探索智能教育中基于图的认知诊断模型的异质性与不确定性
计算机与社会
2025-01-23 v2 机器学习
摘要
基于图的认知诊断（CD）因其在推断学生知识概念熟练度方面的强大能力而引起了广泛的研究兴趣。虽然基于图的 CD 模型已展现出卓越的性能，但我们认为，由于忽视了边的异质性和不确定性，它们仍无法达到最优性能。边涉及正确和错误的作答记录，体现了异质性。同时，作答记录可能具有不确定的语义含义，例如，正确的记录可能表明真正的掌握或幸运的猜测，而错误的记录可能表明缺乏理解或粗心大意。本文提出了一种信息语义感知基于图的认知诊断模型（ISG-CD），重点关注如何在 CD 中利用异构图并最小化不确定边的影响。具体而言，为探索异质性，我们提出了一种基于语义感知图神经网络的 CD 模型。为最小化边不确定性的影响，我们从信息瓶颈视角提出了一种信息边区分层，该层建议以无监督方式保留最小但充分可靠的图用于 CD。我们将此过程公式化为最大化可靠图与作答记录之间的互信息，同时最小化可靠图与原始图之间的互信息。随后，我们证明了互信息最大化在理论上可转化为经典的二元交叉熵损失函数，而互信息最小化可通过希尔伯特 - 施密特独立性准则实现。最后，我们采用交替训练策略来优化基于语义感知图神经网络的 CD 模型和边区分层的可学习参数。在三个真实世界数据集上的大量实验证明了 ISG-CD 的有效性。
引用
@article{arxiv.2403.05559,
title = {Exploring Heterogeneity and Uncertainty for Graph-based Cognitive Diagnosis Models in Intelligent Education},
author = {Pengyang Shao and Yonghui Yang and Chen Gao and Lei Chen and Kun Zhang and Chenyi Zhuang and Le Wu and Yong Li and Meng Wang},
journal= {arXiv preprint arXiv:2403.05559},
year = {2025}
}