Multi-level Contrastive Learning for Knowledge Tracing

doi:10.1145/3759920

Multi-level Contrastive Learning for Knowledge Tracing

2025-09-19

0

PRE

AI

DOI：10.1145/3759920

原文求助

摘要

En 中文

知识追踪（KT）是基于学生与教育资源的过去交互来预测其未来表现的任务。KT的一个关键方面是表示学习，其旨在从学生的学习行为中捕捉有意义特征以提升预测性能。近年来，对比学习方法在表示学习中显示出巨大潜力。因此，基于对比学习的KT模型被引入以增强KT的表示学习。然而，这些模型带来了若干挑战。首先，大多数模型采用了其他领域使用的对比学习方法，涉及数据增强后进行对比学习，但在KT中有效应用数据增强仍是一个开放性挑战。其次，这些模型通常仅将对比学习应用于KT的基本组成部分之一：问题、交互或知识状态，从而限制了其整体性能。为解决这些问题，本文提出了知识追踪的多级对比学习模型（MCKT）。MCKT（代码可在https://github.com/lilstrawberry/MCKT.获取）不依赖数据增强策略；相反，它深度融合领域知识，并在三个层面进行对比学习：问题、交互和知识状态。在四个公开数据集上的实验结果，与总计20种最先进的KT模型对比，表明MCKT持续优于其他模型。后续实验进一步验证了多级对比学习策略的有效性。

Multi-level Contrastive Learning for Knowledge Tracing

摘要

期刊

机构

引用论文