ترجمه فارسی مقاله DyGKT: یادگیری پویای گراف برای ردیابی دانش

چکیده

Knowledge Tracing aims to assess student learning states by predicting their performance in answering questions. Different from the existing research which utilizes fixed-length learning sequence to obtain the student states and regards KT as a static problem, this work is motivated by three dynamical characteristics: 1) The scales of students answering records are constantly growing; 2) The semantics of time intervals between the records vary; 3) The relationships between students, questions and concepts are evolving. The three dynamical characteristics above contain the great potential to revolutionize the existing knowledge tracing methods. Along this line, we propose a Dynamic Graph-based Knowledge Tracing model, namely DyGKT. In particular, a continuous-time dynamic question-answering graph for knowledge tracing is constructed to deal with the infinitely growing answering behaviors, and it is worth mentioning that it is the first time dynamic graph learning technology is used in this field. Then, a dual time encoder is proposed to capture long-term and short-term semantics among the different time intervals. Finally, a multiset indicator is utilized to model the evolving relationships between students, questions, and concepts via the graph structural feature. Numerous experiments are conducted on five real-world datasets, and the results demonstrate the superiority of our model. All the used resources are publicly available at https://github.com/PengLinzhi/DyGKT.

چکیده به فارسی (ترجمه ماشینی)

هدف ردیابی دانش با پیش بینی عملکرد آنها در پاسخ به سؤالات ، ارزیابی حالتهای یادگیری دانش آموزان است.متفاوت از تحقیقات موجود که از دنباله یادگیری به طول ثابت برای به دست آوردن حالتهای دانشجویی استفاده می کند و KT را به عنوان یک مشکل استاتیک می داند ، این کار با سه ویژگی دینامیکی انگیزه می یابد: 1) مقیاس دانش آموزان که به سوابق پاسخ می دهند دائما در حال رشد هستند.2) معناشناسی فواصل زمانی بین سوابق متفاوت است.3) روابط بین دانش آموزان ، سؤالات و مفاهیم در حال تحول است.سه ویژگی دینامیکی فوق حاوی پتانسیل بزرگی برای انقلابی در روشهای ردیابی دانش موجود است.در طول این خط ، ما یک مدل ردیابی دانش مبتنی بر نمودار پویا ، یعنی Dygkt را پیشنهاد می کنیم.به طور خاص ، یک نمودار پاسخ به سؤال پویا در زمان مداوم برای ردیابی دانش برای مقابله با رفتارهای بی نهایت در حال رشد در حال رشد ساخته شده است ، و لازم به ذکر است که این اولین بار است که از فناوری یادگیری نمودار پویا در این زمینه استفاده می شود.سپس ، یک رمزگذار زمان دوگانه برای ضبط معانی بلند مدت و کوتاه مدت در بین فواصل زمانی مختلف پیشنهاد شده است.سرانجام ، از یک شاخص Multiset برای الگوبرداری از روابط در حال تحول بین دانش آموزان ، سؤالات و مفاهیم از طریق ویژگی ساختاری نمودار استفاده می شود.آزمایش های بی شماری در پنج مجموعه داده در دنیای واقعی انجام شده است ، و نتایج نشان دهنده برتری مدل ما است.تمام منابع استفاده شده در https://github.com/penglinzhi/dygkt در دسترس عموم است.