Deep-IRT: Make Deep Learning Based Knowledge Tracing Explainable Using Item Response Theory
Student Ability and Difficulty Networks
的模型架構可以被很容易的增強,進一步提供其他的有意義的信息。首先,每個潛在知識點的狀態可以被拓展爲學生能力。具體而言,當模型接收一個知識點時,會形成特徵向量。由於特徵向量是由讀向量和知識點嵌入向量拼接而成,它包含了學生知識點狀態在的信息和的嵌入信息。我們相信可以用於推斷學生能力通過神經網絡進一步處理。類似的,的難度信息也可以被提取通過把知識點嵌入向量送入神經網絡。
根據神經網絡的作用,我們稱這兩個網絡分別叫做學生能力網絡和難度網絡。使用單一的全連接層,表達爲:
其中被分別解釋爲在知識點在時間的學生能力,知識點的難度。對於兩個網絡,我們使用作爲激活函數,使得輸出介於。之後,兩個傳入項目反映理論計算學生在知識點上作答的正確概率:
因爲實踐的原因,學生能力網絡輸出乘放縮因子3,以便值域爲