面向个性化学习者模型的可辨识性与可解释性：一种归纳范式

利用认知诊断（CD）的个性化学习者建模旨在从行为数据诊断学习者特征以建模其认知状态，是众多网络学习服务中基础而重要的任务。现有认知诊断模型（CDM）遵循“能力-作答”范式，将学习者特征与题目参数视为可训练嵌入并通过学习者表现预测来学习。然而，我们注意到该范式导致不可避免的非可辨识性与可解释性过拟合问题，不利于学习者认知状态的量化及网络学习服务质量。为解决这些问题，我们受编码器-解码器模型启发，提出基于新颖“作答-能力-作答”范式的可辨识认知诊断框架（ID-CDF）。具体而言，我们首先设计ID-CDF的诊断模块，利用归纳学习消除优化中的随机性以保证可辨识性，并捕捉整体作答数据分布与认知状态间的单调性以防止可解释性过拟合。接着，我们为ID-CDF提出灵活的预测模块以确保诊断精确性。我们进一步给出ID-CDF的一种实现即ID-CDM，以说明其实用性。在四个具有不同特征的真实数据集上的大量实验表明，ID-CDF可有效解决上述问题且不损失诊断精确性。