte BFEN DFRR von 99,23 %, 98,94 % und 99,13 % für Chinesisch, Mathematik und Englisch im Trainingsprogramm. Abbildung 10B zeigte, dass BFEN im Validierungsset auch einen höheren DFRR erreichte als andere Algorithmen. Konkret erreichte BFENs DFRR für Chinesen 98,41 %, 10,8 % höher als DBLRs 87,61 %; für Mathematik 97,54 %, 9,07 % höher als PRFs 88,47 %; und für Englisch 98,13 %, 13,34 %, höher als EABs 84,79 %. Diese Ergebnisse bestätigten, dass BFEN sich effizient an die Kalibrierung der disziplinären Bewertung anpasste, indem es BERTs tiefe Erfassung semantischer Unterschiede mit GBDTS personalisiertem Lernen von Fehlermustern kombinierte. Um die BFEN-Leistung umfassend zu bewerten, bewertete die Studie MDFE, CRS und SDCT für die vier Algorithmen. Die Ergebnisse sind in Tabelle 1 dargestellt.

Datensatz	Algorithmus	MDFE (%)	CRS	SDCT (s)
Ausbildung	BFEN	98.42 ± 0.28*&@	0,975 ± 0,28*&@	0,78 ± 0,04*&@
	PRF	83,85 ± 0,41	0,779 ± 0,36	1,32 ± 0,08
	EAB	85,91 ± 0,50	0,806 ± 0,40	1.15 ± 0.07
	DBLR	88,76 ± 0,47	0,753 ± 0,39	1,45 ± 0,08
Validierung	BFEN	97,58 ± 0,25*&@	0,968 ± 0,27*&@	0,86 ± 0,03*&@
	PRF	81,62 ± 0,32	0,687 ± 0,50	1,51 ± 0,06
	EAB	84,37 ± 0,40	0,749 ± 0,42	1,28 ± 0,05
	DBLR	87,53 ± 0,30	0,728 ± 0,47	1,63 ± 0,07

Tabelle 1: Vergleich der MDFE-, CRS- und SDCT-Testergebnisse. "*" zeigt einen signifikanten Unterschied (p < 0,05) zwischen BFEN- und PRF-Ergebnissen an. "&" zeigt an, dass der Unterschied zwischen BFEN- und EAB-Ergebnissen signifikant war (S. < 0,05). "@" zeigt an, dass der Unterschied zwischen BFEN- und DBLR-Ergebnissen signifikant ist (p < 0,05)

Tabelle 1 zeigt, dass BFEN im Trainingsset einen MDFE von 98,42 % erreichte, was 14,57 % höher ist als PRFs 83,85 %, ein CRS von 0,975, 0,222 mehr als DBLRs 0,753, und ein SDCT von 0,78 s, 0,67 s weniger als DBLRs 1,45 s. Im Validierungsset zeigte BFEN eine überlegene Leistung, wobei MDFE, CRS und SDCT von 97,58 %, 0,968 bzw. 0,86 s besser abschnitten als Vergleichsalgorithmen. Insgesamt bestätigten die Ergebnisse die überlegene, umfassende Leistung des BFEN bei der Kalibrierung der Lehrbewertung.

GFBFEN Leistungsvalidierung des Prüfungs-Bewertungs-Kalibrierungsmodells
Basierend auf der BFEN-Leistungsvalidierung bewertete die Studie weiter die Leistung des GFBFEN-Lehrbewertungs-Kalibrierungsmodells, das auf BFEN erstellt wurde, und verglich es mit Kalibrierungsmodellen, die mit PRF-, EAB- und DBLR-Algorithmen erstellt wurden. Um konsistente Testbedingungen und Vergleichbarkeit sicherzustellen, diente der globale Bildungsüberwachungsbericht-Datensatz als Trainingsset, während der akademische Leistungsdatensatz der Universitätsstudenten als Validierungssatz diente. Die vier Modelle kalibrierten 500 Lehrbewertungsdatensätze, deren CAE und CRE berechnet wurden. Die Ergebnisse sind in Abbildung 11 dargestellt.

