基于深度学习的知识追踪

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

在 Knowledge Tracking Model Based on Learning Process 一文中，介绍了一种知识追踪模型 LPKT 。这是一种基于现存深度学习的知识追踪模型的改进，该模型采用了记忆增强神经网络（MANN）的思想。

 

现存模型的缺陷

 

 

1. 对于计算知识增长的局限性

 

1. 模型遗忘机制不完善

 

 

知识追踪模型

 

知识追踪的任务是根据学生与智能教学系统之间的交互，自动跟踪学生的知识状态随时间的变化过程，所以，知识追踪具有 自动化 和 个性化 的特点。

 

目前典型的知识追踪方法有： 贝叶斯知识追踪 （BKT）和 深度知识追踪 （DKT）

 

BKT

 

BKT模型存在以下的问题：

 

 

1. 它需要标记数据

 

1. 对每个知识点分别进行表达

 

 

所以BKT不能捕捉不同概念之间的相关性，不能有效地表示复杂的概念状态转化。

 

DKT

 

DKT模型，是基于 长短时记忆网络 （LSTM）的深度知识追踪网络。它不仅比BKT模型有更好的预测能力，同时不需要专家对习题的知识点进行标注。

 

但是 LSTM 是将所有的记忆存储在一个隐藏的向量中，这使得它很难准确地记住超过数百个时间步长的序列

 

记忆增强神经网络（MANN） 就是用来解决这个问题的。

 

DKVMN

 

动态键值记忆网络（DKVMN） ，它借鉴了 MANN 的思想，同时又结合的 BKT 和 DKT 的优点，所以总体来说，它的预测性能是比较好的。与 LSTM 相比，它能避免过拟合、参数少，以及通过潜在概念自动发现相似练习。

 

存在的缺陷：

 

 

1. 计算知识增长的局限性

 

1. 过于依赖模型本身的遗忘机制

 

1. 预测过程中没有考虑遗忘机制

 

 

基于学习过程的知识追踪（LPKT）

 

LPKT 旨在通过模拟学生的学习和记忆过程来完成知识追踪。

 

LPKT过程：

 

 

1. 注意机制：计算一个问题涉及的知识点数和每个知识点所占的比例

 

1. 读过程：观察一段时间内学生在学习系统中的学习序列数据

 

1. 写过程：给定一个学生问答活动，代表学生的知识状态矩阵V由t-1时刻状态到t时刻状态

 

 

 

在 读过程 中，模型根据当前知识状态计算知识遗忘量，再参考 LSTM 的遗忘机制，计算下一个时刻的知识状态。这个知识状态就比较符合学生的学习规律。

 

而 写过程 则是根据 MANN 模型机制，在知识追踪的过程中跟新学生的 动态知识状态 。在更新状态时，会同时考虑遗忘机制，在 DKVMN 中被称作 erase 。遗忘过程中，不应该只考虑知识增量，同时还应该考虑学生学习持续时间。

 

参考文献： Knowledge Tracking Model Based on Learning Process