Conception d’algorithmes FairEduNet et calibration de l’évaluation de l’enseignement en tenant compte de l’équité dans l’enseignement supérieur

Summary

La recherche vise à proposer une nouvelle approche pour l’enseignement, la calibration de l’évaluation et l’équité éducative dans l’éducation intelligente. Les résultats expérimentaux indiquent que le modèle proposé surpasse nettement les modèles comparatifs, répondant efficacement aux problèmes d’intégration des données multi-sources et de biais d’équité dans les méthodes d’étalonnage existantes.

Abstract

Les méthodes actuelles d’étalonnage des évaluations pédagogiques rencontrent des défis tels qu’une faible efficacité d’intégration lors du traitement de données d’évaluation hétérogènes multi-sources, une adaptabilité insuffisante entre différentes disciplines et scénarios d’enseignement, ainsi que des biais dans les résultats avec des garanties d’équité faibles. La recherche vise à construire un cadre interprétable, transférable et évolutif de correction d’équité pour la modélisation approfondie et la correction dynamique des données d’évaluation de l’enseignement. Ces problèmes rendent difficile la satisfaction des exigences fondamentales d’un enseignement équilibré dans l’éducation intelligente. Cette étude propose un algorithme de réseau éducatif orienté équité qui intègre un réseau antagoniste génératif et un arbre de décision à gradient boostant. L’algorithme construit un mécanisme d’étalonnage de l’équité et combine un modèle de représentation bidirectionnel d’encodeur avec un réseau d’attention de graphes afin d’optimiser l’extraction de caractéristiques et l’adaptabilité dynamique, améliorant ainsi l’efficacité du traitement des données multi-sources et la précision de l’étalonnage de l’équité. Cette approche permet une calibration précise et une garantie d’équité dans l’enseignement des évaluations. Dans le test de l’indicateur, le modèle a obtenu une précision de 98,76 % dans le regroupement des caractéristiques d’évaluation, 98,05 % dans la correction d’équité et 0,968 % dans la cohérence de la correction inter-scénarios dans l’ensemble de validation. Dans la tâche de test de valeur de perte, la perte totale du modèle est passée de 0,1237 à 0,1018 lors de la tâche de correction d’évaluation de l’enseignement dans l’ensemble de validation. Dans le test de l’indicateur, le modèle a obtenu une précision de 98,76 % dans le regroupement des caractéristiques d’évaluation, 98,05 % dans la correction d’équité et 0,968 % dans la cohérence de la correction inter-scénarios dans l’ensemble de validation. Les résultats expérimentaux indiquent que le modèle proposé surpasse nettement les modèles comparatifs, répondant efficacement aux problèmes d’intégration des données multi-sources et de biais d’équité dans les méthodes d’étalonnage existantes. De plus, elle fournit des cadres algorithmiques innovants pour les développeurs de technologies et des outils techniques fiables pour les administrateurs éducatifs afin de promouvoir l’équité pédagogique. Les contributions à la recherche portent sur : (i) l’intégration de trois modules principaux, incluant le prétraitement multi-sources des données, la vérification dynamique de l’indice d’équité et la visualisation de l’explicabilité ; et (ii) proposer un paradigme de correction d’équité basé sur l’optimisation collaborative des réseaux antagonistes génératifs et des arbres d’augmentation de gradient, qui dépasse les limites de la correction traditionnelle à modèle unique et permet l’apprentissage découplé de la modélisation des écarts et de la prise de décision de correction.

Introduction

L’évaluation et l’étalonnage de l’enseignement constituent le cœur de la qualité de l’enseignement dans l’éducation intelligente. Grâce à l’analyse dynamique, à la correction d’erreurs et à la calibration des résultats, ils fournissent une base pour l’amélioration pédagogique et l’apprentissage personnalisé. Leur précision et leur équité influencent directement la capacité d’une éducation intelligente à dépasser les biais technologiques et à fournir un soutien éducatif^{équilibré 1,2}. Cependant, les méthodes existantes présentent plusieurs lacunes : elles reposent sur une seule source de données, ignorent la situation réelle et conduisent à des biais de données et de correction. L’absence d’un mécanisme dynamique d’adaptation à l’équité rend difficile la satisfaction des besoins d’équité des disciplines et des^{scénarios 3,4}. De plus, il existe des problèmes tels que l’absence d’indicateurs d’équité et un biais dans les stratégies de correction lorsqu’on traite de données hétérogènes provenant de sources multiples. À cette fin, les chercheurs ont mené des recherches dans plusieurs domaines, comme l’évaluation de l’enseignement assisté par le tennis basé sur un algorithme de trajectoire dense amélioré⁵. Yin et al. ont utilisé le processus de hiérarchie analytique et un algorithme de synthèse floue pour surveiller l’enseignement en^{ligne 6}. Chen a analysé les données éducatives des personnes âgées à l’aide d’un algorithme amélioré de data mining pour améliorer la qualité^{pédagogique 7}.

Bien que ces études aient progressé, des problèmes tels que le biais des résultats d’étalonnage et la mauvaise coordination de l’équité subsistent. Par conséquent, la construction d’un modèle qui offre simultanément une calibration précise de l’évaluation de l’enseignement et une assurance dynamique de l’équité est devenue un axe de recherche dans l’éducation intelligente. Le réseau antagoniste génératif (GAN) s’adapte pour éliminer l’influence implicite des attributs sensibles sur les résultats grâce à un entraînement adversarial en temps réel entre le générateur et le discriminateur, garantissant que les sorties sont déterminées par des facteurs fondamentaux plutôt que par un biais induit par^{l’étiquette 8}. Le GAN montre des avantages dans la gestion des biais de groupe dans les données d’évaluation et dans la modélisation des contraintes d’équité non linéaire. Cheng et al. ont proposé un algorithme d’amélioration d’image basé sur GAN pour traiter les images de basse résolution. Le générateur produisait des images haute résolution à partir d’entrées basse résolution, et le discriminateur distinguait les images générées des images réelles haute résolution. L’entraînement adversarial optimise les paramètres pour que la sortie du générateur s’approche des images^{réelles 9}. Kang et al. ont proposé un modèle GAN intermodal pour améliorer l’efficacité du traitement multimodal des données dans les domaines des énergies renouvelables. Le générateur reçoit des données monomodales, le discriminateur distingue les données générées des données multimodales réelles, et l’entraînement adversarial optimise le modèle pour une efficacité^{améliorée 10}. L’algorithme d’arbre de décision de gradient boosting (GBDT) est un algorithme classique pour le traitement de données structurées avec une forte capacité de capture de caractéristiques. En intégrant itérativement plusieurs arbres de décision, GBDT apprend précisément les schémas d’erreur des données et montre des avantages dans le traitement des informations d’évaluation hétérogènes multi-sources et la correction des écarts de score^{non linéaires 11,12}. Mizuno et al. ont proposé une méthode de prédiction de trajectoire basée sur GBDT pour les catastrophes de fortes pluies, apprenant les caractéristiques des trajets et prédisant les trajectoires des catastrophes à partir de données en temps réel, en sélectionnant des prédictions optimales à travers plusieurs arbres de décision¹³. Gao et al. ont développé une méthode d’analyse visuelle basée sur GBDT pour la prédiction du taux de clics publicitaire, apprenant la relation entre les caractéristiques visuelles et les données historiques de clics pour prédire les taux de clics des nouvelles^{publicités 14}. Sur la base des défis ci-dessus, cette recherche vise à répondre systématiquement à la question scientifique fondamentale suivante : comment un modèle intelligent d’évaluation éducative peut-il être construit pour intégrer efficacement des données hétérogènes multi-sources, s’adapter dynamiquement à différents scénarios d’enseignement, tout en garantissant simultanément la précision de l’étalonnage et l’équité des résultats. Pour répondre à cette question, cette étude utilise l’effet synergique du mécanisme de contrainte d’équité du GAN et la capacité précise d’étalonnage des erreurs du GBDT. De plus, des recherches sont menées sur la manière d’introduire des technologies avancées, telles que le traitement du langage naturel (BERT), l’apprentissage par renforcement (RL), les mécanismes d’attention (AM), les réseaux de mémoire à court terme à long terme (LSTM), les réseaux d’attention graphiques (GAT) et la distillation des connaissances (KD), afin de compenser les limites inhérentes d’un modèle unique en matière d’extraction de caractéristiques, d’adaptation dynamique et d’efficacité du raisonnement. En fin de compte, l’objectif est de fournir une solution d’étalonnage des évaluations pédagogiques à la fois précise et équitable, et dotée de fortes capacités de généralisation pour le domaine de l’éducation intelligente.

Protocol

Conception et optimisation de l’algorithme FairEduNet
L’étude combine GAN et GBDT pour construire l’algorithme FairEduNet, atteignant ainsi les objectifs doubles de correction d’équité et de correction de précision, plutôt que le compromis d’une optimisation unidirectionnelle. FairEduNet adopte une architecture collaborative à double canal : le canal dorsale GBDT est responsable de la modélisation structurée des erreurs et de la correction précise, tandis que le canal auxiliaire GAN se concentre sur le découplage des attributs sensibles et l’ajustement dynamique de l’équité. L’architecture de l’algorithme FairEduNet, combinant GAN et GBDT, est illustrée à la Figure 1.

