情感认知诊断新突破：能力-残差解耦框架在四大数据集上提升预测表现！
Ability-Residual Decoupled Modeling for Affective Cognitive Diagnosis
📖 AI 总结
该论文针对情感认知诊断中一个被忽视的问题展开研究：现有方法通常假设认知诊断主干已充分解释能力、题目和概念效应，剩余误差可归因于情感因素，但作者指出，真实教育数据中存在的题目校准偏差、系统性概念偏差、个性化学生—概念偏离以及潜在学生—题目匹配等因素会形成稳定的认知残差，若缺乏显式建模路径，这些残差可能渗入情感表征，造成情感污染。为此，作者提出能力—残差解耦框架，先通过学生、题目、概念、学生—概念及低秩学生—题目等组件捕捉未被建模的认知残差，再利用情感模块调节猜测与失误效应，并设计受Q矩阵约束的概念残差注意力机制，自适应聚合与题目相关的概念残差。在ASSIST2017、ASSIST2012、ASSIST2009和Junyi四个数据集上，结合六种认知诊断主干的实验显示，该方法在响应预测上取得提升，并在有情感标签时整体改善了情感对齐。消融实验、泄漏探测、主成分分析可视化、长尾分析和案例研究进一步表明，能力残差能够吸收稳定的认知偏差，减少情感分支中的认知污染，从而增强认知诊断模型的鲁棒性与预测准确性。
🔑 关键词速览
| 认知诊断 (Cognitive Diagnosis) | 从学生作答记录中推断其对各个知识概念掌握程度的教育数据挖掘任务。 |
| 情感认知诊断 (Affective Cognitive Diagnosis) | 在传统认知诊断基础上引入情绪、投入度等情感状态，以更全面解释学生表现的方法。 |
| 能力-残差解耦 (Ability-Residual Decoupling) | 将认知诊断主干未解释的稳定认知偏差（残差）与情感因素分离建模，避免二者相互污染。 |
| Q矩阵约束的概念残差注意力 (Q-matrix-constrained Concept Residual Attention) | 利用Q矩阵限定题目与概念的关联，自适应地只聚合与当前题目相关的概念残差。 |
| 情感污染 (Affect Contamination) | 未被建模的认知残差泄漏到情感表征中，导致情感分支学到本不属于情感的认知偏差。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