MTGKT: Multiscale Temporal Graph Knowledge Tracing

Dong Liu

doi:10.1109/tlt.2026.3707679

MTGKT: Multiscale Temporal Graph Knowledge Tracing

2026-06-26

0

PRE

AI

DOI：10.1109/tlt.2026.3707679

原文链接

原文求助

摘要

En 中文

知识追踪（KT）通过历史交互序列动态监控学生知识掌握状态的演变并预测未来表现。现有KT方法通常假设同质的时间效应，因此未能充分捕捉多尺度间隔对知识依赖演变的异质性影响。为应对这一挑战，我们提出了多尺度时间图KT（MTGKT）模型。首先，我们设计了一个多尺度时间编码器，将间隔分解为微观、中观和宏观尺度，并通过软分配进行融合。其次，我们引入了一种基于艾宾浩斯遗忘曲线的自适应遗忘机制，包含知识特定和学生特定的参数以建模个性化记忆衰减。第三，我们设计了一个增强型动态图神经网络，结合结构化邻居采样、技能共现特征和消息传递，以及门控循环单元和多头注意力以处理时间动态。在实验中，我们在四个公开数据集上对MTGKT与九种代表性KT模型进行了比较评估，结果显示在报告的实验设置下具有竞争力。

Keyword:

Adaptive forgetting mechanism

dynamic graph neural network (GNN)

knowledge tracing (KT)

multihead attention

multiscale time encoder

MTGKT: Multiscale Temporal Graph Knowledge Tracing

摘要

期刊

机构

引用论文