摘要
知识追踪旨在捕获学生答题过程中知识状态的变化并对学生的未来答题表现进行预测，是实现学生个性化导学过程中的关键任务。近年来，深度学习逐渐成为知识追踪领域中的主要研究方法，然而现有的深度知识追踪方法在深层次信息挖掘与追踪方面仍存在一些不足：一方面，对习题本身的信息进行研究，而往往难以挖掘习题与知识点中的深层次信息；另一方面，不能有效刻画习题及知识点中深层次信息对学生知识状态的影响，难以追踪学生的深层次知识状态。针对以上不足，本文从图注意力网络以及层次细化学习模式两个关键点出发，以挖掘深层次信息与追踪深层次知识状态为核心研究内容，构建融合项目反应理论（IRT）的图注意力深度知识追踪模型和基于层次细化学习模式的知识追踪模型。主要研究工作如下： （1）针对现有方法不能挖掘习题及知识点中的深层次信息的问题，提出融合IRT的图注意力深度知识追踪模型（GAKT-IRT）。为了捕获习题及知识点中的深层次关系，构建关于习题与知识点的知识图，使用图注意力网络挖掘习题-习题、习题-知识点以及知识点-知识点中的深层次信息，为精确捕获学生的知识状态提供深层次的特征信息；此外，对认知心理学理论IRT进行改进，从习题难度、学生能力以及项目区分度三个方面对习题及知识点中的深层次信息进行分析，进一步提升学生未来答题表现预测的精确度，并增强模型的可解释性。 （2）针对GAKT-IRT与现有知识追踪方法难以刻画深层次信息对知识状态影响的问题，在GAKT-IRT的基础上，通过总结与分析学生的学习模式，进一步提出基于层次细化学习模式的知识追踪模型（HRKT）。为了全面地分析深层次信息对知识状态的影响，将习题深层次信息细化为习题的难度、习题与知识点之间的关系并对其进行细化研究；其次，设计双层自注意力结构，从习题层面与知识状态层面捕获习题与知识状态层面的历史关键信息，考虑历史习题与知识状态的影响；然后，设计多层学习结构追踪学生的深层次知识状态，贴合真实的教育环境，提升模型的泛化能力。 在多个公开在线教育数据集上进行实验，并与不同基线方法进行对比，结果表明， GAKT-IRT具有更优的性能表现与可解释性，能够挖掘习题与知识点中的深层次信息；HRKT能够更加精确地追踪深层次信息对学生知识状态的影响，进而精确追踪学生的深层次知识状态并提升模型的预测性能。
NETL