通过预测一致性正则化解决深度知识追踪中的两个问题
人工智能
2018-06-07 v1
摘要
知识追踪是赋能个性化教育的关键研究领域之一。它是一项基于学生的历史学习轨迹来建模其对知识组件（KC）掌握程度的任务。近年来，一种名为深度知识追踪（DKT）的循环神经网络模型被提出用于处理知识追踪任务，文献表明DKT通常优于传统方法。然而，通过我们广泛的实验，我们注意到DKT模型中存在两个主要问题。第一个问题是模型无法重构观测到的输入。结果，即使学生在某个KC上表现良好，对该KC掌握程度的预测反而会下降，反之亦然。其次，跨时间步的KC预测表现不一致。这是不可取且不合理的，因为学生的表现预期随时间逐渐过渡。为了解决这些问题，我们在原始DKT模型的损失函数中引入了对应于重构和波动的正则化项，以增强预测的一致性。实验表明，正则化后的损失函数有效缓解了这两个问题，且未降低DKT的原始任务性能。
引用
@article{arxiv.1806.02180,
title = {Addressing Two Problems in Deep Knowledge Tracing via Prediction-Consistent Regularization},
author = {Chun-Kit Yeung and Dit-Yan Yeung},
journal= {arXiv preprint arXiv:1806.02180},
year = {2018}
}
备注
10 pages, L@S 2018