Big Physics - 用户贡献 [zh-cn]

2022年10月28日组会纪要

2022-10-28T02:45:43Z

Safin：/* 农产品网络投入产出 */

[[分类:大物理组会纪要]]

时间：2022年10月28日（周四）组会

报告人：骆慧颖

题目：

报告人：邓招奇

题目：被评论的文章各种指数的特点

==commented的替代力指数==
# commented的文章，没有区分被comment前后被引的差异
# 没有深入comment，区分是正向评价，还是反向批评
# 特殊的期刊 American Mathematics Review，都是comment文章，数学领域比较特殊，文章少，每篇文章都会被好好研究，评论
# 沿着这个思路，找特殊类型的文章，看看它们的替代力指数与普通文章的差异，比如highlight的文章，每个期刊有编辑挑出来，推荐的文章；被撤稿的文章

===highlight文章===
# APS https://journals.aps.org/search
# Editors' Suggestion? 这个应该可以用爬虫搞定，甚至用插件就可以了

===撤稿文章===
# 找小思
# 被撤稿的文章，可能在撤稿之前已经成为引文网络中的一部分，已经成为知识的一部分，它的替代力可能很大，
# 可能被撤稿的文章，替代力指数很大，如果是这样的话，替代力指数可以作为，文章是否被撤稿的一个指标？
# 比如心脏干细胞的文章，20多年都是瞎扯，20多年后被撤稿

===总结===
想的还是不够细致，比如comment是正向的还是反向的，comment前后各种指数的差异；思维还是不够发散，没有根据comment文章，系联到其它类型的文章，对比它们的指数和普通文章的差异

==农产品网络投入产出==
# 关键是，提出问题，然后再思考用什么方法，能够回答这个问题
# m*n 矩阵, m个国家，n个农产品，从农产品的交易网络中获得
# 把国家的农产品产出放到对角元，也就是国家对自己的投入
# 问题是，不同农产品之间没有交易关系啊？比如苹果和大豆之间肯定没有投入产出关系吧？

===具体问题===
# 中国大豆严重依赖美国，美国限制大豆出口，中国从巴西直接进口，巴西再从美国进口，导致中国从美国间接进口

===计算方法===
# 把中国当作外界
# 去掉美国的一行，一列，
# 或者，仅仅去掉美国与中国的连边，也就是美国对中国出口为0
# 中国增加对其它国家的进口，用于弥补无法从美国进口的缺口
# 看看，中国在满足现有需求下，美国不对中国出口了，中国需要从其它哪些国家进口，从这些国家进口又会怎么间接影响其它国家的出口；比如，为了满足现有的需求，中国尝试从巴西进口更多的大豆，

==投入产出-环境==
# 加入水的消耗，当成一个独立的部门
# 目前的做法，水是被包含在其它部门的？
# 这个需要会看吴老师之前的那篇关于环境投入产出的文章和书

==概率图模型==
# 要解决的问题，在学科概念网络上，如果学生做错题，如何判断他哪些概念没有掌握
# 学习的话，还是先看视频，辅以书等其它资料，看视频的好处是，老师能够在细节和整体上帮助学习者弄清楚整个学科的脉络，避免学习者陷入细节，而忘了学科大图景，当然，最重要的是，学习者需要心里揣着问题去看视频，包括最初想解决的问题，学习时需要问出的WHWM问题。

==函数式编程==
# 如何不用template，实现不同类型的泛化
# 函数式编程，只关注关系，不关注数据，以及数据的类型
# 还需要深入看一下吴老师的课件，以及学习一下函数式编程

2022年10月28日组会纪要

2022-10-28T02:44:02Z

Safin：/* 农产品网络投入产出 */

2022年10月28日组会纪要

2022-10-28T02:43:02Z

Safin：/* commented的替代力指数 */

[[分类:大物理组会纪要]]

时间：2022年10月28日（周四）组会

报告人：骆慧颖

题目：

报告人：邓招奇

题目：被评论的文章各种指数的特点

==commented的替代力指数==
# commented的文章，没有区分被comment前后被引的差异
# 没有深入comment，区分是正向评价，还是反向批评
# 特殊的期刊 American Mathematics Review，都是comment文章，数学领域比较特殊，文章少，每篇文章都会被好好研究，评论
# 沿着这个思路，找特殊类型的文章，看看它们的替代力指数与普通文章的差异，比如highlight的文章，每个期刊有编辑挑出来，推荐的文章；被撤稿的文章

