廣東智慧教育研究院師生論文被中科院一區(qū)TOP期刊TKDE錄用
暨南大學(xué)融媒體中心訊 近日，我院劉子韜教授以第一作者身份發(fā)表題為Deep Learning Based Knowledge Tracing: A Review, A Tool and Empirical Studies的論文被CCF A類期刊《IEEE Transactions on Knowledge and Data Engineering 》（2024年影響因子8.9）錄用。論文系統(tǒng)性地梳理了深度學(xué)習(xí)知識(shí)追蹤模型的發(fā)展路徑，提出統(tǒng)一框架GenKT，構(gòu)建標(biāo)準(zhǔn)化評(píng)測(cè)平臺(tái)PyKT，并開(kāi)展了大規(guī)模實(shí)證研究。
《IEEE Transactions on Knowledge and Data Engineering》（簡(jiǎn)稱TKDE）是IEEE旗下人工智能與數(shù)據(jù)科學(xué)領(lǐng)域的頂級(jí)國(guó)際期刊，主要聚焦于知識(shí)工程、數(shù)據(jù)工程、大數(shù)據(jù)智能分析與AI算法方法等方向的前沿研究。該期刊由IEEE計(jì)算機(jī)學(xué)會(huì)主辦，長(zhǎng)期致力于推動(dòng)智能系統(tǒng)與數(shù)據(jù)技術(shù)的交叉融合，在全球?qū)W術(shù)界具有廣泛影響力。TKDE為中科院一區(qū)TOP期刊，CCF推薦A類期刊，在人工智能與數(shù)據(jù)挖掘方向具有極高的學(xué)術(shù)聲譽(yù)和引用率。
入選論文介紹
論文題目：Deep Learning Based Knowledge Tracing: A Review, A Tool and Empirical Studies
作者：劉子韜（暨南大學(xué)）、郭騰（暨南大學(xué)）、梁倩茹（暨南大學(xué)）、侯明良（好未來(lái)）、占博浚（暨南大學(xué)）、湯繼良（密歇根州立大學(xué)）、羅偉其（暨南大學(xué)）、翁健（暨南大學(xué)）
通訊作者：郭騰、梁倩茹
摘要：近年來(lái)，基于深度學(xué)習(xí)的知識(shí)追蹤（Deep Learning Based Knowledge Tracing, DLKT）方法在教育智能系統(tǒng)中得到了廣泛應(yīng)用，但當(dāng)前研究面臨兩大突出問(wèn)題：一是模型設(shè)計(jì)方法高度同質(zhì)化，創(chuàng)新性不足；二是評(píng)估流程缺乏統(tǒng)一標(biāo)準(zhǔn)，導(dǎo)致即便在相同數(shù)據(jù)集上，不同研究報(bào)告的模型效果也存在明顯差異，影響了模型比較的公平性與研究復(fù)現(xiàn)的可靠性。為解決上述問(wèn)題，該論文首先提出了一個(gè)統(tǒng)一的DLKT分析框架GenKT，從多模態(tài)數(shù)據(jù)表征、學(xué)生知識(shí)記憶建模、輔助知識(shí)基底構(gòu)建與學(xué)習(xí)結(jié)果目標(biāo)設(shè)計(jì)四個(gè)維度對(duì)現(xiàn)有主流模型進(jìn)行歸納整合，系統(tǒng)性梳理了DLKT的發(fā)展脈絡(luò)與演化趨勢(shì)。其次，作者開(kāi)發(fā)并開(kāi)源了一個(gè)標(biāo)準(zhǔn)化DLKT實(shí)驗(yàn)平臺(tái)PyKT，平臺(tái)集成了對(duì)9個(gè)主流教育數(shù)據(jù)集的預(yù)處理流程和21個(gè)DLKT模型的實(shí)現(xiàn)，支持端到端的訓(xùn)練、評(píng)估與可視化，并引入多種真實(shí)教育場(chǎng)景下的評(píng)測(cè)協(xié)議，以實(shí)現(xiàn)模型效果的可重復(fù)、可公平比較。在此基礎(chǔ)上，論文還圍繞PyKT進(jìn)行了大規(guī)模實(shí)證研究，從多個(gè)維度分析并比較了不同DLKT模型在復(fù)雜交互數(shù)據(jù)下的性能表現(xiàn)、穩(wěn)定性與適用性。研究結(jié)果揭示了當(dāng)前模型在不同數(shù)據(jù)規(guī)模、序列長(zhǎng)度和建模特征下的優(yōu)劣差異，為未來(lái)DLKT模型的設(shè)計(jì)與優(yōu)化提供了詳實(shí)的實(shí)驗(yàn)參考。最后，論文還展望了知識(shí)追蹤未來(lái)的發(fā)展方向，指出應(yīng)加強(qiáng)模型的可解釋性、多模態(tài)融合能力以及在實(shí)際教學(xué)場(chǎng)景中的落地性與適應(yīng)性。
責(zé)編：常凱麗