MAGE-KT：基于子图检索和非对称融合的多智能体图增强知识追踪
人工智能
2026-01-26 v1
摘要
知识追踪（Knowledge Tracing, KT）旨在建模学生的学习轨迹并预测其在下一道题目上的表现。其关键挑战在于如何更好地表示学生、题目及知识概念（Knowledge Concepts, KCs）之间的关系。最近的图基KT方法在解决此问题方面显示出前景。然而，现有方法未充分探索概念间的关联，往往仅依赖于交互序列进行推断。此外，KT图的规模和异构性使得完全图编码在计算上既昂贵又易受噪声干扰，导致注意力向与学生无关的区域渗透，降低了概念间关系的保真度。为此，我们提出了一种新框架：多智能体图增强知识追踪（Multi-Agent Graph-Enhanced Knowledge Tracing, MAGE-KT）。该框架通过结合多智能体知识概念关系抽取器和学生-题目交互图，构建多视图异构图，捕获补充的语义信号和行为信号。基于目标学生的历史记录，检索紧凑且高价值的子图，并通过非对称跨注意力融合模块进行整合，以增强预测效果，同时避免注意力扩散和无关计算。在三个广泛使用的KT数据集上的实验表明，MAGE-KT在知识概念关系准确率上实现了显著提升，并在下一题预测方面显著优于现有方法。
引用
@article{arxiv.2601.16886,
title = {MAGE-KT: Multi-Agent Graph-Enhanced Knowledge Tracing with Subgraph Retrieval and Asymmetric Fusion},
author = {Chi Yu and Hongyu Yuan and Zhiyi Duan},
journal= {arXiv preprint arXiv:2601.16886},
year = {2026}
}