融合IRT的图注意力深度知识追踪模型

摘要：

知识追踪,旨在根据学生的历史答题表现实时追踪学生的知识状态(知识的掌握程度)并且预测学生未来的答题表现.目前的研究仅仅探索了问题或概念本身对学生答题表现的直接影响,而往往忽略了问题及包含的概念中存在的深层次信息对学生答题表现的间接影响.为了更好地利用这些深层次信息,一种融合项目反应理论的图注意力深度知识追踪模型GAKT-IRT被提出.模型将图注意力网络应用于知识追踪领域,取得了显著的提升效果,并使用IRT增加了模型的可解释性.首先,通过图注意力网络层获得问题的深层次特征表示;接着,根据结合了深层次信息的学生历史答题序列对学生的知识状态进行建模;然后,使用IRT对学生未来的答题表现进行预测.在6个公开真实在线教育数据集上的对比实验结果证明了,GAKT-IRT模型可以更好地完成知识追踪任务,在预测学生未来答题表现上具有明显的优势.

关键词：知识追踪、图注意力网络、项目反应理论、深度学习、可解释性

所属期刊栏目：50

分类号：TP391.6(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;河北省高等教育教学改革研究与实践项目;河北省自然科学基金

在线出版日期：2023-03-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：173-180