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

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

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

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

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

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