面向智能教育系统的混合优化符号化认知诊断
计算机与社会
2024-01-22 v1 人工智能
机器学习
摘要
认知诊断评估是学生学习中一项基础且关键的任务。它对学生-习题交互进行建模，并发现学生在每个知识属性上的熟练水平。在现实世界的智能教育系统中，认知诊断方法的泛化性和可解释性同等重要。然而，由于复杂的学生-习题交互，大多数现有方法很难兼顾两者。为此，本文提出了一个符号化认知诊断（SCD）框架，以同时增强泛化性和可解释性。SCD框架引入符号树来可解释地表示复杂的学生-习题交互函数，并利用基于梯度的优化方法有效地学习学生和习题参数。同时，随之而来的挑战是我们需要打通离散的符号表示和连续的参数优化。为了解决这一挑战，我们提出以交替方式混合优化表示和参数。为了实现SCD，它交替地通过无导数遗传编程学习符号树，并通过基于梯度的Adam学习学生和习题参数。在各种真实世界数据集上的大量实验结果表明，SCD在泛化性和可解释性方面均具有优越性。消融研究验证了SCD中每个成分的有效性，案例研究明确展示了SCD的可解释能力如何发挥作用。
引用
@article{arxiv.2401.10840,
title = {Symbolic Cognitive Diagnosis via Hybrid Optimization for Intelligent Education Systems},
author = {Junhao Shen and Hong Qian and Wei Zhang and Aimin Zhou},
journal= {arXiv preprint arXiv:2401.10840},
year = {2024}
}