SA-MBKT：基于替代模型的多技能贝叶斯知识追踪

《ACM Transactions on Evolutionary Learning and Optimization》：SA-MBKT: Surrogate Model-assisted Multi-skills Bayesian Knowledge Tracing

知识追踪中贝叶斯方法通过隐马尔可夫模型跟踪单技能状态，但多技能追踪存在计算效率低的问题。本文提出基于代理模型的MBKT优化方法，通过窗口策略和代理模型降低单次评估复杂度，在保证预测精度的同时提升实时性，适用于大规模在线教育场景。

　　

摘要

知识追踪（Knowledge Tracing，KT）是教育数据挖掘中的一个基本任务，主要关注追踪学生技能的动态知识状态。贝叶斯知识追踪（Bayesian Knowledge Tracing，BKT）因其良好的可解释性而得到了广泛的研究和应用，它使用隐马尔可夫模型（hidden Markov model）来模拟学生的答题过程。传统的BKT方法在每个问题中只考虑一项技能。为了解决这一限制，我们在之前的工作中提出了一种基于进化算法的多技能贝叶斯知识追踪（Multi-skills Bayesian Knowledge Tracing，MBKT）方法。MBKT采用进化算法作为BKT的优化方法，使其能够同时追踪学生对多项技能掌握程度的变化。然而，MBKT的缺点是单个个体的评估耗时过长，并且大量无价值的个体会参与实际的评估过程，尤其是在处理大量数据时。这阻碍了其在实际在线教育场景中的应用。因此，我们提出了辅助模型多技能贝叶斯知识追踪方法（Surrogate Model-assisted Multi-skills Bayesian Knowledge Tracing，SA-MBKT），通过引入窗口策略和辅助模型方法来解决这些问题。在真实世界数据集上的广泛实验表明，SA-MBKT显著提高了模型的时间性能，同时不影响其预测性能。