山东大学学报(工学版)

作者：陈成,董永权,贾瑞,刘源

单位：1.江苏师范大学计算机科学与技术学院, 江苏 徐州 221116;2.江苏省教育信息化工程技术研究中心, 江苏 徐州 221116;3.徐州市云计算工程技术研究中心, 江苏 徐州 221116

关键词：机器学习,深度学习,知识追踪,可解释性,特征相关性,

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)

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。

来源：2024年第1期

《山东大学学报(工学版)》期刊编辑部

查看山东大学学报(工学版)杂志2024年第1期