Abbildung 11: Vergleich der CAE- und CRE-Testergebnisse. (A) CAE-Testergebnisse. (B) CRE-Testergebnisse. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 11A gezeigt, erreichte GFBFEN zunächst einen CAE von 0,1279. Mit fortschreitender Kalibrierung sank der CAE auf 0,0641 und stabilisierte sich nach 104 Datensätzen. Die Vergleichsmodelle hatten eine höhere anfängliche und finale CAE als GFBFEN, wobei EAB die höchste anfängliche und finale CAE von 0,1858 bzw. 0,1217 aufwies. Abbildung 11B zeigte, dass die anfängliche und endgültige CRE von GFBFEN während der Kalibrierungsaufgabe niedriger blieben als die Vergleichsmodelle, mit Werten von 0,1137 bzw. 0,0912. Diese Ergebnisse zeigten, dass GFBFEN eine starke Anpassungsfähigkeit zeigte, profitierte vom Aufmerksamkeitsmechanismus von GAT, der semantische Korrelationsgraphen zwischen Merkmalen erstellte, die semantische Ausrichtung von Multiquellen-Bewertungsdaten verbesserte und die ineffektive Kalibrierung durch Merkmalsverzerrung reduzierte. Die Studie bewertete anschließend CAR für Schülerbewertungsdaten, Lehrerbewertungsdaten, Schulbewertungsdaten und Online-Bewertungsdaten, die als I, II, III und IV gekennzeichnet sind. Die Ergebnisse sind in Abbildung 12 dargestellt.

Abbildung 12: Vergleich der CAR-Ergebnisse verschiedener Bewertungsdaten. (A) GFBFEN. (B) PRF. (C) EAB. (D) DBLR. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 12A dargestellt, erreichte GFBFEN eine CAR von 99,34 %, 98,93 %, 99,01 % und 99,12 % für Schüler-, Lehrer-, Schul- und Online-Bewertungsdaten im Trainingsset. Im Validierungssatz lagen die CAR-Werte bei 97,89 %, 98,56 %, 97,57 % bzw. 98,46 %. Abbildung 12B–D zeigte, dass Vergleichsmodelle sowohl in den Trainings- als auch in den Validierungssätzen einen niedrigeren CAR aufwiesen. Darunter schnitt EAB im Validierungssatz am schlechtesten ab, mit 76,31 % für Lehrerdaten und 78,29 % für Online-Daten. Diese Ergebnisse bestätigten, dass GFBFEN die Vergleichsmodelle deutlich übertraf. Als Nächstes testete die Studie die Zielleitung in der Kalibrierungsaufgabe der Lehrbeurteilung, um die Anpassungsfähigkeit und die Stabilität des Trainings zu bewerten. Die Ergebnisse sind in Abbildung 13 dargestellt.

Abbildung 13: Modellanpassungsfähigkeit und Testergebnisse des Trainingsstabilitätstests. (A) GFBFEN. (B) PRF. (C) EAB. (D) DBLR. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 13A dargestellt, hatte GFBFEN zunächst eine TL von 0,1021 im Trainingsset. Nach 67 Iterationen sank der TL auf 0,0725 und stabilisierte sich. Im Validierungssatz sank der TL von 0,1237 auf 0,1018. Abbildung 13B–D zeigte, dass der endgültige TL von PRF im Trainingssatz 0,0824 betrug, der endgültige TL von EAB im Validierungssatz 0,1178 und der TL von DBLR in beiden Sätzen instabil und deutlich höher als bei anderen Modellen. Diese Ergebnisse zeigten, dass GFBFEN eine starke Anpassungsfähigkeit und Trainingsstabilität zeigte und von KD-basiertem Wissenstransfer profitierte, was es dem Modell ermöglichte, effektive Funktionen schnell zu erlernen, die Verlustkonvergenz zu beschleunigen und eine Verallgemeinerung über Datensätze hinweg sicherzustellen. Um die Kernleistung von GFBFEN umfassend zu validieren, testete die Studie EFCA, HDPE, FCP und CSCC für die vier Modelle. Die Ergebnisse sind in Abbildung 14 dargestellt.

Abbildung 14: Umfassende Indikatortestergebnisse für Lehrbeurteilungs- und Korrekturaufgaben. (A) GFBFEN-Testergebnisse. (B) PRF-Testergebnisse. (C) EAB-Testergebnisse. (D) DBLR-Testergebnisse. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 14A–D gezeigt, hat das GFBFEN-Modell EFCA-Werte von 99,35 % bzw. 98,76 % in den Trainings- und Validierungssätzen. Die EFCA des PRF-Modells beträgt jeweils 88,53 % bzw. 87,04 %. Im Validierungsset lag die EFCA des GFBFEN-Modells 6,59 % höher als die des EAB-Modells mit 92,17 % und 11,72 % höher als die des DBLR-Modells mit 87,04 %. Darüber hinaus sind auch die HDPE-, FCP- und CSCC-Indikatoren umfassend führend: Im Validierungsset erreichte das HDPE des GFBFEN-Modells 98,05 %, das FCP 97,93 % und das CSCC 0,968, was alle die PRF-, EAB- und DBLR-Modelle übertraf. Insgesamt bestätigten diese Ergebnisse die überlegene Gesamtleistung von GFBFEN und zeigten, dass die koordinierte Optimierung von GAT-KD, AM-LSTM und BFEN durch das Modell die Kalibrierungsgenauigkeit, Effizienz und Fairness bei der Lehrbeurteilung effektiv verbesserte.

