透過無洩漏與近期感知嵌入技術增強知識追蹤模型
arXiv - Computers and SocietyYahya Badran, Christine Preisach
提出透過遮罩標籤防止標籤洩漏，並引入近期編碼以捕捉遺忘機制，提升知識追蹤模型的預測準確度。
AI 幫你先抓重點
AI 重點 1
解決知識追蹤模型中隱蔽的「標籤洩漏」問題
滑鼠懸停看 AI 判斷理由
在開發 AI 輔助教學系統時，若模型因數據結構缺陷（如題目包含多個知識點）而「偷看」答案，會導致評估結果虛高。修正此問題能確保學習成效預測的真實性與可靠性。
AI 重點 2
將「遺忘機制」納入數學建模的實質考量
滑鼠懸停看 AI 判斷理由
傳統模型多關注學習順序，卻忽略了時間間隔對記憶的影響。透過近期編碼模擬遺忘曲線，能讓 AI 更貼近人類認知科學的真實學習規律，提升長期預測的精準度。
核心研究發現
- 1
提出一種遮罩機制，在建構輸入嵌入時以專用標籤取代真實標籤，有效解決多知識概念題目中常見的標籤洩漏問題。
- 2
引入「近期編碼（Recency Encoding）」來記錄當前題目與前次出現之間的步進距離，能比傳統位置編碼更有效地模擬人類學習中的遺忘動態。
- 3
實驗證明將此嵌入技術整合至 DKT、DKT+、AKT 與 SAKT 等主流模型後，在多個知識追蹤基準測試中均能一致提升預測準確性。
對教育工作者的啟發
對於開發智慧學習平台（ITS）的工程師而言，此研究提供了兩項具體的優化方向：第一，在設計資料預處理流程時，應特別注意多知識點題目的標籤處理，避免模型產生過度樂觀的錯誤預測；第二，在建模學生學習歷程時，不應僅記錄「做了什麼」，更應納入「距離上次做這件事經過了多久」的特徵，這對於精準判斷學生的知識掌握程度與遺忘風險至關重要，有助於提供更及時的複習提醒。
原始文獻資訊
- 英文標題：
- Enhancing Knowledge Tracing through Leakage-Free and Recency-Aware Embeddings
- 作者：
- Yahya Badran, Christine Preisach
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。