结合情感的双状态个性化知识追踪
机器学习
2024-05-28 v1
摘要
知识追踪已被广泛应用于在线学习系统中，以指导学生的未来学习。然而，大多数现有的知识追踪（KT）模型主要侧重于从问题集中提取丰富信息并探索它们之间的关系，却忽略了学习过程中个性化的学生行为信息。这限制了模型准确捕捉学生个性化知识状态并合理预测其表现的能力。为了缓解这一局限性，我们通过将情感（学习过程中一种代表性的个性化行为）纳入 KT 框架，显式地对个性化学习过程进行建模。具体而言，我们提出了一种新颖的“结合情感的双状态个性化知识追踪”（DEKT）模型来实现这一目标：首先，我们将情感信息融入知识状态的建模过程，构建了知识状态增强模块。其次，我们设计了情感状态追踪模块来监测学生的个性化情感状态，并提出了一种基于个性化情感状态的情感预测方法。最后，我们应用预测的情感来增强学生的响应预测。此外，为了扩展我们的模型在不同数据集上的泛化能力，我们设计了 DEKT 的迁移版本，命名为基于迁移学习的自环模型（T-DEKT）。大量实验表明，我们的方法达到了 SOTA 性能。
引用
@article{arxiv.2405.16799,
title = {Dual-State Personalized Knowledge Tracing with Emotional Incorporation},
author = {Shanshan Wang and Fangzheng Yuan and Keyang Wang and Xun Yang and Xingyi Zhang and Meng Wang},
journal= {arXiv preprint arXiv:2405.16799},
year = {2024}
}