KTCF：通过面向教育的反事实解释在知识追踪中提供可操作对策
机器学习
2026-01-15 v1 人工智能
计算机与社会
摘要
使用人工智能改善教学与学习有利于在教育中实现更大的适应性和可扩展性。知识追踪（KT）因其在教育中卓越的性能和应用潜力，被公认为学生建模任务的有效方法。为此，我们将反事实解释概念化并研究为从 KT 的 XAI 到教育的连接。反事实解释提供可操作的对策，具有固有的因果性和局部性，且易于通常非专家的教育利益相关者理解。我们提出了 KTCF，一种考虑知识概念关系的 KT 反事实解释生成方法，以及一种将反事实解释转化为一系列教育指令的后处理方案。我们在大规模教育数据集上进行实验，表明我们的 KTCF 方法实现了优于现有方法的卓越且稳健的性能，各指标的提升范围在 5.7% 到 34% 之间。此外，我们对后处理方案进行了定性评估，证明由此产生的教育指令有助于减轻繁重的学习负担。我们表明，反事实解释具有推进 AI 在教育中负责任和实际应用的潜力。未来关于 KT 的 XAI 研究可能会受益于基于教育的概念化和开发以利益相关者为中心的方法。
引用
@article{arxiv.2601.09156,
title = {KTCF: Actionable Recourse in Knowledge Tracing via Counterfactual Explanations for Education},
author = {Woojin Kim and Changkwon Lee and Hyeoncheol Kim},
journal= {arXiv preprint arXiv:2601.09156},
year = {2026}
}
备注
Accepted to AAAI-26 Special Track AI for Social Impact (oral presentation)