廣東智慧教育研究院師生論文被中科院一區(qū)TOP期刊Information Fusion錄用
暨南大學融媒體中心訊 近日，暨南大學廣東智慧教育研究院師生投稿的論文：《Dual-attentional time-aware fusion networks for knowledge tracing》被人工智能領域期刊Information Fusion錄用。
Information Fusion創(chuàng)刊于2000年。聚焦多傳感器、多源、多過程信息融合的跨學科研究，涵蓋算法、架構與應用三大方向，旨在促進人工智能、數(shù)據(jù)科學、工程技術的協(xié)同創(chuàng)新等。Information Fusion現(xiàn)在位于中科院一區(qū)，計算機科學大類。小類的人工智能和理論方法同屬中科院一區(qū)，學術影響力強。其2024-2025年影響因子為15.5，目前最新影響因子為15.654。
入選論文介紹
論文題目：Dual-attentional time-aware fusion networks for knowledge tracing
作者：黃淑妍（好未來）、劉子韜（暨南大學）、劉瓊瓊（好未來）、陳佳豪（好未來）、黃雅瑩（暨南大學）
通訊作者：劉子韜
摘要：知識追蹤（Knowledge Tracing, KT）是一種通過觀察學生的歷史學習過程來預測其未來表現(xiàn)的重要技術。這一過程的一個關鍵挑戰(zhàn)在于KT模型需要具備靈活性和適應性，以反映學生特定的時間行為，尤其是在學生特定的數(shù)據(jù)高度稀疏且非均勻采樣的情況下。為了解決這一問題，我們提出了一種雙注意力時間感知知識追蹤模型（Dual-Attentional Time-Aware Knowledge Tracing, DaTaKT），通過捕捉時間感知模式來提升原始自注意力知識追蹤模型的預測性能。具體來說，我們的DaTaKT模型利用雙注意力機制，從時間和問題兩個角度捕捉練習與學生反應之間的關系。此外，我們設計了一個區(qū)分因子，能夠同時表示以問題為中心的信息并避免數(shù)據(jù)稀疏問題。我們在三個真實的教育知識追蹤數(shù)據(jù)集上評估了這一時間感知KT模型，并與多種基于深度學習的KT基線模型進行了對比。結果表明，我們的方法在非均勻交互序列的預測任務中具有顯著的優(yōu)勢和優(yōu)越性能。此外，我們還進行了消融研究和定量分析，進一步展示了時間相關因子的有效性以及DaTaKT卓越的預測效果。
責編：陳國瓊