融合遗忘因素与记忆门的图神经网络知识追踪模型

摘要：

知识追踪任务根据学生历史学习数据实时诊断学生的认知状态,并预测他未来的答题表现.为准确建模知识追踪中的遗忘行为和答题序列的时序特征,提出一种融合遗忘因素与记忆门的图神经网络知识追踪(GKT-FM)模型.首先,GKT-FM模型通过历史答题记录计算知识点相关性,构建知识图;其次,采用图神经网络(GNN)建模学生的认知状态,综合考虑7个影响遗忘行为的特征;然后,以记忆门结构建模学生答题序列中的时序特征,重构基于GNN的知识追踪更新过程;最后,融合遗忘因素和时序特征得到预测结果.在公开数据集ASSISTments2009和KDDCup2010上的实验结果表明,相较于GKT(Graph-based Knowledge Tracing)模型,GKT-FM模型的平均曲线下面积(AUC)分别提升了6.9%和9.5%,平均精度(ACC)分别提升了5.3%和6.7%,可见,GKT-FM模型能更好地建模学生的遗忘行为、追踪学生的认知状态.

关键词：知识追踪、图神经网络、教育数据挖掘、智慧教育、遗忘因素

所属期刊栏目：43

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-10-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：2747-2752