融入课程知识图谱的KMAKT预测OA北大核心CSTPCD
Prediction Using KMAKT Integrated with Course Knowledge Graph
现有多数深度知识追踪模型的知识追踪结果的可解释性弱,且忽视了习题与知识点的内在关联性对知识追踪效果与预测结果的影响.针对上述问题,提出一种用于学生表现预测的结合课程知识图谱与多头注意力机制的知识追踪(KMAKT)模型.首先,采用Word2Vec和双向长短期记忆(BiLSTM)网络将习题作答序列数据转换为低维稠密向量,利用图嵌入模型TransR进行课程知识图谱嵌入表示,并使用多头注意力机制计算过往习题作答序列对当前知识状态的贡献程度;然后,通过注意…查看全部>>
Most existing deep knowledge tracking models have weak interpretability of knowledge tracking results and overlook the impact of the inherent correlation between exercises and knowledge points on the effectiveness of knowledge tracking and prediction results.To address these issues,this study proposes a course Knowledge graph and Multi-head Attention mechanism-based Knowledge Tracing(KMAKT)model to predict student performance.First,Word2Vec and Bidirectional…查看全部>>
王炼红;林飞鹏;李潇瑶;谌桂枝;周莉
湖南大学电气与信息工程学院,湖南 长沙 410082湖南大学电气与信息工程学院,湖南 长沙 410082中南林业科技大学计算机与信息工程学院,湖南 长沙 410004湖南汽车工程职业学院信息工程学院,湖南 株洲 412001湖南大学电气与信息工程学院,湖南 长沙 410082
计算机与自动化
表现预测课程知识图谱注意力机制知识追踪长短期记忆网络语义特征
performance predictioncourse knowledge graphattention mechanismknowledge tracingLong Short-Term Memory(LSTM)networksemantic feature
《计算机工程》 2024 (7)
23-31,9
国家自然科学基金(62377010)湖南省教育厅科学研究重点项目(22A0021).
评论