抗消融认知诊断框架：面向线上教育系统中的学生学习
计算机与社会
2024-07-26 v1 人工智能
摘要
认知诊断模型（CDM）旨在利用学生作答日志学习学生的掌握水平。CDM 在线上教育系统中发挥着根本作用，因为它们显著影响下游应用，如教师指导和计算机化自适应测试。尽管现有 CDM 取得了成功，但我们发现它们面临一个棘手的问题：所学习的学生掌握水平过于相似。这一问题我们称为消融化，可能会削弱 CDM 在下游任务中的有效性。CDM由两个核心部分组成：学习学生的掌握水平和通过拟合作答日志来评估掌握水平。本文认为，消融问题源于现有 CDM 在学习部分很少利用作答信号，而仅在评估部分将其用作标签。为此，本文提出一种抗消融认知诊断框架（ORCDF），通过在学习部分利用作答信号来增强现有 CDM。具体而言，ORCDF引入一种新型作答图，以内在方式将作答信号作为边的类型。然后，ORCDF设计了针对性的作答感知图卷积网络（RGC），有效捕捉作答图中的关键作答信号。通过 ORCDF，现有 CDM 可通过替换 RGC 的输出来增强输入嵌入，从而在学习部分考虑作答信号。在真实数据集上的大量实验表明，ORCDF不仅帮助现有 CDM 缓解消融问题，还显著提升了模型的预测和可解释性性能。此外，ORCDF 在计算机化自适应测试的下游任务中有效性得到验证。
引用
@article{arxiv.2407.17476,
title = {ORCDF: An Oversmoothing-Resistant Cognitive Diagnosis Framework for Student Learning in Online Education Systems},
author = {Hong Qian and Shuo Liu and Mingjia Li and Bingdong Li and Zhi Liu and Aimin Zhou},
journal= {arXiv preprint arXiv:2407.17476},
year = {2024}
}