Resumen:Knowledge Tracing (KT) tiene como objetivo modelar la trayectoria de aprendizaje de un estudiante y predecir el desempeño en la siguiente pregunta. Un desafío clave es cómo representar mejor las relaciones entre los estudiantes, las preguntas y los conceptos de conocimiento (KC). Recientemente, los paradigmas KT basados en gráficos se han mostrado prometedores para este problema. Sin embargo, los métodos existentes no han explorado suficientemente las relaciones entre conceptos, a menudo inferidas únicamente de secuencias de interacción. Además, la escala y la heterogeneidad de los gráficos KT hacen que la codificación de gráficos completos sea computacionalmente costosa y propensa a ruido, lo que hace que la atención se desvíe hacia regiones irrelevantes para los estudiantes y degrada la fidelidad de las relaciones entre KC. Para abordar estos problemas, proponemos un marco novedoso: el seguimiento del conocimiento mejorado con gráficos de agentes múltiples (MAGE-KT). Construye un gráfico heterogéneo de vistas múltiples combinando un extractor de relaciones KC de múltiples agentes y un gráfico de interacción estudiante-pregunta, capturando señales semánticas y de comportamiento complementarias. Condicionado al historial del estudiante objetivo, recupera subgrafos compactos y de alto valor y los integra utilizando un módulo de fusión de atención cruzada asimétrica para mejorar la predicción y al mismo tiempo evitar la difusión de la atención y el cálculo irrelevante. Los experimentos con tres conjuntos de datos KT ampliamente utilizados muestran mejoras sustanciales en la precisión de la relación KC y claras ganancias en la predicción de la siguiente pregunta con respecto a los métodos existentes.
Publicado originalmente en export.arxiv.org el 25 de enero de 2026.
Ver fuente original