Figure 1 : Architecture algorithmique FairEduNet combinant GAN et GBDT. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Comme montré à la Figure 1, FairEduNet collecte et prétraite d’abord les données d’évaluation multi-sources. GBDT utilise plusieurs arbres de décision pour apprendre de manière itérative les schémas d’erreur d’évaluation, produit les résultats initiaux de calibration et les transmet au module GAN. Le GAN entraîne le discriminateur à apprendre la relation entre les résultats initiaux de calibration et les attributs sensibles, tandis que le générateur ajuste dynamiquement les paramètres d’étalonnage. Grâce à plusieurs cycles de formation adversaire et de vérification de l’équité, le biais d’équité est optimisé. Enfin, les résultats calibrés en équité sont transmis au module GBDT, qui ajuste pour la précision et l’équité, fournissant la base d’étalonnage de l’évaluation de l’enseignement et le rapport. GBDT calcule les résidus comme montré dans l’équation (1).

(1)

Dans l’équation (1), représente le résidu du i-ème échantillon de la t-ième itération, y_i représente la vraie valeur, et représente la valeur de prédiction de la t-ième itération. Le processus adversarial de la GAN est illustré dans l’équation (2).

(2)

Dans l’équation (2), x représente le résultat initial de l’étalonnage, z représente les caractéristiques sensibles des attributs, P_data(x)  représente la véritable distribution des caractéristiques non sensibles, P_z(z) représente la distribution des attributs sensibles, D représente le discriminateur, et G représente le générateur¹⁵. La sortie initiale d’étalonnage de GBDT est indiquée dans l’équation (3).

(3)

Dans l’équation (3), représente la prédiction du i-ème échantillon par l’arbre de décision initial, K représente le nombre total d’arbres de décision, γ_k représente le poids du k-ième arbre, et h_k(x_i) représente la sortie de prédiction du k-ième arbre pour le i-Le Sample. L’algorithme FairEduNet peut fournir un étalonnage précis et une garantie d’équité pour l’enseignement des données d’évaluation. Cependant, lors du traitement de données d’évaluation non structurées et de l’adaptation à des scénarios dynamiques, FairEduNet présente une faible capacité d’extraction de caractéristiques pour les caractéristiques non structurées, ce qui entraîne un biais d’étalonnage. De plus, les indicateurs d’équité et les paramètres d’étalonnage de FairEduNet sont fixés statiquement, limitant son adaptabilité à différents scénarios d’enseignement et affectant la qualité globale de l’étalonnage. La combinaison des représentations bidirectionnelles des encodeurs des transformers (BERT) et de l’apprentissage par renforcement (RL), l’algorithme BERT-RL, permet d’extraire avec précision des caractéristiques profondes du texte non structuré et d’adapter dynamiquement les paramètres des scénarios sans définir manuellement des seuils statiques, améliorant ainsi la fiabilité des sorties algorithmiques dans^{les scénarios 16, 17}. Les méthodes traditionnelles comme TF-IDF reposent sur la fréquence des mots mais manquent d’une compréhension contextuelle profonde et ne peuvent pas distinguer les directions spécifiques de « justice » dans différents scénarios. Word2Vec produit des vecteurs de mots statiques, qui peinent à s’adapter aux changements contextuels complexes et à reconnaître les biais indirects. BERT utilise l’auto-attention multi-couches pour encoder un contexte bidirectionnel, capturant à la fois des termes explicitement biaisés et une logique implicite biaisée. Les approches traditionnelles nécessitent des listes manuelles de mots biaisés, reposent sur l’expérience subjective et couvrent des scénarios limités. Grâce à l’apprentissage par transfert de modèle pré-entraîné, le BERT apprend automatiquement des traits sémantiques profonds sans effort manuel important, offrant une généralisation plus forte pour reconnaître les biais ambigus. De plus, les méthodes traditionnelles perdent souvent de l’information avec de longs textes, tandis que BERT prend en charge jusqu’à 512 jetons, préservant les relations contextuelles, localisant précisément les caractéristiques de biais et permettant une correction fine de l’équité. Le processus de fonctionnement de BERT-RL est illustré à la Figure 2.

Figure 2 : Organigramme de fonctionnement de l’algorithme BERT-RL. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Comme montré à la Figure 2, BERT-RL standardise d’abord les données d’évaluation textuelle non structurées et les entre dans le modèle BERT. BERT utilise un encodeur Transformer pour la modélisation sémantique bidirectionnelle afin d’extraire les caractéristiques clés et de construire une matrice de caractéristiques. La matrice de caractéristiques est ensuite saisie dans le module RL, qui apprend la stratégie optimale à travers plusieurs itérations. La configuration optimisée des paramètres est finalement intégrée à FairEduNet, améliorant ainsi son adaptabilité. Le calcul du poids des traits d’auto-attention BERT est présenté dans l’équation (4).

(4)

Dans l’équation (4), d_k représente la dimension du vecteur K. La fonction de récompense multi-objectifs RL est exprimée dans l’équation (5).

(5)

Dans l’équation (5), ω₁, ω₂ et ω₃ représentent les coefficients de poids, l’erreur d’étalonnage, D_t est l’écart d’fairness, D_{la cible} est l’écart de fairness de la cible, et T_t est le temps^{d’exécution 18}. Cette étude combine BERT-RL avec FairEduNet pour former l’algorithme BERT-RL-FairEduNet, appelé BFEN. BFEN assure un calibrage précis et une garantie d’équité dans l’enseignement des données d’évaluation grâce à l’itération des caractéristiques GBDT et à l’entraînement adversarial en temps réel GAN, tandis que BERT-RL optimise FairEduNet dans la gestion des données non structurées et l’adaptation dynamique aux scénarios, en corrigeant les faiblesses dans l’extraction de fonctionnalités et les limitations statiques des paramètres. L’étude a utilisé le modèle BERT-base-chinois et a pré-entraîné le corpus de journaux d’enseignement réels, de textes enregistrés en classe et de documents de politique éducative de la National Smart Education Platform pour l’année scolaire 2024 à 2025, avec un vocabulaire de 21 128 livres. La dimension de la couche cachée du modèle est de 768, avec 12 têtes d’attention et 12 couches. La profondeur de l’arbre GBDT était fixée à 8, le nombre d’arbres était de 200, et le taux d’apprentissage de 0,1. Le cycle d’entraînement du GAN est de 150 tours, et le discriminateur utilise un réseau entièrement connecté à 3 couches de tailles de 512, 256 et 1. Le générateur utilise un réseau entièrement connecté à 4 couches avec des tailles de 1024, 512, 256 et 1. Le nombre d’unités cachées dans LSTM est de 128, et la longueur de la séquence est de 512. GAT comporte 2 couches et 4 têtes d’attention. La température pour la distillation du savoir est réglée à 3,0. Les coefficients de poids de récompense RL ω₁ = 0,4, ω₂ = 0,35, et ω₃ = 0,25. Les critères de sélection pondérative visent à équilibrer l’équilibre frontal de Pareto de l’optimisation multi-objectifs avec les exigences d’interprétabilité des pratiques d’équité éducative. Les expériences ont été réalisées en utilisant une répartition de 50 % des données grâce à la validation croisée et à l’ajustement des hyperparamètres. Le processus BFEN pour l’étalonnage des évaluations d’enseignement est illustré à la Figure 3.

