多因素感知的双注意力知识追踪
人工智能
2023-09-06 v2 机器学习
摘要
随着个性化学习需求的日益增长，知识追踪变得愈发重要，它根据学生的历史练习记录来追踪学生的知识状态。因子分析方法主要利用与学生和题目分别相关的两类因子来建模学生的知识状态。这些方法使用学生的总尝试次数来建模学生的学习进度，难以突出最近相关练习的影响。此外，当前的因子分析方法忽略了题目中包含的丰富信息。在本文中，我们提出了多因素感知的双注意力模型（MF-DAKT），该模型丰富了题目表示，并基于双注意力机制利用多种因子来建模学生的学习进度。更具体地说，我们提出了一种新颖的学生相关因子，记录学生在相关概念上的最近尝试，以突出近期练习的影响。为了丰富题目表示，我们使用预训练方法整合了两种题目信息，包括题目关系和难度级别。我们还在预测学生表现的过程中，添加了关于题目难度级别的正则化项，以限制预训练的题目表示进行微调。此外，我们应用双注意力机制来区分不同练习记录中各因子及其交互对最终预测的贡献。最后，我们在多个真实世界数据集上进行了实验，结果表明 MF-DAKT 优于现有的知识追踪方法。我们还进行了多项研究以验证 MF-DAKT 各组件的效果。
引用
@article{arxiv.2108.04741,
title = {Multi-Factors Aware Dual-Attentional Knowledge Tracing},
author = {Moyu Zhang and Xinning Zhu and Chunhong Zhang and Yang Ji and Feng Pan and Changchuan Yin},
journal= {arXiv preprint arXiv:2108.04741},
year = {2023}
}
备注
Accepted by CIKM 2021, 10 pages, 10 figures, 6 tables