神经符号知识追踪：将教育知识注入深度学习以实现负责任的学习者建模
人工智能
2026-04-10 v1
摘要
人工智能 (AI) 在教育领域的应用日益增长，特别是大语言模型 (LLM)，增加了对智能导师系统的兴趣。然而，LLM 往往表现出有限的适应性，难以建模学习者随时间演化的知识，凸显了需要专门的学习者建模方法的需求。尽管深度知识追踪方法实现了强大的预测性能，但其不透明性和易受偏见影响，可能限制其与教育原则的一致性。为此，我们提出了 Responsible-DKT，这是一种神经符号深度知识追踪方法，通过整合符号教育知识（例如掌握和非掌握规则）到序列神经模型中，以负责任地建模学习者。在真实世界的学生数学交互数据集上的实验表明，Responsible-DKT 在训练设置下均优于神经符号基线和完全数据驱动的 PyTorch DKT 模型。该模型仅使用 10% 的训练数据即可实现超过 0.80 的 AUC，最高可达 0.90，将性能提升最高可达 13%。它还显示出改进的时序可靠性，产生较低的早期和中期预测误差，以及最低的预测不一致率，表明预测更新始终与观察到的学生响应方向一致。此外，神经符号方法通过暴露计算图中每项预测背后逻辑，实现内在可解释性，支持局部和全局解释。它还允许对教育假设进行经验评估，揭示重复错误的响应（非掌握）对预测更新具有强大的影响。这些结果表明，神经符号方法既提升了性能和可解释性，又缓解了数据限制，支持更负责任、以人类为中心的教育 AI。
引用
@article{arxiv.2604.08263,
title = {Neural-Symbolic Knowledge Tracing: Injecting Educational Knowledge into Deep Learning for Responsible Learner Modelling},
author = {Danial Hooshyar and Gustav Šír and Yeongwook Yang and Tommi Kärkkäinen and Raija Hämäläinen and Ekaterina Krivich and Mutlu Cukurova and Dragan Gašević and Roger Azevedo},
journal= {arXiv preprint arXiv:2604.08263},
year = {2026}
}