2026年7月1日，一篇题为《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》的论文提交至arXiv（编号arXiv:2607.01278v1），作者为Yiyao Yang，属于机器学习（cs.LG）领域。论文共15页，含3张表格。
该研究针对认知诊断中可解释性与预测能力之间的张力，提出了M-QCDNet模型。认知诊断模型（CDM）基于心理测量学理论，具有结构可解释性，能够将学习者的潜在掌握状态表示为细粒度技能的组合；而深度神经网络（NN）则具备强大的表示学习能力，但往往缺乏可解释性。M-QCDNet的核心思想是将两者结合：利用Q矩阵作为结构先验，明确刻画项目与技能之间的对应关系，从而约束神经网络的潜在表示，使其掌握剖面与认知理论保持一致。
在方法上，M-QCDNet采用多层神经网络架构，将Q矩阵嵌入到网络结构中。具体而言，Q矩阵是一个二元矩阵，其行对应测试项目，列对应技能，元素表示某项目是否考查某技能。通过将Q矩阵作为先验知识，模型能够确保潜在掌握向量仅在Q矩阵指定的技能维度上激活，避免无关技能的干扰，从而提升诊断结果的可解释性。为进一步强化结构对齐，作者设计了一种带L2惩罚的损失函数，对与Q矩阵不一致的技能激活进行惩罚，在预测准确性与结构一致性之间取得平衡。
除了模型本身，论文还提出了相应的评估指标——基于可解释对齐的度量（interpretable alignment-based metrics），用于量化预测的技能激活与项目级技能之间的对应程度。这些指标从可解释性角度补充了传统预测性能指标，有助于全面评估认知诊断模型的质量。
M-QCDNet在课堂实践中具有实际应用价值：它能够早期检测学习困难，支持基于掌握的学习干预。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网络灵活性之间的鸿沟，推动了可解释、公平且可操作的AI在认知诊断中的应用。论文的贡献在于为教育数据挖掘和智能辅导系统提供了一种兼顾预测性能与心理测量解释性的深度学习方案，并对可解释AI在敏感领域（如教育评估）的部署具有参考意义。