DKTwMF：一种融合多特征的知识追踪模型

王 斌，盛宇轩，冀星昀

(中南大学 计算机学院，湖南 长沙 410083)

0 引 言

近年来，随着在线教育逐渐被人们认可，慕课网、网易云课堂、Coursera和Khan Academy等大型在线开放式网络课程(massive open online courses，MOOC)平台由于其高质量的在线课程，吸引了全球范围内的大量用户注册使用[1]。特别是在疫情防控期间，教育部要求在确保全体师生健康的基础上做好“停课不停学”工作，各地高校利用各大MOOC平台，开展了大规模的线上教学[2]。利用从这些平台收集的数据，研究人员能够深入了解学生的学习过程，进而为教师、学生提供个性化服务，这引发了对教育数据挖掘(educational data mining，EDM)的更多关注[3-5]。

知识追踪是教育数据挖掘领域的一个重要研究课题[6-7]，其目标是随着时间推移不断对学生知识掌握状态进行建模，通过估计学生的知识掌握程度[7]，预测学生在后续练习中的表现状况。知识追踪模型被广泛应用于教育系统中，实现了学习评价的智能化，有助于推进个性化教育。知识追踪的方法主要分为三类[8]。第一类是基于概率图模型的知识追踪，代表性模型是贝叶斯知识追踪模型(Bayes knowledge tracing，BKT)[9-10]。该模型使用隐马尔可夫模型(hidden Markov model，HMM)学习学生知识状态，用一组二进制变量表示学生是否掌握相应的知识。BKT可以通过严格的公式推导得到学生知识掌握情况、下次作答的预测结果，具有很强的解释性。但是由于该模型需要对各个知识单独建模(即只保留了练习的相对顺序)，模型不能充分考虑知识之间的相互作用。第二类是基于矩阵分解的知识追踪，如概率矩阵分解(PMF)。……