El diagnóstico cognitivo es un componente importante del aprendizaje adaptativo, ya que infiere los estados de conocimiento latente de los aprendices y permite retroalimentación personalizada. Sin embargo, los enfoques existentes a menudo enfatizan el modelado secuencial o la factorización latente, mientras que incorporan de manera insuficiente las estructuras curriculares que representan relaciones de prerrequisitos. Esta brecha limita tanto la precisión predictiva como la interpretabilidad pedagógica. Para abordar esta limitación, proponemos un marco de Diagnóstico Cognitivo Neural Basado en Gráficos Consciente del Currículo (CA-GNCD) que integra priors curriculares en el modelado neural basado en gráficos. El marco combina el aprendizaje de representación gráfica, la fusión de priors de conocimiento y las restricciones de interpretabilidad para capturar conjuntamente las dependencias relacionales entre conceptos y trayectorias individuales de los aprendices. Los experimentos en tres conjuntos de datos de referencia ampliamente utilizados, ASSISTments2017, EdNet-KT1 y Eedi, muestran que CA-GNCD logra mejoras consistentes sobre las líneas base clásicas probabilísticas, psicométricas y recientes neuronales. En promedio, mejora el AUC en más de 4.5 puntos porcentuales y exhibe una convergencia relativamente más rápida, mayor robustez a condiciones ruidosas y una generalización más fuerte entre dominios. Estos resultados sugieren que alinear las predicciones diagnósticas con las estructuras curriculares puede mejorar la interpretabilidad y la fiabilidad, ofreciendo implicaciones para el apoyo al aprendizaje personalizado. Si bien es prometedor, se requiere una validación adicional en diversos contextos educativos para establecer la generalizabilidad y el despliegue práctico del marco propuesto.