如何精准分析学生的认知能力和知识结构，从而实现个性化、定制化的学习路径，是智能教育系统的重要研究方向。认知诊断模型通过智能化分析学生的答题记录和学习行为数据，自动识别学生的个体差异和题目难度水平，进而可以实现个性化学习资源推荐和学习路径规划，帮助学生更有针对性地进行学习，从而提高学习效率。

学生的答题交互数据中不可避免的存在数据噪声和数据稀疏性，而传统的认知诊断模型平等地信任所有交互数据，忽略了数据噪声和学生作答置信度的影响；此外，现有基于图结构的认知诊断模型只能聚合单个异构图的信息，导致图内多个边关系和局部结构信息的丢失；最后，答题场景中常见的数据冷启动问题也给模型的训练和优化带来了困难。

模型的主体框架图

针对上述问题，我院青少年心理健康与危机智能干预安徽省哲学社会科学重点实验室骨干成员苏喻老师提出了一种置信度引导的多图认知诊断(CMM)模型。该模型动态地计算学生答题交互的置信度得分，从而捕捉学生认知过程的变化和不确定性；同时，通过构建多个图表示学生回答过程中的各种关系，丰富了模型对不同类型信息特征的建模；最后，模型采用多图迭代的联合训练方式，使模型能够逐步聚合不同层次的图信息，提高了模型训练效率和预测效果。实验结果表明，该模型在学生成绩预测及鲁棒性表现上超过了现有的最先进方法，为现有的认知诊断研究贡献了新的思路和方法。

论文标题和署名情况

近期，相关成果以“Constructing a Confidence-guided Multigraph Model for Cognitive Diagnosis in Personalized Learning”为题被期刊Expert Systems with Applications录用。该期刊为中国科学院大类一区TOP期刊，影响因子为8.665。合肥师范学院为该论文的第一单位，青少年心理健康与危机智能干预安徽省哲学社会科学重点实验室、计算机与人工智能学院苏喻老师为第一作者。

该研究工作得到国家自然科学基金、安徽省高校协同创新项目、青少年心理健康与危机智能干预安徽省哲学社会科学重点实验室开放课题、合肥师范学院科研启动基金等项目资助。（青少年心理健康与危机智能干预安徽省哲学社会科学重点实验室、计算机与人工智能学院）