Die Forschung entwickelte schrittweise FairEduNet, BFEN, FBFEN und GFBFEN, und das finale GFBFEN umfasst Komponenten wie FairEduNet, BERT-RL, AM-LSTM und GAT-KD. Um den unabhängigen Beitrag einzelner Komponenten zu überprüfen, werden Forschungs- und Design-Ablationsexperimente durchgeführt, bei denen jede Komponente schrittweise entfernt und deren Auswirkungen auf die Gesamtleistung bewertet werden. Vergleichende Indikatoren umfassen ECA, FDR, SAR und FMD. Die Ergebnisse zeigten, dass der ECA-Wert der FairEduNet-Komponente allein 87,32 % betrug, FDR 12,45 %, SAR 89,67 % und FMD 11,89 %. Der ECA des vollständigen GFBFEN-Modells erreichte 99,21 %, der FDR fiel weiter auf 1,93 %, der SAR blieb stabil bei 99,45 %, und der FMD wurde auf 7,28 % optimiert. Nach Entfernung von BERT-RL sank ECA auf 91,04 %, der FDR-Wert lag bei 6,23 %, der SAR-Wert bei 92,33 % und FMD auf 7,85 %. Die Ablation von AM-LSTM erhöhte die SAR-Schwankungen um 14,2 %. Die Entfernung von GAT-KD führte zu einem Anstieg der FMD auf 8,36 %, und sein Unterdrückungsmechanismus der Propagation von Graphenstruktur-Bias geleitet durch Wissensdestillation war signifikant wirksam bei der Linderung impliziter Assoziationsverzerrung zwischen Populationen.

Um die Forschungsmethoden weiter zu testen, führte die Studie etablierte Fairness-Standardindikatoren ein, nämlich den Fairness Correction Benchmark (FCB), der drei Arten starrer Einschränkungen abdeckt, die in Bildungsszenarien weit verbreitet sind: (1) Der absolute Wert des durchschnittlichen Unterschieds nach der Korrektur zwischen den Gruppen beträgt ≤ 1,2 Punkte (basierend auf dem Prozentsystem); (2) Die Überlappungsrate der korrigierten Konfidenzintervalle für jede empfindliche Attributuntergruppe beträgt ≥ 95 %; (3) In jedem einzelnen Szenario muss die gemeinsam machbare Region von FDR und SAR die Pareto-Grenzen-Einschränkung erfüllen (das heißt, es ist unmöglich, SAR zu verbessern, ohne FDR zu verschlechtern, und umgekehrt). Das GFBFEN-Modell wurde in der experimentellen Bewertung mit gängigen Basismodellen wie EAB, PRF, DBLR und GBDT verglichen. Das Experiment wurde mit 421 realen Bewertungsdaten aus tatsächlichen Lehrszenarien durchgeführt und deckte drei typische Bildungsszenarien ab: Klassenzimmerbewertung, praktische Bewertung und Online-Tests. Die Ergebnisse sind in Tabelle 2 dargestellt.

Algorithmus	Absoluter Wert des durchschnittlichen Score-Unterschieds	Konfidenzintervall-Überlappungsrate (%)	Gemeinsame zulässige Regionszufriedenheitsrate(%)	Umfassende Partitur
GFBFEN	0.87	98.3	100	97.2
EBA	1.52	98.4	82.6	78.5
PRF	1.68	85.1	74.3	71.2
DBLR	1.45	87.9	79.8	75.6
GBDT	1.33	91.2	86.4	79.9

Tabelle 2: Bewertungsergebnisse der Fairness-Kriterien und praktische Anwendungsverifikation.

