教育大数据中认知跟踪模型研究进展

胡学钢 刘 菲 卜晨阳

(大数据知识工程教育部重点实验室(合肥工业大学) 合肥 230601)

(合肥工业大学计算机与信息学院 合肥 230601)

(合肥工业大学大知识科学研究院 合肥 230601)

教育信息化的不断发展产生了海量的教育数据，如何对教育大数据进行挖掘和分析成为了教育领域[1]和大数据知识工程领域[2-5]亟待解决的问题.由于学生在学习过程中的行为表现、认知状态和心理因素是评估其学习成效的关键因素[6]，且这些因素随着时间的推移不断变化，因此构建面向动态学习数据的学生模型具有重要的研究意义.认知跟踪(knowledge tracing, KT)模型[7]旨在面向学生不同时刻作答习题的得分表现数据，跟踪学生的认知状态并预测学生在未来时刻的作答表现，具有重要的研究价值和广泛的应用前景[8-10].

如图1所示，认知跟踪模型属于面向动态数据的学生模型.在认知跟踪模型中，学生对习题的作答表现为可观测的变量，学生的认知状态为不可观测的隐变量[11].1994年Corbett等人[7]基于包含观测变量和隐变量的隐Markov模型(hidden Markov model, HMM)构建了贝叶斯认知跟踪(Bayesian knowledge tracing, BKT)模型.随后，学者们分别从变量表示方式、数据特征信息、建模方法等方面展开了对认知跟踪模型的研究.针对变量表示方式，部分认知跟踪模型(包括BKT模型)采用“0-1”二元表示方法，分别表示隐变量中学生的“未掌握-掌握”认知状态及观测变量中学生的“错误-正确”作答表现[12-14]；除二元表示方法外，部分认知跟踪模型采用多元表示方法增强模型的表示……