===highlight文章===
# APS https://journals.aps.org/search
# Editors' Suggestion? 这个应该可以用爬虫搞定，甚至用插件就可以了

===撤稿文章===
# 找小思
# 被撤稿的文章，可能在撤稿之前已经成为引文网络中的一部分，已经成为知识的一部分，它的替代力可能很大，
# 可能被撤稿的文章，替代力指数很大，如果是这样的话，替代力指数可以作为，文章是否被撤稿的一个指标？
# 比如心脏干细胞的文章，20多年都是瞎扯，20多年后被撤稿

===总结===
想的还是不够细致，比如comment是正向的还是反向的，comment前后各种指数的差异；思维还是不够发散，没有根据comment文章，系联到其它类型的文章，对比它们的指数和普通文章的差异

==农产品网络投入产出==
# 关键是，提出问题，然后再思考用什么方法，能够回答这个问题
# m*n 矩阵, m个国家，n个农产品，从农产品的交易网络中获得
* 把国家的农产品产出放到对角元，也就是国家对自己的投入
* 问题是，不同农产品之间没有交易关系啊？比如苹果和大豆之间肯定没有投入产出关系吧？
# 具体问题
* 中国大豆严重依赖美国，美国限制大豆出口，中国从巴西直接进口，巴西再从美国进口，导致中国从美国间接进口
# 计算方法
* 把中国当作外界
* 去掉美国的一行，一列，
* 或者，仅仅去掉美国与中国的连边，也就是美国对中国出口为0
* 中国增加对其它国家的进口，用于弥补无法从美国进口的缺口
* 看看，中国在满足现有需求下，美国不对中国出口了，中国需要从其它哪些国家进口，从这些国家进口又会怎么间接影响其它国家的出口；比如，为了满足现有的需求，中国尝试从巴西进口更多的大豆，

==投入产出-环境==
# 加入水的消耗，当成一个独立的部门
# 目前的做法，水是被包含在其它部门的？
# 这个需要会看吴老师之前的那篇关于环境投入产出的文章和书

==概率图模型==
# 要解决的问题，在学科概念网络上，如果学生做错题，如何判断他哪些概念没有掌握
# 学习的话，还是先看视频，辅以书等其它资料，看视频的好处是，老师能够在细节和整体上帮助学习者弄清楚整个学科的脉络，避免学习者陷入细节，而忘了学科大图景，当然，最重要的是，学习者需要心里揣着问题去看视频，包括最初想解决的问题，学习时需要问出的WHWM问题。

==函数式编程==
# 如何不用template，实现不同类型的泛化
# 函数式编程，只关注关系，不关注数据，以及数据的类型
# 还需要深入看一下吴老师的课件，以及学习一下函数式编程

2022年10月28日组会纪要

2022-10-28T02:42:04Z

Safin：

[[分类:大物理组会纪要]]

时间：2022年10月28日（周四）组会

报告人：骆慧颖

题目：

报告人：邓招奇

题目：被评论的文章各种指数的特点

==commented的替代力指数==
# commented的文章，没有区分被comment前后被引的差异
# 没有深入comment，区分是正向评价，还是反向批评
# 特殊的期刊 American Mathematics Review，都是comment文章，数学领域比较特殊，文章少，每篇文章都会被好好研究，评论
# 沿着这个思路，找特殊类型的文章，看看它们的替代力指数与普通文章的差异
* highlight的文章，每个期刊有编辑挑出来，推荐的文章
* 被撤稿的文章
# highlight文章
* APS https://journals.aps.org/search
* Editors' Suggestion? 这个应该可以用爬虫搞定，甚至用插件就可以了
# 撤稿文章
* 找小思
* 被撤稿的文章，可能在撤稿之前已经成为引文网络中的一部分，已经成为知识的一部分，它的替代力可能很大，
* 可能被撤稿的文章，替代力指数很大，如果是这样的话，替代力指数可以作为，文章是否被撤稿的一个指标？
* 比如心脏干细胞的文章，20多年都是瞎扯，20多年后被撤稿

