MetaCD：一种基于持续学习的认知诊断元学习框架
机器学习
2025-12-30 v1
摘要
认知诊断是智能教育中的一个重要研究课题，旨在评估学生对不同技能的掌握水平。迄今为止，许多研究工作使用深度学习模型来探索学生、问题和技能之间的复杂交互。然而，现有方法的性能经常受到数据的长尾分布和动态变化的限制。为了应对这些挑战，我们提出了一种基于持续学习的认知诊断元学习框架（MetaCD）。该框架可以通过利用元学习来学习最优初始化状态，从而缓解长尾问题，使模型仅需少量数据就能在新任务上取得良好的准确率。此外，我们利用一种名为参数保护机制的持续学习方法，赋予 MetaCD 适应新技能或新任务的能力，以适应数据的动态变化。MetaCD 不仅能提高模型在单个任务上的可塑性，还能确保模型在序列任务上的稳定性和泛化能力。在五个真实世界数据集上的综合实验表明，MetaCD 在准确率和泛化能力上均优于其他基线方法。
引用
@article{arxiv.2512.22904,
title = {MetaCD: A Meta Learning Framework for Cognitive Diagnosis based on Continual Learning},
author = {Jin Wu and Chanjin Zheng},
journal= {arXiv preprint arXiv:2512.22904},
year = {2025}
}