WWWApr, 2024

基于网络在线智能教育系统的快速学生学习的归纳认知诊断

PDF
TL;DR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。
cognitive diagnosisweb-based online intelligent education systemsinductive cognitive diagnosis modelstudent-centered graphinference performance
发现论文，激发创造
  • 智能教育系统的神经认知诊断

    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

  • 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

  • 利用编码器 - 解码器进行可识别的认知诊断模型学生表现

    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

  • 利用自适应关系图神经网络改进认知诊断模型

    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

  • 智慧教育统一可解释智能学习诊断框架

    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

  • 面向长尾认知诊断的自监督图学习

    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

  • 认知诊断模型综述：新的发展与未来方向

    本文旨在对认知诊断模型进行回顾，并比较模型结构、参数估计算法、模型评估方法和应用，同时讨论未来研究方向。此外，我们还发布了两个 Python 库：EduData 用于访问相关公共数据集，EduCDM 实现了常见的 CDMs 以方便应用和研究。

    Jul, 2024

  • ReliCD: 一种带有置信度意识的可靠认知诊断框架

    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

  • 解藕異質知識概念嵌入用於未測知識的認知診斷

    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

  • Zero-1-to-3：通过一批初来的学生实现领域级零射击认知诊断达到三个诊断目标

    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