Deep Knowledge Tracing with Transformers
Deep Knowledge Tracing with Transformers
复制标题
DOI：
10.1007/978-3-030-52240-7_46
复制
发表时间：
2020-06-10
期刊：
影响因子：
--
通讯作者：
Huang Y
中科院分区：
文献类型：
--
作者：
Pu S;Yudelson M;Ou L;Huang Y
在这项工作中，我们提出了一个基于转换器的模型来跟踪学生的知识获取。我们修改了Transformer结构，以利用1)问题和技能之间的关联以及2)问题步骤之间经过的时间。问题-技能关联的使用允许模型学习经常遇到的问题的特定表示，同时用它们的下划线技能表示罕见的问题。将流逝的时间包含进来，就有机会解决遗忘问题。对于经常使用的公共数据集，我们的方法在AUC方面比文献中最先进的方法高出大约10%。
In this work, we propose a Transformer-based model to trace students’ knowledge acquisition. We modified the Transformer structure to utilize 1) the association between questions and skills and 2) the elapsed time between question steps. The use of question-skill associations allows the model to learn specific representation for frequently encountered questions while representing rare questions with their underline skill representations. The inclusion of elapsed time opens the opportunity to address forgetting. Our approach outperforms the state-of-the-art methods in the literature by roughly 10% in AUC with frequently used public datasets.