SAICL：基于交互级辅助对比任务的学生建模用于知识追踪与辍学预测

知识追踪与辍学预测对于在线教育评估学生知识状态或预防辍学率至关重要。传统的学生交互系统受限于数据稀疏与过拟合问题，而近期的样本级对比学习有助于缓解该问题。样本级方法的一个主要局限在于将学生行为交互序列视为一个整体，因而往往无法编码时间上下文并追踪其动态变化，难以为知识追踪与辍学预测找到最优表示。为在序列内引入时间上下文，本研究提出一种新颖的学生建模框架 SAICL：基于辅助交互级对比学习的学生建模（\textbf{s}tudent modeling with \textbf{a}uxiliary \textbf{i}nteraction-level \textbf{c}ontrastive \textbf{l}earning）。具体而言，SAICL 可利用所提出的自监督/监督交互级对比目标：MilCPC（\textbf{M}ulti-\textbf{I}nteraction-\textbf{L}evel \textbf{C}ontrastive \textbf{P}redictive \textbf{C}oding，多交互级对比预测编码）与 SupCPC（\textbf{Sup}ervised \textbf{C}ontrastive \textbf{P}redictive \textbf{C}oding，监督对比预测编码）。先前用于学生建模的样本级对比方法高度依赖数据增强，而 SAICL 无需数据增强，且在自监督与监督设定下均展现更优性能。通过将交叉熵与对比目标结合，所提 SAICL 在不增加推理成本的前提下，于知识追踪与辍学预测上取得了与其他 state-of-the-art 模型相当的性能。