融合学习者遗忘行为的多特征深度知识追踪

摘要

作为智慧教育领域的一个重要研究方向，知识追踪旨在对学习者的行为序列进行建模，预测学习者下一时刻正确作答的概率，这是构建自适应教育系统的核心和关键。现有研究主要侧重于单一交互特征的利用，却往往忽略了在练习习题的过程中产生的其他异质特征，这些特征潜在地影响了学习者的知识状态变化。此外，学习者在学习过程中存在知识点的遗忘，这种遗忘行为会导致模型预测结果与实际产生较大偏差。为了解决以上问题，提高现有深度知识追踪模型的性能，提出了一个融合学习者遗忘行为的多特征深度知识追踪（MuDKT）模型。该模型挖掘了学习者的多种异质特征，融合学习者的遗忘行为，模拟学习者的知识状态并预测下一时刻正确作答的概率。MuDKT模型主要分为3步：首先，针对学习者作答次数等异质特征，使用one-hot编码对学习者与习题交互过程进行表示，实现学习者交互嵌入；其次，基于循环神经网络（RNN）中隐层向量模拟学习者学习过程中知识状态的变化，实时更新学习者的知识状态，同时，引入带有衰减函数的注意力机制，模拟学习者与习题交互中的遗忘行为；最后，通过sigmoid激活函数将隐层向量传递到全连接层，预测学习者下一时刻正确作答的概率。在3个真实数据集上的实验结果表明，MuDKT模型性能相较.于对比方法均有提升，为后续的个性化学习路径生成等任务提供参考。

关键词

智慧教育 / 深度学习 / 知识追踪 / 学习者遗忘行为 / 异质特征

基金资助

国家自然科学基金(61902001); 安徽省高等学校科学研究项目(2023AH050914); 安徽省高等学校省级质量工程项目(2023zybj018); 芜湖市科技计划项目(2023pt07,2023ly13); 安徽工程大学本科教学质量提升计划(2022lzyybj02)