===总结===
想的还是不够细致，比如comment是正向的还是反向的，comment前后各种指数的差异；思维还是不够发散，没有根据comment文章，系联到其它类型的文章，对比它们的指数和普通文章的差异

==农产品网络投入产出==
# 关键是，提出问题，然后再思考用什么方法，能够回答这个问题
# m*n 矩阵, m个国家，n个农产品，从农产品的交易网络中获得
* 把国家的农产品产出放到对角元，也就是国家对自己的投入
* 问题是，不同农产品之间没有交易关系啊？比如苹果和大豆之间肯定没有投入产出关系吧？
# 具体问题
* 中国大豆严重依赖美国，美国限制大豆出口，中国从巴西直接进口，巴西再从美国进口，导致中国从美国间接进口
# 计算方法
* 把中国当作外界
* 去掉美国的一行，一列，
* 或者，仅仅去掉美国与中国的连边，也就是美国对中国出口为0
* 中国增加对其它国家的进口，用于弥补无法从美国进口的缺口
* 看看，中国在满足现有需求下，美国不对中国出口了，中国需要从其它哪些国家进口，从这些国家进口又会怎么间接影响其它国家的出口；比如，为了满足现有的需求，中国尝试从巴西进口更多的大豆，

==投入产出-环境==
# 加入水的消耗，当成一个独立的部门
# 目前的做法，水是被包含在其它部门的？
# 这个需要会看吴老师之前的那篇关于环境投入产出的文章和书

==概率图模型==
# 要解决的问题，在学科概念网络上，如果学生做错题，如何判断他哪些概念没有掌握
# 学习的话，还是先看视频，辅以书等其它资料，看视频的好处是，老师能够在细节和整体上帮助学习者弄清楚整个学科的脉络，避免学习者陷入细节，而忘了学科大图景，当然，最重要的是，学习者需要心里揣着问题去看视频，包括最初想解决的问题，学习时需要问出的WHWM问题。

==函数式编程==
# 如何不用template，实现不同类型的泛化
# 函数式编程，只关注关系，不关注数据，以及数据的类型
# 还需要深入看一下吴老师的课件，以及学习一下函数式编程

2022年10月28日组会纪要

2022-10-28T02:40:19Z

Safin：/* 函数式编程 */

[[分类:大物理组会纪要]]

时间：2022年10月28日（周四）组会

报告人：骆慧颖

题目：

报告人：邓招奇

题目：被评论的文章各种指数的特点

=commented的替代力指数=
# commented的文章，没有区分被comment前后被引的差异
# 没有深入comment，区分是正向评价，还是反向批评
# 特殊的期刊 American Mathematics Review
* 都是comment文章
* 数学领域比较特殊，文章少，每篇文章都会被好好研究，评论
# 沿着这个思路，找特殊类型的文章，看看它们的替代力指数与普通文章的差异
* highlight的文章，每个期刊有编辑挑出来，推荐的文章
* 被撤稿的文章
# highlight文章
* APS https://journals.aps.org/search
* Editors' Suggestion? 这个应该可以用爬虫搞定，甚至用插件就可以了
# 撤稿文章
* 找小思
* 被撤稿的文章，可能在撤稿之前已经成为引文网络中的一部分，已经成为知识的一部分，它的替代力可能很大，
* 可能被撤稿的文章，替代力指数很大，如果是这样的话，替代力指数可以作为，文章是否被撤稿的一个指标？
* 比如心脏干细胞的文章，20多年都是瞎扯，20多年后被撤稿

==总结==
想的还是不够细致，比如comment是正向的还是反向的，comment前后各种指数的差异；思维还是不够发散，没有根据comment文章，系联到其它类型的文章，对比它们的指数和普通文章的差异

