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
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。
Jun, 2022
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
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
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
本文提出了一种名为 LoReKT 的低资源知识追踪框架,旨在通过从丰富资源的 KT 数据集中学习可转移的参数和表示,在预训练阶段学习效果,并在后续适应低资源 KT 数据集时提供帮助。
Mar, 2024
通过引入一个通用掩码框架来解决知识追踪模型的两个问题,并提出了一个开源的基准库(KTbench),旨在确保这项工作的可复制性和解决模型在不同序列长度下进行比较的问题。
Mar, 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
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