LANA：通过可区分交互序列实现个性化深度知识追踪
计算机与社会
2021-05-14 v1 人工智能
机器学习
摘要
在教育应用中，知识追踪（KT）作为自适应在线学习的基础任务，数十年来被广泛研究，其问题是通过总结学生知识状态来准确预测其对未来题目的作答。在所有已提出的KT方法中，深度知识追踪（DKT）及其变体因神经网络的高灵活性迄今最为有效。然而，DKT常忽略学生间固有差异（如记忆能力、推理能力等），对所有学生表现取平均，导致缺乏个性化，因而被认为不足以支撑自适应学习。为缓解此问题，本文提出分级注意力知识追踪（LANA），其首先使用新颖的学生相关特征提取器（SRFE）从各自交互序列中提炼学生独特固有属性。其次，利用枢轴模块基于所提取特征的注意力动态重构神经网络解码器，成功区分学生随时间的表现。此外，受项目反应理论（IRT）启发，使用可解释的Rasch模型按能力水平对学生聚类，从而利用分级学习为不同学生组分配不同编码器。借由枢轴模块为个体学生重构解码器、分级学习为群体专用编码器，实现了个性化DKT。在两个真实大规模数据集上的广泛实验表明，所提LANA将AUC分数提升至少1.00%（即EdNet 1.46%与RAIEd2020 1.00%），大幅超越其他最先进（SOTA）KT方法。
引用
@article{arxiv.2105.06266,
title = {LANA: Towards Personalized Deep Knowledge Tracing Through Distinguishable Interactive Sequences},
author = {Yuhao Zhou and Xihua Li and Yunbo Cao and Xuemin Zhao and Qing Ye and Jiancheng Lv},
journal= {arXiv preprint arXiv:2105.06266},
year = {2021}
}
备注
EDM2021