=农产品网络投入产出=
# 关键是，提出问题，然后再思考用什么方法，能够回答这个问题
# m*n 矩阵, m个国家，n个农产品，从农产品的交易网络中获得
* 把国家的农产品产出放到对角元，也就是国家对自己的投入
* 问题是，不同农产品之间没有交易关系啊？比如苹果和大豆之间肯定没有投入产出关系吧？
# 具体问题
* 中国大豆严重依赖美国，美国限制大豆出口，中国从巴西直接进口，巴西再从美国进口，导致中国从美国间接进口
# 计算方法
* 把中国当作外界
* 去掉美国的一行，一列，
* 或者，仅仅去掉美国与中国的连边，也就是美国对中国出口为0
* 中国增加对其它国家的进口，用于弥补无法从美国进口的缺口
* 看看，中国在满足现有需求下，美国不对中国出口了，中国需要从其它哪些国家进口，从这些国家进口又会怎么间接影响其它国家的出口；比如，为了满足现有的需求，中国尝试从巴西进口更多的大豆，

=投入产出-环境=
# 加入水的消耗，当成一个独立的部门
# 目前的做法，水是被包含在其它部门的？
# 这个需要会看吴老师之前的那篇关于环境投入产出的文章和书

=概率图模型=
# 要解决的问题，在学科概念网络上，如果学生做错题，如何判断他哪些概念没有掌握
# 学习的话，还是先看视频，辅以书等其它资料，看视频的好处是，老师能够在细节和整体上帮助学习者弄清楚整个学科的脉络，避免学习者陷入细节，而忘了学科大图景，当然，最重要的是，学习者需要心里揣着问题去看视频，包括最初想解决的问题，学习时需要问出的WHWM问题。

=函数式编程=
# 如何不用template，实现不同类型的泛化
# 函数式编程，只关注关系，不关注数据，以及数据的类型
# 还需要深入看一下吴老师的课件，以及学习一下函数式编程

2022年10月28日组会纪要

2022-10-28T02:39:31Z

Safin：

[[分类:大物理组会纪要]]

时间：2022年10月28日（周四）组会

报告人：骆慧颖

题目：

报告人：邓招奇

题目：被评论的文章各种指数的特点

=commented的替代力指数=
# commented的文章，没有区分被comment前后被引的差异
# 没有深入comment，区分是正向评价，还是反向批评
# 特殊的期刊 American Mathematics Review
* 都是comment文章
* 数学领域比较特殊，文章少，每篇文章都会被好好研究，评论
# 沿着这个思路，找特殊类型的文章，看看它们的替代力指数与普通文章的差异
* highlight的文章，每个期刊有编辑挑出来，推荐的文章
* 被撤稿的文章
# highlight文章
* APS https://journals.aps.org/search
* Editors' Suggestion? 这个应该可以用爬虫搞定，甚至用插件就可以了
# 撤稿文章
* 找小思
* 被撤稿的文章，可能在撤稿之前已经成为引文网络中的一部分，已经成为知识的一部分，它的替代力可能很大，
* 可能被撤稿的文章，替代力指数很大，如果是这样的话，替代力指数可以作为，文章是否被撤稿的一个指标？
* 比如心脏干细胞的文章，20多年都是瞎扯，20多年后被撤稿

==总结==
想的还是不够细致，比如comment是正向的还是反向的，comment前后各种指数的差异；思维还是不够发散，没有根据comment文章，系联到其它类型的文章，对比它们的指数和普通文章的差异

=农产品网络投入产出=
# 关键是，提出问题，然后再思考用什么方法，能够回答这个问题
# m*n 矩阵, m个国家，n个农产品，从农产品的交易网络中获得
* 把国家的农产品产出放到对角元，也就是国家对自己的投入
* 问题是，不同农产品之间没有交易关系啊？比如苹果和大豆之间肯定没有投入产出关系吧？
# 具体问题
* 中国大豆严重依赖美国，美国限制大豆出口，中国从巴西直接进口，巴西再从美国进口，导致中国从美国间接进口
# 计算方法
* 把中国当作外界
* 去掉美国的一行，一列，
* 或者，仅仅去掉美国与中国的连边，也就是美国对中国出口为0
* 中国增加对其它国家的进口，用于弥补无法从美国进口的缺口
* 看看，中国在满足现有需求下，美国不对中国出口了，中国需要从其它哪些国家进口，从这些国家进口又会怎么间接影响其它国家的出口；比如，为了满足现有的需求，中国尝试从巴西进口更多的大豆，

