基于知识水平约束感知的细粒度神经认知诊断框架（FNCD）：提升个性化教育中认知状态评估的准确性与可解释性

本文提出一种创新的细粒度神经认知诊断框架（FNCD），通过融合知识水平约束建模、多尺度关系学习和动态相似性网络，显著提升认知诊断（CD）的精度与可解释性。该框架具备即插即用特性，可适配现有CD模型，为人工智能驱动个性化教育提供关键技术支撑。

　　

Highlight

• 我们提出一种有效的即插即用认知诊断（CD）框架，可约束学生知识状态变化³，使其更贴合真实教育场景。

• 我们引入细粒度知识水平动态建模方法，精准捕捉学生知识水平变化与学习关联。

• 我们采用联合训练机制提升CD的准确性与可解释性，支持复杂学习场景应用。

Related works

在真实教育场景中精准识别学生知识状态是一项高价值任务。下文将从认知诊断与知识约束两个视角介绍相关研究。

Preliminary

本节详细阐述带知识水平约束的细粒度神经认知诊断（FNCD）基础概念，并进一步介绍FNCD框架核心组件。表1汇总本文所有符号。

The FNCD framework

本节从CD范式入手，全面介绍我们提出的两阶段细粒度神经认知诊断框架（FNCD）。后续章节深入探讨框架的两阶段架构：即插即用细粒度知识建模与诊断增强，重点阐释各组件底层原理与实现策略。

Experiments

本节介绍实验所用真实数据集，详细说明训练过程关键环节，并列出对比基线模型。随后评估将本研究提出的细粒度知识水平约束特征集成至基线模型后对学生表现预测的影响。为进一步阐明FNCD对模型性能与知识状态评估的作用，我们深入分析…

Conclusions and limitations

本文提出一种新颖的细粒度知识水平约束感知诊断框架（FNCD），旨在量化分析与解读学生认知状态。我们开发包含三阶段的解决方案，系统表征学生知识掌握状态及其群体与个体特征。

在知识水平评估（KPA）阶段，我们构建Q矩阵与学生响应数据，采用基于二值评分的平均评分法估计…