Figure 3 : Processus de correction de l’algorithme BFEN pour l’éducation intelligente et l’évaluation de l’enseignement. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Comme montré à la Figure 3, le BFEN prétraite d’abord les données d’évaluation de l’enseignement multi-sources. BERT optimise la capacité d’extraction de caractéristiques de FairEduNet en calculant la similarité sémantique du texte et les poids profonds des caractéristiques à partir d’une fenêtre sémantique, sélectionnant les caractéristiques importantes pour construire une matrice sémantique de haute dimension. RL définit ensuite une fonction de récompense multi-objectifs et calcule l’adaptabilité des scénarios et les gradients d’ajustement des paramètres afin d’optimiser davantage les seuils d’équité et les paramètres d’étalonnage. FairEduNet calcule les écarts entre les données d’évaluation et les modèles de motifs d’erreurs, met à jour itérativement les poids de l’arbre de décision et ajuste les stratégies d’étalonnage jusqu’à ce que les erreurs se stabilisent dans des seuils prédéfinis. La sortie finale comprend le modèle d’étalonnage des erreurs et le rapport de vérification de l’équité. Le modèle d’étalonnage est appliqué aux données d’évaluation de l’enseignement, générant des tableaux comparatifs avant et après étalonnage, qui sont combinés avec la bibliothèque de normes d’équité en éducation intelligente pour déterminer les paramètres d’étalonnage cible, fournissant une base scientifique pour l’étalonnage de l’évaluation de l’enseignement dans l’éducation intelligente. Cette bibliothèque standard couvre trois dimensions : l’équité des opportunités éducatives, l’équité des processus et l’équité des résultats, et comprend 12 indicateurs principaux. Ces indicateurs incluent l’équilibre de l’allocation des ressources éducatives entre régions, la différence de couverture des infrastructures numériques entre écoles urbaines et rurales, le seuil de tolérance à la réponse retardée au diagnostic de situation d’apprentissage (≤200 ms), la tolérance aux données manquantes dans l’évaluation multimodale (≤3,5 %), la sensibilité à la détection des biais algorithmiques (écart AUC pour l’étiquetage genre/région/stade ≤ 0,02), le seuil de divergence KL pour la distribution des scores avant et après correction (≤0,08), le score d’interprétabilité des suggestions d’intervention enseignante (≥4,2/5,0), la rapidité des mises à jour des profils des élèves (réalisées sous T + 1 jours), le coefficient de cohérence de la reconnaissance de crédits multiplateforme (≥0,93), la précision de l’alignement sémantique des politiques éducatives (score BERT ≥ 0,86), et l’exhaustivité de la génération des rapports de vérification de l’équité (y compris l’attribution des biais, intervalles de confiance et instantanés de paramètres reproductibles), ainsi que le taux de validation de validation de l’adaptation dynamique couvrant trois scénarios typiques : en classe en présentiel, devoirs asynchrones et assistants pédagogiques IA. Le calcul de similarité sémantique des caractéristiques est présenté dans l’équation (6).

(6)

Dans l’équation (6), f_i représente la valeur de la i-ème dimension sémantique des caractéristiques, g_i représente la ième dimension importante des caractéristiques d’évaluation, et n représente le nombre total de dimensions des caractéristiques. Le calcul du paramètre d’adaptation du scénario RL est présenté dans l’équation (7).

(7)

Dans l’équation (7), θ_t représente la valeur du paramètre à la t-ième itération, α représente le taux d’apprentissage, et représente le gradient de paramètres basé sur la fonction de récompense R(θ_t).

Construction du modèle d’étalonnage des évaluations d’enseignement
Bien que le BFEN présente certains avantages dans l’étalonnage des évaluations d’enseignement, il rencontre encore une faible efficacité d’intégration pour les données d’évaluation hétérogènes multi-sources et une adaptation dynamique insuffisante dans les applications pratiques. L’algorithme AM-LSTM, qui combine le mécanisme d’attention (AM) et la mémoire à court terme long (LSTM), attribue des poids aux caractéristiques clés des données d’évaluation multi-sources via AM et capture les schémas dynamiques de changement des données d’évaluation au fil du temps grâce à la capacité de mémoire séquentielle de LSTM. Cette approche améliore efficacement l’efficacité de l’intégration des données multi-sources et l’apprentissage dynamique des fonctionnalités^19,20. Le processus de fonctionnement de l’AM-LSTM est illustré à la Figure 4.

Figure 4 : Organigramme de fonctionnement AM-LSTM. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Comme le montre la Figure 4, AM-LSTM pré-traite d’abord des données d’évaluation pédagogique hétérogène multi-sources pour former un ensemble de données standardisé. AM calcule les pondérations d’attention pour les caractéristiques provenant de différentes sources de données afin de sélectionner les caractéristiques importantes et construit une matrice pondérée des caractéristiques. La matrice de caractéristiques pondérée est ensuite saisie dans LSTM, qui utilise son mécanisme de verrouillage pour apprendre des motifs dynamiques au fil du temps, capturant les relations entre les données d’évaluation à différents stades et générant des vecteurs dynamiques de caractéristiques. Enfin, ces vecteurs de caractéristiques dynamiques sont combinés avec des contraintes d’équité pour générer des résultats d’étalonnage intermédiaires qui s’adaptent à l’intégration de données multi-sources et aux scénarios dynamiques, fournissant une base pour une optimisation ultérieure du modèle. Le calcul du poids d’attention est montré dans l’équation (8).

(8)

Dans l’équation (8 ),_n représente l’allocation d’attention pour la n-ième caractéristique, x_n représente la similarité, q représente le vecteur de requête, et softmax représente la fonction d’activation. La porte d’oubli de la LSTM est exprimée dans l’équation (9).

(9)

Dans l’équation (9), W_f est le poids de la porte d’oubli, b_f est le biais de la porte d’oubli, x_t est l’entrée au temps t, h_t-1 est la variable d’état externe au temps t-1, et σ représente la fonction sigmoïde²¹. Cette étude combine AM-LSTM avec BFEN pour construire le modèle d’étalonnage de l’évaluation pédagogique AM-LSTM-BFEN, appelé FBFEN. Dans ce modèle, AM-LSTM répond aux limites de BFEN en matière d’efficacité d’intégration de données hétérogènes multi-sources et d’extraction dynamique de caractéristiques. Il intègre également des contraintes d’équité pour optimiser les résultats d’étalonnage intermédiaire, permettant à BFEN d’atteindre une étalonnage précise et une garantie dynamique d’équité pour l’enseignement des données d’évaluation. Le processus de fonctionnement de FBFEN est illustré à la Figure 5.

Figure 5 : Processus opérationnel du modèle d’évaluation et de correction de l’enseignement FBFEN. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Comme montré à la Figure 5, FBFEN prétraite d’abord les données originales d’évaluation de l’enseignement multi-sources et saisit l’ensemble de données standardisé dans le module AM-LSTM. AM calcule les poids d’attention des caractéristiques, tandis que le LSTM apprend des motifs dynamiques, en produisant des résultats d’étalonnage intermédiaires qui intègrent des informations multi-sources et des caractéristiques dynamiques. Les résultats intermédiaires sont ensuite entrés dans le module BFEN. GBDT apprend de manière itérative les schémas d’erreur des données d’évaluation à partir des résultats intermédiaires et du modèle d’erreur prédéfini, en produisant des résultats préliminaires d’étalonnage. Parallèlement, GAN analyse le biais d’équité causé par des attributs sensibles dans les résultats préliminaires grâce à un entraînement adversarial entre le générateur et le discriminateur, ajustant dynamiquement les paramètres d’étalonnage pour éliminer le biais. Enfin, les paramètres d’étalonnage optimisés pour GAN sont renvoyés à GBDT pour mettre à jour les poids de l’arbre de décision et les stratégies d’étalonnage, produisant un résultat secondaire qui équilibre précision et équité. La normalisation des données est exprimée dans l’équation (10).

(10)

Dans l’équation (10), z' représente la valeur standardisée, z la valeur originale, et z_min et z_max représentent les valeurs minimales et maximales. La fonction objectif finale du générateur GAN est exprimée dans l’équation (11).

(11)

Dans l’équation (11), N représente le nombre d’itérations, λ représente le facteur de perte de poids, ωⁱ représente le facteur de poids de la i-ème itération, représente la fonction de perte adversaire, et représente la perte binaire d’entropie^{croisée 22}.

Optimisation du modèle d’étalonnage par évaluation par FBFEN
Bien que FBFEN démontre une forte intégration des données multi-sources et une garantie dynamique d’équité dans l’étalonnage des évaluations d’enseignement, il fait face à une faible corrélation de caractéristiques ainsi qu’à une faible efficacité de formation et d’inférence en raison de la structure complexe du modèle dans des scénarios éducatifs complexes. L’algorithme GAT-KD, qui combine le Réseau d’Attention de Graphes (GAT) et la Distillation de la Connaissance (KD), construit dynamiquement un graphe d’association sémantique entre les caractéristiques grâce au mécanisme d’attention du GAT, améliorant l’alignement sémantique des données multi-sources. KD compresse la connaissance du modèle complexe dans un réseau léger, améliorant significativement l’efficacité d’inférence tout en maintenant la performance du^{modèle 23,24}. Le processus de fonctionnement de GAT-KD est illustré à la Figure 6.

Figure 6 : organigramme de fonctionnement GAT-KD. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Comme montré à la Figure 6, GAT-KD construit un graphe d’association sémantique entre les caractéristiques via le module GAT, agrège dynamiquement les informations de voisinage des caractéristiques à l’aide du mécanisme d’attention, et améliore la représentation sémantique des caractéristiques locales. KD utilise ensuite les étiquettes souples de sortie comme signaux de supervision, minimisant la perte de divergence entre les distributions de sortie et la perte d’entropie croisée entre ses prédictions et les vraies étiquettes, permettant ainsi un transfert de connaissances et une compression de modèles. La sortie finale est un modèle d’étalonnage léger avec une grande précision et efficacité. Le calcul du coefficient d’attention de la GAT est montré dans l’équation (12).

(12)

Dans l’équation (12), et représentent les vecteurs caractéristiques des nœuds i et j, W représente la matrice de poids apprenable, a représente le vecteur de poids d’attention, représente l’opération de concaténation, et LeakyReLU représente la fonction^{d’activation 25}. Le calcul de la fonction de perte KD est montré dans l’équation (13).

