Temporal graph memory networks for knowledge tracing

Seif Gad

doi:10.1007/s10115-026-02738-w

2026-03-29

PRE

Seif Gad

Sherif Abdelfattah *

Ghodai Abdelrahman

DOI：10.1007/s10115-026-02738-w

原文链接

原文求助

摘要

En 中文

基于学生历史练习响应的准确知识增长追踪，是寻求个性化学习体验的自适应辅导系统的关键目标。然而，这一目标构成了重大挑战，因为它需要有效建模学生在众多知识组件（KCs）上的知识状态，同时兼顾学习过程中固有的时间和关系动态。传统的知识追踪（KT）方法通常通过使用循环模型来建模KCs的时间动态，或通过基于图模型来建模KCs与问题之间的关系动态来处理这一任务。尽管有这些努力，但一种能够学习时间和关系动态联合嵌入的稳健方法仍处于发展阶段。此外，许多整合学生遗忘行为影响的方法依赖于手工特征，这本质上限制了它们在不同学习场景中的泛化能力。为解决这些局限性，我们提出了一种新型方法，采用深度时序图记忆网络来联合建模知识状态的关系和时间动态。此外，我们引入了一种通用技术来表示学生遗忘行为，通过在图记忆模块上应用时间衰减约束。我们在多个知识追踪基准上证明了所提方法的有效性，并展示了其相较于现有最先进方法的优越性能。

Keyword:

Knowledge tracing

Graph

Memory

Neural network

Learning