概念感知的潜在与显性知识整合以增强认知诊断

《Expert Systems with Applications》：Concept-Aware Latent and Explicit Knowledge Integration for Enhanced Cognitive Diagnosis

　　•一种概念感知的多维嵌入方法能够捕捉每个概念的细粒度认知掌握情况。•关系感知聚合建模前提关系与相似关系，生成潜在Q矩阵。•显式与潜在知识的结合同时提升预测准确性与可解释性。•大量实验表明，该方法在性能与可解释性上均优于现有最先进模型。引言

人工智能的快速发展推动了智能 tutoring 系统（ITSs）的广泛采用（Lu, Wang, Chen, & Zhang, 2024），这些系统在学习过程中持续收集大规模的学生-练习交互数据（Anderson, Huttenlocher, Kleinberg, Leskovec, 2014；Liu, Yan, Liu, Liu, Ding, Zhou, 2025a）。这些交互记录为建模学习者的知识状态和提供个性化教育支持提供了有价值的行为证据（Sun, Liu, Zhang, Shen, Wang, Zhuang, Zhang, Gong, Wang, Yang, et al., 2025；Wang, Liu, Chen, Huang, Chen, Yin, Huang, Wang, 2020）。在此背景下，认知诊断（CD）已成为一种估计学习者对各个知识概念掌握程度的重要技术（Liu, Huang, Yin, Chen, Xiong, Su, Hu, 2019；Xiong, Li, Liu, Chen, Zhou, Rong, Ouyang, 2024）。通过揭示优势与不足，认知诊断为针对性评估和个性化学习支持提供了原则性依据（Chen, Feng, Yang, Zhao, Xu, Cui, Chen, 2024；Wu, Yang, Zhang, Wu, Liu, Li, 2022；Wu, Cao, Cui, Li, Qian, Jiang, Zhang, 2027）。图1展示了认知诊断框架的一个示例。

早期的经典认知诊断模型（CDMs），如项目反应理论（IRT）（Yen & Fitzpatrick, 2006）和多维项目反应理论（MIRT）（Ackerman, 2014），通过可解释的参数刻画学生能力与练习难度。随后，DINA（De La Torre, 2009）引入Q矩阵来显式编码练习-概念关联，实现了对学生响应的概念级建模。尽管这些模型具有可解释性，但它们依赖于预定义的交互函数，这限制了其在对学生-练习复杂非线性交互进行建模时的表达能力。近年来的研究日益将深度学习技术融入认知诊断中。作为早期代表性神经认知诊断模型的NeuralCD（Wang et al., 2020）引入神经网络来捕捉学生、练习与知识概念之间的非线性交互，激发了众多后续扩展工作（Gu, Luo, Dong, Li, Zhou, 2025；Zhang, Lin, Bu, Yu, Hu, Wu, 2025）。在此基础上，基于图的认知诊断模型进一步整合这些实体之间的结构化关系，以捕捉高阶知识依赖关系（Gao, Liu, Huang, Yin, Bi, Wang, Ma, Wang, Su, 2021；Shao, Yang, Gao, Chen, Zhang, Zhuang, Wu, Li, Wang, 2025a；Yu, Qin, Shen, Ma, Zhang, Zhang, Zhu, Xiong, 2024）。最近，神经认知诊断模型被进一步扩展以适应更丰富的教育信息和更多样的诊断场景，包括多模态特征集成（Song, He, Shang, Yang, Liu, Yu, Lu, 2023；Wang, Zeng, Yang, Xu, Zhang, 2024b）、教育理论引导建模（Gu et al., 2025）、细粒度练习表示（Ma et al., 2024）以及多值响应建模（Li, Guo, Wu, & Zheng, 2025b）。

尽管现有的基于深度学习的认知诊断模型已取得显著进展，但认知诊断中仍存在若干基础性挑战。1）学生对每个知识概念的能力以及练习对每个知识概念的要求通常用单一标量值表示，这可能过度简化了概念掌握所涉及的认知需求。正如布鲁姆分类学（Momen, Ebrahimi, & Hassan, 2022）所描述的那样，同一概念的掌握可能涉及不同的认知层次，包括记忆、理解、应用、分析、评价和创造。标量表示无法区分这种概念内部的细粒度认知差异，也无法显式捕捉其层次结构。尽管MIRT和NeuralCD等多维模型纳入了多个能力维度，但其多维性主要涉及整体能力表示，而非单个知识概念内部的细粒度认知区分。2）专家标注的Q矩阵提供了显式的练习-概念关联，但通常较为稀疏，且可能无法完整捕捉所有具有教学意义的概念关系。同时，稀疏的学生-练习交互数据为可靠估计学生在那些较少出现在其响应历史中的概念上的能力提供了有限的行为证据。因此，现有认知诊断模型在知识覆盖不足的情况下，可能难以推断结构化概念依赖关系并提供可靠的诊断。因此，如何以更丰富的层次语义表示概念级认知状态，以及如何用有意义的潜在关系增强不完整的显式知识结构，仍然是一个待解决的挑战。