(13)

Dans l’équation (13), KL représente la perte de divergence, T² représente l’équilibre d’échelle du gradient, p^student représente la probabilité soft label du modèle léger, et p^teacher représente la probabilité soft label du modèle^{complexe 26}. En combinant l’association de caractéristiques améliorée par l’attention et un transfert léger de connaissances, GAT-KD traite efficacement le biais sémantique des caractéristiques et la grande complexité computationnelle. Cette étude intègre GAT-KD à FBFEN pour former le modèle d’étalonnage d’évaluation pédagogique GAT-KD-FBFEN, appelé GFBFEN. GAT-KD optimise les lacunes de FBFEN en matière de capture de corrélation multi-sources incomplète et de faible efficacité d’inférence. Le processus de fonctionnement de GFBFEN est illustré à la Figure 7.

Figure 7 : Processus d’évaluation et de correction du modèle d’évaluation et de correction du GFBFEN. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Comme montré à la Figure 7, le GFBFEN standardise les données d’évaluation de l’enseignement multi-sources. Le GAT modélise des relations complexes entre les caractéristiques et calcule dynamiquement les poids d’association sémantique entre les nœuds en utilisant des mécanismes d’attention. KD compresse la connaissance du modèle complexe dans un réseau léger, améliorant significativement l’efficacité de l’inférence tout en maintenant la précision. Le module AM-LSTM attribue des poids d’importance aux caractéristiques multi-sources et capture les schémas dynamiques temporels des données d’évaluation, en générant des résultats d’étalonnage intermédiaires qui intègrent des informations multi-sources. Ces résultats sont intégrés dans le module BFEN pour un traitement profond. Plus précisément, BERT extrait des caractéristiques sémantiques du texte non structuré, RL optimise dynamiquement les seuils d’équité et les paramètres d’étalonnage, GBDT apprend de manière itérative les schémas d’erreur pour une étalonnage préliminaire, et GAN élimine les biais causés par des attributs sensibles grâce à un entraînement adversaire. Le mécanisme d’ajustement dynamique des paramètres calibre automatiquement la sensibilité de réponse et les poids d’équité de chaque module en détectant en temps réel les changements temporels et les variations de distribution par groupes de la scène d’enseignement, résolvant ainsi le problème d’adaptabilité insuffisante causé par la configuration statique des paramètres, et garantissant que le modèle puisse maintenir robustesse et équité à différentes étapes d’enseignement, groupes d’élèves et scénarios d’évaluation. Le type d’évaluation affecte directement la granularité et le cycle de rétroaction de la modélisation des séries temporelles, tandis que l’évaluation formative met l’accent sur la nature dynamique du processus. Les différences de discipline déterminent l’allocation des caractéristiques entre les modules BERT et GBDT. Par conséquent, l’adoption d’un mécanisme d’ajustement dynamique peut s’adapter efficacement à différents types d’évaluations et caractéristiques disciplinaires. Enfin, grâce à plusieurs cycles de rétroaction des paramètres et d’optimisation itérative, le modèle produit des résultats d’étalonnage d’évaluation pédagogique précis et équitables. La fonction d’optimisation de contraintes d’équité dynamique est exprimée dans l’équation (14).

(14)

Dans l’équation (14), S représente l’ensemble des attributs sensibles, représente le résultat prédit de l’étalonnage de la sortie, représente la variance des prédictions au sein des groupes, γ représente les paramètres intergroupes, et représente la valeur globale attendue. Le calcul adaptatif des poids de fusion multi-sources est présenté dans l’équation (15).

(15)

Dans l’équation (15), w_k représente le poids des caractéristiques de la k-ième source de données, β représente le paramètre de poids, Sim représente la fonction de mesure de similarité des caractéristiques, f_k représente le vecteur de caractéristiques extrait de la k-ième source de données, f_global représente le centre global des caractéristiques, et K représente le nombre total de sources de données. L’étude a fixé les pondérations des attributs sensibles, notamment le genre, l’ethnicité, la région, le statut économique familial et l’origine de la langue maternelle. Les pondérations sont déterminées en fonction des résultats de l’analyse de corrélation. L’étude a utilisé le coefficient de corrélation de Pearson et le coefficient de corrélation du rang de Spearman comme indicateurs doubles pour l’évaluation conjointe, combinés à une expérience experte dans le domaine de l’éducation de l’étalonnage du poids. La détermination finale des pondérations pour chaque attribut sensible a donné des valeurs de 0,18 pour le genre, 0,22 pour l’ethnicité, 0,25 pour la région, 0,19 pour le statut économique familial et 0,16 pour le milieu de la langue maternelle. Genre : Identité de genre selon l’enregistrement légal et l’auto-identification, binaire (homme/femme) avec options non binaires ; Champ de données « Genre ». Ethnicité : Sur la base de l’identification ethnique nationale de 56 groupes, compatibles avec les groupes non identifiés et transfrontaliers ; Champ de données « Ethnicité ». Région : Division administrative de l’enregistrement des ménages ou de la résidence à long terme, couvrant les niveaux provincial, municipal et de comté, en tenant compte de la double structure urbain-rural et de la population migrante ; Champ de données « région ». Situation économique familiale : Selon les normes statistiques nationales et les indicateurs d’aide à l’éducation, en utilisant une classification à cinq niveaux ; champ de données « economic_status ». Contexte de la langue maternelle : enseignement primaire et langue de communication familiale pendant l’éducation de base, couvrant le mandarin, les langues minoritaires, les dialectes et les langues étrangères, pondérés selon l’âge et la fréquence d’acquisition ; Champ de données « mother_tongue. »

Le processus de correction adoptait un mécanisme de pondération dynamique à trois étapes. La première étape a mis en œuvre l’identification initiale par déviation basée sur la matrice de poids des attributs sensibles, marquant des points de données qui s’écartaient significativement du centre global des caractéristiques en termes de dimensions telles que le genre, l’ethnicité et la région. La deuxième étape introduit des contraintes contextuelles éducatives pour requalifier l’intensité de la déviation de manière consciente du contexte. La troisième étape vérifie la stabilité de la correction par des tests de perturbation contrefactuelle, remplaçant systématiquement les valeurs des attributs sensibles tout en conservant les caractéristiques non sensibles inchangées, et en observant si la variation des scores d’évaluation se situe dans le seuil de ±±3,2 %.

Results

Analyse de performance de l’algorithme BFEN
Les indicateurs évalués lors des expériences comprenaient les suivants :

La précision de la correction de l’évaluation (ECA) désigne la proportion d’items de déviation correctement identifiés et corrigés par le modèle dans les résultats de l’évaluation pédagogique, reflétant ainsi l’efficacité globale du mécanisme de correction. Des valeurs plus élevées indiquent une précision de correction supérieure.

Le taux de déviation d’équité (FDR) mesure l’ampleur des disparités de score intergroupes que le modèle ne parvient pas à éliminer lors du processus d’étalonnage. Il est calculé comme le rapport entre l’écart-type de chaque attribut sensible (par exemple, genre, région, ethnie) dans la distribution des scores et l’écart-type global ; des valeurs plus basses impliquent des variances intergroupes minimisées et une garantie de justesse plus robuste.

Le taux d’adaptation de scénarios (SAR) indique le pourcentage de tâches de correction exécutées avec succès par le modèle dans des contextes pédagogiques hétérogènes (par exemple, sciences vs. sciences humaines, environnements en ligne vs. hors ligne).

Le degré de maintien de l’équité (FMD) est défini comme un moins le rapport entre la variance des indicateurs d’équité entre les groupes d’attributs sensibles après correction et celui observé avant la correction, reflétant la capacité du système à préserver son équité structurelle durant le processus d’étalonnage.

Le taux de reconnaissance des caractéristiques disciplinaires (DFRR) calcule la proportion d’échantillons dans lesquels les caractéristiques principales sont correctement identifiées dans les données d’évaluation de chaque discipline par rapport à la taille totale de l’échantillon évalué, démontrant la capacité du modèle à discerner et capturer des variations spécifiques au domaine.

L’efficacité de fusion des données multi-sources (MDFE) fait référence à l’efficacité de débit du modèle lors de l’alignement des caractéristiques, de l’allocation des poids et de la correction des écarts lors de la fusion de données d’évaluation hétérogènes multi-sources. Cette métrique globale est définie comme le produit du nombre d’échantillons d’évaluation traités par seconde (échantillons/sec) et du taux de cohérence de la correction (à un niveau de confiance >95 %), où des valeurs plus élevées signifient un pipeline de fusion plus efficace et stable.

La stabilité des résultats de correction (CRS) indique la cohérence des sorties d’étalonnage sur plusieurs séries indépendantes, quantifiée par l’inverse de l’écart-type de la distance euclidienne entre les sorties de correction de chaque exécution sous des entrées identiques. Des valeurs plus élevées signifient une fiabilité accrue du système.

