基于路径的因果推理用于公平性认知诊断

认知诊断（Cognitive Diagnosis, CD）是一种利用学生和练习数据来预测学生在不同知识概念上 proficiency 水平的方法，是智能教育中的一个基本组成部分。由于学生-练习交互数据的稀缺，大多数现有方法侧重于最大化利用可用数据，例如练习内容和学生信息（如教育背景）。尽管取得了很大的进展，但对学生敏感信息滥用的问题尚未得到足够关注。鉴于CD在智能教育中的重要位置，在做诊断预测时使用敏感信息将导致严重的社会问题。此外，数据驱动的神经网络容易受到输入数据与输出预测之间捷径的误导，恶化了这一问题。因此，消除CD模型中敏感信息的负面影响至关重要。针对这一问题，我们认为学生的敏感属性也提供了有用信息，只有与敏感信息直接相关的捷径应被消除。因此，我们采用因果推理方法，设计了一种新颖的路径特定因果推理框架（Path-Specific Causal Reasoning Framework, PSCRF）以实现上述目标。具体而言，我们首先利用编码器提取特征，为学生的通用信息和敏感信息生成嵌入表示。随后，我们设计了一种新颖的属性导向预测器，用于解耦敏感属性，其中消除与公平性相关的敏感特征，保留其他有用信息。最后，我们设计了多因素约束，以确保公平性和诊断性能的同时。对真实数据集（例如PISA数据集）的大规模实验表明，我们提出的PSCRF方法有效。