【论文解读|SIGIR2021】HGKT : Introducing Hierarchical Exercise Graph for Knowledge Tracing 引入层次练习图的知识追踪

【注】本文是针对EKT模型所做的改进
考虑到练习之间的层次关系

摘要

知识追踪是预测学习者知识掌握情况的一种方法，在计算机辅助教育系统中起着重要的作用。近年来，许多深度学习模型被应用于处理KT任务，取得了很好的效果。然而，限制仍然存在。现有的方法大多将练习记录简化为知识序列，不能充分挖掘练习中存在的丰富信息。现有的知识追踪诊断结果由于忽略了练习之间的先验关系而缺乏说服力。为了解决上述问题，我们提出了层次图知识跟踪模型HGKT，以探索练习之间潜在的层次关系。具体地说，我们引入问题模式的概念来构建一个层次练习图，可以模拟练习学习的依赖关系。此外，我们采用两种注意机制来突出学习者的重要历史状态。在测试阶段，我们提出了一个K&S诊断矩阵，它可以跟踪知识掌握和问题模式的转变，可以更容易地应用于不同的应用。大量的实验证明了我们提出的模型的有效性和可解释性。

1 引言

知识追踪是计算机辅助教育系统的一项基础性工作，对教与学都有好处[1,2,18]。一个典型的知识追踪过程是这样的:当一个问题被发布时，学习者阅读它的文本，并应用知识来解决它。在获得一组学习者的交互项目后，提取相应的知识序列和练习的交互序列，训练出预测学习者隐藏知识状态的KT模型。然而，传统的知识跟踪工作流存在两个主要问题:(1)练习表示丢失问题: 传统工作流将练习记录简化为知识序列，忽略了练习中包含的难度和语义信息。换句话说，现有的方法在表示练习的过程中会丢失信息。(2)诊断不足问题:也难以根据诊断结果提供具体的学习建议。具体来说,假设我们知道学习者有一个薄弱的知识(例如,协同计算),很难决定哪一个更适合他(例如,图1 中的e7，e8),由于知识和练习之间的映射是太宽泛。

在文献中，有很多关于知识追综的努力。现有的方法可以分为传统的基于知识的方法和基于练习的方法。传统的基于知识的方法将学习者的练习序列转化为知识序列，而不考虑练习的文本信息。其中最流行的是贝叶斯知识追踪(Bayesian Knowledge Tracing, BKT)[5]，它通过隐马尔可夫模型更新学习者的知识状态。深度学习方法，如深度知识追踪(DKT)，将学习过程建模为循环神经网络[26]。动态键值记忆网络(Dynamic Key-Value Memory Network, DKVMN)通过引入两个记忆矩阵来表示知识和学习者对每个知识的掌握程度[38]来增强递归神经网络的能力。基于图的知识跟踪(GKT)将知识跟踪与图神经网络[25]相结合。它将学习者隐藏的知识状态编码为图节点的嵌入，并更新知识图中的状态。这些模型已被证明是有效的，但仍有局限性。现有的方法由于没有考虑练习的文本，都面临着练习表征缺失的问题。对于基于练习的轨迹，据我们所知，练习增强知识追踪(exercise Enhanced knowledge Tracing, EKT)是第一个将练习文本的特征整合到知识追踪模型[16]中的方法。而EKT通过将练习文本直接输入双向LSTM网络[14]来提取文本特征，这种方法没有考虑到练习的潜在层次图性质，并引入了文本嵌入带来的额外噪声。

我们解决练习表示损失问题和诊断不足问题的见解，取决于充分探索练习之间潜在的层次图关系的思想。结合练习之间的层次关系，不仅可以提高学习者成绩预测的准确性，还可以增强知识追