面向学习者知识评估的先修关系驱动Q矩阵精化：在线学习情境下的案例研究

在线学习平台中日益增长且丰富的学习轨迹数据为学习者知识评估（LKA）提供了独特的洞察，LKA是支撑平台各类自适应辅导服务的基础个性化教学技术。对学习者的知识进行精确评估需要细粒度的Q矩阵，该矩阵通常由专家设计，用于将题目映射到领域内的知识点。由于主观倾向，某些错误设定可能降低LKA的性能。已有一些工作致力于精化小规模Q矩阵，然而难以扩展并应用于具有海量题目与大量知识点的大规模在线学习情境。此外，现有LKA模型采用擅长该任务的灵活深度学习模型，但LKA的充分性仍受限于模型在极为稀疏的题目-知识点图及学习者练习数据上的表示能力。为克服这些问题，本文提出一种面向在线情境下学习者知识评估的先修关系驱动Q矩阵精化框架（PQRLKA）。我们从学习者的作答数据推断先修关系，并用以精化专家定义的Q矩阵，从而使其具备可解释性并可扩展至大规模在线学习情境。基于精化后的Q矩阵，我们提出一种Metapath2Vec增强的卷积表示方法以获取富含信息的题目综合表示，并将其输入PQRLKA模型以最终评估学习者知识。在三个真实数据集上的实验证明了我们的模型推断先修关系以精化Q矩阵的能力，以及其在LKA任务上的优越性。