考虑活动转换的多活动知识追踪
计算机与社会
2023-01-31 v1 人工智能
摘要
对学生知识的准确建模对于日益用于学生培训的大规模在线学习系统至关重要。知识追踪旨在根据学生的学习活动序列对学生知识状态进行建模。现代知识追踪(KT)通常被表述为一个有监督的序列学习问题，通过将对学生的知识状态总结为一组演化的隐变量，根据其过去观察到的练习成绩来预测学生未来的练习表现。由于这种表述，许多当前的KT方法不适用于对无明确反馈或成绩观测(例如未评分的视频讲座)的非测评学习活动进行学生学习的建模。此外，这些模型无法显式表示不同学习活动之间、尤其是测评(例如测验)与非测评(例如视频讲座)学习活动之间的知识迁移动态。在本文中，我们提出考虑活动转换的多活动知识追踪(TAMKOT)，在学生于测评与非测评学习材料之间及内部转换时，除学生知识外还对学习材料之间的知识迁移进行建模。TAMKOT被表述为一个深度循环多活动学习模型，通过激活并学习一组知识迁移矩阵(每种学生活动间的转换类型对应一个)来显式学习知识迁移。相应地，我们的模型允许以不同但可迁移的潜在空间表示每种材料类型，同时在共享空间中维持学生知识。我们在三个真实可用的公开数据集上评估了我们的模型，并展示了TAMKOT在预测学生表现和建模知识迁移方面的能力。
引用
@article{arxiv.2301.12916,
title = {Transition-Aware Multi-Activity Knowledge Tracing},
author = {Siqian Zhao and Chunpai Wang and Shaghayegh Sahebi},
journal= {arXiv preprint arXiv:2301.12916},
year = {2023}
}
备注
This paper got accepted at 2022 IEEE International Conference on Big Data