Проблема: «Загрязнение» аффективных представлений
Традиционные модели когнитивной диагностики (CD) часто игнорируют не-когнитивные факторы, такие как эмоции, вовлеченность и усталость. Существующие подходы к аффективной диагностике предполагают, что базовая модель уже объяснила влияние способностей, заданий и концепций, а оставшиеся ошибки (residuals) можно отнести исключительно к аффекту. Авторы статьи доказывают, что это допущение ошибочно: в реальных данных остаются стабильные когнитивные остатки из-за систематических смещений калибровки заданий, индивидуальных отклонений студента от концепций и скрытого соответствия студент-задание. Без явного моделирования эти остатки «протекают» в аффективные представления, снижая точность.
Решение: Ability-Residual Decoupled Framework
Предложенная архитектура разделяет процесс на два этапа. Сначала модель захватывает неучтенные когнитивные остатки через компоненты: студент, задание, концепция, студент-концепция и низкоранговое представление студент-задание. Затем аффективный модуль модулирует эффекты угадывания (guess) и промаха (slip). Ключевым элементом является механизм внимания к остаткам концепций, ограниченный Q-матрицей, который агрегирует только те остатки, которые релевантны конкретному заданию.
Эксперименты и результаты
Метод протестирован на четырех популярных датасетах: ASSIST2017, ASSIST2012, ASSIST2009 и Junyi. Исследование показало прирост точности предсказания ответов по сравнению с существующими методами и улучшенное выравнивание аффективных меток. Ниже приведена структура компонентов, участвующих в моделировании остатков:
| Компонент модели | Функция в рамках Ability-Residual Decoupling |
|---|---|
| Student & Item | Базовое представление способностей студента и сложности задания |
| Concept | Влияние конкретных знаний на результат |
| Student-Concept | Персонализированные отклонения студента от усвоения концепции |
| Low-rank Student-Item | Учет скрытых паттернов взаимодействия студент-задание |
| Affective Module | Модуляция эффектов угадывания и промаха на основе эмоций |
Значение для EdTech
Анализ главных компонент (PCA) и исследования «утечки» (leakage probes) подтверждают, что выделенные когнитивные остатки действительно поглощают стабильные системные ошибки, а не шум. Это позволяет аффективному блоку работать чище, повышая общую надежность и предсказательную силу моделей когнитивной диагностики, что критически важно для адаптивного обучения.
Источник: arXiv cs.AI ↗