Mamba4KT:An Efficient and Effective Mamba-based Knowledge Tracing Model

知识追踪（KT）通过利用过去的表现来预测未来的表现，从而增强学生的学习效果。目前的研究利用基于注意机制和递归神经网络结构的模型来捕捉练习之间的长期依赖关系和相关性，以提高模型的准确性。由于智能教育场景中数据量的增加，这对知识追踪模型的时间和空间消耗构成了挑战。然而，现有的研究经常忽视模型训练和推理的效率以及训练资源的限制。认识到在知识追踪中优先考虑模型效率和资源使用的重要性，我们介绍了Mamba4KT。这种新型模型是第一个探索知识追踪中增强效率和资源利用的模型。我们还研究了Mamba结构在序列级别和练习级别上的可解释性，以增强模型的可解释性。在三个公共数据集上的实验结果表明，Mamba4KT实现了与最先进模型相当的预测准确性，同时显著提高了训练和推理效率以及资源利用率。随着教育数据的不断增长，我们的工作为知识追踪提供了一个有前途的研究方向，可以同时提高模型的预测准确性、模型效率、资源利用率和可解释性。

本文试图提高知识追踪模型的效率和资源利用率，同时提高模型的可解释性。

本文提出了一种新的知识追踪模型Mamba4KT，该模型在保持预测准确性的同时，提高了训练和推理的效率和资源利用率，并且具有较好的可解释性。

本文在三个公共数据集上进行了实验，结果表明Mamba4KT模型的预测准确性与最先进的模型相当，并且在训练和推理效率和资源利用率方面显著优于其他模型。此外，本文还探讨了Mamba结构的可解释性，包括序列级别和练习级别。

在这个领域中，最近的相关研究包括：1. 'A Deep Learning Approach to Automatic Short Answer Scoring'；2. 'A Comparative Study of Sequence Modeling for Student Performance Prediction'；3. 'A Multi-task Learning Framework for Educational Content Understanding and Question Answering'。