.png){kind=icon}
返回
BDGKT: Bidirectional dynamic graph knowledge tracing
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.115532.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识追踪（KT）旨在通过分析学生的历史学习轨迹来建模其知识状态的演变，并预测未来的表现。然而，当前的KT方法主要关注单向关系建模，忽视了学习者和题目之间的双向动态交互机制。学生的知识状态通过群体模式（如难度校准）塑造题目的适应性，而题目特征的动态转换则在学习阶段中为知识进步提供渐进式的指导信号。本研究中，我们提出了一种新颖的双向动态图KT（BDGKT）方法，用于建模学生和题目之间的信息流，同时捕捉知识状态的演变和题目特征的转换。具体而言，我们首先引入一种基于同质学生群体的动态图构建方法，该方法采用时空约束策略以降低计算成本并提升信息传播质量。随后，我们设计了一种双向消息传播机制以捕获随时间演变的动态信号。为更新题目节点（从学生到题目），我们引入一种状态感知注意力机制，该机制聚合学生节点和响应，揭示群体层面的题目共性。相比之下，为更新学生节点（从题目到学生），我们提出一种演化机制，该机制基于时间戳聚合题目节点和响应，使我们能够追踪学生知识状态的演变。在四个真实世界数据集上的广泛实验验证了该方法的有效性和兼容性。此外，BDGKT通过探索题目绝对信息（与群体无关）和相对信息（与群体相关）来提升可解释性。
Keyword:
Knowledge tracing
Bidirectional dynamic graph
Student-question interaction
Knowledge state evolution
Question feature transformation
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
.png){kind=icon}
Response speed enhanced fine-grained knowledge tracing: A multi-task learning perspective响应速度增强的细粒度知识追踪: 多任务学习视角
PREAI
分享收藏Vision, challenges, roles and research issues of Artificial Intelligence in Education人工智能在教育中的愿景、挑战、作用与研究问题
OAAI
OAAI分享收藏MAHKT: Knowledge tracing with multi-association heterogeneous graph embedding based on knowledge transferMAHKT：基于知识迁移的多关联异构图嵌入的知识追踪
PREAI
分享收藏
查看更多内容