论文题目： Improving Interpretability of Cognitive Diagnosis Models with LLM-based Semantic Augmentation

作者：白友恒（暨南大学博士研究生）、郑嘉琪（暨南大学）、侯明良（暨南大学）、郭腾（暨南大学）、田密（好未来）、赵翔宇（香港城市大学）、刘子韬（暨南大学）

通讯作者：郑嘉琪

摘要：认知诊断旨在从学生的学习交互过程中推断其对知识概念的掌握程度，从而为个性化教育应用提供支持。然而，现有模型将答题结果编码为二元正确性标签，忽略了学生具体选择的选项，这种输入层面的信息损失限制了模型对不同选项错误类型的区分能力，导致难以提供可解释的诊断输出。为解决这些局限，本文提出一语义增强认知诊断框架 SACD ，将基于大语言模型（LLM）的语义分析与学生行为建模相结合。SACD 包含三个关键组件：首先，基于大语言模型的习题诊断生成器分析习题内容并为每个选项生成结构化语义标注，捕捉每个选项所代表的具体认知误区；其次，基于核函数的对齐机制将语义嵌入与行为表征投射到统一的核空间中，实现异构信息的有效融合；最后，可解释诊断层预测学生表现并生成精细的掌握程度评估，LLM 进一步处理这些评估以生成可操作的学习计划。在三个真实世界数据集上的广泛实验表明，SACD 在取得更准确评估的同时，还能实现可解释和可操作的诊断结果。

论文题目：Mitigating Evidence Suppression: Bi-level Active Evidence Injection for Educational Video Understanding

作者： 刘成（暨南大学博士研究生）、 王一评（暨南大学硕士研究生）、官全龙（暨南大学）、贺超波（华南师范大学）、朱星谕（暨南大学）、方良达（暨南大学）

通讯作者：官全龙

摘要：大型视觉语言模型（LVLM）在知识密集型教育视频问答中经常表现不佳，即使相关视觉证据实际上已经存在。通过区域级分析，我们观察到一种系统性的证据利用不足现象：与干扰项相比，任务关键的视觉 token（如图表）在编码器输出中往往表现出更低的表征能量，并在后续解码过程中被较少利用，这表明证据相关信号可能存在贡献不足问题。进一步的受控干预实验表明，提高此类信号的有效贡献有助于提升回答准确率；但由于 token 质量敏感，静态启发式方法往往不够稳健。为此，我们提出双层主动证据注入（Bi-level Active Evidence Injection, BAEI），这是一种在解码阶段实施、且无需更新 LVLM 主干参数的干预框架。BAEI 引入一个轻量级注入策略网络（Injection Policy Network, IPN），并通过 GRPO 进行优化，用于动态选择候选证据 token，并对其施加结构化的残差路径注入。该框架在两个层面上发挥作用：在浅层，该框架通过干预提升证据相关视觉信号对后续解码过程的有效贡献；在深层，则根据预测熵自适应地实施校正。教育领域基准数据集上的实验结果表明，该方法能够带来稳定的性能增益，验证了解码阶段面向证据信号进行干预的有效性。