UIILD：一种面向智能导学系统的统一可解释智能学习诊断框架

智能学习诊断是智能导学系统的关键引擎，旨在估计学习者当前知识掌握状态并预测其未来学习表现。传统学习诊断方法的重大挑战在于无法平衡诊断准确性与可解释性。尽管现有基于心理测量的学习诊断方法通过认知参数提供了一定领域解释，但其浅层结构对大规模学习数据建模能力不足。而基于深度学习的学习诊断方法虽提升了学习表现预测精度，但其固有的黑盒特性导致缺乏可解释性，使结果在教育应用中不可信。为解决上述问题，本文提出统一可解释智能学习诊断（UIILD）框架，其受益于深度学习的强大表示学习能力与心理测量的可解释性，实现了更优的学习预测性能，并从认知参数、学习者-资源响应网络以及自注意力机制权重三个方面提供可解释性。在该框架内，本文提出双通道学习诊断机制LDM-ID与三通道学习诊断机制LDM-HMI。在两个真实数据集和一个仿真数据集上的实验表明，与SOTA模型相比，我们的方法在预测学习者表现上精度更高，并能为智能导学系统中的精准学习资源推荐与个性化学习辅导等应用提供有价值的教育可解释性。