FDE 打通大模型与认知诊断！基于SOLO理论的通用融合框架破解冷启动难题。论文标题：LLM-Driven Cognitive Diagnosis with SOLO Taxonomy: A Model-Agnostic Framework
期刊：Frontiers of Digital Education
作者：Zhiang Dong, Jingyuan Chen, Fei Wu
发表时间：17 Mar 2025
DOI：10.1007/s44366-025-0057-8
微信链接：点击此处阅读微信文章
《数字教育前沿(英文)》第2卷第2期
当下自适应题库、个性化学习平台已经全面落地，认知诊断作为实现因材施教的核心技术，能够依托学生答题数据定位知识短板，是智能教育的底层支撑。行业内主流的认知诊断模型（CDM）依赖海量历史交互数据，一旦遇到新生、新习题缺少记录的冷启动场景，测评精度会大幅下滑；同时大语言模型（LLM）擅长文本语义解读，但和传统诊断模型分属两套表征体系，存在语义、行为双空间割裂的技术壁垒，很难实现优势互补。SOLO 分类法作为成熟的认知分层理论，可以把学生理解能力划分为五级梯度，为学情量化提供清晰标准。如何打通大模型与诊断算法，兼顾常规与数据稀疏场景的测评精度，是当下智能测评领域亟待突破的核心难题。
文章介绍
文章介绍浙江大学吴飞教授团队在 Frontiers of Digital Education（《数字教育前沿（英文）》）期刊发表了题为 LLM-Driven Cognitive Diagnosis with SOLO Taxonomy: A Model-Agnostic Framework（《基于 SOLO 分类法的大语言模型驱动认知诊断：一种模型无关通用框架》）的研究论文。
文章首先系统梳理两大行业核心技术瓶颈：传统认知诊断模型高度依赖师生长期答题记录，数据不足的冷启动场景下评估效果断崖式下跌；大语言模型拥有充足学科文本知识，但受上下文长度限制，无法捕捉精细的答题行为特征，语义表征与诊断模型的行为特征天然隔离，二者难以协同运算。为解决上述矛盾，研究搭建一套模型无关通用融合框架，无需绑定特定诊断算法，可适配 IRT、NCD、RCD 等多种主流 CDM，整体分为两大核心模块。
第一是大模型诊断模块，先整合学生、习题双向协同作答信息，结合完整答题日志，引入 SOLO 五层认知分层理论，从浅层识记到综合创新逐层划分学生理解水平，输出结构化学情诊断文本，清晰标注各知识点掌握强弱与习题认知层级。第二为认知对齐模块，设计两套双向映射策略：混合对比对齐将大模型语义信息转换至诊断模型行为空间，交互式重构对齐反向把行为特征映射到大模型语义空间，搭配动态掩码、正负样本对比学习，消除两类模型的表征鸿沟。研究选用 Python、Linux、数据库、文史四门真实线上课程数据集开展多组对照实验，选取七类经典认知诊断模型作为基线方案。
实验结果表明，该框架在常规、冷启动两类场景下 AUC、准确率等核心评价指标均显著提升，数据越稀疏优化效果越突出；消融实验证明协同交互信息、双层对比机制、动态掩码都是提升精度的关键组件；同时框架兼容 GPT、GLM、通义千问等多款主流大模型，具备广泛通用性。研究客观指出这套融合方案会带来一定计算开销增加的局限，后续将围绕轻量化对齐算法、多模态教学场景拓展、跨学科适配等方向持续优化，为自适应学习系统、智能题库、线上学情测评提供高精度落地技术方案。
科普视频
您的浏览器不支持Video标签。
来源 素养教育创新研究院
文章信息
Zhiang Dong, Jingyuan Chen, Fei Wu. LLM-Driven Cognitive Diagnosis with SOLO Taxonomy: A Model-Agnostic Framework. Frontiers of Digital Education, 2025, 2(2): 20DOI:10.1007/s44366-025-0057-8
识别二维码 免费获取原文
往期回顾
FDE 2024年第2期内容概要
论文解读 浙江大学吴飞教授团队：基于SOLO分类法的大语言模型驱动认知诊断
论文解读 面向大语言模型的多维度提示词在课程项目报告评估中的有效性研究
期刊介绍
期刊特点
1. 国际化投审稿平台 ScholarOne Manuscripts
2. 严格的同行评议（Peer Review）
3. 免费语言润色，有力保障出版质量
4. 不收取作者任何费用
5. 不限文章长度
6. 审稿周期：第一轮平均30天，投稿到录用平均60天
7. 在线优先出版（CAP）
8. 通过SpringerLink平台面向全球推广
在线浏览
https://journal.hep.com.cn/fde
（中国大陆免费）
https://link.springer.com/journal/44366
在线投稿
http://mc.manuscriptcentral.com/fde
联系我们
fde@hep.com.cn010-58582344, 010-58581581
来源：Frontiers of Digital Education
