Naukowcy opracowali M-QCDNet, sieć neuronową, która integruje strukturalną interpretacyjność modeli diagnozy kognitywnej z mocą głębokich sieci neuronowych. Kluczowa innowacja polega na wbudowaniu macierzy Q jako strukturalnego prawa przed - ta macierz koduje związki między poszczególnymi zadaniami testowymi a umiejętnościami, które powinny mierzyć. Dzięki temu architektura gwarantuje, że wykryte profile opanowania przez uczniów pozostają spójne z teorią kognitywną, zamiast być nieprzewidywalnymi wynikami czarnej skrzynki.
Model wykorzystuje specjalną funkcję straty z karą L2, która penalizuje aktywacje umiejętności niezgodne z macierzą Q, balansując przy tym wydajność predykcyjną z wyrównaniem strukturalnym. Badacze opracowali też nowe metryki ewaluacyjne zwane miarami wyrównania opartymi na interpretacji, które kwantyfikują stopień, w jakim przewidywane aktywacje umiejętności odpowiadają rzeczywistym umiejętnościom wymaganym do rozwiązania zadań. To pozwala obiektywnie ocenić, czy model prawidłowo diagnozuje umiejętności.
Praktyczne znaczenie M-QCDNet jest duże dla nauczycieli i psychologów edukacyjnych. System może wspierać wczesne wykrycie trudności w nauce, identyfikując konkretne umiejętności, nad którymi dany uczeń powinien pracować. Łącząc diagnostyczną ważność wbudowaną w architekturę z elastycznością sieci neuronowych, M-QCDNet stanowi krok w stronę bardziej przejrzystej, uczciwej i rekomendacyjnej sztucznej inteligencji w sektorze edukacji.