【论文解读 | AAAI2020】NeuralCD：Neural Cognitive Diagnosis for Intelligent Education Systems

摘要

认知诊断是智能教育的一个基本问题，其目的是发现学生对特定知识概念的熟练程度。现有的方法通常通过手工设计的函数(如logistic函数)来挖掘学生练习过程的线性交互，这不足以捕捉学生与练习之间的复杂关系。在本文中，我们提出了一个通用的神经认知诊断(NeuralCD)框架，该框架包含了神经网络学习复杂的练习交互，以获得准确和可解释的诊断结果。具体来说，我们将学生和练习映射为因子向量，并利用多神经层建模它们的交互，其中应用单调性假设来确保两个因素的可解释性。此外，我们通过对每个练习所需概念的专门化，提出了两种NeuralCD的实现，即使用传统q矩阵的NeuralCDM和探索富文本内容的改进的NeuralCDM+。在真实数据集上的大量实验结果表明了NeuralCD框架在准确性和可解释性方面的有效性。

1 引言

认知诊断在许多现实世界场景中是必要的和基本的任务，如游戏(Chen and Joachims 2016)、医疗诊断(Guo et al. 2017)和教育。具体来说，在智能教育系统(Anderson et al. 2014;Burns et al. 2014)，认知诊断旨在发现学生在学习过程中的状态，如对特定知识概念的熟练程度(Liu et al. 2018)。图1显示了一个认知诊断的玩具示例。一般情况下，学生首先选择一组练习(如e1，···，e4)，然后给出自己的答案(如对错)。然后，我们的目标是推断他们对相应概念(如三角函数)