=投入产出-环境=
# 加入水的消耗，当成一个独立的部门
# 目前的做法，水是被包含在其它部门的？
# 这个需要会看吴老师之前的那篇关于环境投入产出的文章和书

=概率图模型=
# 要解决的问题，在学科概念网络上，如果学生做错题，如何判断他哪些概念没有掌握
# 学习的话，还是先看视频，辅以书等其它资料，看视频的好处是，老师能够在细节和整体上帮助学习者弄清楚整个学科的脉络，避免学习者陷入细节，而忘了学科大图景，当然，最重要的是，学习者需要心里揣着问题去看视频，包括最初想解决的问题，学习时需要问出的WHWM问题。

=函数式编程=
# 如何不用template，如何实现不同类型的泛化
# 函数式编程，只关注关系，不关注数据，以及数据的类型
# 还需要深入看一下吴老师的课件，以及学习一下函数式编程

2022年10月28日组会纪要

2022-10-28T02:30:41Z

Safin：建立内容为“分类:大物理组会纪要”的新页面

[[分类:大物理组会纪要]]

分类:基于Bayesian网络的诊断性检测算法

2022-09-29T00:38:46Z

Safin：/* 资源：书、课程、概念和论文 */

[[分类:教和学的研究]]

在这个分类下面，我们总结梳理基于Bayesian网络的诊断性检测算法的概念和论文，建立研究用概念-论文知识库。每篇论文要包含：提出了或者回答了什么问题，答案是什么，怎么回答的，我觉得怎么样，对我有什么意义或者启发，对学科或者现实有什么意义，还要包含概念地图。

=研究问题=

这里有两个研究问题，我们更关注第二个：

第一、就是给定一个概念网络，学生回答了一堆问题，问题和概念之间的联系通常已知，概念间的联系（包含上下不同层次知识之间的层次性联系和同层概念之间的逻辑上的左右联系，以及不同领域不同分支学科之间的跨越性的左右联系）通常已知，推断出来学生对每个概念的理解程度；

第二、进一步选出来，在当前学生已经回答过的问题和推断出来的概念掌握程度的基础上，下一步应该考察的问题，从而实现用更少的问题得到最多的学生对每个概念的理解程度。

通常，在一个叫做Knowledge Tracing的研究领域内（其所属的更大的领域是智能助教系统 Intelligent Tutoring System，其所属的更大领域是教育工程，其所属的更大领域是教育学，或者更准确地称为教学学），大家也回答第一个问题。不过，大多数Knowledge Tracing的研究没有考虑概念间关系，只有少数注意到了这个问题，但是也没有解决好。

第一个问题很大程度上都局域的，但是，也有一定的系统性。第二个问题，则肯定是全局的，但是大多数场合可能需要用局域的算法来解决这个全局的问题，尽管找得到全局性的算法肯定是最好的。

=研究方法=
我们打算用概念网络来表示知识之间的联系、问题和知识的联系。然后用Bayesian网络或者基于某种传播扩散的经验模型来解决上面的问题。

大概来说，以汉字为例（更多信息请参考[[:分类:概念网络上的高效学习和检测|概念网络上的高效学习和检测]]和[[:分类:汉字网络|汉字网络]]），诊断性检测的意思就是：我们需要用尽可能少的汉字来测试被试是否认识，然后推断出来在3500常用汉字中，被试认识和不认识哪些汉字。当然，可以对被试做逐一汉字的测试。但是，这个需要测试的汉字的数量太多了。一个更好的办法是利用汉字之间的联系，来一边做测试一边做推断。例如，测试了“森”发现被试认识，则可以很大程度上推荐这个被试也认识“林、木”，以及倒过来，如果测试发现被试不认识“木”，则很大程度上可以推断其不认识“林、森”。

