为快速检测新学生的掌握水平，提出了一种基于归纳式认知诊断模型的新型学生中心图方法，该方法相对于传统的对特定学生嵌入进行更新的方法更加高效，而且在推理性能上也具有竞争力。

Apr, 2024

提出了一种新颖的可识别认知诊断框架，通过灵活的诊断模块直接诊断可识别和可解释的考生特征和问题特征，并利用一个通用的预测模块从诊断结果中重建响应日志，以确保后者的精确性。通过对四个公开真实数据集的实验，证明了 ID-CDM 的可识别性、可解释性和诊断结果的精确性。

Sep, 2023

本文提出了 Neural Cognitive Diagnosis (NeuralCD) 框架，用于智能教育中的认知诊断，分别使用传统的 Q - 矩阵和改进的文本内容来探索每个练习的概念，并包含神经网络以学习复杂的练习交互作用，从而获得准确和可解释的诊断结果。

Aug, 2019

本文提出了一种符号认知诊断 (SCD) 框架，该框架使用符号树来解释学生与练习之间的复杂交互过程，并利用基于梯度的优化方法有效地学习学生和练习的参数，实现了对认知诊断方法泛化性和可解释性的改进。

Dec, 2023

在标准监督学习设置中，假设训练数据和测试数据来自相同的分布（领域）。领域泛化（DG）方法旨在学习一个模型，该模型在多个领域的数据上训练时可以推广到新的未见领域。我们将 DG 扩展到了一个更具挑战性的领域，其中未知领域的标签空间也可能发生变化。我们将此问题称为零射领域泛化（据我们所知，这是第一个这样的尝试），其中模型不仅可以在新的领域之间推广，还可以在这些领域中的新类之间推广。我们提出了一种简单的策略，该策略有效地利用了类的语义信息，以使现有的 DG 方法满足零射领域泛化的要求。我们在 CIFAR-10、CIFAR-100、F-MNIST 和 PACS 数据集上评估了所提出的方法，为这个新的研究方向奠定了坚实的基础。

Aug, 2020

本文提出了一种可靠的认知诊断（ReliCD）框架，通过量化诊断反馈的置信度，解决了现有方法在预测学生掌握水平时存在的过度自信问题。通过使用贝叶斯方法估计学生不同知识概念的状态不确定性，引入逻辑假设和校准损失函数优化置信参数，并在四个真实的数据集上进行了广泛实验证明了 ReliCD 框架的有效性。

Dec, 2023

利用 CuMix 算法，结合 Zero-Shot Learning 和 Domain Adaptation 和 Domain Generalization，在识别未见过的可视概念和领域上大幅提升性能

Jul, 2020

介绍了一种利用自监督方法和图形混淆来改进在智能教育领域中学生认知诊断的框架。该框架可以提高对少数数据样本的预测性能，尤其在面对长尾效应时更加有效。

Oct, 2022

提出了一种新的 DisKCD 框架来诊断未测试的知识概念，通过构建异构关系图网络并利用层次异构消息传递机制，融合实体的细粒度关系到嵌入中，最终将嵌入应用于多个现有的认知诊断模型，以推断学生对未测试知识概念的熟练程度。

May, 2024

本研究提出了一个基于 in-context learning (ICL) 框架、利用大型预训练语言模型 (LM) 进行零样本和小样本学习的对话状态跟踪 (DST) 方法，重点是通过将 DST 优化为文本到 SQL 问题和使用新颖的对话检索方法，以检索标注对话作为样本来提高对答案问题的准确性。在 MultiWOZ 上的实证结果表明，IC-DST 法在小样本情境中明显优于以往最先进的模型，在只输入固定任务指令的零样本情境下，也比以往的零样本方法表现得更好。

Mar, 2022