Feb, 2020

为知识追踪寻找适当的查询、关键字和值计算方案

PDF
TL;DR本研究提出了一种新颖的 Transformer 模型 SAINT 用于知识追踪，并在大规模数据集上证明其相比于当前最先进模型提高了 1.8% 的 AUC 性能表现；该模型具有编码器 - 解码器结构，通过将练习和回答嵌入序列分别进入编码器和解码器，多次堆叠注意力层以捕捉练习和回答之间的复杂关系。
knowledge tracingattention mechanismtransformer modelsaintencoder-decoder structure
发现论文，激发创造
  • 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

  • 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

  • SAINT+：为 EdNet 正确性预测整合时间特征

    SAINT + 是一种基于 Transformer 的知识追踪模型，通过分别处理练习和学生响应信息来实现，加入时间元素的特征嵌入方法使其在教育领域的知识追踪方面取得了最新的成果。

    Oct, 2020

  • 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

  • 使用序列化键值记忆网络进行知识追踪

    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。

    Oct, 2019

  • 知识追踪中基于进化的 Transformer 神经架构搜索

    本研究旨在通过使用卷积操作增强 Transformer 的局部上下文建模能力，提出一种进化神经架构搜索方法来自动选择输入特征，并自动确定何时应用哪种操作以实现局部 / 全局上下文建模的平衡，实验结果表明该方法能有效地找到最优体系结构。

    Oct, 2023

  • 来自多所学校的增量知识跟踪

    本研究探索在保护学习者数据隐私的前提下建立知识追踪模型的可行性，并使用多所学校的数据集进行序列学习，结果表明，使用 Self Attentive Knowledge Tracing 算法进行序列学习可以达到与汇集所有数据相似的性能。

    Jan, 2022

  • 利用技能对技能监督进行知识追踪

    本文通过专家指导下的技能关系构建知识追踪模型，在限制数据情况下进行了广泛实验，并发现该模型在冷启动情况下性能表现更佳。

    Jun, 2023

  • 基于注意力机制的 Q 矩阵知识追踪学习

    本研究提出一种基于 Q 矩阵和 Rasch 模型的新型混合嵌入方法，用于构建 Q 矩阵和学习学生知识状态，并使其适用于大规模在线教育平台上问题技能标签未能预先定义的情况，以实现知识追踪并提升数据挖掘性能。

    Apr, 2023

  • 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

    本研究分析了大规模学生表现数据集中深度学习方法在知识追踪中的表现，证明了引入上下文信息及学生遗忘行为的对深度学习模型进行改进具有积极意义。

    Jan, 2021