但是，如何把这样的推断真的做好，做到足够准确，是个问题。例如，一次推断和二次推断是否要区分，也就是，测试发现被试不认识“木”，可以推断不认识“林”，是否可以继续推断其不认识“琳”？例如，多个线索如何叠加，也就是，如果测试发现，被试不认识“林”和“王（玉）”是否可以推断其不认识“琳”，而且这个不认识的可靠性比单个线索的推断更可靠？知识之间的联系，主要依靠表现出来的联系还是内在的结构上的联系，也就是，可能经常认识“人”的被试也认识“口”，因此两者的条件概率相关，但是，两者之间完全没有内在联系（很可能是某个儿歌或者某本教材引起的联系），到底哪一种联系更可靠？这里有诸如此类的一系列细节的问题。

因此，这个问题和条件概率、知识网络紧密相关，但是，到底用什么样的算法更合适，用什么样的底层网络（表现型，还是结构性逻辑性），这都需要进一步研究。其实，在Belief Propogation的领域，网络可测性领域也有相关的研究。也完全可以设计一个扩散模型，通过调整参数来让这个模型可以解决第一个问题。

第二个问题就更遥远了，但是，也可以采用贪心算法，也就是每次或者每两步三步之内，都考虑对于结果提升最大的检测概念，而不考虑更长程的短期有劣势但是长期有优势的算法。这样，尽管不保证全局最优，但是至少可以局部可以接受。

这个算法是否成功，最终的检验是实验和实践。因此，我们需要测试一批被试，知道其实际上理解和不理解哪些概念，然后，设计算法来看看如何以最少的检测量来真的发现这些其所理解和不理解的概念。

=资源：书、课程、概念和论文=
这是“Bayesian诊断”讨论班收集整理的资料。

# 书
## [[:文件:Koller-and-friedman-probabilistic-graphical-models-2009.pdf|Daphne Koller and Nir Friedman Probabilistic Graphical Models: Principles and Techniques]]
## 我再去找找之前做的总结，我记得还有几本
# 课程
## [https://www.bilibili.com/video/BV1AE411Q7P1/ 斯坦福大学Coursera公开课《概率图模型》]
## [https://www.bilibili.com/video/BV1L741147Y1/ CMU 10-708: 概率图模型]
# 概念（必要的时候每一个做成一个本站的分类）
# 论文（每篇文章做成一个本站的分类）

分类:基于Bayesian网络的诊断性检测算法

2022-09-29T00:36:26Z

Safin：/* 资源：书、课程、概念和论文 */

[[分类:教和学的研究]]

在这个分类下面，我们总结梳理基于Bayesian网络的诊断性检测算法的概念和论文，建立研究用概念-论文知识库。每篇论文要包含：提出了或者回答了什么问题，答案是什么，怎么回答的，我觉得怎么样，对我有什么意义或者启发，对学科或者现实有什么意义，还要包含概念地图。

=研究问题=

这里有两个研究问题，我们更关注第二个：

第一、就是给定一个概念网络，学生回答了一堆问题，问题和概念之间的联系通常已知，概念间的联系（包含上下不同层次知识之间的层次性联系和同层概念之间的逻辑上的左右联系，以及不同领域不同分支学科之间的跨越性的左右联系）通常已知，推断出来学生对每个概念的理解程度；

第二、进一步选出来，在当前学生已经回答过的问题和推断出来的概念掌握程度的基础上，下一步应该考察的问题，从而实现用更少的问题得到最多的学生对每个概念的理解程度。

通常，在一个叫做Knowledge Tracing的研究领域内（其所属的更大的领域是智能助教系统 Intelligent Tutoring System，其所属的更大领域是教育工程，其所属的更大领域是教育学，或者更准确地称为教学学），大家也回答第一个问题。不过，大多数Knowledge Tracing的研究没有考虑概念间关系，只有少数注意到了这个问题，但是也没有解决好。

第一个问题很大程度上都局域的，但是，也有一定的系统性。第二个问题，则肯定是全局的，但是大多数场合可能需要用局域的算法来解决这个全局的问题，尽管找得到全局性的算法肯定是最好的。

