[全文]         [代码]

认知诊断是智能教育系统中一项重要的上游任务。其建模学生与练习之间的交互，旨在推断学生对每个知识概念的掌握程度。本文观察到，由于同质影响较为复杂，大多数现有方法很难有效地捕捉它。换而言之，尽管学生在给定的练习上有相似的表现，但这些方法推断出的熟练程度差异很大，导致可解释性和诊断效果欠优。考虑到同质影响的复杂性，由于超图具有灵活性和建模高阶相似性的能力，我们能够尝试用它捕捉同质影响。然而，在引入超图之前，首先需要解决同质影响失真、做题记录稀疏性和过度平滑的挑战。为此，本文提出了超图认知诊断模型 (HyperCDM) 来应对这些挑战并有效地捕捉同质影响。具体来说，为了避免失真，HyperCDM 采用分而治之的策略分别在自己的超图中学习学生、练习和知识表示，并通过基于特征的交互函数将它们互连。为了构建基于稀疏做题记录的超图，使用自动编码器对做题记录的交互进行预处理，并使用 𝐾 均值对学生进行聚类。为了减轻过度平滑，设计动量超图卷积网络，并在消息传播过程中保留部分上一层的表示。我们在离线和在线真实数据集上进行的大量实验表明，HyperCDM 在可解释性和有效捕捉同质影响方面实现了最佳性能，并且在泛化方面具有竞争力。消融研究验证了每个组件的有效性，案例研究明确展示了 HyperCDM 捕获的同质影响。