論文の概要: Multilayer Q-Matrix-Embedded Neural Network for Cognitive Diagnosis (M-QCDNet): Structure-Aware Deep Learning Architecture for Psychometric Interpretability
- arxiv url: http://arxiv.org/abs/2607.01278v1
- Date: Wed, 01 Jul 2026 07:19:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.520909
- Title: Multilayer Q-Matrix-Embedded Neural Network for Cognitive Diagnosis (M-QCDNet): Structure-Aware Deep Learning Architecture for Psychometric Interpretability
- Title（参考訳）: 認知診断用多層Q-Matrix組込みニューラルネットワーク(M-QCDNet)
- Abstract要約: M-QCDNetは、Q-行列を構造的先行として、アイテムスキル関係を構成する。
M-QCDNetは、心理学的透明性と神経柔軟性をブリッジし、認知診断のための解釈可能、公正、行動可能なAIを前進させる。
- 参考スコア（独自算出の注目度）: 0.3948325938742681
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The research proposes a multilayer Q-matrix-embedded neural network for cognitive diagnosis (M-QCDNet), which integrates the structural interpretability of cognitive diagnostic models (CDMs) with the deep learning neural network (NN). M-QCDNet structures the item-skill relationship using the Q-matrix as a structural prior, ensuring latent mastery profiles remain interpretable and consistent with cognitive theory, followed by the proposed loss function with an L2 penalty to penalize skills not aligned with the Q-matrix and to balance predictive performance and structural alignment. Corresponding evaluation matrices, the interpretable alignment-based metrics that quantify the degree to which predicted skill activations correspond to item-level skills, were further developed. M-QCDNet offers practical benefits for classroom practice, enabling early detection of learning difficulties and supporting mastery-based interventions. By embedding diagnostic validity into model design, M-QCDNet bridges psychometric transparency and neural flexibility, advancing interpretable, fair, and actionable AI for cognitive diagnostics.
- Abstract（参考訳）: 本研究は,認知診断モデル(CDM)の構造的解釈可能性と深層学習ニューラルネットワーク(NN)を統合した,認知診断のための多層Q行列埋め込みニューラルネットワークを提案する。
M-QCDNetは、Q行列を構造的先行として用いてアイテムスキル関係を構造化し、潜在熟達プロファイルが認知理論と解釈可能で整合性を保ち、続いて、Q行列と一致しないスキルをペナルティ化し、予測性能と構造的アライメントのバランスをとるためにL2ペナルティを持つ損失関数が提案される。
予測されたスキルアクティベーションがアイテムレベルのスキルに対応する度合いを定量化する解釈可能なアライメントベースの指標である評価行列を更に発展させた。
M-QCDNetは、授業実践に実用的な利点を提供し、学習困難を早期に検出し、熟達に基づく介入を支援する。
M-QCDNetは、診断の妥当性をモデル設計に組み込むことで、心理メトリクスの透明性と神経の柔軟性を橋渡し、認知診断のための解釈可能、公正、行動可能なAIを前進させる。
関連論文リスト
- Kirchhoff-Inspired Neural Networks for Evolving High-Order Perception [51.28469959548178]
我々はKirchhoff-Inspired Neural Network (KINN)を提案する。
KINNは、基本的な常微分方程式から数値的に安定な状態更新を導き、より高階の進化成分の明示的な分離と符号化を可能にする。
論文 参考訳（メタデータ） (2026-03-25T06:17:31Z) - Life-IQA: Boosting Blind Image Quality Assessment through GCN-enhanced Layer Interaction and MoE-based Feature Decoupling [53.74410422225995]
ブラインド画像品質評価(BIQA)は視覚経験の評価と最適化において重要な役割を担っている。
既存のBIQAアプローチのほとんどは、バックボーンネットワークから抽出された浅く深い特徴を融合させ、品質予測に不平等な貢献を見落としている。
本稿では,BIQA の浅層・深層特性の寄与について検討し,GCN によるアンダーライン層アンダーライン相互作用と MoE ベースのアンダーラインアンダーラインデカップリング(textbf(Life-IQA))による効果的な品質特徴デコードフレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-24T11:59:55Z) - IQNN-CS: Interpretable Quantum Neural Network for Credit Scoring [2.2133667529581933]
マルチクラス信用リスク分類のための解釈可能な量子ニューラルネットワークフレームワークであるIQNN-CSを提案する。
ICAAは、予測クラス間で属性のばらつきを定量化し、モデルが信用リスクカテゴリをいかに区別するかを明らかにする新しい計量である。
本結果は、財務意思決定のための透明で説明可能なQMLモデルへの実践的な道のりを浮き彫りにしている。
論文 参考訳（メタデータ） (2025-10-16T18:02:03Z) - Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks [56.75602443936853]
青少年の5人に1人は、不安、うつ病、行動障害などの精神状態または行動の健康状態と診断されている。
従来の研究では、障害予測にグラフニューラルネットワーク(GNN)アプローチを使用していたが、ブラックボックスのままであり、信頼性と臨床翻訳を制限している。
本研究では,解釈可能な機能接続の概念を符号化する概念に基づく診断フレームワークを提案する。
我々の設計は臨床的に意味のある接続パターンを通じて予測を保証し、解釈可能性と強い予測性能の両方を可能にする。
論文 参考訳（メタデータ） (2025-10-02T19:38:46Z) - Continuum-Interaction-Driven Intelligence: Human-Aligned Neural Architecture via Crystallized Reasoning and Fluid Generation [1.5800607910450124]
現在のAIシステムは、幻覚、予測不能、そして人間の意思決定と不一致といった課題に直面している。
本研究では、確率的生成(LLM)とホワイトボックスの手続き的推論(チェーン・オブ・シント)を統合し、解釈可能で、継続的な学習可能で、人間に準拠したAIシステムを構築する二チャンネルインテリジェントアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-04-12T18:15:49Z) - QIXAI: A Quantum-Inspired Framework for Enhancing Classical and Quantum Model Transparency and Understanding [0.0]
ディープラーニングモデルは、解釈可能性の欠如によってしばしば妨げられ、それらを"ブラックボックス"にする。
本稿では、量子インスピレーションによるニューラルネットワークの解釈性向上のための新しいアプローチであるQIXAIフレームワークを紹介する。
このフレームワークは量子システムと古典システムの両方に適用され、様々なモデルにおける解釈可能性と透明性を改善する可能性を示している。
論文 参考訳（メタデータ） (2024-10-21T21:55:09Z) - Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。
本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
論文 参考訳（メタデータ） (2024-09-17T04:48:45Z) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳（メタデータ） (2023-08-22T09:11:53Z) - Problem-Dependent Power of Quantum Neural Networks on Multi-Class
Classification [83.20479832949069]
量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。
本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。
我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
論文 参考訳（メタデータ） (2022-12-29T10:46:40Z) - UIILD: A Unified Interpretable Intelligent Learning Diagnosis Framework
for Intelligent Tutoring Systems [8.354034992258482]
深層学習の強力な表現学習能力と心理メトリクスの解釈可能性から,統合的解釈可能な知的学習診断(UIILD)フレームワークが有用である。
本稿では,2チャンネル学習診断機構 LDM-ID と3チャンネル学習診断機構 LDM-HMI を提案する。
論文 参考訳（メタデータ） (2022-07-07T07:04:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。