MAGE-KT: Mehrere Agenten nutzen Graphen zur verbesserten Lernverfolgung

Die neueste Veröffentlichung auf arXiv präsentiert MAGE-KT, ein innovatives Verfahren zur Lernverfolgung (Knowledge Tracing, KT), das die Beziehungen zwischen Lernenden, Fragen und Wissenskategorien (Knowledge Concepts, KCs) mithilfe von Graphen neu interpretiert. Ziel ist es, die Lernfortschritte eines Schülers präziser zu modellieren und die Leistung bei der nächsten Frage vorherzusagen.

Traditionelle graphbasierte KT-Ansätze haben gezeigt, dass sie die Komplexität von Lernpfaden besser erfassen können. Dennoch nutzen viele bestehende Methoden die Inter-KC-Beziehungen nur aus den Interaktionssequenzen ab, was die Tiefe der Analyse einschränkt. Zudem führt die Verarbeitung kompletter, heterogener KT-Graphen zu hohen Rechenkosten und einer Verbreitung der Aufmerksamkeit auf irrelevante Bereiche, wodurch die Genauigkeit der KC-Beziehungen leidet.

MAGE-KT löst diese Probleme, indem es einen mehrschichtigen heterogenen Graphen aufbaut, der aus einem Multi-Agenten-KC-Relationsextraktor und einem Lernenden-Fragen-Interaktionsgraphen besteht. Für jeden Lernenden werden gezielt kompakte, wertvolle Teilgraphen abgerufen und anschließend über ein asymmetrisches Cross-Attention-Fusion-Modul integriert. Dieses Design verhindert die Streuung der Aufmerksamkeit und reduziert unnötige Berechnungen, während gleichzeitig die relevanten Beziehungen verstärkt werden.

Experimentelle Ergebnisse auf drei etablierten KT-Datensätzen zeigen, dass MAGE-KT die Genauigkeit der KC-Beziehungen deutlich verbessert und die Vorhersage der nächsten Frage gegenüber aktuellen Methoden signifikante Fortschritte erzielt. Das Verfahren demonstriert damit, wie gezielte Graphenextraktion und asymmetrische Fusion die Lernverfolgung auf ein neues Niveau heben können.