17 天前

SAINT+:融合时间特征的EdNet正确性预测

Dongmin Shin, Yugeun Shim, Hangyeol Yu, Seewoo Lee, Byungsoo Kim, Youngduck Choi
SAINT+:融合时间特征的EdNet正确性预测
摘要

我们提出SAINT+,作为SAINT模型的改进版本。SAINT是一种基于Transformer架构的知识追踪模型,能够分别处理题目信息与学生作答信息。沿用SAINT的编码器-解码器结构,SAINT+的编码器通过自注意力层对题目嵌入序列进行处理,而解码器则交替应用自注意力层与编码器-解码器注意力层,分别作用于作答嵌入序列与编码器输出。此外,SAINT+在作答嵌入中引入了两种时间特征嵌入:耗时(elapsed time),即学生完成作答所花费的时间;以及间隔时间(lag time),即相邻学习活动之间的时间间隔。我们在教育领域最大的公开基准数据集EdNet上对SAINT+的性能进行了实证评估。实验结果表明,SAINT+在知识追踪任务中达到了当前最优水平,相较于当前EdNet数据集上的最先进模型SAINT,其受试者工作特征曲线下面积(AUC)提升了1.25%。

SAINT+:融合时间特征的EdNet正确性预测 | 最新论文 | HyperAI超神经