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，即根据解题表现估计知识掌握程度，而非神经信号解码。作者提出 Coral，将学习者之间的协同关系与认知状态的解耦表示结合，以改善学习者建模的可解释性和可控性。 机制上，Coral 先通过解耦状态编码器获得学习者状态的初始解耦表示，再以情境感知方式迭代搜索邻居，动态构建学习者协同图，并通过图上的节点表示学习提取协同信息。最后，解码过程对齐初始认知状态与协同状态，通过重建练习表现实现共同解耦。摘要未给出解耦因素的具体定义、邻居搜索准则及损失形式，其有效性需结合全文核对。 作者报告，Coral 在多个真实世界数据集上优于所比较的先进方法，但摘要未提供数据集名称、划分方式、指标、提升幅度或基线细节，不能据此进行定量比较。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，实际复现仍需核对数据可用性、预处理、配置及运行环境。 平台推测（待验证）：若 EEG 任务中存在可从训练数据可靠识别的被试相似关系，动态邻居图与个体—协同表示对齐可能为跨被试建模提供候选机制。这一假设依赖可比较的被试表征及适当监督，需将练习表现重建改造成与 EEG 任务对应的目标，并适配通道和会话差异；低信噪比、小数据或不稳定邻居可能造成错误信息传播。可在固定跨被试划分下，对比无协同图、固定邻居图与动态图，检验收益及邻居稳定性。该实验仅是迁移假设，已有 EEG 相关工作尚未检索确认。