返回
Sequential contrastive learning for progressive knowledge tracing
DOI:10.1016/j.knosys.2025.114413.png)
摘要
En 中文
近年来,知识追踪在个性化教育领域受到了广泛关注。它基于用户的历史回答序列动态评估其知识状态。用户回答序列是知识追踪的核心。尽管大多数研究专注于建模短期和长期依赖关系,但很少有研究考虑交互发生的顺序。一项近期研究认为,交互顺序对用户知识状态的影响很小(Lee et al., The Web Conference, 2022),这既违背了我们的直觉,也与建构主义学习理论相矛盾。为解决这一矛盾,我们提出了一种用于渐进式知识追踪的顺序对比学习算法,称为SPKT,用于检验回答序列中的顺序信息在评估用户知识状态中的有效性。SPKT通过精心设计的对比学习模块将顺序信息嵌入到回答序列表示中,并利用精心设计的非对称增强视图构建方法捕捉用户的单调记忆衰减模式。随后,增强的序列表示被用于通过渐进式学习过程模块解码用户行为。大量实验表明,在6个真实数据集上,SPKT在AUC指标上平均比10个基线方法高出14%,在ACC指标上高出8%。此外,结果凸显了回答序列中的顺序信息能显著提升算法性能——有时甚至超过回答本身的正确性。此外,SPKT能更准确地评估表现更好且学习序列更短的用户。对于同一用户而言,更长的回答序列更有助于评估其知识状态。