Wie in Tabelle 2 gezeigt, erreichte GFBFEN die vollständige Einhaltung aller vier starren FCB-Einschränkungen unabhängig voneinander, und sein umfassender Score übertraf die anderen Basismodelle deutlich um +18,7 Punkte, was die Robustheit des vorgeschlagenen mehrstufigen kollaborativen Korrekturparadigmas bestätigte. Insbesondere im Kernindikator, der die Fairness-Effizienz-Kompromissfähigkeit widerspiegelt, erreichte die gemeinsame Abdeckungsquote der zulässigen Region 100 %, was darauf hindeutet, dass das Modell über einsetzbare Pareto-optimale Entscheidungsfähigkeiten in realen Bildungsszenarien verfügt.

Fairness in der Lehrbewertung bezieht sich auf die Verwendung überprüfbarer quantitativer Einschränkungen als Maßstab, wobei individuelle Unterschiede und Bildungsgesetze respektiert werden. Die Berechnungslogik und die Schwellenwertsetzung von Gerechtigkeitsindikatoren basieren auf dem theoretischen Rahmen von Bildungsgerechtigkeit und empirischen Datenverifikationsstandards. Sie werden gemeinsam von einem Expertengremium aus fünf Wissenschaftlern überprüft, um ein hohes Maß an Einheitlichkeit zwischen theoretischer Strenge und Anpassungsfähigkeit an die pädagogische Praxis sicherzustellen. Um die Anpassungsfähigkeit des Modells unter verschiedenen Fairnessstandards weiter zu validieren, führte die Studie weitere Validierungen unter mehreren Standards durch. Konkret wurden drei Fairness-Standards zur Überprüfung ausgewählt. Standard 1 ist das Gleichgewicht der Akzeptanzrate zwischen den Gruppen basierend auf der demografischen Parität. Standard 2 ist die Gruppenübergreifende Konsistenz von wahrer positiver und falsch-positiver Rate basierend auf ausgeglichenen Odds. Standard 3 basiert auf der prädiktiven Parität zur Kontrolle des Intergruppen-Bias bei der Vorhersagegenauigkeit. Es wurde festgestellt, dass GFBFEN die starren Einschränkungsanforderungen unter allen drei Standards konsequent erfüllte. Abweichung der Standard-1-Gruppenakzeptanzrate ≤1,2 %, Standard-2-True/Fakt-Positiv-Intergruppenunterschied ≤0,85 %, Standard-3-Vorhersagegenauigkeit, Intergruppenabweichung innerhalb von ±±0,6 % kontrolliert. Im Gegensatz dazu zeigten die anderen Modelle einen Durchbruch von ≥3,7 % unter mindestens einem Kriterium, was die Verallgemeinerungskompatibilität von GFBFEN für multivariate Fairness-Paradigmen bestätigte.

DATENVERFÜGBARKEIT:
Um die Zuverlässigkeit der Daten sicherzustellen, verwendete die Studie den Global Education Monitoring Report Datensatz (https://www.education-progress.org/) und den akademischen Leistungsdatensatz der spanischen Mittelstufenschüler (https://archive.ics.uci.edu/dataset/320/student+performance). Die Trainings- und Validierungssätze sind chronologisch aus den beiden Datensätzen getrennt. Die Studie verwendet Daten aus September 2024 als Trainingsset und von Oktober 2024 bis Juni 2025 als Validierungsset und stimmt damit mit dem zeitlichen Fortschritt der Bildungsbewertungen überein.

