基于关键词结构的知识追踪模型_李志军.pdf
《基于关键词结构的知识追踪模型_李志军.pdf》由会员分享,可在线阅读,更多相关《基于关键词结构的知识追踪模型_李志军.pdf(3页珍藏版)》请在文库网上搜索。
1、摘要:智能教辅系统的个性化及便捷性有助于充分发挥其教学作用,其中知识追踪(KT)则是一项重要但棘手的任务,它随着时间来追踪学习者不断变化的关键词掌握程度,并预测学生在下一次测试中的表现。很多研究者已经关注该领域并提出了一些策略,如贝叶斯知识追踪(BKT)及深度知识追踪(DKT)。关键词(又称概念)之间的传播影响已被教育理论证明是学习的关键因素之一,然而却未能得到充分探索。提出了一种新框架,称为基于关键词结构的知识追踪(Keywords Struc-ture based Knowledge Tracing,KKT)模型,利用关键词结构中的多重关系来模拟关键词间的相互影响。KKT框架应用图神经网络
2、(GNN)将关键词结构映射为图,同时考虑对练习序列的时间影响和对关键词间结构的空间影响。通过在开放数据集上实验,结果证明提出的KKT模型具有很好的预测性和可解释性。关键词:知识追踪;关键词结构;图神经网络Abstract:The individuation and convenience of the intelligent teaching assistant system help to give full play to itsteaching role,and knowledge tracing(KT)is an important but difficult task.It trac
3、ks the learners changing keywords mas-tery over time and predicts the students performance in the next test.Many researchers have paid attention to this fieldand proposed some strategies,such as bayesian knowledge tracing(BKT)and deep knowledge tracing(DKT).The influ-ence of communication between ke
4、ywords(or concepts)has been proved by educational theory to be one of the key fac-tors of learning,but it has not been fully explored.This paper proposes a new framework called keywords structure basedknowledge tracing(KKT)model,which uses multiple relationships in keyword structure to simulate the
5、interaction betweenconcepts.KKT framework apply graph neural network(GNN)to map the keyword structure into a graph,taking into accountthe time impact on the practice sequence and the spatial impact on the structure between keywords.Keywords:knowledge tracing,keyword structure,graph neural network1知识
6、追踪的关键词问题智能教辅系统基于对教育测量学、认知心理学及人工智能的研究,其作用是当学习者使用辅导系统进行自学和测试时,通过其交互信息,如练习结果、次数、用时等,来分析其对关键词的掌握程度、预测其回答下一个练习的正确性,并提供个性化教学,为其定制适合自身的学习路径,促使更高效的学习。其中,知识追踪是评估和预测学习者对关键词掌握程度的一项很有前景的技术。知识追踪领域的传统模型主要是根据引入了时间序列的学生练习记录x1,xt来预测ytxt+1,其中xt=qt,rt是一个同时考虑已回答的练习qt及其正确性rt的元组。经典的贝叶斯知识追踪(BKT)是通过隐马尔可夫模型来分别追踪每个关键词演变的掌握状态
