深度知識追蹤在適應性學習系統(tǒng)的應用

李蓬

(北京建筑大學電氣與信息工程學院，北京 100044)

0 引言

在線教育平臺為學習者提供了一個方便、靈活的學習環(huán)境，能夠充分滿足每個學習者的學習偏好和學習需求。但是，目前的在線教育忽視了學習者的具體情況和個體特征，向學習者提供相同的學習資源，這容易引起學習者信息迷航和學習困難。20世紀90年代，建構主義教育理論的流行和計算機網(wǎng)絡技術的飛速發(fā)展促進了適應性學習系統(tǒng)的產(chǎn)生。適應性學習系統(tǒng)以學習者為中心，通過監(jiān)測學習者和學習過程，推斷學習者的學習需求和學習狀態(tài)，然后為每個學習者提供不同的學習材料、學習策略和指導，從而提高學習成效。

學習者已有的知識結構是學習新知識的起點。因此，準確地分析學習者的知識水平是構建適應性學習系統(tǒng)的關鍵。知識追蹤可以根據(jù)學習者的學習行為數(shù)據(jù)，預測學習者對所學知識的掌握情況，為后續(xù)的教學設計提供依據(jù)。傳統(tǒng)的知識追蹤方法，如貝葉斯知識追蹤(Bayesian Knowledge Tracing，BKT)，沒有考慮知識概念之間的關系，且難以解決多知識概念的問題。認知診斷方法，如IRT和DINA等，需要對大量的習題進行標注。深度知識追蹤(Deep Knowledge Tracing，DKT)是指采用深度學習以實現(xiàn)知識追蹤的技術[1]。DKT不僅可以解決上述問題，而且取得了更好的預測效果[2]。目前，DKT成為在線教育中分析學習者知識水平的一個研究熱點。

適應性學習是當前智慧教育的一個重要特征，使得學習過程更加個性化，真正實現(xiàn)了因材施教的教育理想。本文探討DKT在適應性學習系統(tǒng)的應用，首先介紹DKT的基本模型和發(fā)展，然后描述適應性學習系統(tǒng)的主要功能模塊，最后分析DKT在適應性學習系統(tǒng)的應用，以滿足學習者的個性化學習需求。

1 深度知識追蹤概述

2015年，Piech等基于深度學習對學習者的知識狀態(tài)演化過程進行建模，提出了深度知識追蹤(DKT)模型[1]。DKT模型利用循環(huán)神經(jīng)網(wǎng)絡(RNN)對學習者的答題記錄進行建模分析，預測學習者的知識狀態(tài)，其結構如圖1所示。

圖1 DKT網(wǎng)絡模型

對于每個學習者的答題記錄序列X=(x1，x2，x3，… ，xt)，其中X={qt，at}，qt表示知識概念的編號，at表示學習者的作答情況(0表示回答錯誤，1表示回答正確)。xt是通過獨熱編碼轉換成的向量。如果輸入數(shù)據(jù)涉及N個知識概念，習題的作答結果有兩種情況(正確或錯誤)，那么xt被編碼成長度為2N的{0，1}向量。具體編碼規(guī)則是：假設某一道習題屬于第i個知識概念，回答正確時其向量表示為第N+i個向量元素的值為1，其余為0；回答錯誤時第i個向量元素的值為1，其余為0。ht是RNN的隱含層，表示學習者在t時刻對所學知識的整體掌握水平。yt是長度為N的向量，其中每一個元素為相應知識概念的預測結果。因此，通過學習者前t個時刻的答題序列可以預測t+1時刻對知識概念的作答情況。

RNN在結構上存在缺陷，使其難以對較長時間序列的特征進行建模。因此，DKT模型采用了LSTM實現(xiàn)。LSTM是RNN的一個改進，引入了三種門結構(輸入門、遺忘門和輸出門)，以模擬人類的記憶系統(tǒng)。LSTM可以學習序列特征的長期依賴關系。因為一般學習者的答題序列較長，所以LSTM結構更適合于知識追蹤任務。

雖然DKT模型提高了預測性能，但是仍存在一些不足。首先，LSTM的隱含層表示的是學習者對所有知識概念的綜合掌握情況，不能預測學習者對每一個知識概念的掌握程度。其次，LSTM的記憶容量有限，不能模擬人類的長期記憶過程。

