Robust knowledge tracing via bidirectional context and conditional diffusion

doi:10.1038/s41598-026-73422-w

Robust knowledge tracing via bidirectional context and conditional diffusion

2026-10-02

0

OA

AI

DOI：10.1038/s41598-026-73422-w

原文链接

原文求助

摘要

En 中文

知识追踪（KT）对于在线教育中建模学习者不断变化的知识状态以支持个性化教学至关重要。然而，传统的KT方法在面临学习者表现突然变化（如持续成功中的突然错误或长期失败后的意外恢复）时，常常表现出不稳定性。这些非平稳响应模式对依赖局部序列更新的模型构成挑战，导致过度反应、适应延迟或预测不一致。为解决此问题，我们提出DiffKT，一种通过整体序列建模增强鲁棒性的知识追踪框架。DiffKT首先引入一个双向全局上下文感知状态估计器（GCSE），利用完整的交互序列（过去和未来）构建稳定且富含上下文的潜在知识状态表示，从而缓解短视偏差。在此基础上，DiffKT采用条件扩散过程，通过去噪序列级代理来迭代细化知识状态估计。这使得模型能够区分暂时性异常与真实学习信号，并在动态响应模式中保持时间一致性。在四个基准数据集上的大量实验表明，DiffKT在下一响应预测方面取得了与最先进方法相当或更优的性能。进一步的案例研究和消融分析证实，双向上下文与基于扩散的细化的结合，共同提高了对表现突变和不同学习轨迹的泛化能力的鲁棒性。

Keyword:

Knowledge tracing

Diffusion model

Sequence modeling

Intelligent education

Robust knowledge tracing via bidirectional context and conditional diffusion

摘要

期刊

机构

引用论文