基于多阶拟合机制的深度认知追踪方法

认知追踪是一种动态的学习主体建模技术,已被广泛应用于智能教育领域。随着以深度学习为代表的新一代人工智能技术的迅猛发展,基于深度学习的认知追踪——深度认知追踪成为当前智能教育领域的研究热点。针对现有的深度认知追踪方法普遍只利用单个时间步信息来引导模型拟合学习者的行为数据,容易导致因模型监督信号不足而难以挖掘复杂行为背后蕴含的稳定性因素这一问题,文章提出一种基于多阶拟合机制的深度认知追踪方法。该方法通过融合多个邻接时间步的信息来增强模型监督信号,并设计了相应的权重规则和去重规则,以减少远距离、冗余性信息带来的干扰。通过在4个基准数据集上的对比实验与预测结果热力图的可视化分析,文章发现该方法不仅有效提升了模型的预测性能,而且赋予了模型更强的可解释性。