基于时频域耦合的知识追踪方法:通过分离学习行为实现
《Knowledge-Based Systems》:Time-Frequency Domain Coupling-Oriented Knowledge Tracing via Learning Behavior Decoupling
【字体:
大
中
小
】
时间:2025年12月31日
来源:Knowledge-Based Systems 7.6
编辑推荐:
知识追踪通过分析学习行为动态建模知识状态演变,现有方法多聚焦时序特征提取而忽视频域特性。本文提出时间-频率域耦合知识追踪模型TFKT,通过双通道分解猜测、滑移行为,结合三阶Kolmogorov-Arnold网络建模多尺度关联,并利用因果FFT与可学习掩码将知识状态分解为低中高频分量,实现时频耦合建模。实验验证其在四数据集上提升预测精度和可解释性。
黄涛|薛刚|胡俊杰|胡胜泽|杨华丽|欧新佳|张志超
中国华中师范大学
摘要
知识追踪(KT)通过分析学生的学习行为来确定他们的知识状态,是智能教育转型计划中的关键技术。近期的KT研究重点关注可解释性和内在认知机制的表征。然而,大多数现有方法主要关注从学生互动中提取的时间特征,忽略了知识状态演变的动态性质。为了解决这个问题,我们提出了一种新的方法,称为基于时频域耦合的知识追踪方法,该方法通过学习行为解耦来实现(TFKT)。该方法同时模拟学生知识状态的时间动态和频域特征,以捕捉其细粒度演变。具体来说,我们首先将学生的学习行为分为猜测、错误回答和正常响应,并通过双通道机制提取有偏差的行为特征,以捕捉知识构建的表征。随后,使用切比雪夫-柯尔莫哥洛夫-阿诺德网络与门控残差网络结合,来模拟练习之间的多尺度相关性,建立初始知识状态空间。最后,通过具有可学习掩码的因果傅里叶网络将知识状态投影到频域,将其分解为低频、中频和高频成分,并利用单调注意力机制进行联合时频耦合,从而在细粒度层面模拟学生知识状态的变化。在四个数据集上的广泛实验验证了TFKT方法在模拟学生知识掌握演变方面的可行性和可解释性。
引言
教育的智能化转型要求人工智能(AI)与教学法更深入地整合,以实现大规模的个性化教育。知识追踪(KT)是这一转型探索中的关键技术。它利用AI动态跟踪学生的学习过程中的知识状态[1],[2],从而提供个性化的资源推荐[3],[4],自适应路径规划[6]和其他智能服务。因此,KT逐渐被公认为智能教育中的一个关键研究领域[7]。
如图1(a)所示,KT旨在通过学生的学习互动序列[8],[9]预测学生正确回答新问题的概率,这侧重于模拟学生学习行为与潜在知识状态之间的动态映射关系。近年来,深度学习通过解决传统贝叶斯知识追踪(BKT)模型的局限性(这些模型依赖于专家注释和泛化能力[10],[11]),显著提高了预测性能。尽管取得了这些进展,现有的基于深度学习的模型仍然难以用可解释的模型来描述学习行为的内在机制[12],[13]。
为了解决上述问题,研究人员近年来对KT模型进行了多方面的改进。这些改进包括理论驱动的公式建模、学习行为特征的整合以及结构导向的网络优化,在描述学习行为的内在机制和开发可解释模型方面取得了一定的进展。第一种方法是理论驱动的公式建模,它将来自教育或认知理论的数学方程(例如,使用项目反应理论(Deep-IRT)和渐进式知识追踪(PKT)的可解释深度学习基础的知识追踪)直接嵌入模型架构[14],[15],从而描绘学生学习行为的内在机制。在整合学习行为特征方面,图神经网络及其衍生模型(例如,时空傅里叶知识追踪(STFKT)和多变量图知识追踪(MVGKT)通过图结构明确模拟概念与学习行为之间的关联[16],[17],结合学生的个体特征、主题属性和历史互动,在图卷积或注意力机制中实现多因素融合,以增强描述动态知识状态的能力。第三种方法是结构导向的网络优化(例如,注意力知识追踪(AKT)和记忆增强知识状态模型(DKVMN)),重新设计受认知或教学理论启发的模型架构,以提高可解释性和性能[18],[19]。总之,这些研究显著提高了KT模型在预测准确性和可解释性方面的整体性能,并在时间特征提取和学习行为建模方面取得了良好进展[20],[21]。
然而,这些方法在描述学习过程中学生知识状态的波动方面仍然有限。这进一步导致在模拟学习行为与潜在知识状态之间的映射关系时,难以同时描绘时间变化和频率波动之间的耦合模式,从而限制了对学习过程的细粒度描述。根据信息处理理论[22],学生在从初始阶段到过渡阶段再到高级阶段的认知能力表现出渐进的层次特征。受到信号处理领域频域分解思想的启发[23],[24],本研究提出了一个频域框架来解释知识状态:低频成分对应于知识的稳定和渐进积累,中频成分反映了遗忘和重新掌握的循环周期,高频成分反映了短期波动,为知识状态的建模提供了新的分析视角。如图1(b)所示,对学生学习行为记录的分析表明,“正常”指的是学生提供的正确响应与其当前知识掌握水平一致的情况。