面向学习者建模的解耦表示学习协同认知诊断

基于摘要分析。本文研究智能教育中的学习者认知诊断，即根据解题表现建模知识熟练度，提出 Coral，将学习者之间的协同关系与解耦表示学习结合，以处理隐含关系识别和认知因素纠缠问题。这里的“认知状态”指教育场景中的知识掌握情况，并非通过 EEG 等神经信号测量的脑状态。 方法包含三个环节：首先通过解耦状态编码器获得学习者状态的初步解耦表示；随后采用上下文感知的邻居搜索，迭代构建学习者协同图，并通过节点表示学习提取协同信息；最后在解码过程中对齐初始认知状态与协同状态，结合练习表现重建实现共同解耦。其核心思路是利用相似学习者之间的关系补充个体表现信息，同时尝试提高认知表示的可解释性和可控性。摘要未给出解耦约束、邻居选择准则及重建目标的具体数学形式。 作者报告，Coral 在多个真实世界数据集上的实验表现优于所比较的现有先进方法，但摘要未列出数据集名称、划分协议、评价指标、具体增益或对照配置，因此不能据此判断优势幅度及适用范围。实验协议、消融及统计信息尚未验证；尤其需要核对协同图构建的可用信息边界，以及解耦表示是否具有独立的可解释性证据。 摘要提供了代码地址，但代码完整性、运行环境及结果可复现性尚未验证。本文的主要研究对象是教育交互数据，材料未提供 EEG/BCI 实验，也未建立其认知因素与神经信号之间的具体对应关系，不能将其结果视为 BCI 有效性的证据。