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

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

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

本研究提出了一个名为 NGFKT 的知识追踪模型，通过校准技能关系矩阵和 Q - 矩阵，以及应用图卷积网络对学生、练习和技能之间的异构交互进行建模，来降低主观标注的影响。研究结果表明，该模型在 AUC、ACC 和 Performance Stability（PS）等方面优于基线模型。

Apr, 2023

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。

Jun, 2019

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

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

我们的研究针对目前存在的知识追踪模型的问题，分析了主流的方法并提出了一种基于图神经网络的合理知识追踪方法（GRKT），通过对知识概念之间的相互影响进行建模，更准确地表示知识掌握在学习过程中的演变，并通过三个阶段的建模过程实现了更合理的知识追踪。实验结果表明，GRKT 在三个数据集上优于其他十一个基准模型，提高了预测准确性，并生成了更合理的知识追踪结果，因此在教育领域的实际应用中具有很大的潜力。

Jun, 2024

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

知识追踪是在线教育系统中的关键任务，本文提出了一种领域泛化的知识追踪方法，通过利用现有教育系统中的学生互动来减轻训练数据有限性引起的性能下降问题，并设计了一个适用于任何知识追踪模型的领域泛化框架。通过实验证明，这种方法在有限的训练数据下表现出色。

Jul, 2024