广东智慧教育研究院和网络空间安全学院师生2篇论文分别被CCF A类国际顶会 AAAI 2023 与 WWW 2023 录用!

来源:广东智慧教育研究院 发布时间:2023-04-03

近日,广东智慧教育研究院刘子韬教授和罗伟其教授、网络空间安全学院翁健教授的师生团队与北京世纪好未来教育科技有限公司团队合作,分别以暨南大学广东智慧教育研究院为通讯作者单位和第一作者单位的2篇论文被国际顶级会议AAAI 2023和WWW 2023接收。

2023年2月7日至14日,人工智能领域国际顶级会议AAAI 2023在美国华盛顿召开,广东智慧教育研究院投稿的关于知识追踪模型可解释性的相关成果被顺利录用。

(AAAI 2023)

AAAI全称为国际先进人工智能协会(Association for the Advancement of Artificial Intelligence),是人工智能和机器学习领域的顶级会议,据最新中国计算机学会(CCF)推荐国际学术会议和期刊目录,AAAI为人工智能领域的A类会议。AAAI 2023共接收8777篇投稿,接收论文1721篇,接收率仅为19.6%

(论文截图)

论文名称:Improving Interpretability of Deep Sequential Knowledge Tracing Models with Question-centric Cognitive Representations

作者:陈佳豪,刘子韬(通讯作者),黄淑妍,刘琼琼,罗伟其

论文链接:https://arxiv.org/abs/2302.06885

概述:知识追踪(KT)是一种通过观察学生历史学习过程来对学生能力进行建模从而预测学生未来表现的关键技术。由于深度神经网络的强大表示学习能力,使用深度学习技术解决KT 问题已取得了显著进展。

与此同时现有大多数方法依赖于同质性题目假设,即如果一些题目属于同一个知识点集合,则认为这些题目是等价的。然而,这种假设在真实的教育场景中是不准确的。此外,解释现有基于深度学习的KT 模型的预测结果非常具有挑战性。

基于此我们提出了QIKT 模型,一个以题目为中心的具有解释性的KT 模型来解决上述挑战。所提出的 QIKT 方法显式地在细粒度水平上对学生的知识状态变化进行建模,这些认知表征是通过以题目为中心的知识获取模块和以题目为核心的题目解决模块共同学习而得到的。

同时,QIKT 利用基于项目反应理论的预测层来生成可解释的预测结果。所提出的 QIKT 模型在三个公开数据集上进行了评估,结果表明,我们的方法在KT 预测任务上具有优越性,并且在预测精度和模型可解释性方面广泛优于其它基于深度学习的KT模型。

2023年2月,国际万维网大会WWW 2023公布论文接收结果,广东智慧教育研究院投稿的关于知识追踪模型的相关研究被顺利录用(WWW 2023)。

(WWW 2023)

WWW全称为国际万维网大会(International World Wide Web Conference),是计算机和互联网领域历史最为悠久同时最为权威的顶级学术会议之一,被中国计算机学会列为A 类推荐国际学术会议。本次会议是展示和讨论与网络相关主题的研究、开发、标准和应用进展的主要场所,汇集了国际著名大学、研究机构、跨国企业和国际标准化组织的一流学者和产业界精英,持续推动着互联网技术的发展,尤其是为各国信息化建设提供了重要的技术标准。 WWW 2023预计将于4月30日至5月4日在美国德克萨斯州奥斯汀举办。

(论文截图)

论文名称:Enhancing Deep Knowledge Tracing with Auxiliary Tasks

作者:刘子韬,刘琼琼(通讯作者),陈佳豪,黄淑妍,高博宇罗伟其翁健

论文链接:https://arxiv.org/abs/2302.07942

概述:知识追踪(Knowledge tracing, KT)是根据学生与智能辅导系统的历史互动来预测学生未来表现的问题。近期不同类型的深度神经网络已经被广泛用于KT任务中。然而,真实场景中依然存在两个重要因素没有被很好地考虑到。

首先,大多数现有的工作使用试题和知识点的共现矩阵来对输入的表示进行增强,但未能将这种内在关系明确地集成到最终的预测任务损失函数中;

其次,学生的个性化历史表现没有被很好的建模。在本文中,我们提出了模型AT-DKT,通过两个辅助学习任务(即试题自动打标签(question tagging,QT)预测任务和个性化先验知识(individualized prior knowledge,IK)预测任务来提高原始深度知识追踪模型的预测性能。

具体来说,QT任务通过预测问题是否包含特定KC来帮助学习更好的问题表示;IK任务通过逐步预测隐藏在学生历史学习互动中的学生水平的先验知识来捕捉学生的全局历史表现。我们对三个真实世界的教育数据集进行了综合实验,并将所提出的方法与深度序列KT模型和非序列KT模型进行了比较。

实验结果表明,AT-DKT优于所有序列模型,所有数据集的AUC改善超过0.9%,在非序列模型中基本是第二好的。此外,我们进行了消融研究和定量分析,以说明辅助任务的有效性和AT-DKT优越的预测性能。


暨南大学广东智慧教育研究院