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

Resumo Técnico: Aprimorando o Diagnóstico Cognitivo com Aumentação de Grafo Consciente de Grupos e Alinhamento Autossupervisionado

Definição do Problema
No domínio da educação inteligente, o Diagnóstico Cognitivo (CD) visa avaliar os estados cognitivos dos alunos com base em dados históricos de respostas para facilitar recomendações de aprendizagem personalizada. Embora o aprendizado profundo tenha melhorado o desempenho do CD em relação aos modelos tradicionais como a Teoria de Resposta ao Item (IRT), as abordagens existentes enfrentam um desafio crítico em cenários do mundo real: escassez de dados e distribuição desbalanceada. Os alunos frequentemente exibem uma seleção subjetiva de exercícios, favorecendo itens familiares ou mais simples, o que leva a uma distribuição de "cauda longa", onde muitos alunos possuem um histórico de interação insuficiente. Essa escassez impede que os modelos infiram de forma confiável os estados de conhecimento desses alunos. Além disso, os modelos existentes muitas vezes falham em distinguir os distintos padrões comportamentais refletidos em respostas corretas versus incorretas, e carecem de uma exploração sistemática das classes latentes dos alunos (por exemplo, estilos cognitivos ou capacidades de memória) para aprimorar o aprendizado de representação para usuários com poucos dados.

Metodologia: O Framework GACD
Os autores propõem o framework Group-Aware Cognitive Diagnosis (GACD), que integra redes neurais de grafos com aprendizado autossupervisionado para mitigar a escassez de dados. O framework consiste em quatro componentes primários:

1. Decomposição do Grafo de Respostas:
   Reconhecendo que as respostas corretas e incorretas codificam informações semânticas distintas, os autores decompõem o grafo heterogêneo de interação aluno-exercício em dois subgrafos disjuntos: um Subgrafo de Acertos ($G_R$) contendo apenas respostas corretas e um Subgrafo de Erros ($G_W$) contendo apenas respostas incorretas. Isso permite que o modelo aprenda padrões de domínio a partir de contextos de sucesso e falha de forma independente.

2. Aumentação Estrutural Consciente de Agrupamento (Clustering-Aware):
   Para abordar a escassez de dados para os alunos da "cauda" (aqueles com baixa densidade de interação), o framework emprega um mecanismo de Geração de Arestas Condicional:

   • Agrupamento (Clustering): Os alunos são particionados em $K$ clusters latentes usando K-means com base em suas representações iniciais de nós, agrupando alunos com comportamentos de aprendizagem semelhantes.
   • Aumentação: Dentro de cada cluster, os alunos nos 50% inferiores de densidade de interação são identificados. O framework adiciona artificialmente arestas entre esses alunos esparsos e seus pares dentro do mesmo cluster. Isso aumenta a conectividade intra-grupo e facilita a propagação de informação para nós desfavorecidos sem introduzir ruído aleatório.

3. Aprendizado de Representação de Fluxo Duplo com Alinhamento Contrastivo:
   O framework utiliza o LightGCN como codificador de base para capturar conectividades de alta ordem. Ele estabelece dois fluxos de codificação paralelos (um para $G_R$ e outro para $G_W$), processando tanto os grafos originais quanto os aumentados.

   • Aprendizado Contrastivo: Para garantir que o grafo aumentado preserve as propriedades semânticas intrínsecas dos dados originais, uma estratégia autossupervisionada é empregada. O modelo minimiza a perda InfoNCE para alinhar as representações de nós aprendidas do grafo original com aquelas do grafo aumentado. Isso evita que a aumentação distorça o estado cognitivo real.

4. Fusão de Múltiplas Visões e Diagnóstico:
   A representação final do aluno é gerada pela fusão das embeddings dos fluxos de Acertos e Erros. Em vez de uma simples concatenação, um mecanismo de fusão parametrizado agrega adaptativamente esses sinais heterogêneos usando matrizes de pesos treináveis e uma função sigmoide. A representação fundida resultante é então projetada para atender aos requisitos de entrada de vários modelos de Diagnóstico Cognitivo (CDM) de base para a predição final.

Principais Contribuições

• Aumentação de Grafo Consciente de Grupo: O artigo introduz um método para aprimorar a estrutura topológica dos grafos de interação dos alunos, agrupando estudantes e adicionando arestas especificamente para nós de baixo grau dentro de grupos homogêneos. Isso visa diretamente os alunos "desfavorecidos".
• Alinhamento Autossupervisionado de Fluxo Duplo: O framework propõe uma estratégia inovadora que modela separadamente os comportamentos de resposta correta e incorreta, utilizando aprendizado contrastivo para garantir que a informação estrutural aumentada permaneça semanticamente consistente com os dados originais.
• Agnosticismo de Modelo: O framework GACD é projetado como um aprimoramento de plug-in que pode ser integrado com diversos CDMs existentes (ex: IRT, MIRT, NCDM, KaNCD) para melhorar seu desempenho sem exigir uma reformulação arquitetônica completa.

Resultados Experimentais
Os autores avaliaram o GACD em três conjuntos de dados públicos do mundo real: Assist2017, NeurIPS2020 e Junyi.

• Desempenho: Experimentos extensivos demonstraram que a integração do GACD com vários modelos de base (incluindo IRT, MIRT, NCDM e KaNCD) melhorou consistentemente o desempenho em todas as métricas: Acurácia (ACC), AUC, F1-score e Grau de Concordância (DOA).
• Estudos de Ablação: A remoção de qualquer um dos componentes, a Aumentação Estrutural Consciente de Agrupamento (CSA) ou a Decomposição do Grafo de Respostas (RGD), resultou em quedas significativas de desempenho, confirmando a necessidade de ambos. Notavelmente, o RGD foi considerado crucial para a interpretabilidade do modelo (DOA).
• Análise de Hiperparâmetros: O estudo analisou o número de clusters ($K$), descobrindo que conjuntos de dados com maior esparsidade e graus de alunos mais dispersos (como o Junyi) beneficiam-se de um número maior de clusters para garantir a homogeneidade dentro dos grupos.

Significância e Alegações
O artigo afirma que o GACD aborda efetivamente o desafio da escassez de dados no diagnóstico cognitivo ao alavancar a homofilia entre os alunos. Ao agrupar alunos com padrões semelhantes e aumentar as conexões para usuários esparsos, o framework fornece ao modelo informações mais ricas para aprender. Os autores afirmam que sua abordagem alcança o estado da arte (SOTA) nos conjuntos de dados testados, validando a importância de analisar explicitamente as classes latentes dos alunos e usar o alinhamento autossupervisionado para aprimorar modelos de diagnóstico cognitivo baseados em grafos. O trabalho oferece uma visão prática para futuros frameworks de diagnóstico, sugerindo que a aumentação estruturada e baseada em grupos é superior às estratégias de aumentação de dados aleatórias.