Revisiting Applicable and Comprehensive Knowledge Tracing in Large-Scale Data

知识追踪（KT）是智能辅导系统（ITS）的一个基本组成部分，它能够建模学生知识状态以预测未来表现。深度知识追踪（DKT）作为第一个基于深度学习的KT模型（DLKT），在适用性和全面性方面带来了显著优势。然而，最近的DLKT模型，如注意力知识追踪（AKT），常常为了提高预测性能而牺牲了这些优势。虽然像DKT这样的深度序列模型展示了潜力，但它们在并行计算、存储决策修改和有限存储容量方面面临挑战。为了解决这些局限性，我们提出了DKT2，这是一种新型的KT模型，利用了最近开发的xLSTM架构。DKT2通过Rasch模型增强输入表示，并结合项目反应理论（IRT）以提高可解释性，从而将所学知识分解为熟悉和不熟悉的知识。通过将这种知识与预测问题相结合，DKT2生成了综合的知识状态。在三个大规模数据集上进行的广泛实验表明，DKT2在各种预测任务中始终优于17个基准模型，突显了其在实际教育应用中的潜力。这项工作弥合了KT领域理论进展与实际应用之间的差距。我们的代码和数据集将在https://github.com/codebase-2025/DKT2提供。

该论文试图解决现有深度学习知识追踪（DLKT）模型在提高预测性能时牺牲了适用性和全面性的问题，特别是在面对并行计算、存储决策修改和有限存储容量等挑战时。这并不是一个全新的问题，但论文提出了新的方法来改进这些问题。

论文的关键思路是引入DKT2模型，该模型基于xLSTM架构，并结合Rasch模型和项目反应理论（IRT），以增强输入表示和解释性。通过这种方式，DKT2能够将学习到的知识分解为熟悉和不熟悉的知识，并生成更全面的知识状态。这一思路的新颖之处在于它不仅提高了预测性能，还保留了DLKT模型的适用性和全面性。

论文的其他亮点包括：1) 在三个大规模数据集上进行了广泛的实验，证明了DKT2在各种预测任务中的一致优越性；2) 提出了一个创新的框架，将熟悉和不熟悉的知识进行区分，从而增强了模型的解释性；3) 提供了开源代码和数据集，便于后续研究者复现结果和进一步研究。未来可以继续深入研究如何更好地结合认知心理学理论与深度学习模型，以提升教育技术的应用效果。

最近在这个领域内的相关研究还包括：1) Attentive Knowledge Tracing (AKT)，该研究专注于通过注意力机制提高预测准确性；2) Deep Knowledge Tracing (DKT)，首次引入深度学习到知识追踪中；3) Personalized Educational Recommendation Systems，探索个性化推荐系统在教育中的应用。这些研究共同推动了智能辅导系统的发展，但DKT2在保持高性能的同时，更加注重模型的解释性和实用性。