为缓解上述挑战，我们提出了一种面向认知诊断的概念感知潜在与显式知识集成模型（CLEKI-CD）。首先，CLEKI-CD采用布鲁姆分类学（Solman & Rosen, 1986）作为具有教育基础的分层先验，以刻画学习和评估过程中涉及的认知需求。这一设计的动机在于，对于给定的知识概念，学生的掌握程度和练习的要求可能体现在不同的认知复杂度层次上，而单一维度的概念表示无法充分捕捉这一点。因此，CLEKI-CD通过将每个知识概念编码为布鲁姆层次空间中的多层次语义向量，构建概念感知的多维嵌入，从而捕捉学生掌握程度和练习难度的多方面认知特征。图2将该设计与传统基于标量的表示进行了对比。其次，为缓解专家定义Q矩阵稀疏且不完整的问题，CLEKI-CD引入了关系感知聚合（RAA）模块，通过潜在概念建模来细化和扩展标注的Q矩阵。与统一聚合所有关系或忽略边类型差异的方法（Gao, Liu, Huang, Yin, Bi, Wang, Ma, Wang, Su, 2021；Shen, Qian, Liu, Zhang, Jiang, Zhou, 2024；Yu, Qin, Shen, Ma, Zhang, Zhang, Zhu, Xiong, 2024）不同，RAA区分前提关系与相似关系，并选择性地保留与练习最相关的链接。由此得到的潜在Q矩阵补充了专家标注，提高了知识覆盖率，并提供了更具教学意义的知识结构。总体而言，CLEKI-CD在一个统一框架中集成了显式与潜在概念关联，为认知诊断提供了更具表达力和更完整的结构基础。总结如下，主要贡献包括：

•我们提出了一种基于布鲁姆分类学的概念感知多维嵌入方法，对学生在多个认知方面的能力和练习难度进行建模，捕捉更丰富的语义信息，并实现细粒度的概念级交互。
•我们引入了关系感知的潜在Q矩阵生成方法，捕捉异质概念关系，并在统一诊断层中将其与显式知识结构集成，从而实现更好的知识覆盖和更准确的认知诊断。
•在四个真实数据集上的大量实验表明，CLEKI-CD在多个指标上优于最先进的模型。案例研究进一步验证了模型在真实教育场景中的可解释性和有效性。

本文的结构如下。第2节回顾相关工作，第3节介绍预备知识。第4节详述所提出的方法，第5节给出实验验证。最后，第6节总结全文。

章节片段

认知诊断模型
早期的认知诊断模型根植于教育心理学（Ginsburg, 1986），通常通过心理测量学假设和显式潜在变量来刻画学生能力与项目属性（Ackerman, 2014；De La Torre, 2009；Su, Han, Shen, Yang, Huang, Wu, Zhou, Liu, 2024）。虽然这些模型提供了较强的可解释性，但其预定义的交互形式限制了其捕捉复杂非线性学生-练习关系的能力。最近的研究已

任务概述

认知诊断。在认知诊断领域中，假设一个学习系统包含N名学生、M道练习和K个知识概念，分别记为S={s1,s2,…,sN}，E={e1,e2,…,eM}，K={c1,c2,…,cK}。每名学生根据学习需求选择练习，生成形式为R={(s,e,r)∣s∈S,e∈E,r∈{0,1}}的三元组响应日志，其中r表示得分，指示响应是否正确（1）或不正确（0）。此外，练习与

概述

我们的框架由三个关键组件构成。首先，我们基于布鲁姆分类学构建概念感知的多维嵌入，来表示学生能力与练习难度，从而实现超越传统标量形式的细粒度、语义丰富的刻画。接下来，为缓解专家定义Q矩阵中知识覆盖有限的问题，我们通过关系感知聚合机制生成潜在Q矩阵，该机制对前提关系与相似关系进行建模

实验

在本节中，我们首先介绍真实世界数据集并概述实验设置。目标是通过大量实验验证CLEKI-CD的优越性和可解释性评估。

结论

在本工作中，我们提出了一种新颖的认知诊断框架CLEKI-CD，旨在提高认知诊断模型在真实教育场景中的准确性和泛化能力。通过引入基于布鲁姆分类学的概念感知多维嵌入，CLEKI-CD对学生在多个认知方面的能力和练习难度进行建模，实现更丰富的语义表示和细粒度的概念级交互。此外，关系感知

CRediT作者贡献声明

Yawen Chen：概念化；方法；软件；调查；写作——原稿；Jiande Sun：概念化；监督；写作——审阅与编辑；Jing Li：方法；软件；验证；Huaxiang Zhang：软件；验证；正式分析；Lei Zhu：概念化；监督；验证；Xiaojun Chang：数据管理；可视化；

利益冲突声明

作者声明，他们不存在已知的、可能影响本文所报告工作的竞争性经济利益或个人关系。

Yawen Chen|Jiande Sun|Jing Li|Huaxiang Zhang|Lei Zhu|Xiaojun Chang