7、,但在模型性能和可解释性的有效提升两方面的表现却不尽人意。深度知识追踪(DKT)是第一个以深度学习为框架的方法,通过循环神经网络(RNN)对关键词的演变状态进行建模1,但也因此导致两个缺点:学生的当前掌握状态由单个隐藏向量表示,使得每个关键词的掌握状态建模复杂化;嵌入了输入向量并将其传播到循环层的简单模型架构导致难以建模或反映概念间的复杂关系。文献2提出动态键值记忆网络(DKVMN),其用两个记忆矩阵结合注意力机制来克服这些缺点,但无法处理关键词间的复杂关系。许多教育理论中称,当学习者在学习某个概念时,不仅其当前学习的关键词掌握程度会被改变,且与之相关的关键词掌握程度也会被改变。受图神经网络(
8、GNN)的启发,我们认为将关键词间存在的复杂结构关系(如平行、递进等)比作图结构,联合知识追踪模型,可以有效弥补上述两种缺陷。图1所示为某学生的部分练习过程,截取部分序列为该生依次对关键词B、D、.、C进行练习,且列出其作答是否正确的标记。顶部是关键词间的结构图,深色节点代表当前练习涉及的关键词,浅色节点表示与当前关键词关联的相邻关键词;节点间包含先决关系(前一个关键词是后一个关键词的基础或前提)和相互影响关系。图1底部为该生对关键词掌握程度的雷达图,可以看出其完成关于关键词B的练习后对B的掌握程度有所提高,且由于关键词B是D的前提,同时与A相互影响,故该生对A和D的掌握程度也有所提高。由此可
9、得,学习过程中的影响可以顺着关键词间的结构关系来传递。图1知识追踪基于此,我们提出了一种基于关键词结构的知识追踪(Keyword Structure based Knowledge Tracing,KKT)模型来模拟关键词间的相互影响,应用GNN将关键词结构映射为图,将练习构造为图G=(V,E,A),提取练习所含全部N个关键词节点V=v1,vN,节点间有表示其影响关系的边EVV,影响程度由邻接矩阵ARNN决定。本文认为在时间步长t每个关键词有当前时刻独立的掌握状态mt=miVt,其更新方式为:当学习者回答与关键词vi关联的练习时,其不仅会对学习者回答的关键词自身掌握状态mit进行更新,同时也会
10、更新其相邻关键词的掌握状态mjAit,其中Ai表示vi的一组相邻节点。KKT同时考虑了对练习序列的时间影响和对关键词间结构的空间影响。通过在开放的数据集上实验证明了我们提出的KKT具有很好的预测性和可解释性。基于关键词结构的知识追踪模型Keywords Structure Based Knowledge Tracing李志军高杨(北方工业大学电气与控制工程学院,北京100144)基于关键词结构的知识追踪模型104工业控制计算机2023年第36卷第2期2基于关键词结构的知识追踪模型框架2.1模型概述图2为KKT框架,当学习者回答一个练习后KKT首先将当前节点及其邻接节点的掌握状态进行嵌入以评估其
11、特征,接着通过多层感知机(MLP)和门控单元来更新该学习者的关键词掌握状态,最后预测其下一次练习的正确率。图2KKT框架2.2关键词掌握状态的表示及特征变换KKT模型通过式(1)将当前响应的关键词i及邻接关键词jAi的隐藏状态和嵌入进行聚合以改变掌握状态,并对其进行特征变换:mtk=mtk,xtEx(k=i)mtk,Ec(k)(ki)pt+1k=fself(mtk)(k=i)fadj(mti,mtk)(ki)(1)其中xt0,12N为在时间步t回答的练习下标的输入向量,ExR2Ne为关键词索引和答案反馈的嵌入矩阵,EcRNe为关键词索引的嵌入矩阵,Ec(k)表示Ec的第k行,e为嵌入大小;fs
12、elf和fadj均为MLP,对变更后的状态进行特征表示。fself得到当前响应关键词i状态变更后的特征表示,fadj得到由当前响应关键词i信息传播导致的其他概念状态变更后的特征表示,信息传播的影响通过邻接矩阵中的值来表示,代表节点之间的关系权重。我们提出了两种不同图构造的方法来实现fadj。1)基于稠密图的方法:稠密图表示相连顶点较多的图,通过建立邻接矩阵A,然后应用于fadj,公式如下:fadj(mti,mtj)=Ai,jfout(mti,mtj)+Aj,ifin(mti,mtj)其中当ij时Ai,j=1V-1,否则Ai,j=0。2)基于多头注意力(MHA)的方法:受到图注意力网络(GAT)
13、3的启发,以端到端的方式学习图结构。它通过多头注意力机制4,根据节点特征计算两节点间边的权重。fadj定义如下:fadj(hit,hjt)=1KkKijkfk(mit,mjt)其中k是全部K个头的索引,ijk是第k个头从vi到vj的注意力权重,fk是第k个头的神经网络。最终由fself和fadj学习得到的特征表示结合在一起,得到了由本次响应引起的状态变更的特征表示pkt+1,作为下面状态更新的输入。2.3关键词掌握状态的更新及预测KKT将根据评估特征和关键词的图结构,通过式(2)来更新关键词的隐藏掌握状态,并输出学生在下一时间步长响应每个关键词的预测正确率,公式(2)如下所示:p?t+1k=G
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 关键词 结构 知识 追踪 模型 李志军