감성 요소를 통합한 인지 진단 모델링 연구
Ability-Residual Decoupled Modeling for Affective Cognitive Diagnosis
arXiv학생의 개념 이해도를 진단하는 인지진단은 능력 외에도 감정, 집중도 등 비인지적 요인을 통합해야 하는 '감성 인지 진단'이 필수적입니다.
- 본 연구는 기존 모델의 한계를 극복하기 위해, 학생-아이템 간에 존재하는 안정적인 '인지 잔여 오차'를 먼저 분리하는 디커플링 프레임워크를 제안했습니다.
- 이를 통해 복합적인 인지 편향을 체계적으로 흡수하고 감성 모듈의 영향을 정교하게 조절함으로써 진단의 정확도를 높였습니다.
- 실험 결과, 이 방식은 능력 잔여 오차를 활용하여 감성 진단 과정에서의 오류 전이(contamination)를 줄이고 예측 성능과 견고성을 크게 향상시켰습니다.
학생의 개념 숙련도를 파악하는 인지진단은 단순히 능력만으로 결정되지 않으며, 감정, 집중도 등 비인지적 요소가 수행에 영향을 미칩니다. 따라서 기존의 인지진단 방식은 이러한 정서적 상태를 통합하여 '감성 인지 진단'을 확장해야 할 필요성이 제기됩니다. 연구진은 기존 방법들이 인지 진단의 핵심 요인만으로 충분히 설명된다고 가정하는 것이 실제 교육 데이터에서는 부족할 수 있다고 지적했습니다.
이러한 한계를 극복하기 위해, 본 연구는 '능력-잔여 분리(ability-residual decoupled)' 프레임워크를 제안합니다. 이 모델은 학생, 아이템, 개념 등 다양한 구성 요소를 통해 설명되지 않은 인지 잔여 오차(cognitive residuals)를 먼저 포착하는 것이 핵심입니다. 이후 감성 모듈을 사용하여 추측/실수 효과를 조절하며, Q-matrix 기반의 개념 잔여 주의 메커니즘을 활용하여 아이템 관련 개념 잔여만을 능동적으로 집계합니다.
ASSIST2017, ASSIST2012, ASSIST2009 및 Junyi 등 여러 데이터셋에서 실험한 결과, 이 방식은 보고된 비교들 전반에 걸쳐 응답 예측 성능 향상을 보였습니다. 특히 능력 잔여 오차를 활용함으로써 감성 진단 과정에서의 오류 전이(contamination)를 줄이고, 인지 편향을 흡수하여 모델의 견고성과 예측 정확도를 높이는 것으로 나타났습니다.