近日，我院教授刘子韬团队发表题为A Prompt-Driven Framework for Multi-Domain Knowledge Tracing的论文，被国际机器学习重要学术期刊Machine Learning收录。该研究提出了一种新颖的提示增强范式promptKT，通过利用多个领域的学生数据来提升知识追踪（KT）任务的性能，显著改善了在数据隐私和预算限制下的学生知识状态建模和未来表现预测的准确性。其中刘子韬教授为论文第一作者，郭腾为论文通讯作者。
《Machine Learning》由知名出版社Springer出版，创刊于1986年，是一本著名的国际性期刊，专注于机器学习领域的研究，致力于发布报道高质量的机器学习研究成果。该期刊以描述问题和方法、应用研究和研究方法论问题的论文为特色，也是中国计算机学会 (CCF) 推荐的人工智能领域B类学术期刊。
入选论文介绍
论文题目：A Prompt-Driven Framework for Multi-Domain Knowledge Tracing |
作者：刘子韬（暨南大学）黄淑妍（好未来）郭腾（暨南大学）侯明良（好未来）梁倩茹（暨南大学） |
通讯作者：郭腾 |
摘要：知识追踪（KT）任务是基于历史交互行为建模学生的知识状态，从而预测其未来表现。由于数据隐私问题和预算限制，高质量学生数据在不同领域的可用性存在差异，因此有效利用多个领域的KT数据尤为重要。在本研究中，我们提出了一种新颖的提示增强范式，即promptKT，利用多个领域的学生数据来提升KT性能。具体而言，我们首先基于Transformer的模型进行统一预训练，基于全领域的数据捕获领域间的共性。随后，我们设计了一种新颖的提示模块（soft domain prompt module），用于捕获不同领域和用户之间的差异性。我们在六个公开的真实教育数据集上评估了promptKT，结果表明，与大多数现有的KT模型相比，我们的方法在AUC和准确率方面表现更优。此外，实证分析显示，promptKT在多个KT领域中具有良好的迁移性和适应性。为促进可重复性研究，我们将数据和代码公开发布，网址为：https://github.com/pykt-team/pykt-toolkit。 |