Discussion

Der in dieser Studie vorgeschlagene BFEN-Algorithmus zeigte in vergleichenden Experimenten eine überlegene Leistung. Aus Sicht von ECA und FDR übertraf es die PRF-, EAB- und DBLR-Algorithmen deutlich. Bei der Kalibrierung von 421 Bewertungsunterlagen erhöhte BFEN das ECA auf 98,75 % und behielt die Stabilität, während FDR auf 2,87 % sank. Diese Leistung resultierte aus der Integration von BERT-RL zur Funktionsoptimierung und dynamischen Anpassung. BERT extrahierte präzise Informationen über tiefgreifende semantische Verzerrungen aus unstrukturierten Bewertungstexten, und RL passte die Fairness-Schwellenwerte und Kalibrierungsparameter dynamisch durch eine multiobjektive Belohnungsfunktion an, wodurch der Einfluss sensibler Attribute auf die Ergebnisse eliminiert wurde. Dies ähnelt der Arbeit von Valencia-Londoño et al., die mithilfe von Algorithmen künstlicher Intelligenz ein Inklusionsmodell für Erwachsene mit verschiedenen neuromuskulären Erkrankungen entwickelten. Obwohl das konstruierte Bildungsinklusionsmodell auf Machbarkeit innerhalb spezifischer neuromuskulärer Krankheitsgruppen überprüft wurde, deckten seine Fairness-Einschränkungen nur eine Dimension ab (gleiche Repräsentation der diagnostischen Gruppen), und es wurde kein starres Einschränkungssystem über mehrere Gruppen und mehrere Ziele hinweg festgelegt^27. In Tests in verschiedenen Unterrichtsszenarien erreichte BFEN einen SAR von 99,01 % für Klassenprüfungen und einen FMD von 97,81 % für praktische Bewertungen, was deutlich höher ist als die Vergleichsmodelle. Dieser Vorteil ergab sich aus GBDTs iterativem Lernen von Fehlermustern in mehrfachen Szenarienbewertungsdaten, kombiniert mit der intelligenten Bildungs-Fairness-Standards-Bibliothek, die Zielkalibrierungsparameter abstimmt und so Kalibrierungsfehler und Fairness-Ungleichgewichte durch Szenariounterschiede effektiv reduziert. Im Vergleich zum adaptiven und interpretierbaren Bewertungssystem für faire künstliche Intelligenz, das von Kumar et al. vorgeschlagen wurde und menschliche Experten-Rückkopplungsschleifen und sprachübergreifende Fairness-Verifikationsmodule integriert, führt es zwar diese Funktionen ein, schafft es aber nicht, die impliziten Verzerrungsketten in den Evaluationstexten im Bereich der Bildungsbewertung effektiv zu modellieren, der eine hohe semantische Dichte und starke Kontextabhängigkeit aufweist²⁸. Diese Studie ist tiefer integriert in Bezug auf die starre Garantie von Fairness-Einschränkungen und die tiefe Kopplung der bildungsweisenden semantischen Modellierung im Vergleich zur Literatur²⁸.

Bei praktischen Assessment-Aufgaben der intelligenten Bildung zeigte das auf BFEN basierende GFBFEN-Modell ebenfalls bemerkenswerte Vorteile. Für 500 Kalibrierungsdatensätze erreichte GFBFEN ein endgültiges CAE von 0,0641 und CRE von 0,0912. Sein CAR für verschiedene Arten von Bewertungsdaten überstieg sowohl in den Trainings- als auch in den Validierungssätzen 97 %. Diese Leistung resultierte aus der Optimierung der Feature-Korrelation und der leichten Verarbeitung von GAT-KD. GAT konstruierte semantische Korrelationsgraphen zwischen den Features, um Multi-Source-Daten-Feature-Bias zu reduzieren, während der Wissenstransfer von KD die Inferenzeffizienz verbesserte, ohne die Modellgenauigkeit zu beeinträchtigen, und so Kalibrierungsverzögerungen durch Modellkomplexität vermied. Im Vergleich zu den von Deho et al. durchgeführten Forschungen zur Auswirkung von Datensatzdrift auf die Fairness of Learning Analysemodelle, konzentrierten sich ihre Studie zwar auf den Mechanismus des Einflusses von Datendrift auf die Fairness, aber die Korrekturstrategien basierten auf statischer Neugewichtung und Post-Event-Kompensation, da sie nicht in der Lage waren, die semantischen Abweichungen in Echtzeit dynamisch wahrzunehmen und darauf zu reagieren. Es war schwierig, mit der Entwicklung impliziter Verzerrungen in der Bildungsbewertung umzugehen, die durch subjektive Ausdrucksformen der Lehrkräfte und Unterschiede im Sprachstil der Schüler verursacht wurden. Diese Studie nimmt jedoch mittels des GFBFEN-Modells semantische Abweichungen in der Bewertungsemantik effektiv wahr und reagiert dynamisch darauf, erfasst implizite Wertendenzen in Lehrerkommentaren, Sprachstilabweichungen in den Antworttexten der Schüler und semantische Driften in Bewertungsausdrücken über Klassenstufen und Fächer hinweg und erreicht so einen Paradigmenwechsel von "statischer Kompensation" zu "dynamischer Kalibrierung"²⁹. In den Kernmetriktests erreichte GFBFEN eine EFCA von 99,35 % bzw. 98,76 % in Trainings- und Validierungssätzen sowie einen FCP von 98,52 % bzw. 97,93 %, was signifikant höher ist als bei den Vergleichsmodellen. Ähnlich wie das offene Prüfungssystem mit automatischer Bewertung auf Basis künstlicher Intelligenz, entwickelt vom Dimari A-Team, hat es zwar ein hohes Maß an Konsistenz bei der Bewertung offener Antworten erreicht, aber die Fairness-Korrektur beruht ausschließlich auf dem vorgegebenen Gewicht der Bewertungsdimensionen und der von Menschen annotierten verzerrten Stichprobenbibliothek, ohne einen pädagogischen semantischen dynamischen Evolutionsmechanismus einzubetten. Diese Forschung hat substanzielle Durchbrüche im dynamischen Evolutionsmechanismus der Fairness-Korrektur und in der tiefgehenden Modellierung der Bildungssemantik im Vergleich zu den Forschungsergebnissen des Dimari A-Teams erzielt und insbesondere eine starke Robustheit und Interpretierbarkeit bei der Bewältigung realer Herausforderungen wie der Wertorientierung von Lehrerkommentaren und den generationsübergreifenden Unterschieden in den Sprachstilen der Schüler gezeigt, und die Mehrdeutigkeit in interdisziplinären Bewertungsausdrücken³⁰.