Le temps de correction des données unique (SDCT) représente la latence computationnelle moyenne consommée par le modèle pour compléter l’étalonnage d’un seul échantillon d’évaluation, mesurée en millisecondes (ms) ; des valeurs plus basses indiquent une capacité de réponse en temps réel plus forte.

L’erreur absolue corrigée (ECO) mesure l’erreur absolue moyenne entre les prédictions calibrées et les valeurs de la vérité du terrain, représentant la déviation résiduelle du modèle par rapport aux données non calibrées initiales. Des valeurs plus basses signifient que les sorties calibrées correspondent davantage aux niveaux de performance réels.

L’erreur relative corrigée (CRE) quantifie l’erreur absolue moyenne entre les prédictions calibrées et les valeurs de la vérité du terrain exprimées en pourcentage de la vérité du terrain, les valeurs plus basses indiquant une précision relative d’étalonnage plus élevée.

Le taux de précision de correction (CAR) représente la proportion d’échantillons dont l’erreur absolue post-étalonnage est < 0,5 par rapport à la taille totale de l’échantillon, démontrant la fiabilité du modèle pour satisfaire des contraintes de précision prédéfinies. Des valeurs élevées confirment l’utilité empirique et la crédibilité des résultats.

La valeur totale de perte (TL) représente la valeur objective d’optimisation globale dérivée de la somme pondérée des termes individuels de sous-pertes à l’achèvement de la tâche. Plus précisément, sept métriques — DFRR, MDFE, CRS, SDCT, CAE, CRE et CAR — sont standardisées via la normalisation Z-score et pondérées selon la priorité opérationnelle des tâches d’évaluation. Étant donné le vecteur de poids [0,15, 0,12, 0,1, 0,08, 0,13, 0,12, 0,1], ces sept valeurs d’indicateur normalisées sont agrégées pour calculer la perte finale.

La précision du regroupement des caractéristiques d’évaluation (EFCA) évalue le degré d’alignement entre les configurations de regroupement non supervisées générées par le modèle et les catégories de vérité validées par des experts du domaine.

L’efficacité de traitement des données à haute dimension (HDPE) mesure le nombre d’échantillons soumis à une réduction de dimensionnalité des caractéristiques et à une correction de déviation par unité de temps lors de la manipulation de vecteurs clairsemés de haute dimension contenant ≥50 caractéristiques d’évaluation. Mesurées en échantillons/seconde, des valeurs plus élevées reflètent une capacité plus robuste à traiter en temps réel des entrées d’évaluation complexes et à grande échelle.

La précision de correction d’équité (FCP) évalue l’uniformité des effets d’étalonnage entre des cohortes d’étudiants divergentes. Cette métrique est quantifiée en calculant la moyenne de la distribution de la distance de Kolmogorov-Smirnov pour les erreurs absolues corrigées à travers les sous-groupes d’attributs sensibles ; Des valeurs plus basses impliquent une performance inter-groupes plus équilibrée et une garantie d’équité plus forte.

La cohérence de la correction inter-scène (CSCC) quantifie le décalage distributif des résultats d’étalonnage dans trois scénarios typiques — à savoir l’évaluation en classe, l’évaluation pratique et les tests en ligne — modélisés sous le terme du rapport de distance de Wasserstein.

Pour vérifier la performance de l’algorithme proposé d’étalonnage de l’évaluation pédagogique BFEN, l’étude l’a comparé à l’algorithme PRF, qui combinait analyse en composantes principales (PCA) et forêt aléatoire (RF) ; l’algorithme EAB, qui combinait machine d’apprentissage extrême (ELM) et boosting adaptatif (AdaBoost) ; et l’algorithme DBLR, qui combinait un réseau de croyances profond (DBN) et une régression logistique (LR). Les expériences ont été menées sur un système équipé d’un processeur Intel Core i9-13900HX et d’un GPU NVIDIA RTX 4080, offrant une grande capacité de calcul parallèle et une grande mémoire vidéo pour réaliser efficacement des calculs d’extraction et d’étalonnage de caractéristiques pour des données d’évaluation pédagogique à grande échelle. Le système d’exploitation était Windows 11, et Python 3.9 était utilisé pour la programmation. Les algorithmes ont été mis en œuvre à l’aide de la bibliothèque Scikit-learn, des modules d’apprentissage profond ont été développés via le framework TensorFlow, et des bibliothèques Pandas et NumPy ont été employées pour le prétraitement des données. L’environnement de développement utilisait PyCharm Professional 2023.1, et Seaborn a été utilisé pour la visualisation des résultats d’étalonnage afin de faciliter une comparaison intuitive des performances des algorithmes. Pour garantir la fiabilité des données, l’étude a utilisé le jeu de données¹ du Global Education Monitoring Report et le jeu de données² sur la performance académique des collégiens espagnols. Le jeu de données contient 12 486 enregistrements, couvrant des données d’évaluation multimodale de l’enseignement telles que les évaluations d’enseignement des professeurs universitaires, les performances académiques des étudiants, les évaluations des étudiants et les retours sur les cours, englobant 137 caractéristiques de dimension pédagogique, notamment la fréquence des interactions en classe, la rapidité des retours sur les devoirs, la cohérence des notations, l’inclusivité linguistique et la sensibilité interculturelle. La variable cible est le score d’évaluation de l’enseignement, qui dans cette étude est mappé à une valeur composite pondérée multidimensionnelle calibrée par des experts. La recherche intègre quatre types de sources d’information : évaluations d’enseignement des étudiants, revues par les pairs, observations de supervision en classe et revues de dossiers pédagogiques, avec des pondérations de 0,35, 0,25, 0,25 et 0,15 respectivement. Les ensembles d’entraînement et de validation sont divisés par ordre chronologique à partir des deux ensembles de données. L’étude utilise les données de septembre 2024 comme ensemble d’entraînement et celles d’octobre 2024 à juin 2025 comme ensemble de validation afin de s’aligner sur la progression temporelle des évaluations éducatives. À l’étape de prétraitement, une stratégie spécifique à la modalité est employée, avec des caractéristiques structurées standardisées via la normalisation Z-score et les valeurs aberrantes Winsorisées, tandis que les caractéristiques textuelles sont encodées selon le modèle BERT-base-chinois et réduites à 768 dimensions. L’entraînement adversarial est appliqué pour renforcer la robustesse face aux expressions de biais implicites et atténuer la dérive sémantique causée par les différences de contexte culturel.

Pour réaliser une formation et une recherche de validation interdisciplinaires, le modèle sera transféré à quatre scénarios d’enseignement hétérogènes : l’enseignement de base K-12, l’enseignement professionnel, la formation continue et l’éducation chinoise internationale pour une validation par échantillon nul ou peu. Dans ces quatre scénarios, l’étude introduit des termes de régularisation adaptative de domaine lors de l’entraînement des algorithmes afin de contraindre la cohérence de la distribution des caractéristiques du modèle dans différents scénarios d’enseignement. Intégration d’un mécanisme de masque léger sensible à la syntaxe pour le bruit de phrases courtes dans les scénarios K-12 ; Pour répondre à l’ambiguïté de la terminologie professionnelle dans l’enseignement professionnel, un dictionnaire de domaine dynamique est construit et intégré au graphe de connaissances du plan du programme. Concevoir un module d’apprentissage par groupes d’âge pour combler le fossé sémantique intergénérationnel dans la formation continue, en alignant les ancrages sémantiques pour les expressions d’évaluation des différents groupes d’âge dans l’espace latent. Pour répondre à l’expression de la charge culturelle dans l’éducation chinoise internationale, des questions de comparaison interlinguistiques sont utilisées pour affiner afin d’améliorer la robustesse de la compréhension des concepts éducatifs non littéraux. Recherche sur l’étalonnage expert et les tests de fiabilité des champs structurés dans les enregistrements d’évaluation originaux, éliminant les entrées de faible fiabilité avec le coefficient alpha de Krippendorff inférieur à 0,75. L’annotation manuelle en double aveugle a été mise en œuvre sur les textes d’évaluation des élèves, avec 3 experts en mesure de l’éducation réalisant indépendamment l’étiquetage des types de déviation, atteignant ainsi la cohérence k = 0,86 dans l’annotation. Enfin, les résultats annotés ont été validés avec les relevés de présence de supervision et les conclusions de la revue des dossiers d’enseignement afin de générer les labels de calibration finale.

Les ensembles de données sélectionnés proviennent de populations distinctes, de systèmes de mesure et de parcours éducatifs distincts. Ce paradigme de validation inter-domaines a rigoureusement testé la robustesse et les limites de généralisation du modèle au sein d’un écosystème éducatif authentique, empêchant les illusions d’évaluation causées par l’homogénéisation des données. Les deux dépôts contenaient des volumes importants de dossiers d’évaluation pédagogique, offrant une valeur de référence directe pour le déploiement d’algorithmes d’éducation intelligente conscients de l’équité. Les deux ensembles de données contenaient d’importantes données d’évaluation de l’enseignement, fournissant des valeurs de référence directes pour la conception d’algorithmes d’éducation intelligente conscients de l’équité et la calibration des évaluations pédagogiques. L’étude a calibré 1000 dossiers d’évaluation pédagogique avec les quatre algorithmes et a calculé leur ECA et leur FDR d’équité. Les résultats sont présentés à la Figure 8.

