融合习题难度和作答经验的深度知识追踪模型

针对现有的深度知识追踪模型缺乏对习题和学生特征信息综合考虑的问题,文章提出融合习题难度和作答经验的深度知识追踪模型(DKT-DE)。该模型通过分析作答序列评估习题的难度和学生的作答经验来丰富模型输入层的特征信息,从而提高模型的预测性能。最后,在3个公共数据集(ASSISTments2009、ASSISTments2015、ASSISTments2017)上,对DKT-DE模型与5个基线模型(BKT、DKT、DKT+、DKVMN、SAKT模型)进行对比实验和消融实验。对比实验结果表明DKT-DE模型能够更准确地评估学生的知识掌握状态：与基线模型中表现最好的DKT+模型相比,DKT-DE模型在ASSISTments2009、ASSISTments2015、ASSISTments2017数据集上的AUC平均值分别提升了2.78%、2.44%、1.5%。而消融实验结果进一步证明习题难度和学生作答经验对提升模型预测能力都起到了积极的贡献。