Diese Studie trug in drei Aspekten bei. Erstens integrierte der BFEN-Algorithmus BERT-RL mit FairEduNet, wodurch die Verarbeitungseffizienz und die Anpassungsfähigkeit mehrerer Szenarien für multiquellen heterogene Daten durch semantische Feature-Optimierung und dynamische Parameteranpassung verbessert wurden. Zweitens führte das GFBFEN-Modell, basierend auf GAT-KD und FBFEN, semantisches Korrelationslernen und leichten Wissenstransfer ein, löste Probleme mit schwacher Merkmalskorrelation und niedriger Inferenzeffizienz in komplexen Bildungsszenarien und verbesserte die Praktikabilität der Bewertungskalibrierung. Drittens wurden die Modelle angewandt, um verschiedene Fächer und Bewertungsarten zu kalibrieren, technische Unterstützung für präzise Lehrbeurteilungen zu bieten und die Bildungsfairness zu fördern. Diese Beiträge boten einen neuen Ansatz für die Kalibrierung intelligenter Bildungsbewertung und eine Referenz für die Zusammenarbeit mehrerer Algorithmen in der komplexen Bildungsdatenverarbeitung.

Aktuelle Kalibrierungsmethoden der intelligenten Bildung fehlen Anpassungsfähigkeit und Fairness. Diese Studie schlägt ein GFBFEN-Modell auf Basis von FairEduNet vor, das GAN und GBDT zur Fairness-Kalibrierung verwendet. BERT-RL verbessert die Verarbeitung unstrukturierter Daten, AM-LSTM verbessert die Fusion von Multiquellen-Daten und GAT-KD stärkt die Feature-Korrelation und die Leichtgewichtung. Durch die Integration dieser Algorithmen erreicht das Modell präzise Kalibrierung und dynamische Fairness. Die Tests zeigen eine ausgezeichnete Multi-Source-Datenverarbeitung und eine Fairness-Kalibrierung über mehrere Szenarien, die Genauigkeits- und Fairness-Anforderungen erfüllen. Das Modell hat jedoch Einschränkungen bei Sonderpädagogikgruppen und erfordert eine verbesserte Verallgemeinerung. Zukünftige Arbeiten werden die Parameter optimieren und die Fairness-Grenzen für unterschiedliche Szenarien anpassen, um Bildungsgerechtigkeit und Lehrqualität zu unterstützen.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Global Education Monitoring Report dataset	UNESCO	https://www.education-progress.org/	Datensatz
NumPy	NumPy	https://numpy.org/	Datenvorverarbeitung
Pandas	Pandas, NumPy	https://pandas.pydata.org/	Datenvorverarbeitung
PyCharm Professional 2023.1	PyCharm	Version 2023.1	Entwicklungsumgebung
Python 3.9	Python	Version 3.9	‌Programmiersprache
Scikit-learn	Scikit-learn	https://scikit-learn.org/stable/index.html	Maschinelles Lernen
Seaborn	Seaborn	https://seaborn.pydata.org/	Visualisierung
Spanish middle school student academic performance dataset	UC Irvine Machine Learning Repository	https://archive.ics.uci.edu/dataset/320/student+performance	Datensatz
TensorFlow	TensorFlow	https://www.tensorflow.org/	Deep Learning
Windows 11	Microsoft	Version 11	Betriebssystem