面向认知诊断的数据感知潜在与显式知识集成
机器学习
2025-02-05 v1
摘要
认知诊断可基于历史响应日志推断学生对特定知识概念的掌握程度。然而，现有的认知诊断模型 (CDM) 采用单维视角表征学生的熟练程度，无法全面评估学生对每个知识概念的掌握。此外，Q 矩阵对练习与知识概念之间的关系进行二元化处理，无法表征练习与知识概念之间的潜在关系。尤其当知识属性的细粒度不断细化时，Q 矩阵会变得不完整，稀疏的二元表征 (0/1) 无法捕捉知识概念之间复杂的关系。为解决这些问题，我们提出了一种用于认知诊断的概念感知潜在与显式知识集成模型 (CLEKI-CD)。具体而言，根据学生的掌握程度和练习难度，针对每个知识概念从多个角度构建多维向量，从而增强模型的表征能力。此外，我们通过提出的注意力机制进行知识聚合，生成潜在 Q 矩阵，能够揭示练习对潜在知识的覆盖程度。潜在 Q 矩阵可补充稀疏显式 Q 矩阵中所包含的知识概念间的内在关系，并缓解知识覆盖不足的问题。进一步，我们采用组合认知诊断层集成潜在与显式知识，从而提升认知诊断性能。大量实验在真实数据集上表明，CLEKI-CD 优于当前最先进的模型。该提出的 CLEKI-CD 在智能教育领域具有良好的应用前景，因其诊断结果具有良好的可解释性。
引用
@article{arxiv.2502.02104,
title = {Concept-Aware Latent and Explicit Knowledge Integration for Enhanced Cognitive Diagnosis},
author = {Yawen Chen and Jiande Sun and Jing Li and Huaxiang Zhang},
journal= {arXiv preprint arXiv:2502.02104},
year = {2025}
}