通过自我关注机制，提出了一个有效的知识追踪方法，使用相对较少的 KC 来预测学生的掌握程度，这种方法在处理稀疏数据时表现更好，并在多个真实数据集上得到了显著的提高。

Jul, 2019

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

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

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

本文研究在线教育与智能教育服务，提出了基于知识跟踪的算法模型，分类 KT 模型及其应用场景，并开放 KT 相关数据集和模型库，最后讨论了 KT 领域未来的发展方向。

May, 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

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