论文题目：Dual-attentional time-aware fusion networks for knowledge tracing

作者：黄淑妍（好未来）、刘子韬（暨南大学）、刘琼琼（好未来）、陈佳豪（好未来）、黄雅莹（暨南大学

通讯作者：刘子韬

摘要：知识追踪（Knowledge Tracing, KT）是一种通过观察学生的历史学习过程来预测其未来表现的重要技术。这一过程的一个关键挑战在于KT模型需要具备灵活性和适应性，以反映学生特定的时间行为，尤其是在学生特定的数据高度稀疏且非均匀采样的情况下。为了解决这一问题，我们提出了一种双注意力时间感知知识追踪模型（Dual-Attentional Time-Aware Knowledge Tracing, DaTaKT），通过捕捉时间感知模式来提升原始自注意力知识追踪模型的预测性能。具体来说，我们的DaTaKT模型利用双注意力机制，从时间和问题两个角度捕捉练习与学生反应之间的关系。此外，我们设计了一个区分因子，能够同时表示以问题为中心的信息并避免数据稀疏问题。我们在三个真实的教育知识追踪数据集上评估了这一时间感知KT模型，并与多种基于深度学习的KT基线模型进行了对比。结果表明，我们的方法在非均匀交互序列的预测任务中具有显著的优势和优越性能。此外，我们还进行了消融研究和定量分析，进一步展示了时间相关因子的有效性以及DaTaKT卓越的预测效果。