知识追踪(KT)作为智能教育系统中的核心技术,致力于通过分析学生的历史答题记录,动态建模其对特定知识点的理解与掌握情况.然而,当前大多数知识追踪模型在应对长序列数据和复杂时间依赖性时仍存在显著的局限性.为此,文章提出了一种融合时域卷积网络(TCN)与门控循环单元(GRU)的全新知识追踪模型TGC-KT.TCN模块通过捕捉局部时间依赖性,显著提升了模型在处理长期依赖关系时的能力,而GRU则凭借其门控机制对历史信息进行选择性记忆与遗忘,进一步优化了预测精度.此外,TGC-KT 能够有效结合局部与全局的学习信息,动态调整模型对学生知识状态的估计.实验结果表明,在两个公开数据集上的测试中,TGC-KT模型在知识掌握度评估和学习效果预测方面的表现优于现有方法,展示了其在个性化教育中的潜在应用价值.
NETL
NSTL
万方数据
