文献类型：期刊文章

作　　者：魏思[1] 沈双宏[2,3] 黄振亚[2] 刘淇[2] 陈恩红[2,3] 苏喻[1] 王士进[1]

WEI Si;SHEN Shuanghong;HUANG Zhenya;LIU Qi;CHEN Enhong;SU Yu;WANG Shijin(State Key Laboratory of Cognitive Intelligence,iFLYTEK Co.,Ltd,Hefei,Anhui 230088,China;Anhui Province Key Laboratory of Big Data Analysis and Application,School of Computer Science and Technology,University of Science and Technology of China,Hefei,Anhui 230027,China;School of Data Science,University of Science and Technology of China,Hefei,Anhui 230027,China)

机构地区：[1]认知智能国家重点实验室(科大讯飞),安徽合肥230088 [2]中国科学技术大学计算机科学与技术学院大数据分析与应用安徽省重点实验室,安徽合肥230027 [3]中国科学技术大学大数据学院,安徽合肥230027

出　　处：《中文信息学报》

基　　金：国家重点研究与发展计划项目(2018YFB1005105),国家自然科学基金(61922073,U20A20229,62106244)。

年　　份：2022

卷　　号：36

期　　号：4

起止页码：146-155

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、JST、RCCSE、ZGKJHX、核心刊

摘　　要：知识追踪是一项评估学生学习过程中知识状态演变情况的任务。现有大多数方法都致力于探索不同的知识状态评估方法。然而,答题过程中更为基础的题目表征受到的关注相对较少。因此,该文提出了一种融合通用题目表征学习的神经知识追踪框架。具体地,该文首先设计了一种通用的题目表征方法,通过知识点、难度和题目独有特征来区分题目。然后,采用现有知识追踪方法同时捕捉知识状态演变并学习题目表征。最后,利用知识状态和待回答题目表征的内积来模拟回答过程。在三个真实数据集上的实验结果表明,该文方法可以在知识追踪过程中学习精确有效的题目表征,并且显著提升了基线知识追踪方法的性能,使其能够超过现有最优方法。

关 键 词：题目表征  知识追踪  深度学习  数据挖掘

分 类 号：TP391]