融合多维行为分析与GNN-Transformer双路径时空协同的知识追踪模型MEDKT

《Scientific Reports》：Multidimensional behaviors-enhanced dual-path collaborative knowledge tracing model with forgetting perception

　　

摘要

当前主流的知识追踪方法存在行为分析粒度粗、知识拓扑关系挖掘不充分、时空特征融合能力弱以及缺乏个性化遗忘建模等问题。本文提出了一种多维行为增强的双路径协同知识追踪模型MEDKT，聚焦于多维行为分析与时空特征的协同融合。该模型采用分层模块化架构实现细粒度知识追踪。首先，构建了融合显性与隐式学习状态的多维行为表示体系，并采用门控残差结构结合自适应权重抑制时序噪声，实现行为建模与练习表示学习。其次，构建了GNN-Transformer双分支编码架构，依托图结构挖掘知识拓扑关系，利用Transformer捕捉长期时序模式，并通过时序注意力更新图节点权重，实现时空特征的深度融合与双向增强。随后，通过自适应门控融合分配分支权重，并基于艾宾浩斯遗忘曲线设计了知识点级记忆衰减策略，以刻画学习者差异化的知识掌握与遗忘特征，从而提升知识追踪效果。本文在ASSIST09、ASSIST12和Junyi三个公开数据集上进行了验证实验，选取ROC-AUC、ACC、PR-AUC、F1和RMSE作为评估指标。其中，PR-AUC衡量模型的全局概率排序能力，F1则表征在固定阈值0.5下的硬分类性能。实验结果表明，所提方法在整体性能上优于现有最先进基线模型：在ROC-AUC、ACC、PR-AUC和RMSE方面均取得了更好的结果，仅在ASSIST09数据集的F1指标上出现轻微反转。该现象属于阈值敏感性引起的非显著波动，并不削弱模型的整体优越性。在ASSIST09数据集上，ROC-AUC提升了0.81个百分点，ACC提升了0.15个百分点，PR-AUC提升了0.61个百分点，RMSE降低了1.05。在ASSIST12数据集上，ROC-AUC提升了0.93个百分点，ACC提升了1.04个百分点，PR-AUC提升了0.57个百分点，RMSE降低了0.71。在Junyi数据集上，ROC-AUC提升了1.56个百分点，ACC提升了0.03个百分点，PR-AUC提升了0.34个百分点，RMSE降低了0.16。消融实验与可视化分析进一步证实了各功能模块的实证有效性。该模型能够为在线教育场景中的学习分析与个性化学习指导提供可靠的技术支撑。