辅助概念的表示学习：改进学生建模与练习推荐
机器学习
2025-08-25 v1 人工智能
摘要
个性化推荐是智能辅导系统的关键功能，通常依赖于准确的学生知识模型。知识追踪（KT）模型通过基于学生的历史交互来估计其掌握程度，从而实现这一功能。许多 KT 模型依赖人工标注的知识概念（KCs），为每个练习标注一个或多个被认为解决该练习所需的技能或概念。然而，这些 KCs 可能不完整、易出错或过于宽泛。在本文中，我们提出了一种深度学习模型，用于学习练习的稀疏二进制表示，其中每个比特表示潜在概念的存在或缺失。我们将这些表示称为辅助 KCs。这些表示捕捉了超越人工定义标注的概念结构，并与经典模型（如 BKT）和现代深度学习 KT 架构兼容。我们证明，纳入辅助 KCs 可以同时改进学生建模和自适应练习推荐。对于学生建模，我们展示通过辅助 KCs 增强 BKT 等经典模型可以带来预测性能的提升。对于推荐，我们展示使用辅助 KCs 可以增强基于强化学习的策略和一种简单的基于规划的方法（expectimax），在模拟学生环境中带来可衡量的学生学习成果提升。
引用
@article{arxiv.2508.16269,
title = {Representation Learning of Auxiliary Concepts for Improved Student Modeling and Exercise Recommendation},
author = {Yahya Badran and Christine Preisach},
journal= {arXiv preprint arXiv:2508.16269},
year = {2025}
}