动态领域学习能力增强了知识追踪的稳定性

摘要

知识追踪（Knowledge Tracing，KT）旨在动态建模学生的学习状态，以预测其未来的学习表现。然而，大多数现有方法存在两个主要局限性。一方面，它们无法捕捉知识随时间的渐进演变过程，忽视了学习过程的稳定性，因此其预测结果常常出现显著的时间波动。另一方面，这些方法忽略了学生在同一领域内不同任务之间的能力差异，通常将能力视为一个固定的、静态的水平，这限制了个性化预测的准确性。为了解决这些问题，本研究提出了具有稳定性的动态领域学习能力增强知识追踪模型（Dynamic Domain Learning Ability Enhanced Knowledge Tracing，DLAKT）。首先，与以往主要依赖知识掌握程度的知识追踪方法不同，DLAKT首次将领域学习能力明确纳入KT框架中。这一设计解决了仅凭知识状态无法完全反映个体差异的问题。通过建立技能与多种能力维度之间的清晰映射，DLAKT构建了一个可解释的领域学习能力表示。该模型根据学生的学习状态、反应时间和题目难度动态调整能力提升速率，从而实现对能力变化的个性化建模。其次，DLAKT通过整合多种学习行为特征，基于记忆网络明确模拟知识遗忘与积累过程，更准确地再现了学习动态。此外，它还引入了基于Transformer的平滑模块，以减少知识状态的波动并提升模型稳定性。最后，通过联合建模知识演变和领域学习能力的动态更新，DLAKT实现了对学生表现更准确、更稳定的预测。在三个真实教育数据集上的实验表明，DLAKT在预测准确性方面始终优于现有的主流模型。