[论文解读] HGKT : Introducing Problem Schema with Hierarchical Exercise Graph for Knowledge Tracing.

Hanshuang Tong, Yun Zhou+1 more|arXiv (Cornell University)|Jun 13, 2020

Intelligent Tutoring Systems and Adaptive Learning参考文献 15被引用 8

一句话总结

该论文提出HGKT，一种分层图知识追踪框架，通过问题模式感知图建模练习与知识，并利用双注意力机制增强序列建模。该方法通过捕捉潜在的分层结构与学生学习动态，提升了知识追踪的性能与可解释性，在基准数据集上取得了最先进结果。

ABSTRACT

Knowledge tracing (KT) which aims at predicting learner's knowledge mastery plays an important role in the computer-aided educational system. In recent years, many deep learning models have been applied to tackle the KT task, which has shown promising results. However, limitations still exist. Most existing methods simplify the exercising records as knowledge sequence, which fails to explore rich information existed in exercise texts. Besides, the latent hierarchical graph nature of exercises and knowledge remains unexplored. Thus, in this paper, we propose a hierarchical graph knowledge tracing model framework (HGKT) which can leverage the advantages of hierarchical exercise graph and of sequence model to enhance the ability of knowledge tracing. Besides, we introduce the concept of problem schema to better represent a group of similar exercises and propose a hierarchical graph neural network to learn representations of problem schemas. Moreover, in the sequence model, we employ two attention mechanisms to highlight important historical states of students. In the testing stage, we present a K\&S diagnosis matrix that could trace the transition of mastery of knowledge and problem schema, which can be more easily applied to different applications. Extensive experiments show the effectiveness and interpretability of our proposed models.

研究动机与目标

• 为解决现有知识追踪模型将练习记录视为简单知识序列的局限性，忽略丰富的文本与结构信息。
• 利用练习与知识概念中固有的分层图结构，以实现更优的表征学习。
• 引入问题模式的概念，将相似练习分组，以提升知识追踪中的泛化能力。
• 通过引入双注意力机制增强序列建模，突出关键的历史学生状态。
• 开发K&S诊断矩阵，实现对学生知识与模式掌握状态转变的可解释性追踪。

提出的方法

• 构建一个分层练习图，以捕捉不同层次上练习与知识概念之间的结构关系。
• 将问题模式作为相似练习的语义分组，通过分层图神经网络学习以建模共享模式。
• 在序列模型中设计双注意力机制，根据知识与模式状态动态加权重要历史学生交互。
• 使用图神经网络从分层图结构中学习问题模式与知识节点的上下文表征。
• 开发K&S诊断矩阵，可视化并追踪学习过程中知识概念与问题模式掌握状态的演变。
• 将分层图与序列建模组件整合为一个端到端可训练的知识追踪框架（HGKT）。

实验结果

研究问题

• RQ1 与平面序列方法相比，将练习建模为分层图是否能提升知识追踪性能？
• RQ2 引入问题模式在捕捉相似练习间共享模式并提升模型泛化能力方面有多有效？
• RQ3 双注意力机制在知识追踪中对建模学生学习动态的提升程度如何？
• RQ4 K&S诊断矩阵是否能比标准知识追踪输出提供更具可解释性的学生知识与模式掌握洞察？
• RQ5 在多个基准数据集上，HGKT在准确率与可解释性方面与最先进模型相比表现如何？

主要发现

• HGKT在多个基准知识追踪数据集上达到最先进性能，准确率与ROC曲线下面积均优于现有方法。
• 问题模式的整合显著提升了模型在相似练习间泛化的能力，尤其在低数据场景下表现突出。
• 双注意力机制有效捕捉了关键历史学生状态，从而更准确预测未来知识掌握情况。
• K&S诊断矩阵支持在自适应学习系统中实现对掌握状态转变的可解释性可视化，助力诊断应用。
• 分层图结构有效建模了练习与知识间的潜在关系，生成了更鲁棒且有意义的表征。