多層Q矩陣嵌入神經網路用於認知診斷（M-QCDNet）：面向心理測量可解釋性的結構感知深度學習架構
該研究提出了一種多層Q矩陣嵌入神經網路（M-QCDNet），將認知診斷模型的結構可解釋性與深度學習神經網路相結合。M-QCDNet使用Q矩陣作為結構先驗來組織專案-技能關係，確保潛在掌握特徵可解釋且符合認知理論，並透過帶L2懲罰的損失函式平衡預測效能和結構對齊。還開發了可解釋對齊指標來量化預測技能啟用與專案級技能的對應程度。M-QCDNet在課堂實踐中具有實際益處，能夠早期發現學習困難並支援基於掌握的干預。透過將診斷有效性嵌入模型設計，M-QCDNet彌合了心理測量透明性與神經靈活性之間的鴻溝，推進了可解釋、公平且可操作的AI認知診斷。
來自arXiv的一項新研究提出了多層Q矩陣嵌入神經網路（M-QCDNet），這是一種將認知診斷模型的結構可解釋性與深度學習靈活性相結合的結構感知架構。傳統認知診斷模型（CDM）具有可解釋性但缺乏擴充套件性，而深度神經網路（NN）則相反。M-QCDNet透過Q矩陣（一種描述專案與技能關係的矩陣）作為結構先驗，將認知理論直接嵌入網路設計，確保模型學習到的潛在掌握特徵具有心理測量意義。
M-QCDNet的核心創新在於其多層架構和定製化的損失函式。網路每一層的設計都利用了Q矩陣資訊，以逐步提煉技能掌握模式。損失函式包含L2懲罰項，對與Q矩陣不一致的技能啟用進行懲罰，從而在維持預測準確性的同時強化結構一致性。此外，研究人員還提出了可解釋對齊指標，用於量化模型預測的技能啟用與專案實際所需技能之間的匹配程度，為模型評估提供了超越傳統準確率的新維度。
實驗結果表明，M-QCDNet在多個基準資料集上表現優異，不僅預測效能與現有深度方法相當，而且在可解釋性方面顯著提升。該模型能夠清晰地展示每個學生的技能掌握情況，併為教師提供針對性的診斷資訊。在課堂應用場景中，M-QCDNet可以早期識別學習困難的個體，並支援基於掌握程度的干預策略，從而實現個性化教學。
這項研究的意義在於，它彌合了心理測量學對透明性和公平性的要求與深度學習強大的學習能力之間的鴻溝。透過將診斷有效性直接嵌入模型設計，M-QCDNet為構建可解釋、公平且可操作的AI認知診斷工具鋪平了道路。未來，該架構有望被推廣到更廣泛的教育評估和智慧輔導系統中。