个性化的遗忘机制与概念驱动的知识追踪
内容提要
本文提出了改进的知识追踪模型，包括遗忘感知线性偏差（FoLiBi）和动态键值记忆网络（DKVMN），旨在提高学生知识掌握的预测准确性。这些模型在处理稀疏数据和动态掌握评估方面表现优异，有效减轻答案偏差，提升个性化学习效果。
延伸解读
遗忘行为建模的改进思路
文章指出，FoLiBi 通过将遗忘行为视为线性偏差，并解耦问题相关性与遗忘行为，从而提升知识追踪模型的预测准确性。在四个基准数据集上，AUC 最高提升了 2.58%。这一方法表明，显式建模遗忘行为有助于更准确地反映学生知识状态的变化，为知识追踪研究提供了简单有效的改进方向。
动态键值记忆网络的特点
DKVMN 是一种动态键值记忆网络，能够个性化练习顺序，输出每个概念的学生掌握程度，并发现潜在的练习概念及描绘知识变化。文章提到，该模型在知识追踪数据集上优于先前模型。这表明 DKVMN 在捕捉学生知识动态和提供个性化学习支持方面具有潜力。
答案偏差与因果去偏框架
文章观察到知识追踪中存在普遍的答案偏差现象，即每个问题的正确和错误答案分布高度不平衡。为此，作者从因果关系角度提出 CORE 框架，通过从总因果效应中减去直接因果效应来进行去偏推理。该框架适用于多种知识追踪模型，并在三个基准数据集上验证了有效性，为减轻偏差提供了新思路。
Q&A
什么是遗忘感知线性偏差（FoLiBi）？
FoLiBi 是一种通过解耦问题相关性与遗忘行为来改善知识追踪模型预测准确性的机制。
动态键值记忆网络（DKVMN）有什么优势？
DKVMN 能够个性化练习顺序，输出学生掌握程度，并发现潜在练习概念，表现优于先前模型。
CORE框架的目的是什么？
CORE框架旨在减轻答案偏差，通过因果关系处理知识追踪任务。
FoLiBi在基准数据集上的表现如何？
FoLiBi 在四个基准数据集上提高了最高 2.58% 的 AUC。
知识追踪模型的主要目标是什么？
知识追踪模型旨在通过学生与概念相关问题的学习互动来监控他们不断变化的知识状态。
如何处理知识追踪中的答案偏差问题？
通过CORE框架，从因果关系的角度进行debias推理，减轻答案偏差。
