使用序列化键值记忆网络进行知识追踪

Oct, 2019

使用序列化键值记忆网络进行知识追踪

Knowledge Tracing with Sequential Key-Value Memory Networks

Ghodai Abdelrahman, Qing Wang

TL;DR本研究使用深度学习提出了一种新的知识追踪模型，名为 SKVMN，以解决现有深度学习知识追踪模型在如何追踪特定知识点以及在练习序列中捕捉长期依赖性等方面存在的局限性。实验结果表明，SKVMN 在所有数据集上优于现有的 KT 模型，能够更好地发现潜在概念和问题之间的相关性，并能跟踪学生的知识状态动态，借助练习序列中的时序依赖性提高预测准确性。

Abstract

Can machines trace human knowledge like humans? knowledge tracing (KT) is a fundamental task in a wide range of applications in education, such as massive open online courses (MOOCs), intelligent tutoring systems, educational games, and learning management systems. It models dynamics i

knowledge tracing deep learning sequential key-value memory networks student learning predication accuracy

发现论文，激发创造

基于动态键值内存网络的知识追踪

该研究提出了一种新的知识追踪模型，叫做动态键值记忆网络（DKVMN），它可以帮助个性化练习顺序，输出每个概念的学生掌握程度，并能够发现潜在的练习概念及描绘学生的知识变化。该模型在知识追踪数据集中表现出色，优于先前的模型。

Nov, 2016

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

在大规模数据集上进行知识追踪的深度学习模型实证比较