.png){kind=icon}
返回
HKT: Hierarchical structure-based knowledge tracing
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ipm.2025.104206.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）是智能辅导系统中的一个基础任务，旨在预测学习者针对特定问题的表现并追踪其不断演化的知识状态。随着该领域深度学习的发展，各种方法已被应用于建模知识之间的关系。然而，大多数现有的知识追踪方法侧重于单层次的知识建模，忽略了知识固有的层次结构，这限制了它们捕捉复杂关系的能力。在本文中，我们提出了一种新颖的层次化知识追踪模型（HKT），该模型整合了多个知识层次的影响以预测学习者的表现。具体而言，我们构建不同类型的层次图以捕获层次内的依赖关系和跨层次关系。为有效结合多层次的信�，我们设计了权重分配网络，动态地为不同知识层次分配权重，从而综合其影响以实现准确的表现预测。实验结果表明，HKT在多个基准数据集上优于基线方法，验证了与单层次模型相比，整合所有层次知识的有效性。
Keyword:
Knowledge tracing
Graph representation learning
Graph contrastive learning
Hierarchical modeling
Educational data mining
期刊
I
IF:
6.9
论文数:
5.2K
被引数:
1.4W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏Pre-training Question Embeddings for Improving Knowledge Tracing with Self-supervised Bi-graph Co-contrastive Learning基于自监督双图协同对比学习的预训练问题嵌入改进知识追踪
PREAI
分享收藏
查看更多内容