Enhancing Cognitive Diagnosis with Group-Aware Graph Augmentation and Self-Supervised Alignment

Resumen Técnico: Mejora del Diagnóstico Cognitivo mediante el Aumento de Grafos Consciente de Grupos y la Alineación Autosupervisada

Planteamiento del Problema
En el dominio de la educación inteligente, el Diagnóstico Cognitivo (CD, por sus siglas en inglés) tiene como objetivo evaluar los estados cognitivos de los estudiantes basándose en datos históricos de respuestas para facilitar recomendaciones de aprendizaje personalizadas. Si bien el aprendizaje profundo ha mejorado el rendimiento del CD frente a modelos tradicionales como la Teoría de Respuesta al Ítem (IRT), los enfoques existentes enfrentan un desafío crítico en escenarios del mundo real: la escasez de datos y la distribución desequilibrada. Los estudiantes suelen exhibir una selección subjetiva de ejercicios, favoreciendo ítems familiares o más sencillos, lo que conduce a una distribución de "cola larga" donde muchos estudiantes tienen un historial de interacción insuficiente. Esta escasez impide que los modelos infieran de manera fiable los estados de conocimiento para estos estudiantes. Además, los modelos existentes suelen fallar al distinguir entre los distintos patrones de comportamiento reflejados en las respuestas correctas frente a las incorrectas, y carecen de una explotación sistemática de las clases latentes de los estudiantes (por ejemplo, estilos cognitivos o capacidades de memoria) para mejorar el aprendizaje de representaciones para usuarios con pocos datos.

Metodología: El Marco GACD
Los autores proponen el marco de Diagnóstico Cognitivo Consciente de Grupos (GACD), el cual integra redes neuronales de grafos con aprendizaje autosupervisado para mitigar la escasez de datos. El marco consta de cuatro componentes principales:

1. Descomposición del Grafo de Respuestas:
   Reconociendo que las respuestas correctas e incorrectas codifican información semántica diferente, los autores descomponen el grafo heterogéneo de interacción estudiante-ejercicio en dos subgrafos disjuntos: un Subgrafo de Aciertos ($G_R$) que contiene solo respuestas correctas y un Subgrafo de Errores ($G_W$) que contiene solo respuestas incorrectas. Esto permite al modelo aprender patrones de maestría desde contextos de éxito y de fallo de forma independiente.

2. Aumento Estructural Consciente de Clústeres:
   Para abordar la escasez de datos para los estudiantes de la "cola" (aquellos con baja densidad de interacción), el marco emplea un mecanismo de Generación de Aristas Condicional:

   • Clustering: Los estudiantes se particionan en $K$ clústeres latentes utilizando K-means basado en sus representaciones iniciales de nodos, agrupando a estudiantes con comportamientos de aprendizaje similares.
   • Aumento: Dentro de cada clúster, se identifican los estudiantes en el 50% inferior de densidad de interacción. El marco añade artificialmente aristas entre estos estudiantes dispersos y sus pares dentro del mismo clúster. Esto mejora la conectividad intra-grupo y facilita la propagación de información para los nodos desfavorecidos sin introducir ruido aleatorio.

3. Aprendizaje de Representación de Doble Flujo con Alineación Contrastiva:
   El marco utiliza LightGCN como codificador base para capturar conectividades de alto orden. Establece dos flujos de codificación paralelos (uno para $G_R$ y otro para $G_W$), procesando tanto el grafo original como el aumentado.

   • Aprendizaje Contrastivo: Para asegurar que el grafo aumentado preserve las propiedades semánticas intrínsecas de los datos originales, se emplea una estrategia autosupervisada. El modelo minimiza la pérdida InfoNCE para alinear las representaciones de los nodos aprendidas del grafo original con aquellas del grafo aumentado. Esto evita que el aumento distorsione el estado cognitivo real.

4. Fusión Multivista y Diagnóstico:
   La representación final del estudiante se genera fusionando las incrustaciones (embeddings) de los flujos de Aciertos y Errores. En lugar de una simple concatenación, un mecanismo de fusión parametrizado agrega adaptativamente estas señales heterogéneas utilizando matrices de pesos entrenables y una función sigmoide. La representación fusionada resultante se proyecta entonces para coincidir con los requisitos de entrada de varios modelos de Diagnóstico Cognitivo (CDM) base para la predicción final.

Contribuciones Clave

• Aumento de Grafo Consciente de Grupos: El artículo introduce un método para mejorar la estructura topológica de los grafos de interacción de los estudiantes mediante el agrupamiento de estudiantes y la adición de aristas específicamente para los nodos de bajo grado dentro de grupos homogéneos. Esto apunta directamente a los estudiantes "desfavorecidos".
• Alineación Autosupervisada de Doble Flujo: El marco propone una estrategia novedosa que modela por separado los comportos de respuesta correctos e incorrectos, utilizando el aprendizaje contrastivo para asegurar que la información estructural aumentada sea semánticamente consistente con los datos originales.
• Agnosticismo de Modelo: El marco GACD está diseñado como una mejora tipo "plug-in" que puede integrarse con los CDM existentes (por ejemplo, IRT, MIRT, NCDM, KaNCD) para mejorar su rendimiento sin requerir una reestructuración completa de la arquitectura.

Resultados Experimentales
Los autores evaluaron GACD en tres conjuntos de datos públicos del mundo real: Assist2017, NeurIPS2020 y Junyi.

• Rendimiento: Experimentos extensos demostraron que la integración de GACD con varios modelos de referencia (incluyendo IRT, MIRT, NCDM y KaNCD) mejoró consistentemente el rendimiento en todas las métricas: Exactitud (ACC), AUC, F1-score y Grado de Acuerdo (DOA).
• Estudios de Ablación: Eliminar ya sea el Aumento Estructural Consciente de Clústeres (CSA) o la Descomposición del Grafo de Respuestas (RGD) resultó en caídas significativas de rendimiento, confirmando la necesidad de ambos componentes. Notablemente, se encontró que la RGD era crucial para la interpretabilidad del modelo (DOA).
• Análisis de Hiperparámetros: El estudio analizó el número de clústeres ($K$), encontrando que los conjuntos de datos con mayor escasez y grados de estudiantes más dispersos (como Junyi) se benefician de un mayor número de clústeres para asegurar la homogeneidad dentro de los grupos.

Significancia y Reivindicaciones
El artículo afirma que GACD aborda eficazmente el desafío de la escasez de datos en el diagnóstico cognitivo mediante el aprovechamiento de la homofilia entre los estudiantes. Al agrupar estudiantes con patrones similares y aumentar las conexiones para los usuarios dispersos, el marco proporciona al modelo una información más rica de la cual aprender. Los autores aseguran que su enfoque alcanza un rendimiento de vanguardia (state-of-the-art) en los conjuntos de datos probados, validando la importancia de analizar explícitamente las clases latentes de los estudiantes y utilizar la alineación autosupervisada para mejorar los modelos de diagnóstico cognitivo basados en grafos. El trabajo ofrece una visión práctica para futuros marcos de diagnóstico, sugiriendo que el aumento estructurado y basado en grupos es superior a las estrategias de aumento de datos aleatorias.