本文属于类型a，即一篇单篇原创研究的学术报告。以下是详细的内容介绍：

一、主要作者及研究机构
本研究由Chaoran Cui、Yumo Yao、Chunyun Zhang、Hebo Ma（山东财经大学）、Yuling Ma（山东建筑大学）、Zhaochun Ren（莱顿大学）、Chen Zhang（香港理工大学）和James Ko（香港教育大学）共同完成，发表于2024年1月的《ACM Transactions on Information Systems》期刊。

二、学术背景
本研究属于在线教育（E-learning）领域，特别是知识追踪（Knowledge Tracing, KT）。知识追踪旨在通过预测学生在与概念相关习题上的未来表现，追踪其知识状态的演变。近年来，基于图（Graph）的模型被开发用于改进知识追踪，但这些模型通常只探索单一类型的关系信息。本研究提出了一种新颖的双图集成学习方法（Dual Graph Ensemble Learning Method for Knowledge Tracing, DGEKT），通过超图（Hypergraph）和有向图（Directed Graph）建模，分别捕捉学生学习交互的异质化习题-概念关联（Exercise-Concept Associations）和交互转换（Interaction Transitions）。为了结合双图模型，本研究引入了在线知识蒸馏（Online Knowledge Distillation）技术，以提高模型能力。

研究的主要目标是开发一种更有效的知识追踪方法，通过整合多种关系信息，提升对学生知识状态的建模能力，从而为个性化学习提供支持。

三、研究流程及方法

1. 问题定义
   研究将知识追踪问题定义为：给定学生的习题回答序列，预测其在下一个习题上回答正确的概率。学生的知识状态通过其过去的交互来间接推断。

2. 双图结构设计
   研究提出了双图结构，包括：

• 概念关联超图（Concept Association Hypergraph, CAHG）：通过超图建模习题与知识概念之间的关系。每个超节点代表与同一概念相关的学习交互。
  
• 有向转换图（Directed Transition Graph, DTG）：通过有向图建模学生学习序列中交互之间的转换关系。每条边表示在某一学生的学习序列中某一交互紧随另一交互。
  

1. 图嵌入与序列建模
   使用超图卷积网络（Hypergraph Convolutional Networks, HGCNs）和有向图卷积网络（Directed Graph Convolutional Networks, DGCNs）分别学习双图中的