AAAIApr, 2022

不留任何任务：多任务学习知识跟踪和选项跟踪，以提高学生评估能力

PDF
TL;DR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）。
发现论文，激发创造
  • 辅助任务增强深度知识追踪

    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

  • 选项追踪：知识追踪中超越正确性分析

    本文提出了一种超越二元分类的知识追踪方法 —— 选项追踪法，可以准确预测学生在选择多项选择题时选择的选项，不仅可以诊断学生整体能力，还可以诊断学生的具体错误。在两个大型学生响应数据集上进行了有效性测试并获得了较好的结果。

    Apr, 2021

  • 多任务推荐中的跨任务知识蒸馏

    提出了一种交叉任务知识蒸馏框架，通过引入辅助任务和校准蒸馏方法，解决了多任务学习中涉及的任务冲突、不一致和同步优化的问题，在实现细粒度推荐、跨任务知识转移等方面有显著效果。

    Feb, 2022

  • 过渡感知的多活动知识追踪

    本文提出了一种多环境知识追踪模型（TAMKOT），它可以同时对学生所处的学习环境和学生的知识状态建模，并能表示不同学习材料之间的知识转移。在真实世界的数据集上验证实验表明，TAMKOT 能够很好地预测学生的表现并建模知识转移。

    Jan, 2023

  • 可解释的少样本知识追踪

    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

  • 基于 GPT 的开放式知识追踪

    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

  • 上下文感知的关注知识追踪

    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

  • 知识追踪：一份调查报告

    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

  • 可解释的知识追踪：基于因果关系的简单高效学生建模

    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

  • 一个以问题为中心的多专家对比学习框架，用于提高深度序贯知识追踪模型的准确性和可解释性

    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