.png){kind=icon}
返回
Time-Frequency Domain Coupling-Oriented Knowledge Tracing via Learning Behavior Decoupling
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.115236.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识追踪（KT）通过分析学生的学习行为来确定学生的知识状态，是智能教育转型计划中的重要技术。近期KT研究聚焦于可解释性和内在认知机制的表示。然而，现有方法主要关注学生交互中产生的时序特征，忽略了知识状态演化的动态性。为解决此问题，我们提出了一种新的方法，即通过学习行为解耦的时间-频率域耦合导向知识追踪（TFKT）。该方法同时建模学生知识状态的时序动态和频域特征，以捕捉其细粒度演化。具体而言，我们首先将学生的学习行为解耦为猜测、疏忽和正常响应，并通过双通道机制提取偏差行为特征以捕捉知识建构表示。随后，采用切比雪夫科尔莫哥洛夫-阿诺德网络结合门控残差网络来建模习题间的多尺度相关性，建立初始知识状态空间。最后，一个带可学习掩码的因果傅里叶网络将知识状态投影到频域，将其分解为低、中、高频分量，并通过单调注意力机制进行联合时频耦合，以模拟学生知识状态在细粒度层面的变化。在四个数据集上的广泛实验验证了TFKT方法在建模学生知识掌握演化方面的可解释性和可行性。
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
分享收藏Multivariate Knowledge Tracking Based on Graph Neural Network in ASSISTments基于图神经网络的多变量知识追踪在ASSISTments中的应用
PREAI
分享收藏分享收藏Dual-attentional time-aware fusion networks for knowledge tracing双注意力时间感知融合网络用于知识追踪.png)
Information Fusion
Information FusionIF15.5
PREAI
分享收藏Enhancing Computational Thinking Skills Through Artificial Intelligence Education at a STEAM High School通过STEAM高中的人工智能教育提高计算思维技能
PREAI
分享收藏
查看更多内容