基于交互序列特征相关性的可解释知识追踪
Interpretable knowledge tracing based on the feature relevance of interaction sequence作者机构:江苏师范大学计算机科学与技术学院江苏徐州221116 江苏省教育信息化工程技术研究中心江苏徐州221116 徐州市云计算工程技术研究中心江苏徐州221116
出 版 物:《山东大学学报(工学版)》 (Journal of Shandong University(Engineering Science))
年 卷 期:2024年第54卷第1期
页 面:100-108页
核心收录:
学科分类:081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金资助项目(61872168) 江苏省教育科学十四五规划资助项目(d/2021/01/112) 江苏师范大学研究生科研与实践创新计划资助项目(2022XKT1527)
摘 要:为提高知识追踪(knowledge tracing,KT)模型的可解释性,提出适用于KT事后可解释性的Shapley Value和ISP算法以及可解释性评价指标和谐度,以KT领域经典的深度学习模型DKT为例,计算历史交互与预测结果之间的相关性分数,解释DKT的预测结果。Shapley Value算法计算每次交互对预测结果的贡献,将贡献视为相关性分数;ISP算法基于原序列和模型自身的推理能力构造伪标签,实现对原序列的扰动,计算相关性分数;基于解释方法计算出的相关性分数,使用和谐度指标评价各方法的解释效果。在试验层面,5个公开数据集上的试验结果表明,相对于最优的基线方法,本研究提出的方法取得显著的可解释性效果提升;在具体应用层面,利用可解释性挖掘知识点之间的偏序关系,帮助学生探究更加合理的学习顺序。