SWDAKT:基于滑动窗口的动态能力感知知识追踪方法
《Expert Systems with Applications》:SWDAKT: Knowledge Tracing Using Sliding Window-based Dynamic Ability Perception
【字体:
大
中
小
】
时间:2025年12月11日
来源:Expert Systems with Applications 7.5
编辑推荐:
知识追踪模型SWDAKT通过滑动窗口机制细粒度建模动态能力变化,融合正确率差异与认知流畅性二维特征,结合分位数引导的连续值映射和LSTM与动态键值记忆网络的双路径特征融合,有效解决传统模型静态评估、忽略流畅性及离散分类问题,实验验证优于15种SOTA模型。
教育数据挖掘领域近年来在知识追踪(Knowledge Tracing, KT)模型的技术演进上取得了显著突破。传统基于贝叶斯网络的KT模型虽然开创了学习过程建模的先河,但在处理动态学习行为、个性化建模以及认知维度表征等方面存在明显局限。随着深度学习技术的快速发展,基于循环神经网络(RNN)、长短期记忆网络(LSTM)和动态图神经网络(GNN)的深度知识追踪模型(DKT)逐渐成为主流研究方向。这些模型通过引入注意力机制、知识图谱构建和记忆网络更新等创新技术,有效提升了学习状态预测的准确性和可解释性。
现有DKT模型在动态建模方面仍存在三个关键问题亟待解决:其一,多数模型采用固定时间间隔(如每小时或每日)对学习者状态进行静态评估,难以捕捉学习过程中每秒或每分钟的能力波动。其二,传统能力表征主要依赖正确率差异,忽视了认知流畅性这一重要指标,导致对学习策略差异的建模不足。其三,基于聚类的方法将学习者能力划分为离散类别,虽能实现分组建模,但难以精确量化个体间的细微差异。针对这些问题,本文提出基于滑动窗口的动态能力感知知识追踪模型(SWDAKT),通过三阶段创新设计构建了更精细、更具适应性的学习状态建模框架。
在动态建模机制上,SWDAKT引入滑动窗口机制与状态衰减模块的协同运作。该设计突破了传统固定时间间隔的局限,将学习过程划分为自适应的滑动窗口区间(如5分钟或10分钟窗口),配合指数衰减因子对窗口内历史状态进行加权整合。这种设计不仅能够捕捉到学习者每分钟甚至更短时间内的能力变化轨迹,还能有效抑制噪声数据的干扰。特别值得关注的是,状态衰减模块采用动态衰减系数,根据学习行为的复杂度自动调整历史状态的影响权重,使模型在应对突发性学习状态变化时保持较好的鲁棒性。
能力表征维度创新是SWDAKT的另一核心突破。研究团队基于认知负荷理论和双编码学习理论,构建了二维能力评估体系:横向维度沿用传统正确率差异(Correct/Incorrect Rate Difference, CRD)指标,纵向维度引入认知流畅性(Cognitive Fluency)量化指标。认知流畅性通过响应时间标准差、选项浏览时长、答案修正频率等复合指标进行测量,其中特别设计的"认知流畅性指数"(CFI)公式为:CFI = (平均响应时间/最优响应时间) × (正确选项浏览次数/总选项浏览次数)。这种双维度表征使模型能够同时捕捉知识掌握程度和认知加工效率两个关键学习特征,有效区分了"正确但迟缓"与"错误但迅速"等不同学习模式。
在离散能力分类的连续化处理方面,SWDAKT开发了基于分位数引导的线性插值算法。传统聚类方法将学习者划分为高、中、低三个离散组别,但该模型通过分析训练数据的中位数、75分位数和25分位数等关键统计量,构建了非线性映射函数。该函数在离散类别之间建立了连续的过渡带,使得能力值分布在[-1,1]区间内呈现平滑过渡特征。实验数据显示,这种连续化处理使学习者能力值的分辨率提升了47.6%,特别是在接近阈值的能力区间(±0.2范围内),连续值的区分精度比离散分类提升了82.3%。
模型架构的集成创新是SWDAKT区别于现有研究的关键。其核心架构由两部分构成:前段采用改进的动态关键值记忆网络(DKVMN),通过引入门控机制控制记忆单元的更新速率,有效解决了传统DKVMN存在的记忆溢出问题;后段整合双向LSTM网络,分别捕获当前窗口内的纵向时序特征和跨窗口的横向关联模式。两个子模块通过注意力门控器进行动态加权融合,这种设计既保留了深度记忆网络的知识状态表征优势,又增强了时序建模的灵活性。特别设计的时序特征提取模块,能够自动识别学习过程中的关键转折点,并建立能力状态的动态映射模型。
实验验证部分采用了教育追踪领域的三个权威数据集:KDDCup 2012(包含3,516名学习者的12,690次交互记录)、Pittsburgh Quranic Learning Dataset(覆盖多语言学习场景)以及WiscOnline(包含超过200万次在线学习记录)。通过对比分析15种SOTA模型,SWDAKT在平均预测误差(ADE)和标准差预测误差(SSE)两个核心指标上分别降低了18.7%和22.4%。在个性化建模方面,SWDAKT实现了89.3%的个性化参数识别率,较现有最佳模型(78.5%)提升14.8个百分点。值得关注的是,该模型在应对极端学习行为(如连续10次错误后突然正确)时的预测稳定性显著优于传统模型,其均方误差(MSE)控制在0.07以下,达到教育数据挖掘领域的先进水平。
研究团队还创新性地设计了对比验证机制。通过在相同实验环境下进行消融实验,证实了各模块的贡献度:滑动窗口机制使模型预测误差降低26.3%,二维能力特征提升效果达19.8%,连续化处理则贡献了14.7%的精度增益。在跨数据集泛化能力测试中,SWDAKT模型在新数据集上的表现仅较原始数据集下降3.2%,显著优于基准模型平均下降9.5%的指标。这些实验结果从多维度验证了模型的优越性。
该研究对教育技术发展具有双重价值:理论层面,提出的动态能力感知框架为构建自适应学习系统提供了新的方法论基础;实践层面,模型在多个教育平台的应用测试显示,可使学习者的知识掌握度预测准确率从82.3%提升至91.4%,同时将教学资源推荐系统的点击率提高了37.6%。特别在应对后疫情时代混合式教学模式中的学习状态监测方面,该模型展现出优异的适应能力,其在线学习行为分析准确率达到94.2%,成为智能教育系统升级的重要技术支撑。
未来研究可沿着两个方向深化:一是探索认知流畅性指标与脑电信号等生理数据的融合建模;二是开发轻量化版本以适应移动端教育场景的实时需求。这些延伸方向将为教育数据挖掘技术带来新的突破点,推动个性化学习向更深层次发展。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号