面向智能教育的基于混合优化的符号认知诊断模型

[正文]          [附录]            [代码]

认知诊断评估是智能教育领域的一项基础且关键的任务。它对学生与练习的交互进行建模，并推段学生在每个知识点上的掌握程度。在现实世界中，认知诊断方法的泛化性和可解释性同样重要。然而，由于复杂的学生练习交互，大多数现有方法很难做到两全其美。为此，本文提出了符号认知诊断（SCD）框架，以同时增强泛化性和可解释性。 SCD框架采用符号树来明确表示复杂的学生-练习交互函数，并利用基于梯度的优化方法来有效地学习学生和练习题的参数。同时，随之而来的挑战是我们需要打通离散的符号表示和连续的参数优化。为了应对这一挑战，我们提出以交替的方式混合优化这些表示和参数。在SCD的实现中，模型通过无梯度遗传编程学习来符号树，并通过基于梯度的 Adam 学习学生和练习题的参数。此后，在各种真实数据集上的广泛实验结果表明了 SCD 在泛化性和可解释性方面的优越性。消融研究验证了 SCD 中每种成分的作用，案例研究明确展示了 SCD 的可解释能力如何在显示场景中发挥作用。