利用多层超图自适应知识转移技术提升知识追踪能力

《ACM Transactions on Information Systems》:Enhancing Knowledge Tracing with Multi-hierarchy Hypergraph Adaptive Knowledge Transfer

【字体: 大 中 小 】 时间:2026年03月28日 来源:ACM Transactions on Information Systems

编辑推荐:

  知识追踪旨在通过学习者的交互序列动态建模其认知状态以支持个性化教学决策。现有方法常忽略知识概念(KCs)间的转移效应及传播机制,导致对掌握程度和整体性能建模不够精细。提出的MHAKT模型通过三模块协同工作:转移感知模块利用掩码注意力机制动态更新学习者特定转移结构;知识转移模块采用超图神经网络全面建模多对多知识转移;认知更新模块整合新知识并应用遗忘机制。实验表明MHAKT在基准数据集上显著优于13种基线模型,尤其在冷启动知识组件场景下仍保持优异性能。消融实验和可视化分析验证了各模块的关键作用。

  
要查看此由 AI 生成的摘要,您必须具有高级访问权限。

摘要

摘要

知识追踪旨在通过交互序列动态建模学习者的认知状态,以支持个性化教学决策。虽然现有方法能够实现较高的预测准确性,但它们往往忽略了知识概念(KCs)及其传播之间的迁移效应,从而限制了对掌握程度和整体表现的细粒度、结构化建模。尽管一些研究使用预定义的知识概念相似性图来纳入知识迁移,但它们假设所有学习者的迁移结构都是静态的,忽略了由于干预和自我调节导致的迁移能力的持续演变,并且仅关注知识概念之间的层次关系。为了克服这些限制,我们提出了 MHAKT。MHAKT 通过三个模块在多个知识组件层次结构中运作:1)迁移感知模块利用掩码注意力机制来识别对目标知识组件最相关的历史交互的贡献,动态更新特定于学习者的迁移结构;2)知识迁移模块采用超图神经网络来全面建模知识组件之间的多对多迁移过程;3)认知更新模块在应用遗忘机制的同时整合新知识,以更新学习者的认知状态。在基准数据集上的广泛实验表明,MHAKT 的性能显著优于十三个基线模型。特别是在设计用于模拟冷启动知识组件的数据稀疏性和泛化设置下,MHAKT 显示出强大的鲁棒性,并保持了卓越的预测准确性。消融研究和探索性实验进一步验证了每个模块的关键作用,可视化分析进一步揭示了 MHAKT 在可解释建模方面的潜力。

AI 摘要

AI 生成的摘要(实验性)

此摘要是使用自动化工具生成的,并非由文章作者撰写或审核。它旨在帮助发现、帮助读者评估相关性,并协助来自相关研究领域的读者理解该工作。它旨在补充作者提供的摘要,后者仍是论文的官方摘要。完整文章是权威版本。点击此处了解更多。

点击 此处 对此摘要的准确性、清晰度和实用性进行评论。这样做将有助于改进和未来重新生成的版本。

要查看此由 AI 生成的通俗语言摘要,您必须具有高级访问权限。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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