.png){kind=icon}
返回
Knowledge structure enhanced graph representation learning model for attentive knowledge tracing
.png){kind=icon}
OA
AI
DOI：10.1002/int.22763.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) 是在线学习系统中学习者的一种基本的个性化辅导技术。最近的KT方法采用了灵活的基于深度神经网络的模型，该模型擅长于此任务。然而，KT的充分性仍然受到学习者运动数据稀疏的挑战。为了缓解稀疏性问题，大多数现有的KT研究都是在技能级别而不是问题级别进行的，因为问题通常很多并且与更少的技能相关联。但是，在技能水平上，KT忽略了与问题本身及其关系相关的独特信息。在这种情况下，模型可以不精确地推断学习者的知识状态，并且可能无法捕获锻炼序列中的长期依赖性。在知识领域中，技能自然地链接为图形 (边缘是教学概念之间的先决关系)。我们将这样的图称为知识结构 (KS)。将KS合并到KT过程中可以潜在地解决稀疏性和信息丢失，但是由于获得域的完整KS是具有挑战性和劳动密集型的，因此这种途径尚未得到充分探索。在本文中，我们提出了一种新颖的具有注意力机制的KT KS增强图表示学习模型 (KSGKT)。我们首先探索八种方法，这些方法可以从学习者响应数据中自动推断域KS并将其集成到KT过程中。利用图表示学习模型，我们然后从KS增强图中获得问题和技能嵌入。为了在问题上包含更多独特的信息，我们从每个学习者的学习历史中提取了认知问题的难度。然后，我们提出了一种卷积表示方法，该方法融合了这些disctinct特征，从而获得了每个问题的综合表示。这些表示是建议的KT模型的输入，并且长期依赖关系由注意力机制处理。该模型最终预测了学习者在新问题上的表现。在三个真实世界数据集上从六个角度进行的广泛实验证明了我们模型在学习者绩效建模方面的优越性和可解释性。基于KT结果，我们还提出了我们模型的三个潜在应用。
Keyword:
cognitive question difficulty
graph representation learning
intelligent tutoring systems
knowledge structure discovery
knowledge tracing
learner proficiency estimation
期刊
IF:
3.7
论文数:
3.1K
被引数:
8.1K
机构
引用论文
A learning path recommendation model based on a multidimensional knowledge graph framework for e-learning基于多维知识图谱框架的e-learning学习路径推荐模型
PREAI
分享收藏分享收藏A review of recent advances in learner and skill modeling in intelligent learning environments智能学习环境中学习者和技能建模的最新进展综述OAAI
OAAI分享收藏
Dramatic reduction in sperm parameters following bariatric surgery: report of two cases减肥手术后精子参数的显着降低: 两例报告.png)
Andrologia
AndrologiaIF0
PREAI
分享收藏
查看更多内容