使用基于代码图的微调适配器对编程知识追踪进行去噪

编程知识追踪（PKT）旨在根据学习者的编程活动动态诊断其对编程知识的掌握水平，从而促进更有效、个性化的编程教育。然而，当前的 PKT 研究主要关注代码内容与知识评估之间的隐式关系，往往忽略了长期编程活动中的两类噪声信号：来自不相关提交的无用信号和来自微小修改的弱信号。这一实际挑战极大地限制了模型的性能和应用。为了解决这个问题，我们提出了 Coda，一种基于代码图的微调适配器，旨在通过识别和减轻噪声的影响来增强现有的 PKT 模型。具体而言，Coda 首先将每个学习者提交的松散代码序列转换为紧凑的代码图。通过利用此代码图，可以从语义相似性的角度识别无用信号。然后，我们将聚类感知的 GCN 应用于代码图，这改善了弱信号的区分度并使其能够通过聚类进行识别。最后，通过两个基于噪声特征的约束和一个导航正则化项的优化，将一个轻量但有效的适配器纳入 PKT 任务，以纠正受噪声影响的知识状态。值得一提的是，Coda 框架与模型无关，可适用于大多数现有的 PKT 解决方案。在四个真实世界数据集上的广泛实验结果表明，Coda 在存在噪声编程记录的情况下有效地执行了 PKT 任务，优于典型的基线方法。