Jun, 2019

EKT：面向体能训练的知识跟踪模型用于学生成绩预测

PDF
TL;DR本文提出了一种基于深度学习的学生成绩预测模型，利用 Exercise-Enhanced Recurrent Neural Network 和 Exercise-aware Knowledge Tracing 等方法，探索了学生知识获取情况和习题内容等因素，实现了精确的学生成绩预测，并提高了可解释性。
intelligent educationstudent performance predictionexercise-enhanced recurrent neural networkexercise-aware knowledge tracingknowledge acquisition
发现论文，激发创造
  • 上下文感知的关注知识追踪

    本文提出了一种基于神经网络的注意力知识追踪模型（AKT），结合了新颖的解释性模型组件，用于个性化学习和自动化反馈，实验证明 AKT 可以优于现有的 KT 方法，并且具有良好的可解释性。

    Jul, 2020

  • 可解释的少样本知识追踪

    基于大型语言模型的认知引导框架可在少量学生记录的情况下追踪学生的知识，并提供自然语言解释。实验结果显示，大型语言模型可与竞争性深度知识追踪方法相当或更优。

    May, 2024

  • HGKT: 引入层次性练习图来进行知识追踪

    本研究提出了一种层次图知识追踪模型，使用问题模式构建层次化的练习图以探索练习之间的关系，并使用两种注意机制强调学习者的重要历史状态，通过提出的 K＆S 诊断矩阵跟踪知识和问题模式的掌握转换，取得了实验效果良好的结果。

    Jun, 2020

  • 运动层次特征增强知识追踪

    本文提出了一种分层练习特征增强的知识追踪框架，该框架通过从练习文本中收集知识分布、语义特征和难度特征来增强知识追踪的能力，并通过大量实验证明了框架的高性能。

    Oct, 2020

  • 一种用于知识追踪的自注意力模型

    通过自我关注机制，提出了一个有效的知识追踪方法，使用相对较少的 KC 来预测学生的掌握程度，这种方法在处理稀疏数据时表现更好，并在多个真实数据集上得到了显著的提高。

    Jul, 2019

  • 深度知识追踪

    本文研究使用递归神经网络（RNN）对学生学习过程中的知识建模，结果显示神经网络能够提高预测性能，可用于智能课程设计和发现学生任务结构的解释与发现。

    Jun, 2015

  • RKT：关系感知自注意力用于知识追踪

    本文提出了一个新的知识追踪模型，采用基于关系的自注意力机制来综合考虑练习之间的关系和学生的遗忘行为，进一步优化在线学习体验和评估方法。实验证明该模型优于现有的知识追踪方法，认知注意机制还能可视化人类学习过程中的时间模式。

    Aug, 2020

  • DGEKT：一种双图集成学习方法用于知识追踪

    本文提出一种新的双重图集成学习方法 (DGEKT) 用于知识追踪，该方法建立学生成绩的双重图学习结构，以捕获异构的练习 - 概念关联和交互转换，并通过在线知识蒸馏技术进行模型集成，实现更好的建模能力，实验结果表明，DGEKT 的表现优于八个基线模型，达到了最先进水平。

    Nov, 2022

  • 一种跟踪多知识概念掌握概率的概率生成模型

    我们提出了一种名为 TRACED 的模型，借助基于 markov chain 的 knowledge tracing 来跟踪学生各项知识点的理解概率，通过 LSTM 解决了 explanatory away 问题，同时采用了一个新的三元交互策略来提高对学生习题情况的建模精度，试验表明 TRACED 能在学生成绩预测和自动反馈方面优于现有的知识追踪方法。

    Feb, 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