Figure 8 : Comparaison des résultats des tests entre ECA et FDR. (A) BFEN. (B) PRF. (C) EAB. (D) DBLR. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Comme le montre la Figure 8A, le BFEN a initialement obtenu un ECA de 82,47 % et un FDR de 5,71 % dans la tâche d’étalonnage de l’évaluation. À mesure que le nombre de dossiers calibrés augmentait, l’ECA est monté à 98,75 % et s’est stabilisé après avoir calibré 421 enregistrements, tandis que le FDR a diminué à 2,87 % et s’est stabilisé après avoir calibré 514 enregistrements. Comme montré à la Figure 8B, la courbe ECA de l’algorithme PRF a progressivement augmenté, tandis que la raie FDR a lentement diminué. À la fin de la tâche d’étalonnage, sa valeur ECA était de 92,30 % et sa valeur PDR de 6,72 %. La figure 8C montre que la courbe ECA de l’algorithme EAB a rapidement augmenté avant de s’aplatir, tandis que sa trajectoire FDR présentait de fortes fluctuations précoces avant la convergence, se terminant par une ECA de 84,64 % et une FDR de 8,93 %. Comme illustré à la Figure 8D, l’algorithme DBLR a montré une trajectoire d’ECA ascendante lente accompagnée de fluctuations marginales et de compression limitée dans sa ligne FDR, concluant la tâche d’étalonnage avec un ECA de 83,51 % et un FDR de 8,42 %. Ces résultats expérimentaux confirment que l’algorithme BFEN surpasse significativement les approches de référence tant en termes de précision de correction d’évaluation qu’en contrôle du biais d’équité. Cette capacité de généralisation supérieure est attribuée à l’intégration de BERT dans BFEN, qui extrait des caractéristiques sémantiques profondes du texte d’évaluation non structuré pour capturer des expressions de biais cachées, tandis que le module RL optimise dynamiquement les seuils d’équité et les paramètres de correction via une fonction de récompense multi-objectifs pour découpler les attributs sensibles des résultats finaux. L’étude a ensuite testé le SAR et la FMD pour l’évaluation en classe, les examens finaux, l’évaluation pratique et l’évaluation en ligne, en étiquetant les quatre scénarios comme A, B, C et D. Les résultats sont présentés à la Figure 9.

Figure 9 : Comparaison des résultats du SAR et de la FMD dans différents scénarios. (A) Résultats des tests SAR. (B) Résultats du test de la FMD. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Comme le montre la Figure 9A, le BFEN a obtenu un SAR supérieur à 98 % dans tous les scénarios d’enseignement, avec le SAR le plus élevé de 99,01 % pour les tests en classe. Le SAR de l’algorithme de comparaison dans différents scénarios est inférieur à celui de l’algorithme BFEN, parmi lequel l’algorithme DBLR a le SAR le plus bas pour le scénario final d’évaluation parmi tous les algorithmes, avec un SAR de 70,23 %. Comme montré à la Figure 9B, la FMD de l’algorithme BFEN reste significativement supérieure à celle de l’algorithme de comparaison dans différents scénarios d’enseignement, avec des FMD de 98,47 %, 98,05 %, 97,81 % et 97,94 % dans différents scénarios. Les FMD de l’algorithme de référence DBLR sont respectivement de 82,36 %, 71,74 %, 70,59 % et 69,12 %. Les FMD de l’algorithme EAB sont respectivement de 80,79 %, 68,21 %, 67,65 % et 66,03 %, tandis que les FMD de l’algorithme PRF sont respectivement de 86,42 %, 82,17 %, 80,98 % et 78,33 %. Ces résultats ont démontré que BFEN surpassait les algorithmes de comparaison grâce à l’apprentissage itératif de GBDT avec plusieurs arbres de décision, qui capturaient avec précision les schémas d’erreur entre les scénarios et garantissaient des résultats d’étalonnage stables et équitables. L’étude a également évalué le taux de reconnaissance des caractéristiques disciplinaires (DFRR) pour le chinois, les mathématiques et l’anglais à l’aide des quatre algorithmes. Les résultats sont présentés à la Figure 10.

Figure 10 : Comparaison des résultats des tests DFRR dans différentes disciplines. (A) Ensemble d’entraînement. (B) Ensemble de validation. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Comme le montre la Figure 10A, BFEN a obtenu un DFRR de 99,23 %, 98,94 % et 99,13 % pour le chinois, les mathématiques et l’anglais dans l’ensemble d’entraînement. La figure 10B indique que BFEN a également obtenu un DFRR plus élevé dans l’ensemble de validation par rapport à d’autres algorithmes. Plus précisément, le DFRR de BFEN pour les Chinois a atteint 98,41 %, soit 10,8 % de plus que les 87,61 % du DBLR ; pour les mathématiques, 97,54 %, 9,07 % de plus que les 88,47 % du PRF ; et pour l’anglais, 98,13 %, 13,34 % de plus que les 84,79 % de l’EAB. Ces résultats ont confirmé que BFEN s’est adapté efficacement à l’étalonnage disciplinaire en combinant la capture approfondie des différences sémantiques par BERT avec l’apprentissage personnalisé des schémas d’erreur par GBDT. Pour évaluer de manière exhaustive la performance du BFEN, l’étude a évalué le MDFE, le CRS et le SDCT pour les quatre algorithmes. Les résultats sont présentés dans le tableau 1.

Jeu de données	Algorithme	MDFE ( %)	CRS	SDCT (s)
Formation	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
Validation	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

Tableau 1 : Comparaison des résultats des tests MDFE, CRS et SDCT. « * » indique une différence significative (p < 0,05) entre les résultats BFEN et PRF. « & » indique que la différence entre les résultats de BFEN et EAB était significative (p < 0,05). « @ » indique que la différence entre les résultats BFEN et DBLR est significative (p < 0,05)

Le tableau 1 indique que le BFEN a obtenu un MDFE de 98,42 % dans l’ensemble d’entraînement, soit 14,57 % de plus que les 83,85 % du PRF, un CRS de 0,975, 0,222 de plus que le 0,753 du DBLR, et un SDCT de 0,78 s, soit 0,67 s de moins que le 1,45 s du DBLR. Dans l’ensemble de validation, BFEN a maintenu des performances supérieures, avec MDFE, CRS et SDCT respectivement de 97,58 %, 0,968 et 0,86 s, surpassant les algorithmes de comparaison. Dans l’ensemble, les résultats ont validé la performance globale supérieure du BFEN dans l’étalonnage des évaluations pédagogiques.

Validation des performances du modèle d’étalonnage de l’évaluation de l’enseignement GFBFEN
Sur la base de la validation de performance BFEN, l’étude a également évalué la performance du modèle d’étalonnage d’évaluation de l’enseignement GFBFEN construit sur BFEN et l’a comparé à des modèles d’étalonnage construits à l’aide des algorithmes PRF, EAB et DBLR. Pour garantir des conditions de test cohérentes et une comparabilité, le rapport mondial de suivi de l’éducation a servi d’ensemble d’entraînement, tandis que le jeu de données sur la performance académique des étudiants universitaires a servi d’ensemble de validation. Les quatre modèles ont calibré 500 dossiers d’évaluation pédagogique, et leurs CAE et CRE ont été calculés. Les résultats sont présentés à la Figure 11.

Figure 11 : Comparaison des résultats des tests CAE et CRE. (A) Résultats des tests CAE. (B) Résultats du test CRE. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Comme montré à la Figure 11A, le GFBFEN a initialement atteint un ACE de 0,1279. Au fur et à mesure de l’étalonnage, le CAE est tombé à 0,0641 et s’est stabilisé après 104 enregistrements. Les modèles de comparaison avaient un CAE initial et final plus élevé que le GFBFEN, l’EAB ayant respectivement le CAE initial et final le plus élevé de 0,1858 et 0,1217. La figure 11B indiquait que le CRE initial et final de GFBFEN lors de la tâche d’étalonnage restaient inférieurs à ceux des modèles de comparaison, avec des valeurs de 0,1137 et 0,0912, respectivement. Ces résultats ont démontré que GFBFEN présentait une forte capacité d’ajustement, bénéficiant du mécanisme d’attention de GAT, qui construisait des graphes de corrélation sémantique entre les caractéristiques, améliorait l’alignement sémantique des données d’évaluation multi-sources et réduisait l’étalonnage inefficace causé par le biais des caractéristiques. L’étude a ensuite évalué la CAR pour les données d’évaluation des élèves, des enseignants, des évaluations scolaires et des données d’évaluation en ligne, indiquées I, II, III et IV. Les résultats sont présentés à la Figure 12.

