同一掌握阈值换模型就失灵，神经与BKT阈值差超0.10，强生进阶率竟是弱生3.26倍！
One Mastery Threshold Does Not Fit All Knowledge Tracing Models
📖 AI 总结
本研究考察了知识追踪（KT）模型中掌握阈值的设定问题。作者在四个公开教育数据集上比较了六种KT模型，并评估了从0.50到0.99的12个阈值，衡量指标包括进阶后的表现、进阶覆盖率、练习负担以及不同先前表现群体间的差异。结果显示，贝叶斯知识追踪（BKT）对阈值变化相对不敏感，而神经网络模型随阈值提高变得更为严格，部分原因在于二者输出的含义不同：BKT估计潜在掌握概率，神经网络模型则估计下一次作答正确的概率，因此相同截断值并不代表相同的掌握水平。最佳平衡阈值在不同模型和教学情境下差异显著，半数情境中两类模型所选阈值相差超过0.10。更严格的阈值也未能可靠缩小表现差距，反而可能限制进阶机会，先前表现较强的学生进阶频率最高可达较弱学生的3.26倍。研究据此建议，掌握阈值应随KT模型或教学优先级的变化而重新校准。
🔑 关键词速览
| 知识追踪 (Knowledge Tracing, KT) | 一种通过建模学生知识状态随时间变化来预测其未来表现的技术。 |
| 掌握阈值 (Mastery Threshold) | 辅导系统中用于判断学生是否已掌握某个知识点并可以进阶的数值标准。 |
| 贝叶斯知识追踪 (Bayesian Knowledge Tracing, BKT) | 一种经典的KT模型，使用隐马尔可夫模型估计学生掌握知识点的潜在概率。 |
| 神经模型 (Neural Models) | 基于深度学习的KT模型，通常直接预测学生下一次回答正确的概率。 |
| 进阶覆盖率 (Advancement Coverage) | 达到掌握阈值并获准进阶的学生比例。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