“错误回答”表示即使学生已经掌握了相关概念,但由于疏忽或其他偶然因素仍然出现错误响应。“猜测”描述的是学生对尚未掌握的概念给出正确答案的情况,通常是由于随机或非基于知识的响应。在概念层面,比较图1(a)和图1(c)时,学生知识状态的演变显示出不同的模式。概念c2表现出稳定性,其掌握水平在整个学习过程中相对保持不变,反映了渐进和持续的知识积累[25]。概念c1表现出振荡性增长,其特征是明显的周期性波动,捕捉了遗忘和复习的交替效应[26],[27]。同时,概念c4经历了脉冲式衰减,在短时间内出现快速波动,主要是由于机械记忆导致的短期和不稳定掌握。值得注意的是,这些状态不是静态的,而是表现出动态的演变特征。学生在任何给定时刻所占据的认知水平深刻影响了后续的学习表现,从而导致知识状态的不同演变轨迹。因此,从学习行为的时间特征和知识状态波动的频域特征两个维度来建模学生知识状态的演变,对于提高KT的准确性和预测能力具有重要意义[28],[29]。
受上述问题的启发,本研究提出了一种时频知识追踪(TFKT)[1]方法,该方法联合模拟学生知识状态的时间动态和频域特征,以捕捉其细粒度演变。所提出的方法遵循两阶段建模框架,逐步构建、转换和细化知识状态转换的表征。在第一阶段,模型侧重于时间特征提取,以描绘知识状态沿时间维度的演变。该方法设计了一个双通道机制来处理融合上下文的问题-响应表征,一方面使用MLP提取有偏差的学习行为特征,另一方面结合多尺度因果卷积和二进制状态模型来过滤和重组信息,生成知识构建表征。同时,将经过单调注意力处理的融合上下文全局问题-关联表征输入到三阶切比雪夫-柯尔莫哥洛夫-阿诺德网络(KAN)和门控残差网络中,以获得多尺度问题关联表征。最后,双注意力融合这两种类型的表征来模拟学生的知识状态空间。在第二阶段,模型旨在从频域角度揭示认知演变的本质结构。基于学生认知状态的内在规律,该方法通过因果快速傅里叶变换(FFT)将知识状态映射到频域,并通过结合可学习掩码将其解耦,将学生的知识状态分解为低频、中频和高频三个层次,以实现其内在结构的精细建模。最后,该方法将通过频域解耦获得的多层次知识状态映射回时间域,并与第一阶段获得的知识状态空间进行联合时频建模,然后通过单调注意力机制实现动态加权融合,有效地模拟学生在解决问题过程中的知识状态演变,从而提高对学生表现预测的准确性。本文的贡献如下:
1.据我们所知,这是最早从时间和频域两个角度建模学生知识掌握演变的研究之一。
2.我们将学生的知识状态分解为不同层次的子成分,以实现更可解释的学习行为建模,引入了来自信号处理的频域分解概念。
3.我们设计了因果FFT来解耦学生的知识状态,将其分为固化知识、周期性遗忘的知识和记忆中的知识,并使用单调注意力模块来模拟这三种类型知识在学生实际知识状态中的比例。
本文的结构如下。第2节回顾了研究背景和现有相关研究。第3节详细阐述了支持本研究的核心概念和基础理论。第4节介绍了我们提出的模型的详细结构及其相应的公式。第5节介绍了模型的训练细节、在主流数据集上的性能以及验证我们假设的可视化实验。第6节简要总结了我们的研究并概述了我们的下一步研究重点。
相关工作
相关工作
本节从以下三个方面进行介绍:知识追踪、傅里叶变换和柯尔莫哥洛夫-阿诺德网络。
初步
在本节中,我们正式化了学生的学习过程,并简要介绍了KT的定义。
TFKT模型
在本节中,我们描述了模型的详细内容。如图2所示,该模型由三个模块组成:(1)偏差分解的学习表征,(2)多尺度时间动态建模,(3)层次化频率感知的认知建模。偏差分解的学习表征模块处理融合上下文的问题-响应表征,以获得知识构建表征。具体来说,它通过双通道MLP提取猜测和错误回答
实验
在本节中,我们首先描述了研究中使用的数据集,然后概述了模型参数和训练细节。最后,我们在四个特定数据集上对模型进行了广泛的实验,实验重点集中在以下四个方面:
1.RQ1。我们提出的模型是否优于当前最先进的知识追踪模型?
2.RQ2。偏差分解的学习表征、多尺度时间动态建模和层次化
结论与未来工作
在本文中,我们提出了一种名为“基于时频域耦合的知识追踪方法,该方法通过学习行为解耦来实现”。具体来说,我们首先通过分析学生的问题-响应互动记录来分解异常学习行为,区分问题-响应过程中的猜测和错误回答行为与正常学习过程,并重新建模学生的学习行为轨迹。同时,我们还使用了单调
CRediT作者贡献声明
黄涛:撰写 – 审稿与编辑、监督、方法论、概念化。薛刚:撰写 – 原始草稿、验证、方法论、概念化。胡俊杰:撰写 – 审稿与编辑、方法论、概念化。胡胜泽:撰写 – 审稿与编辑、方法论、概念化。杨华丽:方法论、概念化。欧新佳:可视化、数据整理。张志超:可视化。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。
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