- DAGKT: сложность и попытки усовершенствованного отслеживания знаний на основе графов (arXiv)
Автор: Жуй Луо, Фей Лю, Вэньхао Лян, Юхун Чжан, Чэньян Бу, Сюэган Ху.
Аннотация: В сфере интеллектуального образования все большее внимание привлекает отслеживание знаний (ЗЗ), которое оценивает и отслеживает усвоение учащимися концепций знаний для обеспечения качественного образования. В KT среди вопросов и концепций знаний есть естественные графовые структуры, поэтому в некоторых исследованиях изучалось применение графовых нейронных сетей (GNN) для повышения производительности моделей KT, в которых не использовалась графовая структура. Однако большинство из них игнорировали как трудности вопросов, так и попытки студентов задавать вопросы. На самом деле вопросы с одними и теми же понятиями знаний имеют разную сложность, и разные попытки учащихся также представляют разное усвоение знаний. В этой статье мы предлагаем трудность и пытаемся увеличить KT на основе графа (DAGKT), используя обширную информацию из записей студентов. Более того, новый метод предназначен для установления отношения сходства вопросов, вдохновленного оценкой F1. Обширные эксперименты с тремя реальными наборами данных демонстрируют эффективность предлагаемого DAGKT.
2. SAICL: Моделирование учащихся с помощью вспомогательных контрастных задач на уровне взаимодействия для отслеживания знаний и прогнозирования отсева (arXiv)
Автор: Чонбэ Пак, Джинён Ким, Сунву Квон, Сан Ван Ли.
Аннотация :: Отслеживание знаний и прогнозирование отсева имеют решающее значение для онлайн-образования для оценки уровня знаний учащихся или предотвращения отсева. В то время как традиционные системы, взаимодействующие со студентами, страдали от разреженности данных и переоснащения, недавнее сравнительное обучение на уровне выборки помогает решить эту проблему. Одним из основных недостатков подходов на уровне выборки является то, что они рассматривают последовательности поведения учащихся как связку, поэтому им часто не удается кодировать временные контексты и отслеживать их динамические изменения, что затрудняет поиск оптимальных представлений для отслеживания знаний и прогнозирования отсева. Чтобы применить временной контекст в последовательности, в этом исследовании представлена новая структура моделирования учащихся, SAICL: \textbf{s}моделирование учащихся с \textbf{a}вспомогательным \textbf{i}уровнем взаимодействия \textbf{c}ontrastive \textbf{ обучение. В частности, SAICL может использовать как предлагаемые контрастные цели на уровне взаимодействия с самоконтролем, так и на уровне взаимодействия с учителем: MilCPC (\textbf{M}ulti-\textbf{I}nteraction-\textbf{L}evel \textbf{C}ontrastive \textbf{ P}redictive \textbf{C}oding) и SupCPC (\textbf{Sup}ervised \textbf{C}ontrastive \textbf{P}redictive \textbf{C}oding). В то время как предыдущие методы сравнения на уровне выборки для моделирования учащихся сильно зависят от методов увеличения данных, SAICL свободен от увеличения данных, демонстрируя лучшую производительность как в условиях самоконтроля, так и в контролируемых условиях. Сочетая перекрестную энтропию с контрастными целями, предложенный SAICL достиг производительности отслеживания знаний и прогнозирования отсева, сопоставимой с другими современными моделями, без ущерба для затрат на вывод.