2017年，Zhang等人提出了DKVMN模型，該模型通過引入輔助記憶單元，以優(yōu)化網(wǎng)絡的記憶結構，進而提高了模型的存儲容量[3]。輔助記憶單元不同于LSTM的內部記憶(隱含態(tài))，而是采用稱為記憶增強神經(jīng)網(wǎng)絡(MANN)的外部記憶。相比于傳統(tǒng)的DKT模型，DKVMN模型不再利用一個向量來存儲信息，而是引入了兩個記憶矩陣。key矩陣為靜態(tài)記憶矩陣，用來存儲學習者作答時涉及的知識概念信息；value矩陣為動態(tài)記憶矩陣，用來存儲學習者對知識概念的掌握情況，其中每一個向量表示學習者對相應知識概念的掌握程度。DKVMN模型擁有更大的記憶容量，可以存儲更長的時間序列信息，因此，具有更高的預測精度。另外，DKVMN模型可以準確地預測學習者對每個知識概念的掌握程度。后續(xù)有的研究對DKVMN模型又做了改進。例如，Abdelrahman等人提出了SKVMN模型，該模型利用Hop-LSTM發(fā)現(xiàn)習題之間的序列依賴，并通過修改DKVMN的寫操作提高了預測效果[4]。Ai等人利用知識概念的特征、習題難度、回答問題的時間等信息提出了DKVMN-CA模型，提高了知識追蹤的預測性能[5]。

除了上述兩個基本模型，最近的研究提出了一些新的DKT模型。例如，Nakagawa等人把圖神經(jīng)網(wǎng)絡(GNN)引入到知識追蹤，提出了GKT模型，該模型將知識概念表示為圖中的節(jié)點，知識概念之間的關系表示為節(jié)點之間的邊[6]。Pandey等人提出了SAKT模型，該模型利用Transformer結構解決了數(shù)據(jù)稀疏問題[7]。Wang等人整合深層神經(jīng)網(wǎng)絡和認知診斷模型，提出了NeuralCDM模型，不僅提高了知識診斷的性能，還提高了結果的可解釋性[8]。Liu等人設計了EKT框架，該框架不僅考慮了學習者的答題記錄和相應習題的文本信息，還開發(fā)了記憶網(wǎng)絡以整合知識概念等信息[9]。

2 深度知識追蹤在適應性學習系統(tǒng)的應用

20世紀90年代興起的建構主義學習理論對當前的在線教育模式產(chǎn)生了深刻影響。建構主義學習理論認為，學習不是知識從教師到學習者的單向傳授，而是由學習者在一定的學習情境中自主地構建知識結構的過程。適應性學習系統(tǒng)根據(jù)學習者的學習目標和個體特征，通過適應性技術為學習者創(chuàng)造一個智能化的學習環(huán)境，可以極大程度地提升學習效率。

2.1 適應性學習系統(tǒng)的構成

適應性學習系統(tǒng)主要包括學習者模型、領域模型、教學模型和接口模型等四個基本模塊[10]。目前，對于適應性學習系統(tǒng)的構成，還沒有統(tǒng)一的說法，其基本結構如圖2所示。

圖2 適應學習系統(tǒng)的基本結構

學習者模型提供了學習者的個體特征信息，如知識水平、學習風格、興趣等。領域模型記錄了所要傳授的領域知識以及各知識概念之間的關系。教學模型包括各種教學策略和教學方法，以及各種適合學習者的學習活動的教學設計規(guī)則。接口模型實現(xiàn)教學系統(tǒng)與學習者之間的交互。學習者模型、領域模型、教學模型和接口模型是適應性學習系統(tǒng)的基本組成結構，當前研究大多針對具體應用對系統(tǒng)進行功能擴展。

2.2 深度知識追蹤在適應性學習系統(tǒng)的應用

適應性學習系統(tǒng)要解決兩個關鍵問題：首先，準確地獲取學習者的特征信息，構建合理的學習者模型；其次，采用有效的適應性學習技術，及時調整學習環(huán)境，滿足學習者的需要。學習者模型是適應性學習系統(tǒng)提供個性化學習的依據(jù)。學習者模型既保存著相對穩(wěn)定的靜態(tài)信息，也保存著在學習過程中會發(fā)生變化的動態(tài)信息。學習者模型包含的信息越豐富、越準確，系統(tǒng)的自適應能力就會越強。教學模型對學習者模型的信息進行分析和推理，結合領域模型，動態(tài)調整教學內容和教學策略，為學習者提供個性化的教學服務。

深度知識追蹤在適應性學習系統(tǒng)的應用如圖3所示。首先，通過測量和跟蹤學習者在學習過程中的特征，建立學習者模型。其次，根據(jù)學習者的學習目標和知識水平、學習風格等個體特征，篩選學習材料，組織學習內容，安排學習進程，并制訂學習策略，然后提供給學習者。最后，監(jiān)測學習者的學習活動，推斷學習者的學習狀態(tài)，分析學習者遇到的問題，提供有針對性的指導和干預措施以及協(xié)作學習支持。

圖3 適應性學習的實現(xiàn)

