Apr, 2019

Deep-IRT：利用项目反应理论使基于深度学习的知识追踪解释性更强

PDF
TL;DR本论文提出了 Deep-IRT，它是一种基于深度神经网络框架的动态键值记忆网络 (DKVMN) 和项目反应理论 (IRT) 模型的综合，可用于使基于深度学习的知识追踪能够得到解释性。实验证明，Deep-IRT 模型保留了 DKVMN 模型的性能，同时提供了学生和项目的直接心理学解释。
deep-irtknowledge tracingdeep learningitem response theorydkvmn
发现论文，激发创造
  • 回归基础：贝叶斯 IRT 扩展在熟练度估计上的表现优于神经网络

    本文研究比较了基于 IRT 的多个熟练度估计方法和基于 RNN 的 Deep Knowledge Tracing 在学生行为预测方面的表现，在多个数据集中发现 IRT 性能优于 DKT，并通过贝叶斯概率模型的应用提供更好的可解释性和保证性。

    Apr, 2016

  • 变分时序 IRT：快速、准确且可解释的动态学习者能力推断

    提出了 Variational Temporal IRT (VTIRT) 算法，用于快速准确地推断学习者能力的动态变化，相较于其他学习者能力模型，在预测未来的学习者表现方面持续取得改进。

    Nov, 2023

  • 深度知识追踪是一种隐式的动态多维项目响应理论模型

    深度知识追踪是一种基于递归神经网络的知识追踪竞争模型，本研究提出了一种简化的解码器，比原有模型表现更好，并为未来研究方向提供了新的可能性。

    Aug, 2023

  • 可解释的知识追踪：基于因果关系的简单高效学生建模

    本研究提出了行之有效的 Interpretable Knowledge Tracing (IKT) 模型，使用机器学习和数据挖掘技术从学生响应数据中提取有意义的潜在特征，从而预测学生的未来表现。该模型可为真实世界的教育系统提供自适应和个性化的教学，并具有因果推理能力。

    Dec, 2021

  • 无需人类响应模式的学习潜在参数：人工群体的项目反应理论

    本文提出了在深度神经网络产生的人工群众中使用生成的反应模式 (RP) 来学习 IRT 模型，并证明了这种方法在两个 NLP 任务中通过定量和定性分析学习 IRT 模型的有效性。通过训练集过滤中使用隐含的难度项参数的用例，以及人类预期和机器 RP 所估计难度不匹配的情况。

    Aug, 2019

  • 知识追踪的深度知识追踪与动态学生分类

    本文提出了一种新的知识追踪模型，它能够捕捉学生的学习能力并将学生动态分配到具有类似能力的不同组中，在常规时间间隔内将这些信息与被称为深度知识追踪的递归神经网络结构相结合，实验结果表明，该模型明显优于用于学生建模的已知先进技术。

    Sep, 2018

  • 可扩展的项目反应理论模型学习

    Item Response Theory (IRT) models leverage coresets for scalable learning of latent abilities and difficulty characteristics in the context of large-scale assessments and data analysis problems.

    Mar, 2024

  • 基于项目反应理论的算法综合评估

    在本文中，我们提出了一个基于修改过的 IRT 模型的框架，用于评估算法组合在数据集存储库中的性能，同时揭示算法性能的重要方面，例如一致性和异常性。我们测试了这个框架在广泛应用的算法组合上，展示了这种方法作为一种具有洞察力的算法评估工具的广泛适用性，并且 IRT 参数的可解释性提供了对算法组合的更深入理解。

    Jul, 2023

  • 利用以问题为中心的认知表示提高深度序列知识追踪模型的可解释性

    提出一个使用深度学习技术解决知识追踪问题的解释性的、以问题为中心的预测模型 QIKT，该模型考虑了现实教育场景中问题的贡献度不同的情况，能够生成解释性的预测结果，并在三个公共数据集上显示了优异的预测性能和更好的模型可解释性

    Feb, 2023

  • 编程作业中隐含的学生知识表征的解释

    利用生成式大型语言模型的最新进展，我们通过引入 InfoOIRT 模型（一种信息正则化的开放性项目反应理论模型）对潜在的学生知识表示进行解释，以生成学生编写的开放性编程问题代码。通过在实际编程教育数据集上的实验，我们展示了 InfoOIRT 既能准确生成学生代码，又能产生可解释的学生知识表示。

    May, 2024