知识追踪解决什么问题
传统推荐只按错题标签推送同类练习,本质仍是统计匹配,难以回答学生为什么错、下一步补什么。知识追踪(Knowledge Tracing)把学生的作答历史建模为知识状态的动态演化,预测其对每个知识点下一次答对的概率,从而定位认知盲区。这正是松鼠Ai、启鸣达人等智适应系统背后的核心技术之一。
第一步:构造作答序列数据
每条样本是一个学生连续作答的序列,元素为知识点id与是否正确(0/1)。以下用 NumPy 做演示编码:
import numpy as np
# 假设共 5 个知识点,序列:知识点id + 是否正确(0/1)
seq = [(0, 1), (2, 0), (2, 1), (4, 1)]
n_skills = 5
X, y = [], []
for skill, correct in seq:
feat = np.zeros(n_skills * 2)
feat[skill] = 1.0 # 交互的知识点
feat[n_skills + skill] = correct # 作答结果
X.append(feat)
y.append(correct)
X, y = np.array(X), np.array(y)
print('序列特征维度:', X.shape)真实数据来自学习行为日志,需对齐到学科知识图谱的知识点编号;特征也可扩展为时间戳、作答时长等。
第二步:用PyTorch实现DKT
DKT 用一个循环神经网络承载知识状态,输出各知识点的掌握概率:
import torch, torch.nn as nn
class DKT(nn.Module):
def __init__(self, n_skills, hidden=64):
super().__init__()
self.rnn = nn.LSTM(n_skills * 2, hidden, batch_first=True)
self.head = nn.Linear(hidden, n_skills)
def forward(self, x):
h, _ = self.rnn(x)
return torch.sigmoid(self.head(h))
model = DKT(n_skills=5)
inp = torch.tensor(X, dtype=torch.float32).unsqueeze(0)
prob = model(inp)
print('各知识点掌握概率:', prob[0, -1].detach().numpy().round(3))输出中概率最低的知识点,即为当前最需要补强的断裂点;把它与知识图谱的先修关系结合,就能给出先补A再练B的学习路径,而非简单堆题。
落地建议
① 从单一学科、单一班级试点,积累足量作答序列再训练;
② 把模型输出与教师经验对照校验,避免标签偏差误导干预;
③ 仅用于学情提示与资源推荐,关键教学决策由教师把握。
说明:DKT 为统计模型,存在预测误差;涉及未成年人数据须依规脱敏与权限管理。
参考来源
启鸣达人亮相2026全球智慧教育大会:从AI工具到教学闭环 - 中宏网;松鼠Ai亮相2026世界人工智能大会:智适应教育探索 - 据媒体报道;2026全球智慧教育大会(AI赋能教育场景) - 光明网。