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

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

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

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

本文探讨深度神经网络在知识追踪模型上可能出现的过拟合问题，提出了基于对抗训练的知识追踪模型 (ATKT)，其中应用了注意力机制以提高模型的精度和泛化性能，针对四个公共基准数据集进行了大量实验，获得了新的最佳表现。

Aug, 2021

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

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

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

利用语言模型集成的知识追踪方法在在线学习中提高了模型性能，并解决了冷启动问题。

Jun, 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