知识追踪旨在评估学习者的学习状态,并根据先前的答题情况预测他们未来的答题表现.然而现有的知识追踪模型大多仅关注问题或技能间的关联,忽略了学生与问题间的结构关系.为此我们提出了基于学生问题关联的异构图知识追踪模型(StudentPro...知识追踪旨在评估学习者的学习状态,并根据先前的答题情况预测他们未来的答题表现.然而现有的知识追踪模型大多仅关注问题或技能间的关联,忽略了学生与问题间的结构关系.为此我们提出了基于学生问题关联的异构图知识追踪模型(StudentProblem association based heterogeneous graph Knowledge Tracing model,SPKT).该模型在知识追踪中融合了学生的学习能力和问题的重要性,并使用图注意力网络学习学生问题间的关联,获得学生、问题的嵌入表示并进行知识状态的预测.通过在真实公开数据集上的性能对比和模型消融实验,并可视化SPKT模型的知识追踪效果,证明了SPKT在预测性能上优于现有的知识追踪模型.展开更多
文摘知识追踪旨在评估学习者的学习状态,并根据先前的答题情况预测他们未来的答题表现.然而现有的知识追踪模型大多仅关注问题或技能间的关联,忽略了学生与问题间的结构关系.为此我们提出了基于学生问题关联的异构图知识追踪模型(StudentProblem association based heterogeneous graph Knowledge Tracing model,SPKT).该模型在知识追踪中融合了学生的学习能力和问题的重要性,并使用图注意力网络学习学生问题间的关联,获得学生、问题的嵌入表示并进行知识状态的预测.通过在真实公开数据集上的性能对比和模型消融实验,并可视化SPKT模型的知识追踪效果,证明了SPKT在预测性能上优于现有的知识追踪模型.
