知识追踪的稳定和忠实的解释

arXiv:2609.28502v1 公告类型：新 摘要：知识追踪 (KT) 模型不透明地预测学生表现，限制了教学行动。这项研究提供了一个验证协议，测试预测竞争力（RQ1）、解释稳定性（RQ2）和基于再培训的忠诚度（RQ3）。跨越 5 个教学主题的 13 种行为特征是根据 2009 年和 2012 年的 ASSISTments 设计的，历史特征是根据之前的交互计算得出的，当前的反应延迟仅保留用于回顾性分析。 ASSISTments 2009 进行了重建：未经更正的技能构建器版本在每个技能的一行中重复了每个多技能交互，并且由于这些行共享一个正确性标签，因此它们将其泄漏到前面的交互功能中。重建降低了模型 AUC 并重新排序了解释结果。使用 Tree SHapley Additive exPlanations (TreeSHAP) 解释的极限梯度提升 (XGBoost) 模型在信息匹配协议下与四个深度基线（DKT、SAKT、AKT 和 SimpleKT）进行比较，为深度模型提供相同的行为信号，并将 XGBoost 限制为从它们消耗的标识符和正确性流中导出的内容。 XGBoost 在 2012 年达到了 0.777 的曲线下面积 (AUC)，在 2009 年重建时达到了 0.786，在排除当前响应延迟后，预测时间 AUC 分别为 0.771 和 0.775；仅限于其执行的基线信息（0.697 对 0.700，0.717 对 0.720），定位所提供信息的差异，而不是模型系列。折叠、种子和调节方案之间的排名是一致的（Spearman rho = 0.989-1.000），并且删除排名靠前的 TreeSHAP 特征比随机删除对 AUC 的损害更大，尽管分割增益和排列排名的表现相当。学生级别的示例是说明性解释，而不是经过验证的建议。