Kalibriertes Q-Matrix-verbessertes Deep Knowledge Tracing mit relationalem Aufmerksamkeitsmechanismus

Mit der Entwicklung von Online-Bildungsplattformen haben zahlreiche Forschungsarbeiten den Wissensverfolgungsprozess in den Fokus gerückt, der sich mit dem Problem der Diagnose der sich verändernden Wissensfähigkeit von Lernenden befasst. Basierte Modelle auf tiefen neuronalen Netzen werden verwendet, um die Interaktionsinformation zwischen Studierenden und ihren Antwortprotokollen im aktuellen Bereich der Wissensverfolgungsstudien zu erkunden. Diese Modelle ignorieren jedoch den Einfluss früherer Interaktionen, einschließlich der Übungsrelation, des Vergessensfaktors und des Verhaltens der Studierenden (gleitender Faktor und Ratesfaktor). Diese Modelle berücksichtigen auch nicht die Bedeutung der Q-Matrix, die Übungen mit Wissenspunkten verknüpft. In diesem Papier schlagen wir ein neuartiges relationales Aufmerksamkeits-Wissensverfolgungsmodell (RAKT) vor, um die Wissensfähigkeit der Studierenden in Übungen zu verfolgen. Konkret bezieht das RAKT-Modell die Leistungsdaten der Studierenden mit entsprechenden Interaktionsinformationen ein, wie dem Kontext von Übungen und den unterschiedlichen Zeitintervallen zwischen Übungen. Das RAKT-Modell berücksichtigt auch das Interaktionsverhalten der Studierenden, einschließlich des gleitenden Faktors und des Ratesfaktors. Darüber hinaus wird die Beziehung zwischen Übungssets und Wissenssets sowie die Beziehung zwischen verschiedenen Wissenspunkten in derselben Übung berücksichtigt. Ein Erweiterungsmodell von RAKT nennt sich das kalibrierte Q-Matrix-relationales Aufmerksamkeits-Wissensverfolgungsmodell (QRAKT), das mit einer Q-Matrix-Kalibriermethode entwickelt wurde, die auf den hierarchischen Wissensstufen basiert. Experimente wurden an zwei öffentlichen Bildungsdatensätzen, ASSISTment2012 und Eedi, durchgeführt. Die Ergebnisse der Experimente zeigten, dass das RAKT-Modell und das QRAKT-Modell die vier Basislinienmodelle übertroffen haben.