Figure 12 : Comparaison des résultats CAR de différentes données d’évaluation. (A) GFBFEN. (B) PRF. (C) EAB. (D) DBLR. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Comme le montre la Figure 12A, le GFBFEN a obtenu un CAR de 99,34 %, 98,93 %, 99,01 % et 99,12 % pour les données d’évaluation des élèves, enseignants, écoles et en ligne dans l’ensemble de formation. Dans l’ensemble de validation, les valeurs CAR étaient respectivement de 97,89 %, 98,56 %, 97,57 % et 98,46 %. La figure 12B–D a montré que les modèles de comparaison présentaient un CAR plus faible à la fois dans les ensembles d’entraînement et de validation. Parmi eux, l’EAB a obtenu les pires résultats dans l’ensemble de validation, avec un CAR de 76,31 % pour les données des enseignants et 78,29 % pour les données en ligne. Ces résultats ont confirmé que le GFBFEN surpassait nettement les modèles de comparaison. Ensuite, l’étude a testé la TL dans la tâche d’étalonnage de l’évaluation pédagogique afin d’évaluer la capacité d’ajustement et la stabilité de l’entraînement. Les résultats sont présentés à la figure 13.

Figure 13 : Résultats des tests de capacité d’ajustement et de stabilité d’entraînement. (A) GFBFEN. (B) PRF. (C) EAB. (D) DBLR. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Comme montré à la Figure 13A, GFBFEN avait initialement un TL de 0,1021 dans l’ensemble d’entraînement. Après 67 itérations, la TL est tombée à 0,0725 et s’est stabilisée. Dans l’ensemble de validation, la TL est passée de 0,1237 à 0,1018. La figure 13B–D indiquait que la TL finale de PRF dans l’ensemble d’entraînement était de 0,0824, la TL finale d’EAB dans l’ensemble de validation était de 0,1178, et la TL de DBLR dans les deux ensembles était instable et significativement plus élevée que dans les autres modèles. Ces résultats ont démontré que GFBFEN présentait une forte capacité d’ajustement et une stabilité d’entraînement, bénéficiant d’un transfert de connaissances basé sur KD, ce qui permettait au modèle d’apprendre rapidement des caractéristiques efficaces, d’accélérer la convergence des pertes et d’assurer une généralisation à travers les ensembles de données. Pour valider de manière exhaustive la performance principale de GFBFEN, l’étude a testé l’EFCA, HDPE, FCP et CSCC pour les quatre modèles. Les résultats sont présentés à la Figure 14.

Figure 14 : Résultats des tests d’indicateurs globaux des tâches d’évaluation et de correction d’enseignement. (A) Résultats du test GFBFEN. (B) Résultats du test PRF. (C) Résultats du test EAB. (D) Résultats du test DBLR. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Comme montré à la figure 14A–D, le modèle GFBFEN a des valeurs EFCA de 99,35 % et 98,76 % dans les ensembles d’entraînement et de validation, respectivement. Les EFCA du modèle PRF sont respectivement de 88,53 % et 87,04 %. Dans l’ensemble de validation, l’EFCA du modèle GFBFEN était 6,59 % supérieure à celle du modèle EAB à 92,17 %, et 11,72 % supérieure à celle du modèle DBLR à 87,04 %. De plus, ses indicateurs HDPE, FCP et CSCC sont également largement en tête : dans l’ensemble de validation, le HDPE du modèle GFBFEN a atteint 98,05 %, le FCP 97,93 % et le CSCC a atteint 0,968, tous surpassant les modèles PRF, EAB et DBLR. Dans l’ensemble, ces résultats ont validé la performance globale supérieure du GFBFEN, démontrant que l’optimisation coordonnée du modèle pour GAT-KD, AM-LSTM et BFEN a efficacement amélioré la précision, l’efficacité et l’équité de l’étalonnage dans l’enseignement de l’évaluation.

La recherche a progressivement construit FairEduNet, BFEN, FBFEN et GFBFEN, et le GFBFEN final inclut des composants tels que FairEduNet, BERT-RL, AM-LSTM et GAT-KD. Pour vérifier la contribution indépendante des composants individuels, des recherches et des expériences d’ablation sont menées, en retirant progressivement chaque composant et en évaluant son impact sur la performance globale. Les indicateurs comparatifs incluent l’ECA, le FDR, le SAR et la FMD. Les résultats ont montré que la valeur ECA de la composante FairEduNet seule était de 87,32 %, FDR de 12,45 %, SAR de 89,67 % et FMD de 11,89 %. L’ECA du modèle GFBFEN complet a atteint 99,21 %, le FDR a encore chuté à 1,93 %, le SAR est resté stable à 99,45 % et la FMD a été optimisée à 7,28 %. Après la suppression du BERT-RL, L’ECE est tombée à 91,04 %, la valeur FDR à 6,23 %, la valeur SAR à 92,33 % et la FMD a augmenté à 7,85 %. L’ablation d’AM-LSTM a augmenté les fluctuations du SAR de 14,2 %. La suppression du GAT-KD a conduit à une augmentation de la FMD à 8,36 %, et son mécanisme de suppression du biais de la structure des graphes, guidé par la distillation des connaissances, a été significativement efficace pour atténuer le biais d’association implicite entre populations.

Pour tester davantage les méthodes de recherche, l’étude a introduit des indicateurs établis de la norme d’équité, à savoir le Fairness Correction Benchmark (FCB), qui couvre trois types de contraintes rigides largement reconnues dans les scénarios éducatifs : (1) La valeur absolue de la différence moyenne après correction entre groupes est ≤ 1,2 point (basé sur le système de pourcentage) ; (2) Le taux de chevauchement des intervalles de confiance corrigés pour chaque sous-groupe d’attribut sensible est ≥ 95 % ; (3) Dans un seul scénario, la région réalisable conjointe de FDR et SAR doit satisfaire la contrainte de la frontière de Pareto (c’est-à-dire qu’il est impossible d’améliorer le SAR sans détériorer FDR, et inversement). Le modèle GFBFEN a été comparé aux modèles de référence courants de base, tels que EAB, PRF, DBLR et GBDT, lors de l’évaluation expérimentale. L’expérience a été menée sur 421 données d’évaluation réelles collectées à partir de scénarios d’enseignement réels, couvrant trois scénarios éducatifs typiques : l’évaluation en classe, l’évaluation pratique et les tests en ligne. Les résultats sont présentés dans le tableau 2.

Algorithme	Valeur absolue de la différence moyenne de score	Taux de chevauchement des intervalles de confiance ( %)	Taux de satisfaction de la région réalisable conjoint( %)	Note complète
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

Tableau 2 : Résultats d’évaluation des indicateurs des critères d’équité et vérification pratique de l’application.

Comme montré dans le tableau 2, le GFBFEN a atteint une conformité complète indépendamment aux quatre contraintes rigides du FCB, et son score global a nettement surpassé les autres modèles de référence par une marge de +18,7 points, validant la robustesse du paradigme de correction collaborative en plusieurs étapes proposé. En particulier, dans l’indicateur principal reflétant la capacité de compromis équitable-efficacité, le taux de couverture des régions réalisables conjointes a atteint 100 %, indiquant que le modèle possède des capacités de prise de décision Pareto optimales déployables dans des scénarios éducatifs réels.

L’équité dans l’évaluation de l’enseignement fait référence à l’utilisation de contraintes quantitatives vérifiables comme référence tout en respectant les différences individuelles et les lois éducatives. La logique de calcul et la fixation des seuils des indicateurs d’équité reposent sur le cadre théorique de l’équité éducative et des normes empiriques de vérification des données. Ils sont examinés conjointement par un comité d’experts composé de cinq chercheurs afin d’assurer un haut degré d’unité entre rigueur théorique et adaptabilité à la pratique éducative. Pour valider davantage l’adaptabilité du modèle selon différents standards d’équité, l’étude a mené une validation supplémentaire selon plusieurs normes. Plus précisément, trois normes d’équité ont été sélectionnées pour vérification. La norme 1 est l’équilibre du taux d’acceptation entre les groupes basé sur la parité démographique. La norme 2 est la cohérence inter-groupes entre le taux de vrais positifs et le taux de faux positifs basée sur les cotes égalisées. La norme 3 repose sur la parité prédictive pour contrôler les biais intergroupes dans la précision des prédictions. Il a été constaté que GFBFEN respectait systématiquement les exigences strictes de contraintes des trois normes. Écart du taux d’acceptation des groupes standard 1 ≤1,2 %, différence entre taux vrais/faux positifs standard 2 ≤0,85 %, précision prédictive standard 3 déviation intergroupe contrôlée dans ±±0,6 %. En revanche, les autres modèles ont montré une percée de contraintes de ≥3,7 % sous au moins un critère, vérifiant la compatibilité généralisée du GFBFEN pour les paradigmes d’équité multivariée.

DISPONIBILITÉ DES DONNÉES :
Pour garantir la fiabilité des données, l’étude a utilisé le jeu de données Global Education Monitoring Report (https://www.education-progress.org/) et le jeu de données sur la performance académique des élèves espagnols du collège (https://archive.ics.uci.edu/dataset/320/student+performance). Les ensembles d’entraînement et de validation sont divisés par ordre chronologique à partir des deux ensembles de données. L’étude utilise les données de septembre 2024 comme ensemble d’entraînement et de l’ensemble de validation d’octobre 2024 à juin 2025, en accord avec la progression temporelle des évaluations éducatives.

