暨南大学融媒体中心讯 近日，暨南大学广东智慧教育研究院师生合作完成的论文《H2CD: Semantic-Enhanced Heterogeneous Hypergraph Network with Large Language Model for Cognitive Diagnosis》被CAAI Transactions on Intelligence Technology（CAAI TRIT）正式录用。

CAAI TRIT 是中国人工智能学会（CAAI）会刊，也是国内人工智能领域的权威综合性国际期刊，重点刊载 AI 基础理论、AI 关键技术、AI 系统应用等领域的原创性成果。CAAI TRIT 已被 SCIE、EI Compendex、Scopus 等国际知名数据库收录，2026年度 JCR 计算机科学（人工智能）学科位列Q1 区，入选中科院1区Top期刊。

入选论文作者为白友恒（暨南大学博士研究生）、刘子韬（暨南大学）、侯明良（暨南大学）、郭腾（暨南大学），通讯作者为刘子韬。

论文指出，认知诊断旨在通过学习者的答题表现推断其知识状态来赋能大规模个性化教育。现有方法仅依靠粗粒度的知识概念标注来表示题目，忽略了题目本身的语义信息和解题过程中的认知步骤，这会导致诊断混淆，使得知识概念相似但推理路径不同的题目在表示学习中无法被区分，进而因混淆不同的学习缺陷而降低诊断准确率。为解决这一问题，论文提出了H2CD，一个融合大语言模型认知分解与结构化学习的语义增强异质超图框架：首先，利用大语言模型将题目分解为分步解题路径，提取细粒度的步骤级知识概念，捕捉预定义标注之外的过程性知识；其次，构建包含两种超边类型的异质超图：连接题目与其关联多粒度知识概念的知识超边，以及捕捉个性化学生-题目关系的交互超边，保留组合知识结构；第三，通过两阶段超图神经网络，在静态题目-知识概念关系上进行知识结构传播，并在动态学生-题目交互模式上进行交互传播；最后，通过知识概念感知的预测层将表示投影到可学习的诊断轴上，实现知识概念粒度的可解释掌握度评估。在三个真实教育数据集上的实验表明，H2CD在AUC和准确率指标上均优于现有基线方法。

责编：苏倩怡