=研究方法=
我们打算用概念网络来表示知识之间的联系、问题和知识的联系。然后用Bayesian网络或者基于某种传播扩散的经验模型来解决上面的问题。

大概来说，以汉字为例（更多信息请参考[[:分类:概念网络上的高效学习和检测|概念网络上的高效学习和检测]]和[[:分类:汉字网络|汉字网络]]），诊断性检测的意思就是：我们需要用尽可能少的汉字来测试被试是否认识，然后推断出来在3500常用汉字中，被试认识和不认识哪些汉字。当然，可以对被试做逐一汉字的测试。但是，这个需要测试的汉字的数量太多了。一个更好的办法是利用汉字之间的联系，来一边做测试一边做推断。例如，测试了“森”发现被试认识，则可以很大程度上推荐这个被试也认识“林、木”，以及倒过来，如果测试发现被试不认识“木”，则很大程度上可以推断其不认识“林、森”。

但是，如何把这样的推断真的做好，做到足够准确，是个问题。例如，一次推断和二次推断是否要区分，也就是，测试发现被试不认识“木”，可以推断不认识“林”，是否可以继续推断其不认识“琳”？例如，多个线索如何叠加，也就是，如果测试发现，被试不认识“林”和“王（玉）”是否可以推断其不认识“琳”，而且这个不认识的可靠性比单个线索的推断更可靠？知识之间的联系，主要依靠表现出来的联系还是内在的结构上的联系，也就是，可能经常认识“人”的被试也认识“口”，因此两者的条件概率相关，但是，两者之间完全没有内在联系（很可能是某个儿歌或者某本教材引起的联系），到底哪一种联系更可靠？这里有诸如此类的一系列细节的问题。

因此，这个问题和条件概率、知识网络紧密相关，但是，到底用什么样的算法更合适，用什么样的底层网络（表现型，还是结构性逻辑性），这都需要进一步研究。其实，在Belief Propogation的领域，网络可测性领域也有相关的研究。也完全可以设计一个扩散模型，通过调整参数来让这个模型可以解决第一个问题。

第二个问题就更遥远了，但是，也可以采用贪心算法，也就是每次或者每两步三步之内，都考虑对于结果提升最大的检测概念，而不考虑更长程的短期有劣势但是长期有优势的算法。这样，尽管不保证全局最优，但是至少可以局部可以接受。

这个算法是否成功，最终的检验是实验和实践。因此，我们需要测试一批被试，知道其实际上理解和不理解哪些概念，然后，设计算法来看看如何以最少的检测量来真的发现这些其所理解和不理解的概念。

=资源：书、课程、概念和论文=
这是“Bayesian诊断”讨论班收集整理的资料。

# 书
## [[文件:Koller-and-friedman-probabilistic-graphical-models-2009.pdf|Daphne Koller and Nir Friedman Probabilistic Graphical Models: Principles and Techniques]]
## 我再去找找之前做的总结，我记得还有几本
# 课程
## [https://www.bilibili.com/video/BV1AE411Q7P1/ 斯坦福大学Coursera公开课《概率图模型》]
## [https://www.bilibili.com/video/BV1L741147Y1/ CMU 10-708: 概率图模型]
# 概念（必要的时候每一个做成一个本站的分类）
# 论文（每篇文章做成一个本站的分类）

分类:基于Bayesian网络的诊断性检测算法

2022-09-29T00:35:45Z

Safin：/* 资源：书、课程、概念和论文 */

[[分类:教和学的研究]]

在这个分类下面，我们总结梳理基于Bayesian网络的诊断性检测算法的概念和论文，建立研究用概念-论文知识库。每篇论文要包含：提出了或者回答了什么问题，答案是什么，怎么回答的，我觉得怎么样，对我有什么意义或者启发，对学科或者现实有什么意义，还要包含概念地图。

=研究问题=

这里有两个研究问题，我们更关注第二个：

第一、就是给定一个概念网络，学生回答了一堆问题，问题和概念之间的联系通常已知，概念间的联系（包含上下不同层次知识之间的层次性联系和同层概念之间的逻辑上的左右联系，以及不同领域不同分支学科之间的跨越性的左右联系）通常已知，推断出来学生对每个概念的理解程度；

