认知诊断通过学生的作答日志推断概念掌握程度，但学生的答题表现不仅受掌握水平影响，还会受到情绪、投入度和疲劳等非认知因素的干扰。情感认知诊断因此在传统认知诊断的基础上加入情感状态的建模。现有方法通常假设认知诊断的主干已经解释了学生、题目和概念的效应，剩余误差主要归因于情感因素。我们指出，在真实教育数据中，题目标定偏差、概念系统偏差、学生‑概念个性化偏差以及潜在的学生‑题目匹配会形成稳定的认知残差。如果不显式建模，这些残差会泄漏到情感表示中，导致情感污染。为此我们提出了能力‑残差解耦框架。模型首先通过学生、题目、概念、学生‑概念以及低秩学生‑题目组件捕获未建模的认知残差；随后情感模块对猜测/滑动效应进行调制。我们设计了基于 Q 矩阵约束的概念残差注意力机制，只聚合与当前题目相关的概念残差。实验在 ASSIST2017、ASSIST2012、ASSIST2009 和 Junyi 四个数据集上，使用六种认知诊断骨干模型进行对比，均显示出响应预测的提升，并在有情感标签时实现了更好的情感对齐。消融实验、泄漏探测、主成分分析可视化、长尾分析和案例研究进一步表明，能力残差能够吸收稳定的认知偏差，降低情感分支的认知污染，提升模型的鲁棒性和预测精度。
点评