基于注意力机制的深度知识追踪模型研究

周 凯，强 彦，王佳文，王梦南

(太原理工大学 信息与计算机学院，太原 030024)

现阶段电子化在线教育的主要模式为大规模开放在线课程 ，即“慕课”(massive open online courses，MOOC).慕课平台相对传统学校教育形式有着多种优势，但也因为其大规模性以及线上性存在一些短板。研究者们关注的一个问题是慕课平台在个性化指导方面的不足。参与在线教育平台的学生固然可以自由浏览和选择课程，但由于课程的参与人数众多以及教师的课程发布与学生的课程学习并不同时，学生在学习时往往缺少传统课堂那样的及时反馈与指导。面对这种情况，在教育领域提出的解决方案是“智能导学系统”(intelligent tutoring system，ITS).该系统的一个预期功能是自动地制订适合学习者的学习活动和教学策略。为了构建有效的智能导学系统，对学习者进行建模是必要的。知识追踪(knowledge tracing)是学习者建模中的一个重要研究。

知识追踪即基于学生的历史练习记录，建立可表示和预测学生对于“知识组件”(knowledge component)或者说“技能”的掌握程度的模型的任务(如图1所示)。对知识追踪的研究主要从20世纪90年代开始[1]。

图1 通用知识追踪任务Fig.1 Universal knowledge tracing task

早期知识追踪任务应用了一些教育领域的传统方法，例如项目反应理论(item response theory，IRT).之后，机器学习建模的方法被引入到这一领域并逐渐确定出现有的知识追踪任务模式。较早被提出的基于机器学习的主要模型是贝叶斯知识追踪(bayesian knowledge tracing，BKT)[2-3].

2015年起，循环神经网络(RNN)及其变体开始在知识追踪任务中得到应用，并且逐渐成为了该方面研究的主流方法。……