第二、进一步选出来，在当前学生已经回答过的问题和推断出来的概念掌握程度的基础上，下一步应该考察的问题，从而实现用更少的问题得到最多的学生对每个概念的理解程度。

通常，在一个叫做Knowledge Tracing的研究领域内（其所属的更大的领域是智能助教系统 Intelligent Tutoring System，其所属的更大领域是教育工程，其所属的更大领域是教育学，或者更准确地称为教学学），大家也回答第一个问题。不过，大多数Knowledge Tracing的研究没有考虑概念间关系，只有少数注意到了这个问题，但是也没有解决好。

第一个问题很大程度上都局域的，但是，也有一定的系统性。第二个问题，则肯定是全局的，但是大多数场合可能需要用局域的算法来解决这个全局的问题，尽管找得到全局性的算法肯定是最好的。

=研究方法=
我们打算用概念网络来表示知识之间的联系、问题和知识的联系。然后用Bayesian网络或者基于某种传播扩散的经验模型来解决上面的问题。

大概来说，以汉字为例（更多信息请参考[[:分类:概念网络上的高效学习和检测|概念网络上的高效学习和检测]]和[[:分类:汉字网络|汉字网络]]），诊断性检测的意思就是：我们需要用尽可能少的汉字来测试被试是否认识，然后推断出来在3500常用汉字中，被试认识和不认识哪些汉字。当然，可以对被试做逐一汉字的测试。但是，这个需要测试的汉字的数量太多了。一个更好的办法是利用汉字之间的联系，来一边做测试一边做推断。例如，测试了“森”发现被试认识，则可以很大程度上推荐这个被试也认识“林、木”，以及倒过来，如果测试发现被试不认识“木”，则很大程度上可以推断其不认识“林、森”。

但是，如何把这样的推断真的做好，做到足够准确，是个问题。例如，一次推断和二次推断是否要区分，也就是，测试发现被试不认识“木”，可以推断不认识“林”，是否可以继续推断其不认识“琳”？例如，多个线索如何叠加，也就是，如果测试发现，被试不认识“林”和“王（玉）”是否可以推断其不认识“琳”，而且这个不认识的可靠性比单个线索的推断更可靠？知识之间的联系，主要依靠表现出来的联系还是内在的结构上的联系，也就是，可能经常认识“人”的被试也认识“口”，因此两者的条件概率相关，但是，两者之间完全没有内在联系（很可能是某个儿歌或者某本教材引起的联系），到底哪一种联系更可靠？这里有诸如此类的一系列细节的问题。

因此，这个问题和条件概率、知识网络紧密相关，但是，到底用什么样的算法更合适，用什么样的底层网络（表现型，还是结构性逻辑性），这都需要进一步研究。其实，在Belief Propogation的领域，网络可测性领域也有相关的研究。也完全可以设计一个扩散模型，通过调整参数来让这个模型可以解决第一个问题。

第二个问题就更遥远了，但是，也可以采用贪心算法，也就是每次或者每两步三步之内，都考虑对于结果提升最大的检测概念，而不考虑更长程的短期有劣势但是长期有优势的算法。这样，尽管不保证全局最优，但是至少可以局部可以接受。

这个算法是否成功，最终的检验是实验和实践。因此，我们需要测试一批被试，知道其实际上理解和不理解哪些概念，然后，设计算法来看看如何以最少的检测量来真的发现这些其所理解和不理解的概念。

=资源：书、课程、概念和论文=
这是“Bayesian诊断”讨论班收集整理的资料。

# 书
## Daphne Koller and Nir Friedman Probabilistic Graphical Models: Principles and Techniques[[文件:Koller-and-friedman-probabilistic-graphical-models-2009.pdf]]
## 我再去找找之前做的总结，我记得还有几本
# 课程
## [https://www.bilibili.com/video/BV1AE411Q7P1/ 斯坦福大学Coursera公开课《概率图模型》]
## [https://www.bilibili.com/video/BV1L741147Y1/ CMU 10-708: 概率图模型]
# 概念（必要的时候每一个做成一个本站的分类）
# 论文（每篇文章做成一个本站的分类）

文件:Koller-and-friedman-probabilistic-graphical-models-2009.pdf

2022-09-29T00:35:09Z

Safin：Koller-and-friedman-probabilistic-graphical-models-2009

== 文件说明 ==
Koller-and-friedman-probabilistic-graphical-models-2009

Snacking

2022-04-29T01:03:25Z