本文介绍了开放式知识追踪（OKT）的概念，着重于编程教育领域中的应用。通过结合使用语言模型和学生知识追踪方法，提出并验证一种解决 OKT 问题的学生知识引导的代码生成方法，该方法利用学生的开放式回答问题表现预测其未来的表现。

Feb, 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

本文提出了一种多任务学习框架，称为 Dichotomous-Polytomous Multi-Task Learning（DP-MTL），该框架综合了知识追踪和选项追踪，以更精确地评估学生的知识状态，并证实该框架可以明显提高知识追踪和选项追踪的性能，并 profit downstream tasks such as Score Prediction（SP）。

Apr, 2022

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

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

知识追踪旨在通过跟踪学生知识状态的发展来预测他们未来的表现。我们通过四个方面改进 KT 模型在教育系统中的应用：1）限制真实生活数据的获取，2）公共数据集的多样性不足，3）基准数据集中的噪音问题，4）利用模拟数据进行性能测试。尽管我们在额外的模拟数据上仅观察到轻微的性能提升，但我们的研究表明仅使用模拟数据进行训练可以获得与真实数据相似的性能。

Jan, 2024

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

本研究探索在保护学习者数据隐私的前提下建立知识追踪模型的可行性，并使用多所学校的数据集进行序列学习，结果表明，使用 Self Attentive Knowledge Tracing 算法进行序列学习可以达到与汇集所有数据相似的性能。

Jan, 2022

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