近日，计算机科学与技术学院、上海智能教育研究院在智能教育技术基础研究方面取得进展，论文Symbolic Cognitive Diagnosis via Hybrid Optimization for Intelligent Education Systems被CCF-A类人工智能国际会议AAAI 2024录用，我院2021级本科生沈君豪为论文第一作者，并且是唯一学生作者，钱鸿副教授为通讯作者，周爱民教授、张伟教授为论文共同指导老师。

该工作聚焦智能教育的上游基础任务认知诊断，为缓解模型泛化能力与可解释性之间的矛盾，利用符号树建模学生与习题之间的非线性交互关系，并采用混合交替优化策略打通离散符号表示与连续参数学习之间的鸿沟，在保证认知诊断模型准确性的同时，模型自身与诊断结果的可解释性均得到较大提升。该工作为认知诊断模型的可解释性设计方案提供了一种新思路，为智能教育技术的发展提供了基础支撑。

认知诊断作为智能教育中的基础任务，其目的在于根据Q矩阵和学生的做题反馈，推断学生在各学习要点上的掌握程度。一方面，认知诊断任务具有一定的复杂性，其不仅涉及学生与习题之间交互的估计，同时也涉及对学生学习要点掌握程度的估计。另一方面，在教育应用场景中，认知诊断模型需要具备可解释性，即模型的内部结构、学习逻辑、输出结果需可信、可理解，以便教师和学生能够理解并信任模型的诊断结果。

认知诊断任务的示意图 

因此，本文提出了符号认知诊断框架来同时保障诊断结果的准确性与模型的可解释性。该框架使用符号树建模学生与习题之间的交互，然而，随之而来的挑战是如何打通离散符号树表示与连续参数学习之间的鸿沟。为解决该挑战，本文提出了混合交替优化方法，即对符号树的搜索采用无梯度优化方式、对学生学习要点掌握程度的推断采用梯度优化方式，并交替地优化二者。

该工作提出的符号认知诊断框架

本文在多个真实认知诊断数据集上进行了实验。结果表明，该方法能够在保证模型诊断准确率的同时，显著提升可解释性。开展的消融实验验证了符号认知诊断框架中每个模块均发挥了对应的作用。此外，我们在真实数据集上做了细粒度分析，验证了无论是符号认知诊断模型自身还是诊断结果，均有较好的可理解性。

在真实数据集上的样例分析：两位学生的诊断结果，习题的特征与交互函数。

多位评审人对该工作在可解释性方面的进展表示了肯定，认为该工作在智能教育技术基础问题方面做出了贡献。沈君豪同学拟于明年2月赴加拿大温哥华参加AAAI 2024大会并宣讲该工作。

计算机学院一直重视和培养“三早进”学员的科研能力与创新能力，为他们提供了优秀的指导老师、良好的科研氛围和丰富的资源平台。学院老师也给予学员们很多的关心和帮助，让“三早进”学员能够充分地发挥自己的潜力和创造力。作为“三早进“的学员，沈君豪同学表示，自己对机器学习与智能教育方向有着浓厚的研究兴趣，很高兴能够学以致用，该成果离不开学院和“三早进”计划在各方面的支持与三位指导老师对工作的耐心指导。

第一作者介绍

沈君豪，华东师范大学计算机科学与技术学院2021级本科生。在钱鸿副教授、周爱民教授、张伟教授的指导下，主要开展机器学习、认知诊断等方向研究。发表CCF-A论文一篇，作为核心成员参加NeurIPS 2023 CSL竞赛并获冠军，曾获2021年度华东师范大学特等奖学金。