基于显式学生向量估计与无监督题库矩阵学习的认知诊断
计算机与社会
2022-03-09 v1 机器学习
社会与信息网络
摘要
认知诊断在许多教育应用中是一项基础任务。文献中已设计了许多解决方案。确定性输入噪声“与”门（DINA）模型是一种经典的认知诊断模型，能够提供可解释的认知参数，例如学生向量。然而，DINA 概率部分的假设过强，因其假设题目的失误率和猜测率与学生无关。此外，记录认知诊断领域中题目技能分布的题库矩阵（即 Q-matrix）通常需要领域专家给出的精确标签。为此，我们提出一种显式学生向量估计（ESVE）方法，通过局部自洽检验估计 DINA 的学生向量，该方法不依赖 DINA 概率部分的任何假设。然后，基于估计的学生向量，DINA 的概率部分可修正为与学生相关的模型，使失误率和猜测率与学生向量相关联。进一步，我们提出一种称为启发式双向校准算法（HBCA）的无监督方法自动标注 Q-matrix，其利用题目难度关系与作答结果进行初始化，并借助 ESVE-DINA 的容错性进行校准。在两个真实数据集上的实验结果表明，ESVE-DINA 在准确率上优于 DINA 模型，且使用相同模型结构时，HBCA 自动标注的 Q-matrix 可达到与人工标注 Q-matrix 相当的性能。
引用
@article{arxiv.2203.03722,
title = {Cognitive Diagnosis with Explicit Student Vector Estimation and Unsupervised Question Matrix Learning},
author = {Lu Dong and Zhenhua Ling and Qiang Ling and Zefeng Lai},
journal= {arXiv preprint arXiv:2203.03722},
year = {2022}
}
备注
9 pages, 6 figures