SAINT+：融合时间特征用于 EdNet 答题正确性预测
计算机与社会
2021-02-02 v2 人工智能
机器学习
摘要
我们提出 SAINT+，它是 SAINT 的后续模型；SAINT 是一种基于 Transformer 的知识追踪模型，分别处理习题信息与学生作答信息。遵循 SAINT 的架构，SAINT+ 具有编码器-解码器结构，其中编码器对习题嵌入流施加自注意力层，解码器对作答嵌入流与编码器输出交替施加自注意力层与编码器-解码器注意力层。此外，SAINT+ 将两种时间特征嵌入融入作答嵌入：答题耗时（elapsed time，即学生作答所花时间）与滞后时间（lag time，即相邻学习活动之间的时间间隔）。我们在 EdNet（教育领域最大的公开基准数据集）上实证评估了 SAINT+ 的有效性。实验结果表明，SAINT+ 在知识追踪中达到了最先进性能，相较于 EdNet 数据集中的当前 SOTA 模型 SAINT，其接收者操作特征曲线下面积提升了 1.25%。
引用
@article{arxiv.2010.12042,
title = {SAINT+: Integrating Temporal Features for EdNet Correctness Prediction},
author = {Dongmin Shin and Yugeun Shim and Hangyeol Yu and Seewoo Lee and Byungsoo Kim and Youngduck Choi},
journal= {arXiv preprint arXiv:2010.12042},
year = {2021}
}
备注
LAK 2021