近日,暨南大学广东智慧教育研究院联合吉林大学、美国密歇根州立大学和澳大利亚皇家墨尔本理工大学开展合作研究,论文《MoC-KT: Mixture of Convolutions for Knowledge Tracing》被国际学术期刊ACM Transactions on Information Systems录用。侯明良为论文第一作者,刘子韬为通讯作者,暨南大学广东智慧教育研究院为第一署名单位。

ACM Transactions on Information Systems(简称ACM TOIS)由美国计算机学会(ACM)出版,聚焦信息检索与信息系统相关研究,涵盖用户信息偏好与交互行为建模、信息过滤、知识表示及信息系统应用等方向,是中国计算机学会(CCF)推荐的A类国际学术期刊。
入选论文介绍
论文题目: MoC-KT: Mixture of Convolutions for Knowledge Tracing |
作者: 侯明良(暨南大学)、刘子韬(暨南大学)、罗仁强(吉林大学)、汤继良(美国密歇根州立大学)、夏锋(澳大利亚皇家墨尔本理工大学) |
通讯作者: 刘子韬 |
摘要:知识追踪(Knowledge Tracing,KT)旨在根据学习者与教育内容的交互记录,预测其知识掌握状态及后续答题表现。尽管现有模型已取得显著进展,学习者认知行为数据的异质性仍给准确预测带来挑战:看似相似的历史学习轨迹,可能对应截然不同的后续表现。本文将这一现象称为“认知海市蜃楼”(cognitive mirage),并在真实学习数据中对其进行量化分析。针对这一问题,研究提出混合卷积知识追踪框架MoC-KT,通过多尺度因果卷积与自适应分段,区分学习者长期相对稳定的知识掌握变化与猜测、疲劳等因素可能引起的短期表现波动。同时,框架引入Kerple增强注意力机制,利用距离敏感的注意力偏置优先关注局部依赖,抑制无关的远距离交互信息,在捕捉短期变化与保留长期学习趋势之间取得平衡。研究在AL2005、BD2006、NIPS34和Statics2011四个真实教育数据集上,与26种知识追踪模型进行比较。实验结果表明,MoC-KT在四个数据集上的AUC均取得最佳结果;消融实验与案例分析进一步验证了模型设计的有效性,展示了该方法在缓解“认知海市蜃楼”、提升复杂学习行为预测可靠性方面的潜力。 |
