传知代码-深度知识追踪(论文复现)

代码以及视频讲解

本文所涉及所有资源均在传知代码平台可获取

1. 论文概述

知识追踪的任务是对学生的知识进行建模，以便准确预测学生在未来的学习互动中的表现。简言之，我们利用学生的历史答题序列数据，通过分析学生与题目的交互结果，来推断学生当前的知识水平以及题目的特征，从而预测学生在未来题目上的表现。过去的模型大多依赖于人工定义的交互函数，例如IRT模型，该模型定义了学生能力参数以及题目的难度、区分度和猜测性参数。虽然也有改进不依赖交互函数的模型，如刘淇提出的NeuralCD模型，但它们更适用于对学生历史答题数据的静态评估，无法实现动态追踪，存在冷启动问题。
深度知识追《Deep Knowledge Tracing》踪将时间上“深度”的灵活递归神经网络(RNN)应用到知识追踪任务中。这一系列模型使用大量的人工“神经元”来表示潜在的知识状态及其时间动态，并且允许从数据中学习学生知识的潜在变量表示，而不是直接硬编码。通过这种方法，深度知识追踪模型解决了冷启动问题，并且能够动态追踪学生的知识状态变化，使得模型更适用于真实的学习情境。
这里对EduKTM的DKT方法进行改进，修改了参数，提高了正确率。

2. 论文方法

传统的递归神经网络(RNNs)将输入序列 映射为输出序列 ，这是通过计算一系列隐藏状态 实现的，隐藏状态可以被看做来自过去观测的相关信息的编码，用于对未来的预测，如下图所示：

具体地说，DKT首先根据学生的历史做题情况将每个学生的交互转换为输入序列，以便RNN模型可以处理。对于唯一练习数量较少的数据集，使用one-hot编码表示学生的每次交互，其中包括练习题的编号以及学生是否正确回答。而对于具有大量唯一练习的数据集，则采用随机向量表示每个交互，以避免one-hot编码的维度爆炸问题。
接着，DKT使用RNN模型对转换后的学生交互序列进行训练。这些模型将学生的历史信息编码为一系列隐藏状态，从而捕捉学生知识状态的时间动态。最后，DKT输出一个与练习数量相等的向量，其中每个条目表示学生在相应练习上回答正确的预测概率。通过这种方式，DKT能够实现对学生知识状态的动态追踪，从而提高了对学生未来表现的预测准确性。同时，由于采用了RNN等深度学习模型，DKT还能够适应不同规模和复杂度的学生交互数据集，具有较好的泛化能力。

3. 实验部分

3.1 数据集

Assistment 数据集是一个用于教育领域的常用数据集，用于研究和评估教育技术和学习分析模型。该数据集由来自辅助学习（Assistments）在线学习平台的真实学生交互数据组成。这些数据包括学生对在线练习题的回答情况、每个练习的元数据（如题目内容、难度等）、学生的个人信息（如年级、性别等）以及其他与学习过程相关的信息。

3.2 实验步骤

step1:安装环境依赖

step2:下载数据集，将其变成one-hot编码

step3:进行训练

3.3 实验结果

4 关键代码

import numpy as np
import torch
import torch.utils.data as Data
from torch.utils.data.dataset import Dataset
import tqdm


NUM_QUESTIONS = 123
BATCH_SIZE = 64
HIDDEN_SIZE = 10
NUM_LAYERS = 1


def get_data_loader(data_path, batch_size, shuffle=False):
    data = torch.FloatTensor(np.load(data_path))
    data_loader = Data.DataLoader(data, batch_size=batch_size, shuffle=shuffle)
    return data_loader


train_loader = get_data_loader('./data/2009_skill_builder_data_corrected/train_data.npy', BATCH_SIZE, True)
test_loader = get_data_loader('./data/2009_skill_builder_data_corrected/test_data.npy', BATCH_SIZE, False)
#%% md
# Training and Persistence
#%%
import logging
logging.getLogger().setLevel(logging.INFO)
#%%
from EduKTM import DKT

dkt = DKT(NUM_QUESTIONS, HIDDEN_SIZE, NUM_LAYERS)
dkt.train(train_loader, epoch=30)
dkt.save("dkt.params")
#%% md
# Loading and Testing
#%%
dkt.load("dkt.params")
auc = dkt.eval(test_loader)
print("auc: %.6f" % auc)

源码下载