Enhancing Knowledge Tracing via Breakpoint-Aware Sequence Augmentation

Chunli Huang

doi:10.1109/TKDE.2026.3700199

Enhancing Knowledge Tracing via Breakpoint-Aware Sequence Augmentation

2026-06-04

0

PRE

AI

DOI：10.1109/TKDE.2026.3700199

原文链接

原文求助

摘要

En 中文

知识追踪（KT）旨在通过建模历史学习序列来预测学习者的未来响应。然而，现有工作往往忽视了交互之间大时间间隔所导致的严重时序和交互连续性中断问题，这导致显著的预测误差。因此，我们通过实证研究识别并验证了这种断点效应，并尝试通过数据增强（DA）来解决该问题。现有的DA方法通常强调序列的多样性或相似性，而忽视了KT中的断点效应。为此，我们致力于通过断点感知的序列增强来提升知识追踪效果，提出了协同学习路径增强（CLPA）方法，这是一种系统性的三阶段方法，旨在增强模型的表征能力并缓解断点效应。首先，识别表现出时间间隔和响应不一致的边界交互对；其次，利用跨序列的协同信息推断边界之间的功能伪路径；最后，重构并将伪学习路径插入目标序列以恢复序列连续性；此外，还提出了采样数量约束和基于距离的采样策略两种改进方法，以确保增强质量。在四个真实数据集上的全面实验验证了CLPA的有效性，该方法显著提升了目标KT模型的表征能力并缓解了断点效应。

Keyword:

Knowledge tracing

breakpoint effects

data augmentation

collaborative learning path

Enhancing Knowledge Tracing via Breakpoint-Aware Sequence Augmentation

摘要

期刊

机构

引用论文