.png){kind=icon}
返回
Uncertainty-aware structural trend-decoupling knowledge tracing
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.116879.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）通过交互序列推断学生不断变化的知识掌握程度，并作为智能辅导系统的核心组件。尽管近期的基于Transformer和概率的KT模型取得了强大的预测性能，但它们常将长期学习趋势与短期行为波动混为一谈，同时在非规则实时间隔下未能充分建模遗忘动态。为解决这些问题，我们提出了UST-KT，一种基于不确定性的概率知识追踪框架。具体而言，UST-KT引入了一个结构化认知解耦模块，采用因果卷积将平滑认知趋势与高频波动分离，并分别将其注入高斯潜在状态的平均值和协方差中。通过这种方式，平均值捕捉稳定的长期掌握程度，而协方差则作为波动相关不确定性的代理。此外，我们开发了一种Hawkes–Wasserstein注意力机制。该机制利用Hawkes启发式的连续时间衰减核，基于Wasserstein距离调整分布相似性，从而在非规则时间间隔下实现更时间敏感的遗忘动态建模。在三个真实基准数据集上的广泛实验表明，UST-KT持续优于强基线模型，并产生更稳定的预测动态、更好校准的预测概率，以及作为波动相关不可预测性代理的更结构化的协方差表示。
Keyword:
Knowledge tracing
Educational data mining
Uncertainty modeling
Temporal dynamics
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
引用论文
A review of recent advances in learner and skill modeling in intelligent learning environments智能学习环境中学习者和技能建模的最新进展综述
OAAI
OAAI分享收藏PyKT: A Python Library to Benchmark Deep Learning Based Knowledge Tracing ModelsPyKT：一个用于基准测试基于深度学习的知识追踪模型的Python库
PREAI
分享收藏
分享收藏Boosting Knowledge Tracing With Structure-Preserving Adaptive Contrastive Learning通过结构保持自适应对比学习提升知识追踪
PREAI
分享收藏Weighted Heterogeneous Graph-Based Three-View Contrastive Learning for Knowledge Tracing in Personalized e-Learning Systems个性化e-learning系统中基于加权异构图的知识追踪三视图对比学习
PREAI
分享收藏Personalized e-learning system using item response theory基于项目反应理论的个性化电子学习系统.png)
COMPUTERS & EDUCATION
COMPUTERS & EDUCATIONIF10.5
PREAI
分享收藏
查看更多内容