MFcKT:基于三阶段记忆流控制的知识追踪

信息科学 人工智能
知识追踪 时间序列预测 教育数据挖掘 记忆处理 认知过程

学术背景

随着人工智能（AI）技术的快速发展，智能教育系统（Intelligent Tutoring Systems, ITS）如Khan Academy和Coursera在个性化学习方面取得了显著进展。知识追踪（Knowledge Tracing, KT）作为ITS中的关键技术，旨在通过分析学生的学习数据来推断其知识掌握情况，并预测其未来的学习表现。尽管近年来KT领域取得了诸多进展，但现有模型在模拟记忆结构方面存在不足，导致学生显性学习与隐性记忆转换之间的不一致性。为了解决这一问题，华中师范大学等机构的研究团队提出了一种基于记忆流控制的三阶段知识追踪模型（Memory Flow-controlled Knowledge Tracing with Three Stages, MFcKT），旨在通过模拟记忆的三个阶段（感官记忆注册、短期记忆编码和长期记忆检索）来提升知识追踪的准确性和可解释性。

论文来源

该研究由华中师范大学教育人工智能学院的黄涛、胡俊杰、杨华丽等学者共同完成，并于2025年发表在《Neural Networks》期刊上，论文标题为《Memory Flow-controlled Knowledge Tracing with Three Stages》。该研究得到了多个机构的支持，包括华中师范大学、宁夏师范大学和武汉纺织大学等。

研究流程

1. 问题定义与理论基础

研究首先定义了知识追踪（KT）任务，即通过学生的学习数据序列（包括练习、概念和响应）来推断其潜在知识状态，并预测其未来的表现。基于信息处理理论（Information Processing Theory），研究将学习过程分解为三个记忆流阶段：感官记忆注册、短期记忆编码和长期记忆检索。这三个阶段分别对应不同的记忆类型（感官记忆、短期记忆和长期记忆），并通过记忆的转换机制来模拟知识的动态演化。

2. 模型设计

MFcKT模型的核心在于通过三个阶段来模拟记忆流： - 感官记忆注册（Sensory Memory Registration, SMR）：利用对比预训练（Contrastive Pre-training）和自注意力机制（Self-attention）从学习序列中提取感官记忆。 - 短期记忆融合（Short-term Memory Fusion, SMF）：通过双通道结构（包括注意力机制和循环神经网络）融合感官记忆的关联性和时间性特征，生成短期记忆。 - 长期记忆检索（Long-term Memory Retrieval, LMR）：设计单调门控机制（Monotonic Gating Mechanism）计算隐藏记忆状态的权重，并对记忆矩阵进行读写操作，最终结合长期和短期记忆向量来检索潜在知识状态。

3. 实验设计与数据集

研究在五个公开数据集（ASSISTments2009、ASSISTments2015、ASSISTments2017、Algebra2005和NIPS34）上进行了广泛的实验，以验证MFcKT的有效性。数据集涵盖了不同智能教育平台的学生学习记录，包括练习、概念和响应数据。

4. 实验结果

实验结果表明，MFcKT在所有数据集上均显著优于现有的知识追踪模型。例如，在ASSISTments2009数据集上，MFcKT的AUC（Area Under Curve）达到了0.8232，比现有最优模型提高了1.18%。此外，MFcKT在缺乏练习信息的ASSISTments2015数据集上仍表现出色，AUC提升了3.48%，表明其双通道结构在捕捉关联性和时间性特征方面具有优势。

5. 消融实验

为了验证各模块的贡献，研究进行了消融实验。结果表明，移除任一模块（SMR、SMF或LMR）都会导致模型性能下降，进一步证明了记忆流三阶段设计的重要性。

主要结果与结论

1. 感官记忆注册模块

通过对比预训练和自注意力机制，MFcKT能够有效提取感官记忆，并捕捉学生个体差异。实验表明，该模块在提升模型预测准确性方面发挥了关键作用。

2. 短期记忆融合模块

双通道结构（注意力机制和循环神经网络）成功融合了感官记忆的关联性和时间性特征，生成了更具代表性的短期记忆。这一设计显著提升了模型对学习过程的建模能力。

3. 长期记忆检索模块

单调门控机制通过计算隐藏记忆状态的权重，实现了对长期记忆的有效管理和检索。实验表明，该模块在提升模型可解释性和预测性能方面具有重要作用。

4. 综合性能

MFcKT在五个数据集上的综合表现优于所有基线模型，证明了其在知识追踪任务中的优越性。此外，模型的高效性和鲁棒性也为其在实际教育系统中的应用提供了有力支持。

研究亮点

  1. 创新性记忆流设计：MFcKT首次将记忆流三阶段理论引入知识追踪领域，有效解决了现有模型在记忆建模中的不一致性问题。
  2. 双通道结构：通过结合注意力机制和循环神经网络，MFcKT能够同时捕捉记忆的关联性和时间性特征，提升了模型的综合性能。
  3. 对比预训练技术：利用对比预训练技术，MFcKT能够更好地模拟学生个体差异，增强了模型的个性化学习能力。
  4. 广泛实验验证：在多个公开数据集上的实验证明了MFcKT的优越性和鲁棒性，为其在实际应用中的推广奠定了基础。

研究意义与价值

MFcKT的研究不仅为知识追踪领域提供了新的理论框架和技术方法，还为智能教育系统的个性化学习服务提供了有力支持。通过模拟记忆流的三个阶段，MFcKT能够更准确地追踪学生的知识演化过程，并为其提供个性化的学习资源推荐和即时反馈。此外，该研究还为未来在教育数据挖掘和人工智能领域的进一步探索提供了新的方向。

其他有价值的信息

研究还对比了不同融合层（基于相似性的融合和基于注意力的融合）的效果，结果表明基于注意力的融合层在提升模型性能方面更具优势。此外，研究团队还探讨了模型的训练和推理效率，为未来的模型优化提供了参考。

MFcKT的研究为知识追踪领域带来了新的突破，其创新性的记忆流设计和高效的双通道结构为智能教育系统的发展提供了新的可能性。