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

Sintesi Tecnica: Potenziamento della Diagnosi Cognitiva tramite Augmentation di Grafi Consapevole dei Gruppi e Allineamento Auto-Supervisionato

Problematica
Nel dominio dell'istruzione intelligente, la Diagnosi Cognitiva (CD) mira a valutare gli stati cognitivi degli studenti sulla base dei dati storici di risposta per facilitare raccomandazioni di apprendimento personalizzate. Sebbene il deep learning abbia migliorato le prestazioni della CD rispetto ai modelli tradizionali come la Teoria della Risposta all'Item (IRT), gli approcci esistenti affrontano una sfida critica negli scenari reali: la scarsità di dati e la distribuzione sbilanciata. Gli studenti spesso mostrano una selezione soggettiva degli esercizi, favorendo item familiari o più semplici, portando a una distribuzione "long-tail" dove molti studenti hanno una storia di interazione insufficiente. Questa scarsità impedisce ai modelli di inferire in modo affidabile gli stati di conoscenza per questi studenti. Inoltre, i modelli esistenti spesso non riescono a distinguere tra i distinti pattern comportamentali riflessi nelle risposte corrette rispetto a quelle errate, e mancano di un'esplorazione sistematica delle classi latenti degli studenti (ad esempio, stili cognitivi o capacità di memoria) per migliorare l'apprendimento delle rappresentazioni per gli utenti con pochi dati.

Metodologia: Il Framework GACD
Gli autori propongono il framework Group-Aware Cognitive Diagnosis (GACD), che integra le reti neurali grafiche con l'apprendimento auto-supervisionato per mitigare la scarsità di dati. Il framework si compone di quattro componenti primari:

1. Decomposizione del Grafo delle Risposte:
   Riconoscendo che le risposte corrette e quelle errate codificano informazioni semantiche differenti, gli autori decompongono il grafo eterogeneo di interazione studente-esercizio in due sottografi disgiunti: un Sottografo Destro ($G_R$) contenente solo le risposte corrette e un Sottografo Sbagliato ($G_W$) contenente solo le risposte errate. Ciò consente al modello di apprendere i pattern di padronanza nei contesti di successo e di fallimento in modo indipendente.

2. Augmentation Strutturale Consapevole del Clustering:
   Per affrontare la scarsità di dati per gli studenti "tail" (quelli con bassa densità di interazione), il framework impiega un meccanismo di Generazione di Archi Condizionale:

   • Clustering: Gli studenti sono partizionati in $K$ cluster latenti utilizzando il K-means basato sulle loro rappresentazioni iniziali dei nodi, raggruppando studenti con comportamenti di apprendimento simili.
   • Augmentation: All'interno di ogni cluster, vengono identificati gli studenti nel 50% inferiore per densità di interazione. Il framework aggiunge artificialmente archi tra questi studenti sparsi e i loro pari all'interno dello stesso cluster. Ciò potenzia la connettività intra-gruppo e facilita la propagazione delle informazioni per i nodi svantaggiati senza introdurre rumore casuale.

3. Apprendimento della Rappresentazione a Doppio Stream con Allineamento Contrastivo:
   Il framework utilizza LightGCN come encoder di base per catturare le connettività di alto ordine. Stabilisce due stream di codifica paralleli (uno per $G_R$ e uno per $G_W$), elaborando sia il grafo originale che quello aumentato.

   • Apprendimento Contrastivo: Per garantire che il grafo aumentato preservi le proprietà semantiche intrinseche dei dati originali, viene impiegata una strategia auto-supervisionata. Il modello minimizza la perdita InfoNCE per allineare le rappresentazioni dei nodi apprese dal grafo originale con quelle del grafo aumentato. Ciò impedisce all'augmentation di distorcere il vero stato cognitivo.

4. Fusione Multi-View e Diagnosi:
   La rappresentazione finale dello studente è generata fondendo gli embedding degli stream Destro e Sbagliato. Inveve di una semplice concatenazione, un meccanismo di fusione parametrizzato aggrega adattivamente questi segnali eterogenei utilizzando matrici di peso addestrabili e una funzione sigmoidale. La rappresentazione fusa risultante viene poi proiettata per corrispondere ai requisiti di input di vari modelli di Diagnosi Cognitiva (CDM) per la previsione finale.

Contributi Chiave

• Augmentation di Grafo Consapevole dei Gruppi: Il paper introduce un metodo per potenziare la struttura topologica dei grafi di interazione degli studenti attraverso il clustering degli studenti e l'aggiunta di archi specificamente per i nodi a basso grado all'interno di gruppi omogenei. Questo mira direttamente agli studenti "svantaggiati".
• Allineamento Auto-Supervisionato a Doppio Stream: Il framework propone una strategia innovativa che modella separatamente i comportamenti di risposta corretta e errata, utilizzando l'apprendimento contrastivo per garantire che l'informazione strutturale aumentata rimanga semanticamente coerente con i dati originali.
• Agnosticismo del Modello: Il framework GACD è progettato come un potenziamento plug-in che può essere integrato con i CDM esistenti (ad esempio, IRT, MIRT, NCDM, KaNCD) per migliorarne le prestazioni senza richiedere una revisione completa dell'architettura.

Risultati Sperimentali
Gli autori hanno valutato GACD su tre dataset pubblici del mondo reale: Assist2017, NeurIPS2020 e Junyi.

• Performance: Esperimenti estesi hanno dimostrato che l'integrazione di GACD con vari modelli baseline (inclusi IRT, MIRT, NCDM e KaNCD) ha migliorato costantemente le prestazioni in tutte le metriche: Accuratezza (ACC), AUC, F1-score e Grado di Accordo (DOA).
• Studi di Ablazione: La rimozione dell'Augmentation Strutturale Consapevole del Clustering (CSA) o della Decomposizione del Grafo delle Risposte (RGD) ha causato cali significativi nelle prestazioni, confermando la necessità di entrambi i componenti. In particolare, è stato rilevato che la RGD è cruciale per l'interpretabilità del modello (DOA).
• Analisi degli Iperparametri: Lo studio ha analato il numero di cluster ($K$), riscontrando che i dataset con maggiore scarsità e gradi di studente più dispersi (come Junyi) beneficiano di un numero maggiore di cluster per garantire l'omogeneità all'interno dei gruppi.

Significatività e Rivendicazioni
Il paper sostiene che GACD affronti efficacemente la sfida della scarsità di dati nella diagnosi cognitiva sfruttando l'omofilia tra gli studenti. Raggruppando studenti con pattern simili e aumentando le connessioni per gli utenti con scarse interazioni, il framework fornisce al modello informazioni più ricche da cui apprendere. Gli autori affermano che il loro approccio raggiunge le prestazioni allo stato dell'arte (state-of-the-art) sui dataset testati, validando l'importanza di analizzare esplicitamente le classi latenti degli studenti e di utilizzare l'allineamento auto-supervisionato per potenziare i modelli di diagnosi cognitiva basati su grafi. Il lavoro offre un'intuizione pratica per i futuri framework diagnostici, suggerendo che l'augmentation strutturata e basata sui gruppi sia superiore alle strategie di augmentation dei dati casuali.