Cuff-KT：通过免调优知识状态引导的模型更新应对学习者实时学习模式调整
机器学习
2025-05-27 v1 信息检索
摘要
知识追踪 (KT) 是智能辅导系统的核心组件，通过建模学习者的知识状态来预测未来表现并提供个性化学习支持。传统 KT 模型假设学习者的学习能力在短时期内保持相对稳定，或基于先前表现以可预测的方式变化。然而在现实中，由于认知疲劳、动机和外部压力等因素，学习者的能力会发生不规则变化——这是一个被引入的任务，我们称之为实时学习模式调整 (RLPA)。现有的 KT 模型在面对 RLPA 时缺乏足够的适应性，因为它们未能及时考虑不同学习者不断演变的学习模式的动态特性。当前增强适应性的策略依赖于重新训练，这会导致严重的过拟合和高时间开销问题。为了解决这个问题，我们提出了 Cuff-KT，包含一个控制器和一个生成器。控制器为学习者分配价值分数，而生成器为选定的学习者生成个性化参数。Cuff-KT 无需微调即可快速灵活地可控适应数据变化。在来自不同学科的五个数据集上的实验表明，Cuff-KT 在学习者内部和之间发生偏移的情况下，显著提升了五种不同结构的 KT 模型的性能，AUC 的平均相对提升分别为 10% 和 4%，且时间成本可忽略不计，有效应对了 RLPA 任务。我们的代码和数据集完全公开于 https://github.com/zyy-2001/Cuff-KT。
引用
@article{arxiv.2505.19543,
title = {Cuff-KT: Tackling Learners' Real-time Learning Pattern Adjustment via Tuning-Free Knowledge State Guided Model Updating},
author = {Yiyun Zhou and Zheqi Lv and Shengyu Zhang and Jingyuan Chen},
journal= {arXiv preprint arXiv:2505.19543},
year = {2025}
}
备注
Accepted by KDD 2025, Research Track