GIKT: Ein graphenbasiertes Interaktionsmodell für das Wissensverfolgung

Mit der rasanten Entwicklung des Online-Lernens ist das Wissensverfolgung (Knowledge Tracing, KT) zu einem zentralen Problem geworden, das die Wissenslage von Lernenden verfolgt und deren Leistung bei neuen Aufgaben vorhersagt. In Online-Lernsystemen sind Aufgaben oft zahlreich, stehen jedoch in der Regel in Verbindung mit deutlich weniger Fähigkeiten. Die bisherige Forschung berücksichtigt jedoch weder die Aufgabeninformationen noch hochwertige Korrelationen zwischen Aufgaben und Fähigkeiten, was hauptsächlich auf Daten-Sparsamkeit und das Problem mehrerer Fähigkeiten pro Aufgabe zurückzuführen ist. Aus modelltheoretischer Sicht können frühere Ansätze die langfristigen Abhängigkeiten im Übungsverlauf der Lernenden kaum erfassen und die Wechselwirkungen zwischen Lernenden–Aufgaben sowie Lernenden–Fähigkeiten nicht konsistent modellieren. In diesem Artikel stellen wir ein graphbasiertes Interaktionsmodell für die Wissensverfolgung (Graph-based Interaction model for Knowledge Tracing, GIKT) vor, um diese Probleme anzugehen. Insbesondere nutzt GIKT Graph-Convolutional Networks (GCN), um über Embedding-Propagation die Korrelationen zwischen Aufgaben und Fähigkeiten signifikant zu integrieren. Zudem berücksichtigt GIKT, dass relevante Aufgaben in der Regel über den gesamten Übungsverlauf verteilt sind und dass Aufgaben und Fähigkeiten lediglich unterschiedliche Manifestationen von Wissen darstellen. Daher verallgemeinert GIKT das Maß für das Beherrschen einer Aufgabe auf die Interaktionen zwischen dem aktuellen Zustand des Lernenden, seinen vorherigen relevanten Übungen, der Ziel-Aufgabe und den zugehörigen Fähigkeiten. Experimente an drei Datensätzen zeigen, dass GIKT die neue State-of-the-Art-Leistung erreicht, wobei die AUC-Werte mindestens um 1 Prozentpunkte ansteigen.