利用多维图结构的自监督对比学习进行知识追踪

《Neurocomputing》:Self-supervised contrastive learning with multi-dimensional graph structures for knowledge tracing

【字体: 大 中 小 】 时间:2026年05月07日 来源:Neurocomputing 6.5

编辑推荐:

  邱丽青|朱青云山东科技大学计算机科学与工程学院,中国山东省青岛市前旺岗路579号,266590摘要知识追踪是个性化教育中的核心任务,它通过分析学生的学习历史数据来预测学生对各种技能的掌握程度。尽管现有方法已经取得了显著进展,但它们往往无法捕捉到学习行为中的复杂结构关系和依赖性。为

  
邱丽青|朱青云
山东科技大学计算机科学与工程学院,中国山东省青岛市前旺岗路579号,266590

摘要

知识追踪是个性化教育中的核心任务,它通过分析学生的学习历史数据来预测学生对各种技能的掌握程度。尽管现有方法已经取得了显著进展,但它们往往无法捕捉到学习行为中的复杂结构关系和依赖性。为了解决这些局限性,本文介绍了一种基于多维图结构(MSCL)的自监督对比学习方法。MSCL通过构建学生-练习-技能的异构图,并结合元路径聚合图神经网络(MAGNN),来捕捉练习之间的复杂关联。此外,MSCL通过构建交互导向图并利用有向图卷积网络(DGCN)来表示学生的学习动态行为,从而模拟学习序列对性能的影响。通过自监督图对比学习机制,MSCL提高了异构图嵌入的质量,捕捉到了高阶结构特征,并最终利用深度神经网络提供了性能预测。在四个基准数据集上的实验结果表明,MSCL显著优于现有方法,证明了其在知识追踪任务中的鲁棒性和有效性。

引言

近年来,在线教育平台(如智能辅导系统ITS)的快速发展[1]推动了教育系统的数字化转型[2],挑战了传统的课堂教学模式。随着计算机技术融入在线教学和学习中,准确有效地追踪学生的学习进度变得至关重要。这涉及到分析学生与教育内容之间的在线互动,以提供个性化的教学支持。知识追踪(KT)在这一过程中起着核心作用,因为它旨在通过分析学生的学习历史互动来推断学生对特定知识点(即技能)的掌握程度。这一过程能够预测未来的表现,并帮助教育者进行教学规划。在实际应用中,KT模型以学生对练习的历史响应序列作为输入,输出学生正确回答下一个练习的概率。
早期的知识追踪研究将学生的学习过程建模为隐马尔可夫过程,利用贝叶斯公式来估计学生对技能的掌握程度,这种方法称为贝叶斯知识追踪(BKT)[3]。近年来,深度学习因其强大的特征提取能力而受到广泛关注。例如,深度知识追踪(DKT)[4]利用循环神经网络(RNN)来模拟学生的学习轨迹,取得了比传统方法更好的结果。在这一突破之后,引入了多种神经网络架构来进一步改进知识追踪,包括基于注意力的模型(如AKT、SAKT)[5]、[6]和图神经网络(GNN)模型(如GIKT、Bi-CLKT)[8]、[9]等。
基于GNN的知识追踪模型能够高效捕捉技能之间的结构关系,利用边信息增强模型能力。因此,基于图的知识追踪方法具有重要的研究潜力。然而,现有的基于图的知识追踪方法仍存在一些局限性。大多数研究集中在建模练习与技能之间的关系(如GKT、PEBG)[10]、[11],而忽略了学生响应行为中嵌入的结构信息,这可能导致对学习动态的不完整描述。同时,许多方法依赖于单一的图结构或单一类型的关系信息(如HIN-KT)[12],这限制了它们同时捕捉学生知识状态的时间演变和实体之间的异构依赖性的能力。具体来说,单一的图结构不足以同时模拟学生不断演变的知识状态以及练习和技能之间的结构关系,导致丢失了准确知识追踪所需的关键时间和关系信号。此外,有限的关系建模无法捕捉到练习、技能和学生之间的丰富互动,如先决条件依赖性和共现模式。因此,学习到的表示往往不够理想,导致预测性能下降。
本文提出了一个基于多维图结构(MSCL)的自监督对比学习框架,以解决现有知识追踪方法的局限性。与之前依赖于单一图结构或仅捕捉有限关系信息的基于图的知识追踪方法不同,MSCL整合了异构图和交互导向图,共同建模语义关系和时间学习行为。
具体来说,MSCL首先构建学生-练习-技能的异构图,并采用元路径引导[13]聚合来捕捉不同实体之间的高阶语义关系。与仅以监督方式学习节点表示的现有基于异构图的知识追踪模型不同,MSCL进一步在异构图层面引入了自监督图对比学习机制。这种机制通过对比从结构扰动图视图中获得的嵌入,增强了练习表示的鲁棒性和区分度。
此外,基于学生的历史学习序列构建了交互导向图,以明确模拟练习之间的时间和方向依赖性。通过结合相对遗忘因子并利用有向图卷积网络(DGCN)[14],所提出的框架捕捉到了现有基于图的知识追踪方法中大多忽略的动态学习模式。最后,将学习到的表示集成到神经预测框架中,以估计学生的未来学术表现。
总结来说,本文的主要贡献包括:
  • 1.
    提出了一种基于多维图的知识追踪框架,用于共同建模异构语义关系和交互导向的时间依赖性,从而捕捉学生学习行为中的多层次和高阶信息。
  • 2.
    设计了一种适用于异构教育图的自监督图对比学习机制,提高了练习嵌入的质量和鲁棒性,超越了传统的监督图学习方法。
  • 3.
    在四个真实世界基准数据集上进行的广泛实验表明,MSCL始终优于最先进的知识追踪模型,消融研究进一步验证了每个提出组件的有效性。
  • 章节片段

    相关工作

    本节首先回顾了现有的知识追踪文献,然后简要介绍了与本研究密切相关的图对比学习领域。

    初步介绍

    本节首先对学生性能预测问题进行了正式定义。介绍了用于表示学生、练习和技能之间异构关系的元路径图构建方法。随后部分详细解释了交互导向图的构建过程。为了清晰起见,本文中使用的基本符号在表1中进行了总结。

    定义1 学生性能预测

    在智能辅导系统(ITS)中,每个学生都有学习历史的记录

    方法

    本节介绍了MSCL,这是一种将自监督对比学习与多维图结构相结合的知识追踪增强方法。以下小节详细描述了模型中的每个模块。整个系统框架如图3所示。

    实验

    本节展示了MSCL模型的性能优势。系统比较分析将MSCL模型与九种当前主流方法在四个数据集上的表现进行了评估。还对影响模型训练效果的关键参数进行了深入研究,以优化模型配置。此外,还进行了消融实验以进一步验证模型的鲁棒性。

    结论与未来工作

    本文提出了一种知识追踪模型MSCL,旨在通过整合来自异构和交互导向图的多维高阶信息来提高对学生学习表现的预测能力。该模型利用学生、练习和技能之间的复杂关系,通过元路径聚合和交互导向图嵌入有效捕捉练习节点的语义和结构信息。此外,图对比学习

    CRediT作者贡献声明

    邱丽青:撰写——审稿与编辑、监督、项目管理、概念化。朱青云:撰写——初稿、可视化、验证、软件、资源、方法论、调查、资金获取、正式分析、数据管理。

    利益冲突声明

    作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
    邱丽青于2008年在中国北京航空航天大学获得计算机软件与理论博士学位。她目前是山东科技大学的副教授,研究兴趣包括社交网络和知识追踪。
    相关新闻
    生物通微信公众号
    微信
    新浪微博

    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