多层Q矩阵嵌入神经网络用于认知诊断（M-QCDNet）：面向心理测量可解释性的结构感知深度学习架构
该研究提出了一种多层Q矩阵嵌入神经网络（M-QCDNet），将认知诊断模型的结构可解释性与深度学习神经网络相结合。M-QCDNet使用Q矩阵作为结构先验来组织项目-技能关系，确保潜在掌握特征可解释且符合认知理论，并通过带L2惩罚的损失函数平衡预测性能和结构对齐。还开发了可解释对齐指标来量化预测技能激活与项目级技能的对应程度。M-QCDNet在课堂实践中具有实际益处，能够早期发现学习困难并支持基于掌握的干预。通过将诊断有效性嵌入模型设计，M-QCDNet弥合了心理测量透明性与神经灵活性之间的鸿沟，推进了可解释、公平且可操作的AI认知诊断。
来自arXiv的一项新研究提出了多层Q矩阵嵌入神经网络（M-QCDNet），这是一种将认知诊断模型的结构可解释性与深度学习灵活性相结合的结构感知架构。传统认知诊断模型（CDM）具有可解释性但缺乏扩展性，而深度神经网络（NN）则相反。M-QCDNet通过Q矩阵（一种描述项目与技能关系的矩阵）作为结构先验，将认知理论直接嵌入网络设计，确保模型学习到的潜在掌握特征具有心理测量意义。
M-QCDNet的核心创新在于其多层架构和定制化的损失函数。网络每一层的设计都利用了Q矩阵信息，以逐步提炼技能掌握模式。损失函数包含L2惩罚项，对与Q矩阵不一致的技能激活进行惩罚，从而在维持预测准确性的同时强化结构一致性。此外，研究人员还提出了可解释对齐指标，用于量化模型预测的技能激活与项目实际所需技能之间的匹配程度，为模型评估提供了超越传统准确率的新维度。
实验结果表明，M-QCDNet在多个基准数据集上表现优异，不仅预测性能与现有深度方法相当，而且在可解释性方面显著提升。该模型能够清晰地展示每个学生的技能掌握情况，并为教师提供针对性的诊断信息。在课堂应用场景中，M-QCDNet可以早期识别学习困难的个体，并支持基于掌握程度的干预策略，从而实现个性化教学。
这项研究的意义在于，它弥合了心理测量学对透明性和公平性的要求与深度学习强大的学习能力之间的鸿沟。通过将诊断有效性直接嵌入模型设计，M-QCDNet为构建可解释、公平且可操作的AI认知诊断工具铺平了道路。未来，该架构有望被推广到更广泛的教育评估和智能辅导系统中。