.png){kind=icon}
返回
Learning Student Knowledge States from Multi-View Question-Skill Networks
.png){kind=icon}
PRE
AI
DOI：10.3390/sym17122073.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
精确建模学生不断变化的知识状态是智能教育系统中的核心挑战。现有的知识追踪方法通常依赖单视角表示，限制了其捕捉问题与底层技能之间高阶依赖关系的能力。在本文中，我们提出了多视角问题-技能网络（MVQSN），该网络利用易于获取的数据构建互补的关联视角，以全面建模学生知识状态。具体而言，我们首先构建一个问题-技能二部图以捕捉直接的问题-技能关联，一个技能互补视角，其中边表示从共现模式中得出的技能协同关系，以及一个问题共响应视角，用于捕捉从聚合学生响应的层级模式中涌现的问题-问题层级关联。每个视角独立使用图神经网络进行编码，生成视角特定的学生知识嵌入。为增强跨视角的表示一致性并保留独特视角信息，我们采用多视角对比学习模块来对齐不同视角的嵌入。对齐后的嵌入通过注意力引导机制进行融合，生成统一且富有表现力的学生知识状态表示。最后，将统一嵌入输入预测层以估计学生的未来表现。我们在三个公开数据集上进行了大量实验，结果表明MVQSN在预测性能上显著优于当前最先进的基础模型。
Keyword:
knowledge tracing
multi-view learning
graph neural networks
contrastive learning
期刊
S
IF:
2.2
论文数:
1.4K
被引数:
0
机构
引用论文
A fusion framework with multi-scale convolution and triple-branch cascaded transformer for underwater image enhancement用于水下图像增强的多尺度卷积和三分支级联变换器融合框架
PREAI
分享收藏Deep Learning Based Knowledge Tracing: A Review, a Tool and Empirical Studies基于深度学习的知识追踪：综述、工具与实证研究
PREAI
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Hyperbolic Hypergraph Transformer With Knowledge State Disentanglement for Knowledge Tracing超限知识图谱Transformer与知识状态解耦的知识追踪
PREAI
分享收藏
查看更多内容