論文の概要: Ability-Residual Decoupled Modeling for Affective Cognitive Diagnosis

• arxiv url: http://arxiv.org/abs/2609.21214v1
• Date: Fri, 18 Sep 2026 01:54:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.823128
• Title: Ability-Residual Decoupled Modeling for Affective Cognitive Diagnosis
• Title（参考訳）: 感情認知診断のための能力・残留疎結合モデル
• Abstract要約: 項目キャリブレーションバイアス,体系的概念バイアス,個人化された学生概念偏差,潜時的な学生項目マッチングは,安定した認知的残差を生じる可能性があると論じる。 本稿では,感情認知診断のための能力残存型脱カップリングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.441905739178672
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cognitive diagnosis infers students' concept mastery from response logs. However, students' responses are not determined by mastery alone: non-cognitive factors such as emotion, engagement, and fatigue can also affect performance. Affective cognitive diagnosis therefore extends conventional cognitive diagnosis by incorporating affective states. Existing methods often assume that the cognitive diagnosis backbone has already explained ability, item, and concept effects, so the remaining errors can be attributed mainly to affect. We argue that this assumption can be insufficient in real educational data: item calibration bias, systematic concept bias, personalized student-concept deviations, and latent student-item matching can form stable cognitive residuals. Without an explicit modeling pathway, these residuals may leak into affective representations, producing affect contamination. To address this problem, we propose an ability-residual decoupled framework for affective cognitive diagnosis. The model first captures unmodeled cognitive residuals through student, item, concept, student-concept, and low-rank student-item components, and then uses an affective module to modulate guess/slip effects. A Q-matrix-constrained concept residual attention mechanism adaptively aggregates only item-relevant concept residuals. Experiments on ASSIST2017, ASSIST2012, ASSIST2009, and Junyi with six cognitive diagnosis backbones show response-prediction gains across the reported comparisons and generally improved affect alignment when affect labels are available. Ablation studies, leakage probes, principal component analysis visualization, long-tail analysis, and case studies further indicate that ability residuals absorb stable cognitive bias, reduce cognitive contamination in the affective branch, and enhance the robustness and predictive accuracy of cognitive diagnosis models.
• Abstract（参考訳）: 認知診断は、反応ログから生徒の概念的熟達を推測する。 しかし、生徒の反応は熟達のみによって決定されるものではなく、感情、エンゲージメント、疲労といった非認知的要因もパフォーマンスに影響を与える可能性がある。 したがって、感情的認知診断は、感情的状態を取り入れることで、従来の認知診断を拡張する。 既存の方法では、認知診断のバックボーンが既に能力、項目、概念効果を説明できていると仮定することが多いため、残りのエラーは主に影響に起因する可能性がある。 項目の校正バイアス、体系的概念バイアス、個人化された学生概念の偏差、潜在する学生概念のマッチングは安定した認知的残差を形成する。 明示的なモデリング経路がなければ、これらの残留物は感情表現に漏れ、有害な汚染を引き起こす。 この問題に対処するために,情緒的認知診断のための能動的非結合フレームワークを提案する。 モデルはまず、学生、アイテム、コンセプト、学生コンセプト、低ランクの学生イテムコンポーネントを通じて、モデル化されていない認知的残留物をキャプチャし、その後、感情的なモジュールを使用して推測/スリップ効果を変調する。 Q行列制約された概念残差注意機構は、アイテム関連概念残差のみを適応的に集約する。 ASSIST2017、ASSIST2012、ASSIST2009、Junyiの6つの認知診断バックボーンによる実験では、報告された比較結果の反応予測が向上し、影響ラベルが利用可能になった場合の適応アライメントが全般的に改善された。 アブレーション研究、漏れプローブ、主成分分析可視化、ロングテール分析、ケーススタディは、能力残基が安定した認知バイアスを吸収し、感情枝における認知汚染を低減し、認知診断モデルの堅牢性と予測精度を高めることをさらに示している。

関連論文リスト

• Beyond ID Embeddings: Process-Grounded Language Modeling for Cognitive Diagnosis [77.02066500576528]
  プロセス認識言語認知診断(PLCD)フレームワークは、言語から派生した構造を認知の先行点として使用し、学生の後方状態を校正するための応答記録を使用する。 PLCDは、学生のパフォーマンス予測において従来のベースラインを上回るだけでなく、認知伝達能力も高い。
  論文  参考訳（メタデータ） (2026-09-11T03:51:20Z)
• Agentic Cognitive Profiling: Realigning Automated Alzheimer's Disease Detection with Clinical Construct Validity [66.94391219005291]
  本稿では,臨床プロトコルロジックによる自動スクリーニングを実現するエージェント認知プロファイリング(ACP)を提案する。 我々の設計の中心は、すべての定量化を決定論的関数呼び出しに委譲することで、測定から意味的理解を分離することである。 ACPは、タスク試験で90.5%のスコアマッチ率、AD予測で85.3%の精度を達成し、一般的な基準を上回っている。
  論文  参考訳（メタデータ） (2026-03-18T06:15:35Z)
• Dynamic Programming Techniques for Enhancing Cognitive Representation in Knowledge Tracing [125.75923987618977]
  認知表現動的プログラミングに基づく知識追跡(CRDP-KT)モデルを提案する。 質問の難易度とそれらの間の性能間隔に基づいて認知表現を最適化する動的プログラミングアルゴリズムである。 これは、その後のモデルトレーニングのためにより正確で体系的な入力機能を提供し、それによって認知状態のシミュレーションにおける歪みを最小限にする。
  論文  参考訳（メタデータ） (2025-06-03T14:44:48Z)
• See What I Mean? CUE: A Cognitive Model of Understanding Explanations [20.1614283918021]
  本稿では,説明の認知的理解モデルを提案する。 調査では、視覚障害者のタスクパフォーマンスに匹敵するが、信頼性や努力は低いことがわかった。 我々は,(1)説明理解のための形式化された認知モデル,(2)人間中心の説明特性の総合的定義,(3)アクセシブルなユーザカスタマイズ型XAIを動機づけた実証的証拠を提示する。
  論文  参考訳（メタデータ） (2025-05-09T22:05:20Z)
• ReliCD: A Reliable Cognitive Diagnosis Framework with Confidence Awareness [26.60714613122676]
  既存のアプローチは、生徒の熟達度を予測する際の過信の問題に悩まされることが多い。 本稿では,診断フィードバックの信頼性を定量的に評価できる,信頼性認知診断(ReliCD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-29T07:30:58Z)
• Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
  誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。 既存の感受性研究は、自己報告された信念に大きく依存している。 本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
  論文  参考訳（メタデータ） (2023-11-16T07:22:56Z)
• Towards the Identifiability and Explainability for Personalized Learner Modeling: An Inductive Paradigm [36.60917255464867]
  本稿では,エンコーダ・デコーダモデルにインスパイアされた新しい応答効率応答パラダイムに基づく,識別可能な認知診断フレームワークを提案する。 診断精度を損なうことなく,ID-CDFが効果的に対処できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-01T07:18:02Z)

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。