DGEKT：一种用于知识追踪的双图集成学习方法
人工智能
2022-11-24 v1 计算机与社会
摘要
知识追踪旨在通过预测学生在概念相关练习上的未来表现来追踪其不断演进的知识状态。近来，一些基于图的模型被提出以融入练习之间的关系来改进知识追踪，但一般仅探索了单一类型的关系信息。本文提出一种新颖的用于知识追踪的双图集成学习 method (DGEKT)，其通过建立学生学习交互的双图结构，分别利用超图建模和有向图建模来捕获异质的练习-概念关联与交互转移。为了集成双图模型，我们引入了在线知识蒸馏技术，原因在于：尽管知识追踪模型被期望预测学生对与不同概念相关练习的作答，但其在每一步仅针对单个练习的预测准确率进行优化。通过在线知识蒸馏，双图模型被自适应地组合形成一个更强的教师模型，该模型进而提供其在所有练习上的预测作为额外监督以提升建模能力。在实验中，我们在三个基准数据集上将 DGEKT 与八个知识追踪基线进行比较，结果表明 DGEKT 取得了最先进的性能。
引用
@article{arxiv.2211.12881,
title = {DGEKT: A Dual Graph Ensemble Learning Method for Knowledge Tracing},
author = {Chaoran Cui and Yumo Yao and Chunyun Zhang and Hebo Ma and Yuling Ma and Zhaochun Ren and Chen Zhang and James Ko},
journal= {arXiv preprint arXiv:2211.12881},
year = {2022}
}