进阶状态感知的知识追踪模型

摘要

知识追踪任务旨在通过分析学生的交互记录来追踪其知识状态，并预测学生下一步的答题情况.在实际教学中，对学生在学习过程中从初步了解知识到逐步掌握和应用的过程进行建模至关重要.然而，现有的知识追踪方法忽略了这一动态变化，导致现有方法难以根据学生不同学习阶段的表现针对性分析.对此，本文提出一种进阶状态感知的知识追踪模型(Progression-State-Aware Knowledge Tracing model, PSA-KT),细粒度地考虑学生进阶状态对知识掌握状态变化的影响.PSA-KT通过对学生的知识掌握情况进行量化分级以构建学生进阶状态，细粒度地刻画学生在不同学习阶段的学习状态；提出学生进阶状态预测作为辅助任务，通过结合学生的进阶状态和历史的知识掌握状态进行知识追踪预测，以更准确地反映学生的学习状态.本文在4个真实在线教育公开数据集上进行实验，结果表明PSA-KT模型相比最优模型在AUC上平均提高1.92%,ACC上平均提高1.48%,分析并验证了所提出的学生进阶状态量化分级在提升知识追踪对学习过程自适应方面的有效性.

关键词

知识追踪 / 辅助学习 / 进阶状态 / 状态感知矩阵 / 细粒度分级

基金资助

国家自然科学基金项目（62472332）资助; 湖北本科高校省级教学改革研究项目（2024130）资助; 武汉东湖高新区"揭榜挂帅"项目（2024KJB322）资助