Discussion

L’algorithme BFEN proposé dans cette étude a démontré des performances supérieures lors d’expériences comparatives. Du point de vue de l’ECA et du FDR, il surpassait nettement les algorithmes PRF, EAB et DBLR. Lors de l’étalonnage des 421 enregistrements d’évaluation, le BFEN a augmenté l’ECA à 98,75 % et a maintenu la stabilité, tandis que le FDR a diminué à 2,87 %. Cette performance résultait de l’intégration de BERT-RL pour l’optimisation des fonctionnalités et l’adaptation dynamique. BERT a précisément extrait des informations de biais sémantique profond à partir de textes d’évaluation non structurés, et RL a ajusté dynamiquement les seuils d’équité et les paramètres d’étalonnage via une fonction de récompense multi-objectifs, éliminant ainsi l’influence des attributs sensibles sur les résultats. Cela est similaire aux travaux menés par Valencia-Londoño et al., qui ont utilisé des algorithmes d’intelligence artificielle pour construire un modèle d’inclusion éducative pour les adultes atteints de divers troubles neuromusculaires. Bien que le modèle d’inclusion éducative construit ait été vérifié quant à la faisabilité au sein de groupes spécifiques de maladies neuromusculaires, ses contraintes d’équité ne couvraient qu’une seule dimension (représentation égale des groupes diagnostiques), et aucun système de contraintes rigide entre plusieurs groupes et objectifs multiples n’a été établi^27. Dans des tests dans différents scénarios pédagogiques, le BFEN a obtenu un SAR de 99,01 % pour les évaluations en classe et un FMD de 97,81 % pour les évaluations pratiques, ce qui est nettement supérieur aux modèles de comparaison. Cet avantage découlait de l’apprentissage itératif des schémas d’erreur à travers les données d’évaluation multi-scénarios par GBDT, combiné à la bibliothèque de normes d’équité en éducation intelligente pour correspondre aux paramètres d’étalonnage cibles, réduisant efficacement le biais d’étalonnage et le déséquilibre d’équité causés par les différences de scénario. Comparé au système d’évaluation équitable de l’intelligence artificielle adaptatif et interprétable proposé par Kumar et al., qui intègre des boucles de rétroaction d’experts humains et des modules de vérification d’équité interlinguistiques, bien qu’il introduise ces fonctionnalités, il ne parvient pas à modéliser efficacement les chaînes de biais implicites dans les textes d’évaluation dans le domaine de l’évaluation éducative, qui présente une forte densité sémantique et une forte dépendance^{au contexte 28}. Cette étude est plus profondément intégrée en termes de garantie rigide des contraintes d’équité et de couplage profond de la modélisation sémantique éducative comparée à la^{littérature 28}.

Dans les tâches pratiques d’évaluation de l’éducation intelligente, le modèle GFBFEN construit sur BFEN a également démontré des avantages notables. Pour 500 records d’étalonnage, le GFBFEN a atteint un CAE final de 0,0641 et un CRE de 0,0912. Sa CAR pour plusieurs types de données d’évaluation a dépassé 97 % à la fois dans les ensembles d’entraînement et de validation. Cette performance résultait de l’optimisation de la corrélation des fonctionnalités et du traitement léger de GAT-KD. GAT a construit des graphes de corrélation sémantique entre les caractéristiques pour réduire le biais de caractéristiques multi-sources, tandis que le transfert de connaissances de KD a amélioré l’efficacité de l’inférence sans compromettre la précision du modèle, évitant ainsi les retards d’étalonnage causés par la complexité du modèle. Comparée à la recherche menée par Deho et al. sur l’impact de la dérive des jeux de données sur l’équité des modèles d’analyse de l’apprentissage, bien que leur étude se soit concentrée sur le mécanisme de l’influence de la dérive des données sur l’équité, les stratégies de correction reposaient sur une repondération statique et une compensation post-événement, sans la capacité de percevoir et de répondre dynamiquement aux écarts sémantiques en temps réel. Il était difficile de gérer l’évolution des biais implicites dans l’évaluation éducative causés par les expressions subjectives des enseignants et les différences dans les styles linguistiques des élèves. Cependant, cette étude, via le modèle GFBFEN, perçoit et répond efficacement de manière dynamique aux écarts sémantiques dans la sémantique de l’évaluation, capturant les tendances implicites à la valeur dans les commentaires des enseignants, les écarts de style linguistique dans les textes de réponse des élèves, et la dérive sémantique dans les expressions d’évaluation entre les niveaux et les matières, réalisant un changement de paradigme de la « compensation statique » à la « calibration dynamique ^»29. Dans les tests de métriques de base, le GFBFEN a atteint respectivement un EFCA de 99,35 % et 98,76 % dans les ensembles d’entraînement et de validation, ainsi que un FCP de 98,52 % et 97,93 %, nettement supérieur aux modèles de comparaison. Similaire au système d’examen ouvert avec notation automatique basée sur l’intelligence artificielle développée par l’équipe Dimari A, bien qu’il ait atteint un haut degré de cohérence dans la notation des réponses ouvertes, sa correction d’équité ne repose que sur le poids prédéfini des dimensions de notation et la bibliothèque d’échantillons biaisée annotée par l’humain, sans intégrer un mécanisme éducatif d’évolution dynamique sémantique. Cette recherche a permis des avancées substantielles dans le mécanisme d’évolution dynamique de la correction de l’équité et dans la modélisation approfondie de la sémantique éducative par rapport aux résultats de l’équipe Dimari A, démontrant notamment une forte robustesse et interprétabilité pour relever des défis concrets tels que la dérive dans l’orientation valorisée des commentaires des enseignants, les différences générationnelles dans les styles linguistiques des élèves, et l’ambiguïté dans les expressions d’évaluation^{interdisciplinaires 30}.

Cette étude a apporté trois aspects. Premièrement, l’algorithme BFEN a intégré BERT-RL avec FairEduNet, améliorant l’efficacité des traitements et l’adaptabilité multi-scénarios pour des données hétérogènes multi-sources grâce à l’optimisation sémantique des caractéristiques et à l’ajustement dynamique des paramètres. Deuxièmement, le modèle GFBFEN, basé sur GAT-KD et FBFEN, a introduit l’apprentissage par corrélation sémantique et le transfert léger des connaissances, résolvant des problèmes de corrélation faible des caractéristiques et de faible efficacité d’inférence dans des scénarios éducatifs complexes, renforçant ainsi la praticité de l’étalonnage des évaluations. Troisièmement, les modèles ont été appliqués pour calibrer différentes matières et types d’évaluation, fournissant un soutien technique pour une évaluation pédagogique précise et promouvant l’équité éducative. Ces contributions ont offert une nouvelle approche pour la calibration intelligente de l’évaluation de l’éducation et une référence pour la collaboration multi-algorithmes dans le traitement complexe des données éducatives.

Les méthodes actuelles d’étalonnage des évaluations de l’éducation intelligente manquent d’adaptabilité et d’équité. Cette étude propose un modèle GFBFEN basé sur FairEduNet, utilisant GAN et GBDT pour l’étalonnage de l’équité. BERT-RL améliore le traitement de données non structurées, AM-LSTM améliore la fusion de données multi-sources, et GAT-KD renforce la corrélation des caractéristiques et l’allégement. En intégrant ces algorithmes, le modèle atteint une calibration précise et une équité dynamique. Les tests montrent un excellent traitement des données multi-sources et une étalonnage d’équité inter-scénarios, répondant aux exigences de précision et d’équité. Cependant, le modèle présente des limites avec les groupes d’éducation spécialisée, nécessitant une meilleure généralisation. Les travaux futurs optimiseront les paramètres et ajusteront les contraintes d’équité pour divers scénarios, soutenant l’équité éducative et la qualité de l’enseignement.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Rapport de suivi mondial de l'éducation dataset	UNESCO	https://www.education-progress.org/	Dataset
NumPy	NumPy	https://numpy.org/	Prétraitement des données
Pandas	Pandas, NumPy	https://pandas.pydata.org/	Prétraitement des données
PyCharm Professional 2023.1	PyCharm	Version 2023.1	Environnement de développement
Python 3.9	Python	Version 3.9	Langage de programmation
Scikit-learn	Scikit-learn	https://scikit-learn.org/stable/index.html	Apprentissage automatique
Seaborn	Seaborn	https://seaborn.pydata.org/	Visualisation
Ensemble de données sur les performances académiques des élèves du collège espagnol	UC Irvine Machine Learning Repository	https://archive.ics.uci.edu/dataset/320/student+performance	Dataset
TensorFlow	TensorFlow	https://www.tensorflow.org/	Apprentissage profond
Windows 11	Microsoft	Version 11	Système d'exploitation