基于时间平滑性的双鲁棒学习用于去偏知识追踪
人工智能
2026-05-11 v2
摘要
知识追踪（Knowledge Tracing, KT）是智能教育系统的核心问题，但其依赖于选择性观察的教育日志。运动建议和学生选择的非随机性不可避免地导致严重的选择偏差。大多数现有KT方法忽视了这一问题，采用标准经验风险在观察到的日志上进行训练，从而导致掌握程度估计偏差，并在后续推荐中累积误差。为此，我们提出一种基于双鲁棒（doubly robust, DR）的KT公式，该方法结合倾向模型与误差插值模型，理论上保证在任一模型准确时都具有无偏性。除了无偏性，在KT的序列设置中，我们发现估计器的性能因方差相关的随机偏差而受损，这些偏差随时间累积，从而导致训练不稳定并限制性能。为缓解此问题，我们推导了显式刻画估计器方差影响的泛化界，并指出时间平滑性是控制其关键因素。在获得这些理论洞见后，我们提出了时间平滑双鲁棒（Temporal Smoothness Doubly Robust, TSDR）框架。TSDR联合优化KT预测器和插值模型，引入平滑正则化，有效降低方差同时保持DR的无偏性保证。多个真实世界基准实验表明，TSDR在各种最新KT骨架上均实现了一致性提升，凸显了KT中原则性偏差纠正的重要作用。
引用
@article{arxiv.2605.05958,
title = {Temporal Smoothness Doubly Robust Learning for Debiased Knowledge Tracing},
author = {Peilin Zhan and Wei Chen and Weilin Chen and Shuyi Pan and Ruichu Cai},
journal= {arXiv preprint arXiv:2605.05958},
year = {2026}
}