[论文推荐]DisenGCD认知诊断模型：基于解耦图学习框架提升学习表征能力
talkingdev • 2025-04-28
5860 views
DisenGCD作为认知诊断领域的前沿模型，通过创新的解耦图学习框架（Disentangled Graph Learning Framework），实现了对学生、习题及概念表征的三元关系深度建模。该技术突破性地将传统认知诊断中的耦合特征进行解耦，使模型能更精准捕捉学习过程中隐含的认知状态变化，为个性化教育提供了可解释的量化工具。其核心价值在于：1）采用图神经网络构建多层级知识拓扑，动态更新学生能力画像；2）通过对抗训练分离混淆因素，提升诊断结果的鲁棒性；3）在PISA等国际教育数据集上验证了显著优于IRT、DINA等经典方法的预测精度。这项发表于arXiv的研究可能重塑自适应学习系统的技术路线，对智慧教育行业的算法升级具有指导意义。
核心要点
- 提出解耦图学习框架DisenGCD，实现学生-习题-概念三元关系的动态建模
- 通过对抗训练分离特征混淆因素，提升认知诊断的可解释性和准确性
- 在PISA等基准测试中显著超越IRT等传统方法，推动个性化教育算法发展