KDDSep, 2020

GIKT：一种基于图的知识追踪交互模型

PDF
TL;DR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。
knowledge tracingonline educationgraph-based interaction modelquestion-skill correlationslong-term dependency
发现论文，激发创造
  • 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

  • 知识关系排名增强的异构学习交互建模用于神经图遗忘知识追踪

    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

  • 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

  • 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

  • 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

  • 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

  • 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

  • qDKT：基于问题的深度知识追踪

    qDKT 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.

    May, 2020

  • 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

  • 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