计算机工程

作者：李子杰, 周菊香, 韩晓瑜, 甘健侯, 鹿泽光, 王俊

单位：1. 云南师范大学民族教育信息化教育部重点实验室, 云南 昆明 650500;2. 云南师范大学云南省智慧教育重点实验室, 云南 昆明 650500;3. 中科国鼎数据科学研究院, 北京 100085

关键词：智慧教育,深度学习,知识追踪,学习过程建模,<i><b>Q</b></i>矩阵

基金：国家自然科学基金(62266054); 云南省教育厅科学研究基金资助(2022Y180)。

知识追踪是人工智能技术与教育相结合的新兴领域,旨在通过学生过去完成习题的交互序列对学生的知识状态进行评估,是实现大规模个性化学习服务的关键核心技术。随着深度学习在计算机视觉、自然语言处理、推荐系统等领域的广泛应用,知识追踪领域也出现了大量基于神经网络的方法,简称深度知识追踪(DKT)模型。针对目前已有DKT模型在可解释性和准确性方面的不足,提出一种序列特征与学习过程融合的知识追踪模型SLKT,模型包括知识状态模块、序列特征模块、预测模块。知识状态模块用以模拟学生学习过程,序列特征模块捕捉学习者近期学习状况。通过序列特征和学习过程的融合,有效解决了基于知识状态建模方法无法考虑学习者近期学习状况的问题,同时提出一种带约束的动态Q矩阵表示练习和知识点之间的关系,从而更好地进行学习者学习过程建模,在确保较好可解释性的同时有效提升模型的准确性。在3个知识追踪领域公共数据集上的实验结果表明,相比DKT、动态键值记忆网络(DKVMN)、自注意力的知识追踪(SAKT)、卷积知识追踪(CKT)等深度追踪模型,SLKT模型在曲线下面积(AUC)、准确率指标评估中表现较优。

来源：2024年第6期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第6期