Jun, 2022

基于代码的编程任务知识追踪模型 - Code-DKT

PDF
TL;DR本研究提出了基于代码的深度知识追踪（Code-DKT）模型，该模型使用注意力机制自动提取和选择特定于领域的代码特征，以扩展深度知识追踪。研究结果显示，Code-DKT 在解决 5 个入门编程作业的过程中，相对于最新的领域通用 KT 模型，比 DKT 提高了 3.07-4.00％的性能。通过一组案例研究，分析了问题特定性能，展示了代码特征如何提高 Code-DKT 的预测能力。
knowledge tracingdeep learningattention mechanismprogramming assignmentsperformance improvement
发现论文，激发创造
  • 深度知识追踪是一种隐式的动态多维项目响应理论模型

    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

  • 编程知识跟踪：一份全面数据集和一个新模型

    本文在编程教育领域研究知识追踪，提出了一个新的模型 PDKT 以及一个最全面的数据集 BePKT，实验结果显示该模型在编程知识追踪方面表现突出，且码嵌入策略基于 PLCodeBERT 对于提高准确性有补充作用。

    Dec, 2021

  • qDKT：基于问题的深度知识追踪

    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

  • 知识追踪的深度有多大？

    本文考虑深度知识追踪（DKT）在预测学生学习表现时的优越性及其与贝叶斯知识追踪（BKT）模型的比较，提出了 BKT 模型的拓展方案，最终指出虽然 DKT 是一种实用的学生学习模型，但其对数据的优化不在于发现新的表现形式。

    Mar, 2016

  • pyKT: 用于基于深度学习的知识追踪模型基准测试的 Python 库

    本研究基于 Python 平台开发了一个名为 pyKT 的标准化基准测试平台，旨在通过对多种 DLKT 模型的透明实验和系统评估来探究深度学习的知识追踪问题，并提出了一些实用意见和建议。

    Jun, 2022

  • 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

  • simpleKT：一个简单但难以超越的知识追踪基准

    本研究提出了一种名为 SimpleKT 的基准方法，用于处理知识追踪任务。该方法通过在心理量表学中的 Rasch 模型的启发下，显式地建模问题特定变化，以捕捉涵盖同一知识组件集合的问题之间的个体差异。此外，该方法使用普通的点积注意函数来提取嵌入在学生学习交互中的时间感知信息，而不使用复杂的表示来捕捉学生遗忘行为。实验结果表明，这种简单的基准测试方法对于七个不同领域的公共数据集始终排名前三，与十二个深度 KT 基线方法取得了 57 胜、3 平、16 败的成绩。

    Feb, 2023

  • 一种用于知识追踪的自注意力模型

    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

  • 在大规模数据集上进行知识追踪的深度学习模型实证比较

    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

  • 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