The growing importance of knowledge tracing (KT) in online education has led to the development of various KT methods. Recent studies have focused on exploiting the relationship between knowledge concepts (KCs) and exercises. However, existing methods are limited in integrating student-exercise interactions and exercise-KC relationships, and inferring on KCs and exercises that were not seen dur- ing training. To address these challenges, we propose Dual attention Graph-based Knowledge Tracing (DGKT), a GNN-based model that integrates exercise-KC hypergraphs and student-exercise bipartite graphs, without relying on sequence models such as RNN. Moreover, our model can adapt to evolving graphs by learning through student-exercise subgraph units. It incorporates multiple KCs through the use of dual attention graph neural networks, allowing for the importance of connected neighboring nodes and the importance of nodes within a subgraph to be identified. Additionally, DGKT is able to handle multiple KC types simultaneously and improve explainability by utilizing the importance of each node through a global attention layer. Our proposed model outperforms current state-of-the-art models, as demonstrated by experimental results on multiple datasets.
온라인 교육에서 지식추적의 중요성이 커짐에 따라 다양한 모델이 제안되었다. 최근의 연구는 지식 개 념(KC)과 연습 문제 간의 관계를 활용하는 데 중점을 두고 있다. 그러나 기존 방법으로는 학생-문항 상호 작용 및 문항 간의 관계를 효과적으로 통합하고, 새로운 지식과 문항에 대해 추론하는 데 어려움을 겪고있 다. 이러한 문제를 해결하기 위해 시퀀스 모델에 의존하지 않고 문항-지식 하이퍼그래프와 학생-문항 이 분 그래프를 통합하는 그래프신경망 기반 모델을 제안한다. 이 모델은 학생-운동 서브그래프를 통해 학습 함으로써 변화하는 그래프에 적응할 수 있다. 이 모델은 두가지 어텐션 그래프 신경망을 사용하여 여러 종류의 지식을 통합함으로써 연결된 인접 노드의 중요도와 서브그래프 내 노드의 중요도를 식별할 수 있 다. 또한다양한지식유형을동시에처리할수있으며,글로벌어텐션계층을통해각노드의중요도기 반의 설명력을 제공한다. 해당 모델은 여러 데이터셋에 서의 실험을 통해 현재의 최신 모델보다 뛰어난 성능이 확인되었다.