从深度知识追踪中提取因果关系
人工智能
2025-11-07 v1 人机交互
摘要
计算教育研究中的一个持久目标是开发可解释的知识追踪（KT）模型。深度知识追踪（DKT）利用循环神经网络（RNN）预测学生在练习上的知识状态和表现，被认为是传统 KT 方法的重大进步。几项研究表明，其性能提升源于其能够建模课程中不同知识组件（KCs）之间的双向关系，从而推断学生对其他 KCs 表现如何影响其对某一 KC 的理解。在本文中，我们挑战了这种普遍解释，证明 DKT 的优势在于其隐式地将 prerequisite 关系建模为因果结构，而非简单的双向关系。通过将练习关系图裁剪为有向无环图（DAG），并在因果子集上训练 DKT，我们表明 DKT 的预测能力与这些因果结构高度一致。此外，我们提出了一种利用 DKT 学习的表示从而提取练习关系 DAG 的替代方法，并提供实证证据支持我们的论点。我们的发现表明，DKT 的有效性主要来自其近似 KCs 之间因果依赖的能力，而非简单的关系映射。
引用
@article{arxiv.2511.03948,
title = {Extracting Causal Relations in Deep Knowledge Tracing},
author = {Kevin Hong and Kia Karbasi and Gregory Pottie},
journal= {arXiv preprint arXiv:2511.03948},
year = {2025}
}
备注
Accepted for publication in the Proceedings of the 18th International Conference on Educational Data Mining, 6 pages, 1 figure