通过混合优化进行符号认知诊断的智能教育系统
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
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
通过引入学生 - 习题二分图信息,我们提出了一种自适应语义感知图神经网络层并应用于认知诊断模型 (ASG-CD),以解决其研究中的限制,并在三个真实数据集上进行了广泛实验证明了 ASG-CD 的有效性。
Feb, 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
该文探讨了智能学习诊断中诊断准确性和可解释性之间平衡的问题,提出了一种基于深度学习和心理测量学的统一可解释的智能学习诊断框架,并通过 LDM-ID 和 LDM-HMI 机制实现了良好的学习预测和学习可解释性。实验表明,该方法相对于最先进的模型具有更高的准确性,并可为智能教育中的个性化学习辅导等应用提供有价值的教育可解释性。
Jul, 2022
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
通过预训练诊断模型并使用双重正则化器,将学生状态分解为域共享和域特定部分,以实现领域级零样本认知诊断的目标。同时,分析先行学生的行为模式生成模拟练习日志,使得冷启动学生的认知状态经过虚拟数据的精炼后能够用于诊断,弥合了领域适应的目标。研究结果表明该模型在领域级零样本认知诊断及问题推荐方面具有实际应用价值。
Dec, 2023