近日，我院博士研究生白友恒以第一作者身份发表题为csKT: Addressing cold-start problem in knowledge tracing via kernel bias and cone attention的论文，被中科院一区Top期刊《Expert Systems with Applications》（2024年影响因子7.5）收录。该研究为学生动态能力诊断和评估在冷启动阶段提供了新的解决方案，在大规模个性化学习领域取得新进展，刘子韬教授为论文唯一通讯作者。
《Expert Systems with Applications》是爱思唯尔（Elsevier）旗下的期刊之一，是人工智能、计算机科学、智能系统领域的权威期刊，主要收录专家与智能系统的分析、控制、优化、设计的前沿学术研究以及在工业、管理、经济、医疗等领域的实践应用成果。该期刊的最新SCI影响因子为7.5，中科院一区TOP期刊，JCR分区Q1。
入选论文介绍 |
论文题目：csKT: Addressing cold-start problem in knowledge tracing via kernel bias and cone attention |
作者：白友恒（暨南大学）、李薛毅（暨南大学）、刘子韬（暨南大学）、黄雅莹（暨南大学）、郭腾（暨南大学）、侯明良（好未来）、夏锋（皇家墨尔本理工大学）、罗伟其（暨南大学） |
通讯作者：刘子韬 |
摘要：知识追踪（KT）是基于学生在在线学习系统中的过去互动来预测他们未来表现的任务。当新学生以短互动序列进入系统时，KT中常常会出现冷启动问题。虽然现有的基于深度学习的KT模型表现出色，但这些模型要在较短的学生交互序列上进行训练，并随着学生交互次数的增加而保持稳定的预测精度，仍然具有挑战性。在本文中，我们提出了冷启动知识追踪（csKT）来解决这个问题。具体而言，csKT采用核偏差来从短序列中学习，并确保在较长序列中进行准确预测，同时引入了锥形注意力机制，以更好地捕捉冷启动场景中知识概念之间的复杂层次关系。我们在四个公开的实际教育数据集上评估了csKT，在冷启动场景中，csKT表现优于一系列基于深度学习的KT模型。此外，我们还进行了消融研究，并通过可视化验证了csKT模型的有效性。为了支持可重复的研究，我们已将所有数据集和相应代码公开，访问地址为：https://pykt.org/。 |
