面向未来学习资源预测的个性化学生知识建模
人工智能
2025-05-21 v1 机器学习
摘要
尽管深度学习在教育领域取得了显著进展，但学生知识追踪和行为建模仍面临个性化不足、对多样化学习活动（尤其是非评估材料）的建模不完整，以及忽略知识获取与行为模式之间相互作用等持续性挑战。实际限制因素，例如固定大小的序列分段，常常导致关键信息丢失，从而影响个性化学习。此外，过度依赖学生在评估材料上的表现限制了建模的范围，排除了如讲座等非评估互动。為克服這些短板，我們提出了知識建模與材料預測（Knowledge Modeling and Material Prediction, KMaP）方法，旨在實現對學生知識與行為的個性化同步建模。KMaP採用聚類-based 學生輪廓創建個性化學生表示，從而提高對未來學習資源偏好優先順序的預測準確度。在兩個真實世界數據集上的廣泛實驗確認了學生群集之間的顯著行為差異，並驗譐了 KMaP 模型的有效性。
引用
@article{arxiv.2505.14072,
title = {Personalized Student Knowledge Modeling for Future Learning Resource Prediction},
author = {Soroush Hashemifar and Sherry Sahebi},
journal= {arXiv preprint arXiv:2505.14072},
year = {2025}
}