基于概念图引导的对比跨课程知识追踪
人工智能
2025-05-21 v1 计算与语言
摘要
知识追踪（Knowledge Tracing, KT）旨在基于历史学习交互预测学习者的未来表现。然而，现有KT模型主要聚焦于单一课程的数据，限制了其捕捉学习者知识状态全貌的能力。本文提出TransKT——一种对比跨课程知识追踪方法，利用概念图引导的知识传递来建模不同课程之间学习行为的关系，从而增强知识状态估计。具体而言，TransKT通过利用零样本大型语言模型（LLM）提示在不同课程之间建立隐式关联，构建跨课程概念图。该图为知识传递提供基础，使模型能够整合并增强学习者跨课程交互的语义特征。此外，TransKT包括一种LLM-to-LM管道，用于整合汇总的语义特征，显著提高用于知识传递的图卷积网络（Graph Convolutional Networks, GCNs）的性能。此外，TransKT采用对比目标，以对齐单课程和跨课程知识状态，从而细化模型提供更稳健和准确的学习者整体知识状态表示的能力。
引用
@article{arxiv.2505.13489,
title = {Contrastive Cross-Course Knowledge Tracing via Concept Graph Guided Knowledge Transfer},
author = {Wenkang Han and Wang Lin and Liya Hu and Zhenlong Dai and Yiyun Zhou and Mengze Li and Zemin Liu and Chang Yao and Jingyuan Chen},
journal= {arXiv preprint arXiv:2505.13489},
year = {2025}
}
备注
Accepted by IJCAI 2025