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

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

本文提出了一种名为 “知识图谱 - 习题代表性和信息性框架” 的方法，以解决单个关系的知识图谱和习题特征模型化的问题。实验证明该框架能够改善学生表现，并为学生推荐合适的习题。

Jul, 2023

该论文综合系统地回顾了知识追踪 (KT) 领域的文献，涵盖了从早期尝试到使用深度学习的最新现状，强调了模型的理论方面和基准数据集的特征，阐明了相关方法之间的关键建模差异，并以易于理解的格式总结了它们。最后，我们讨论了 KT 文献中的当前研究差距和可能的未来研究和应用方向。

Jan, 2022

知识追踪是一种在教育领域中用于评估和追踪个体学习者知识获取的方法，本文通过实施两种知识追踪算法并使用新发布的数据集，展示了解决知识追踪问题的结果，以推动计算机辅助教育应用（如智能辅导系统、课程学习和学习材料推荐）的发展。

Nov, 2023

本文提出了一种新的知识追踪模型，它能够捕捉学生的学习能力并将学生动态分配到具有类似能力的不同组中，在常规时间间隔内将这些信息与被称为深度知识追踪的递归神经网络结构相结合，实验结果表明，该模型明显优于用于学生建模的已知先进技术。

Sep, 2018

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

本文探讨了在知识追踪中，除了串行信息之外，题目固有的侧面关系也是有助于提高其准确性，并提出了一种新的框架 DTKS，实验证明该框架在真实教育数据方面很有效。

Sep, 2019

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