32、知识追踪模型中引入项目难度：KT - IDEM的探索与实践

知识追踪模型中引入项目难度：KT - IDEM的探索与实践

在教育数据挖掘领域，知识追踪模型对于评估学生的知识掌握情况至关重要。KT（Knowledge Tracing）模型是一种常用的知识追踪模型，然而，传统的KT模型在考虑项目难度方面存在一定的局限性。本文将探讨如何将项目难度引入KT模型，即KT - IDEM（Knowledge Tracing: Item Difficulty Effect Model），并通过两个真实世界的数据集进行评估。

1. 知识追踪模型概述

知识追踪模型旨在根据学生对问题的回答序列，推断学生对某项技能的知识掌握情况。标准的贝叶斯知识追踪（KT）模型有四个参数，通常从辅导系统中每个技能的数据中学习得到。这些参数决定了在给定学生对该技能问题的正确和错误回答的时间顺序序列的情况下，学生掌握该技能的推断概率。

• 参数介绍 ：
  • 猜测参数（P(G)） ：学生即使不知道技能也能正确回答问题的概率。例如，选择题可能有较高的猜测概率，因此可以直观地认为这类技能比较容易。
  • 失误参数（P(S)） ：学生知道技能但回答错误的概率。具有低猜测率和/或高失误率的技能可以被认为是较难的。
  • 学习概率（P(T)） ：学生从不知道技能转变为知道技能的概率。
  • 初始知识概率（P(L₀)） ：学生在回答第一个问题之前知道该技能的概率。
</