摘要
认知追踪是一种数据驱动的学习主体建模技术,旨在根据学生历史答题数据预测其知识掌握状态或未来答题表现.近年来,在深度学习算法的加持下,深度认知追踪成为当前该领域的研究热点.针对深度认知追踪模型普遍存在黑箱属性,决策过程或结果缺乏可解释性,难以提供学习归因分析、错因追溯等高价值教育服务等问题,提出一种基于多层注意力网络的认知追踪模型.通过挖掘题目之间多维度、深层次的语义关联信息,建立一种包含题目元素、语义和记录等3层注意力的网络结构,利用图注意神经网络和自注意力机制等对题目进行嵌入表示、语义融合和记录检索.特别是在损失函数中引入提升模型可解释性的正则化项与权衡因子,实现对模型预测性能与可解释强度的调控.同时,定义了预测结果可解释性度量指标——保真度,实现对认知追踪模型可解释性的量化评估.最后,在6个领域基准数据集上的实验结果表明:该方法有效提升了模型的可解释性.
基金项目
国家科技创新2030新一代人工智能重大项目(2020AAA0108804)
国家自然科学基金(62077021)
国家自然科学基金(61977030)
国家自然科学基金(61937001)
国家自然科学基金(61807011)
陕西省自然科学基础研究计划项目(2020JM-711)
陕西省教育科学"十三五"规划课题(SGH20Y1397)
西安交通大学城市学院课程思政专项研究项目(KCSZ01006)
华中师范大学研究生教学改革研究项目(2020JG14)
NETL
NSTL
维普
万方数据