.png){kind=icon}
返回
GCN and GAT-based interpretable knowledge tracing model
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-025-01921-w.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）旨在通过评估学生过去问题解决记录中的知识掌握程度来预测其未来的表现。然而，许多现有方法未能充分利用问题与技能之间的潜在关系，或未能有效利用学生的历史学习数据，这使得难以准确捕捉每个问题的个性化掌握程度。此外，长序列信息中的冗余性往往导致模型过拟合，现有深度知识追踪模型在预测可解释性方面存在显著局限性。为解决这些问题，我们提出了GCAKT，一种关注学生问题掌握程度的可解释KT模型。GCAKT通过在细粒度层面建模学生的历史学习信息来生成个性化问题表示，并通过问题-技能嵌入模块和个性化问题掌握模块联合学习这些表示。为应对长序列产生的冗余，GCAKT采用基于注意力的知识演化模块，通过分析学生在每个时间点隐藏知识状态与问题之间的注意力关系来构建最终的隐藏知识状态。同时，GCAKT利用注意力权重构建可解释路径，以提供可解释的预测结果。在三个公开的真实教育数据集上的实验结果表明，GCAKT在预测准确性和可解释性方面均优于传统方法。
Keyword:
Graph Convolutional Networks
Attention mechanisms
Knowledge tracing
Interpretability
期刊
IF:
4.6
论文数:
2.1K
被引数:
6.6K
机构
暂无机构信息
引用论文
分享收藏分享收藏Context-Aware Attentive Knowledge Tracing.png)
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏分享收藏Research on Deep Knowledge Tracing Model Integrating Graph Attention Network基于图注意力网络的深度知识追踪模型研究
PREAI
分享收藏分享收藏
查看更多内容