研究背景与问题

随着教育信息化的快速发展，知识追踪技术成为教育领域研究的热点。然而，现有知识追踪方法在特征建模方面存在局限性，主要表现为对动态关系的刻画不足以及对时间与行为等因素影响忽视。具体而言，现有方法大多依赖固定序列或静态图结构，难以准确反映学生与问题之间随时间演化的动态关系，同时忽略了时间与行为等因素对知识状态的影响。因此，如何有效地捕捉学生知识结构的动态变化，成为知识追踪领域亟待解决的问题。

研究方法

为了解决上述问题，本研究提出了一种结构感知与认知增强的知识追踪模型（SACEKT）。该模型综合考虑了学生与问题之间的动态关系，以及时间与行为等因素对知识状态的影响。具体来说，SACEKT模型采用了以下关键技术： 1. 结构感知：通过引入图神经网络，构建学生知识结构的动态图表示，以捕捉学生与问题之间的动态关系。 2. 认知增强：结合认知心理学理论，将时间与行为等因素纳入模型，以更全面地刻画知识状态的动态变化。 3. 深度学习：利用深度学习技术，实现知识追踪模型的自动学习和优化。

核心结果

通过实验验证，SACEKT模型在多个教育场景中取得了显著的性能提升。具体表现为： 1. 与传统方法相比，SACEKT模型能够更准确地刻画学生知识结构的动态变化，提高了知识追踪的准确性。 2. SACEKT模型在时间与行为等因素的考虑下，能够更好地预测学生的知识状态，为个性化学习提供有力支持。 3. 通过与其他先进方法的对比，SACEKT模型在多个评价指标上均取得了优异的成绩，证明了其有效性。

结论与意义

本研究提出的SACEKT模型为知识追踪领域提供了一种新的思路和方法。该模型能够有效地捕捉学生知识结构的动态变化，并综合考虑时间与行为等因素对知识状态的影响。这一成果对于教育信息化的发展具有重要意义，有望为个性化学习、智能教育等领域提供有力支持。此外，SACEKT模型在实际应用中的优异表现，为后续研究提供了有益的借鉴和启示。