DKT2：重新审视大规模数据中的可应用性和全面性知识追踪
机器学习
2025-06-17 v2 信息检索
摘要
知识追踪（KT）是智能辅导系统（ITS）的基本组成部分，通过建模学生的知识状态来预测未来表现。深度知识追踪（DKT）作为首个基于深度学习的 KT（DLKT）模型，带来了在可应用性和全面性方面的显著优势。然而，近期的 DLKT 模型，如注视知识追踪（AKT），常常在预测性能方面置于可应用性和全面性之于。虽然深度序列模型如 DKT 具有潜力，但面临并行计算、存储决策修改和存储容量有限等挑战。为此，我们提出 DKT2，一种新颖的 KT 模型，利用最近发展的 xLSTM 架构。DKT2 使用 Rasch 模型增强可应用输入表示，并整合项目反应理论（IRT）以实现输出可解释性，允许将所学知识分解为熟悉知识与不熟悉知识。通过将该知识与预测问题整合，DKT2 生成全面的知识状态。在三个大规模数据集上进行的广泛实验表明，DKT2 在各种预测任务中 consistently 超过 18 个基线模型，凸显其在现实教育应用中的潜力。本工作弥合了理论进展与实际实现之间的鸿沟。我们的代码和数据集已完全可公开获取于 https://github.com/zyy-2001/DKT2。
引用
@article{arxiv.2501.14256,
title = {DKT2: Revisiting Applicable and Comprehensive Knowledge Tracing in Large-Scale Data},
author = {Yiyun Zhou and Wenkang Han and Jingyuan Chen},
journal= {arXiv preprint arXiv:2501.14256},
year = {2025}
}
备注
Accepted by ECML-PKDD 2025