Jul, 2024

认知诊断模型综述：新的发展与未来方向

PDF
TL;DR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。
cognitive diagnosismachine learning-based methodsmodel structuresparameter estimationpython libraries
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

  • 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

  • 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

    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

  • 认知诊断模型的统一不确定性估计

    我们提出了一个统一的不确定性估计方法，适用于广泛的认知诊断模型，并针对参数在不同领域定义的情况修改了参数重参数化方法，同时将诊断参数的不确定性分解为数据方面和模型方面，以更好地解释不确定性的来源。大量实验表明，我们的方法是有效的，并且能够对认知诊断的不确定性提供有用的见解。

    Mar, 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

  • 通过进化多目标神经结构搜索设计新颖的认知诊断模型

    通过进化多目标神经架构搜索 (NAS) 自动设计新型认知诊断模型，设计模型具有更好的性能和人工设计模型一样的可解释性。

    Jul, 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

  • 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

  • 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

  • 探索大型语言模型的认知知识结构：一种教育诊断评估的方法

    通过使用教育诊断评估方法，本研究在 MoocRadar 上进行评估，这是一个基于布鲁姆分类法的人工测试数据集，旨在揭示大型语言模型的知识结构并了解其认知能力的差异模式，从而为研究人员在 LLMs 的知识方面提供更明确、更有效的发展和利用。

    Oct, 2023