May, 2020

qDKT：基于问题的深度知识追踪

PDF
TL;DRqDKT is a variant of deep knowledge tracing that models every learner's success probability on individual questions over time by incorporating graph Laplacian regularization and initialization scheme inspired by fastText algorithm, achieving state-of-the-art performance on predicting learner outcomes and serving as a baseline for new question-centric knowledge tracing models.
knowledge tracingdeep knowledge tracingqdktgraph laplacian regularizationfasttext algorithm
发现论文，激发创造
  • 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

  • 一个以问题为中心的多专家对比学习框架，用于提高深度序贯知识追踪模型的准确性和可解释性

    我们提出了一个名为 Q-MCKT 的基于问题中心的多专家对比学习框架，用于知识追踪，以解决应用深度学习技术建模知识追踪过程时面临的挑战。

    Mar, 2024

  • 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

  • 辅助任务增强深度知识追踪

    提出了一种名为 AT-DKT 的基于多任务学习的知识追踪方法，它使用问题标记任务和个性化先前知识预测任务来改进原始的深度知识追踪模型，以更好地捕捉学生的历史表现，并在三个真实的教育数据集上得到比所有序列模型更好的 AUC 结果。

    Feb, 2023

  • 基于代码的编程任务知识追踪模型 - Code-DKT

    本研究提出了基于代码的深度知识追踪（Code-DKT）模型，该模型使用注意力机制自动提取和选择特定于领域的代码特征，以扩展深度知识追踪。研究结果显示，Code-DKT 在解决 5 个入门编程作业的过程中，相对于最新的领域通用 KT 模型，比 DKT 提高了 3.07-4.00％的性能。通过一组案例研究，分析了问题特定性能，展示了代码特征如何提高 Code-DKT 的预测能力。

    Jun, 2022

  • 知识追踪的深度有多大？

    本文考虑深度知识追踪（DKT）在预测学生学习表现时的优越性及其与贝叶斯知识追踪（BKT）模型的比较，提出了 BKT 模型的拓展方案，最终指出虽然 DKT 是一种实用的学生学习模型，但其对数据的优化不在于发现新的表现形式。

    Mar, 2016

  • 基于测验的知识跟踪

    该研究提出了基于测验的知识跟踪模型（QKT），它可以通过一个系列的测验组织学生的历史互动，以准确地评估他们的知识状态，改进在线学习系统中的个性化学习源推荐服务。该模型通过邻接门、门控循环单元和自注意编码器等技术实现了短期和长期知识影响的捕捉，相比于当前方法取得了最优性能。

    Apr, 2023

  • GIKT：一种基于图的知识追踪交互模型

    本文提出了一种基于图卷积网络的知识追踪图交互模型（GIKT），用于解决在线教育系统中知识追踪中问题信息和高阶问题 - 技能相关性的问题。实验证明，GIKT 在三个数据集上实现了最新的最高性能。

    Sep, 2020

  • pyKT: 用于基于深度学习的知识追踪模型基准测试的 Python 库

    本研究基于 Python 平台开发了一个名为 pyKT 的标准化基准测试平台，旨在通过对多种 DLKT 模型的透明实验和系统评估来探究深度学习的知识追踪问题，并提出了一些实用意见和建议。

    Jun, 2022

  • 知识查询网络：知识如何与技能互动

    本文提出了一种新的知识追踪模型 —— 知识查询网络（KQN），它使用神经网络将学生的学习活动编码为知识状态和技能向量，并使用点积模拟两种向量之间的交互。基于 KQN，引入了一种称为概率技能相似性的新概念，该概念将技能向量的配对余弦距离和欧几里得距离与相应技能的几率比相关联，使得 KQN 易于理解。实验结果表明，KQN 在预测准确性方面优于现有的所有 KT 模型，并且知识状态和技能之间的交互可以得到可视化，同时也可以使用聚类来分析技能域。

    Aug, 2019