學習者的知識水平是學習者的一個重要特征，是進行個性化教學的主要依據(jù)。除了知識水平，本文還整合學習者的認知能力、學習風格和情感狀態(tài)等特征。學習者的認知能力、學習風格等特征是相對穩(wěn)定的，屬于靜態(tài)信息。這些特征在學習者進入在線學習平臺之前就測量好。知識水平和情感狀態(tài)等特征是在學習過程中不斷變化的，屬于動態(tài)信息。系統(tǒng)使用知識追蹤和情感識別方法跟蹤學習者的學習活動，并及時更新學習者模型。本文采用深度知識追蹤方法分析學習者的知識水平。利用學習者的答題數(shù)據(jù)，采用深度知識追蹤方法，可以得到學習者當前的知識狀態(tài)。

學習者模型建立之后，教學模型根據(jù)學習者的特征提供適應性、個性化的學習服務，其實現(xiàn)主要包括以下幾個方面：

(1)學習材料推送

學習材料的內容有多種形式，如有的由具體的數(shù)據(jù)、實例構成，有的由抽象的概念、理論構成。學習材料的類型也有多種，如文本、視頻、圖片、語音等。另外，學習材料有不同的難度。因此，提供的學習材料需要與學習者的知識水平、學習風格等相匹配。否則，面對豐富的學習資料，容易引起信息迷失或認知過載。個性化學習材料推送根據(jù)學習者的知識水平、學習風格、認知能力等，從領域模型中篩選符合學習者需求的學習材料，然后適時地呈現(xiàn)給學習者。

(2)學習路徑規(guī)劃

學習路徑是指為實現(xiàn)學習目標而形成的學習活動的路線。優(yōu)化的學習路徑可以避免信息迷航，提高學習者的學習效率。學習路線涉及到學習內容中知識概念的先后順序。因此，需要通過分析學習者的知識水平，以確定學習者是否可以進入下一個學習環(huán)節(jié)。學習路徑規(guī)劃根據(jù)學習者的學習目標、知識水平等組織學習內容，安排學習進度，使學習者用較少的時間實現(xiàn)學習目標，并培養(yǎng)自主學習和終生學習的能力。

(3)學習策略推薦

學習策略是指在教學活動中為了達到教學目標所采取的方式和方法。學習策略推薦可以根據(jù)學習者的知識水平、學習風格等特征，為學習者選擇有效的學習方式和方法。同時，系統(tǒng)監(jiān)測和跟蹤學習者的學習過程，根據(jù)學習者的學習情況，動態(tài)調整學習內容和學習方法，優(yōu)化學習過程和學習情境，為每個學習者提供個性化的學習體驗，從而提高學習效率和學習效果。

(4)學習干預

學習干預是指根據(jù)學習者在學習過程中出現(xiàn)的問題和薄弱環(huán)節(jié)，提供有針對性的幫助和引導，使學習者可以及時糾正錯誤，改進學習方法。學習者的情感狀態(tài)與學習成效有密切的關系。每個學習者都有自己優(yōu)化的學習區(qū)間，在該區(qū)間內，學習內容的復雜程度與學習者知識水平的提高相匹配，學習者處于專注的學習狀態(tài)。如果提供給學習者的學習內容與學習者的知識水平出現(xiàn)偏差，那么學習者就可能出現(xiàn)困惑、沮喪或者厭倦等負面情緒。系統(tǒng)監(jiān)視學習者的學習行為，推斷學習者的情緒狀態(tài)。當發(fā)現(xiàn)學習者出現(xiàn)負面情緒時，系統(tǒng)根據(jù)學習者的知識水平、學習風格等特征提供情緒調節(jié)和學習輔導。

(5)協(xié)作學習支持

協(xié)作學習是指學習者通過共同合作以完成學習任務。社會建構主義學習理論認為知識的構建是在一定的環(huán)境中借助于學習者之間的協(xié)作來完成的。因此，知識的學習不僅靠學習者的主動建構，社會交互更加重要。首先，系統(tǒng)根據(jù)學習目標和學習者的知識水平等特征構建學習者共同體。然后，系統(tǒng)提供交互協(xié)作的功能，支持學習者的交流互動。協(xié)作學習有助于學習者相互學習，提高學習積極性，挖掘學習者的潛能。

3 結語

互聯(lián)網(wǎng)、大數(shù)據(jù)和人工智能技術的迅速發(fā)展和廣泛應用，為適應性學習系統(tǒng)的實現(xiàn)提供了強有力的保證。適應性學習系統(tǒng)可以根據(jù)學習者的能力和需求，客戶化學習活動，使學習者獲得滿意的學習體驗。學習者具有學習風格、認知能力、學習興趣等多種特征，其中知識水平是學習者最重要的屬性，是系統(tǒng)提供個性化的基礎。基于DKT預測學習者的知識狀態(tài)可以獲得更好的預測性能，在適應性學習系統(tǒng)的應用方面具有良好的應用前景。