.png){kind=icon}
返回
Improving exercise-level Knowledge Tracing via Knowledge Concept-based Memory Network
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127825.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），用于分析学习者学习状态并预测未来表现，是智能辅导系统中的关键任务。然而，KT研究中尚未深入探讨两个主要问题。首先，大多数KT模型在知识概念（KC）层面进行预测，因为练习数据的稀疏性可能导致预测性能不佳。尽管这一问题已通过几种KT模型得到解决并实现了练习级预测，但这些模型获得的练习嵌入无法合理表示练习内容。因此，它们无法为后续个性化推荐提供有效支持。其次，另一个关键问题是当前KT模型主要关注提升预测性能，忽视了追踪所有KC知识状态的能力。为解决这两个问题，我们首先引入了一个练习级KT框架，称为知识结构感知图注意力网络（KSGAN）。在KSGAN中，提出了图注意力层和表示优化方法，共同训练练习表示向量，显著提升了预测学习者表现的效果。然后，为评估每个KC的状态，我们将KSGAN扩展为一个新颖的知识概念记忆网络（KCMN）。该模型量化每次学习交互后的知识增长，从而捕捉每个KC掌握水平的变化。在四个数据集上的广泛实验表明，我们的模型在预测方面优于某些先进的KT模型，同时KCMN在评估学习者知识状态方面表现出优越能力。代码可在https://github.com/syunnmo/KSGAN和https://github.com/syunnmo/KCMN找到。
Keyword:
Knowledge tracing
Graph attention networks
Memory networks
Personalized recommendation
Intelligent tutoring system
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
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A Review of Recurrent Neural Networks: LSTM Cells and Network Architectures递归神经网络综述: LSTM单元和网络架构
PREAI
分享收藏Learning consistent representations with temporal and causal enhancement for knowledge tracing学习具有时间和因果增强的一致性表示以进行知识跟踪
PREAI
分享收藏分享收藏
查看更多内容