Verbesserung der Wissensverfolgung durch Vortraining von Fragen-Embeddings

Wissensverfolgung (KT) definiert die Aufgabe, vorherzusagen, ob Schüler Fragen korrekt beantworten können, basierend auf ihren historischen Antworten. Obwohl viel Forschung darauf verwandt wurde, die Informationsgehalte der Fragen auszunutzen, wurde die reichhaltige fortgeschrittene Information unter den Fragen und Fähigkeiten nicht gut extrahiert, was es bisherigen Arbeiten erschwert hat, angemessen zu funktionieren. In diesem Papier demonstrieren wir, dass erhebliche Fortschritte bei der KT erzielt werden können, indem man die Embeddings für jede Frage auf reichhaltigen Nebeninformationen vortrainiert und anschließend tiefe KT-Modelle auf den erhaltenen Embeddings trainiert. Konkret umfasst die Nebeninformation die Schwierigkeitsgrade der Fragen und drei Arten von Beziehungen, die in einem bipartiten Graphen zwischen Fragen und Fähigkeiten enthalten sind. Um die Fragen-Embeddings vorzutrainieren, schlagen wir vor, produktbasierte neuronale Netzwerke zu verwenden, um die Nebeninformation wiederherzustellen. Infolgedessen übertreffen die vortrainierten Embeddings in bestehenden tiefen KT-Modellen signifikant die state-of-the-art Baselines auf drei gängigen KT-Datensätzen.