摘要

本文介绍了一种名为“领域可泛化知识追踪（Domain Generalizable Knowledge Tracing, DGKT）”的新方法，旨在解决在线教育系统中知识追踪（KT）任务的数据稀缺问题。知识追踪是监测学生在学习周期中知识状态的关键任务，传统方法在面对新教育系统中学生交互数据有限时性能显著下降。DGKT通过利用现有教育系统的学生交互数据，提出了一种领域可泛化的知识追踪框架，该框架能够减少不同领域间概念差异，并通过新颖的序列实例归一化（SeqIN）模块进一步减少领域差异。此外，本文还提出了一种专门针对领域泛化知识追踪任务的新模型——领域可泛化基于关系的知识追踪（DGRKT），该模型通过特别设计的关系型注意力机制，在五个基准数据集上的实验表明，即使在训练数据有限的情况下，该方法也能取得良好的性能。

原理

DGKT的工作原理主要基于两个核心技术：概念聚合和序列实例归一化（SeqIN）。概念聚合通过聚类算法对概念嵌入进行分析，从而从统一视角分析学生从不同教育系统中的交互序列，减少概念差异。SeqIN则是一种新的归一化模块，用于归一化学生交互序列的特征嵌入，通过仅考虑每个时刻之前的所有特征嵌入来减少不同领域间的分布差异。此外，DGRKT模型通过关系型注意力机制，能够捕捉不同时间步之间练习和概念的关系，从而更有效地利用练习信息。

流程

DGKT的工作流程包括以下几个关键步骤：

1. 特征嵌入模块：将学生的交互序列转换为嵌入序列。
2. 知识状态编码器：使用现有的知识追踪模型（如DKT、SAINT和AKT）将嵌入序列编码为学生的隐藏知识状态。
3. 知识状态解码器：将隐藏的知识状态解码为学生正确回答下一个问题的概率。
4. 序列实例归一化（SeqIN）：对特征嵌入进行归一化处理，以减少领域间的分布差异。
5. 概念聚合：通过学习领域特定的概念嵌入并进行k-means聚类，将概念嵌入替换为计算出的聚类中心嵌入，进一步训练模型。
6. 目标领域泛化：将学习到的知识追踪模型泛化到目标领域，通过初始化目标领域的概念嵌入并进行微调，使模型能够适应目标领域。

应用

DGKT和DGRKT模型的应用前景广阔，特别是在在线教育系统中，能够有效提升新教育系统或新题库的知识追踪性能，即使在学生交互数据有限的情况下。这些模型可以帮助教育平台更好地评估学生的理解程度，并提供个性化的学习辅助，从而提高教育质量和学生满意度。