Nov, 2022

DGEKT：一种双图集成学习方法用于知识追踪

PDF
TL;DR本文提出一种新的双重图集成学习方法 (DGEKT) 用于知识追踪，该方法建立学生成绩的双重图学习结构，以捕获异构的练习 - 概念关联和交互转换，并通过在线知识蒸馏技术进行模型集成，实现更好的建模能力，实验结果表明，DGEKT 的表现优于八个基线模型，达到了最先进水平。
发现论文，激发创造
  • GIKT：一种基于图的知识追踪交互模型

    本文提出了一种基于图卷积网络的知识追踪图交互模型（GIKT），用于解决在线教育系统中知识追踪中问题信息和高阶问题 - 技能相关性的问题。实验证明，GIKT 在三个数据集上实现了最新的最高性能。

    Sep, 2020

  • HGKT: 引入层次性练习图来进行知识追踪

    本研究提出了一种层次图知识追踪模型，使用问题模式构建层次化的练习图以探索练习之间的关系，并使用两种注意机制强调学习者的重要历史状态，通过提出的 K＆S 诊断矩阵跟踪知识和问题模式的掌握转换，取得了实验效果良好的结果。

    Jun, 2020

  • 领域通用知识训练：概念聚合和基于关系的注意力

    知识追踪是在线教育系统中的关键任务，本文提出了一种领域泛化的知识追踪方法，通过利用现有教育系统中的学生互动来减轻训练数据有限性引起的性能下降问题，并设计了一个适用于任何知识追踪模型的领域泛化框架。通过实验证明，这种方法在有限的训练数据下表现出色。

    Jul, 2024

  • EKT：面向体能训练的知识跟踪模型用于学生成绩预测

    本文提出了一种基于深度学习的学生成绩预测模型，利用 Exercise-Enhanced Recurrent Neural Network 和 Exercise-aware Knowledge Tracing 等方法，探索了学生知识获取情况和习题内容等因素，实现了精确的学生成绩预测，并提高了可解释性。

    Jun, 2019

  • 基于图结构的合理知识追踪理解学生学习过程中的教育理论运用

    我们的研究针对目前存在的知识追踪模型的问题，分析了主流的方法并提出了一种基于图神经网络的合理知识追踪方法（GRKT），通过对知识概念之间的相互影响进行建模，更准确地表示知识掌握在学习过程中的演变，并通过三个阶段的建模过程实现了更合理的知识追踪。实验结果表明，GRKT 在三个数据集上优于其他十一个基准模型，提高了预测准确性，并生成了更合理的知识追踪结果，因此在教育领域的实际应用中具有很大的潜力。

    Jun, 2024

  • DualDE: 双重蒸馏知识图谱嵌入以加速和降低推理成本

    提出一种双重教导方法 DualDE，用于提高知识图谱嵌入的推理效率，通过软标签评估机制和两阶段蒸馏方法，可以将高维 KGE 减少 7-15 倍，推理速度提高 2-6 倍。

    Sep, 2020

  • 知识关系排名增强的异构学习交互建模用于神经图遗忘知识追踪

    本研究提出了一个名为 NGFKT 的知识追踪模型，通过校准技能关系矩阵和 Q - 矩阵，以及应用图卷积网络对学生、练习和技能之间的异构交互进行建模，来降低主观标注的影响。研究结果表明，该模型在 AUC、ACC 和 Performance Stability（PS）等方面优于基线模型。

    Apr, 2023

  • 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

  • KGEx: 通过子图采样和知识蒸馏解释知识图谱嵌入

    KGEx 是一种新颖的后处理方法，通过借鉴替代模型研究来解释知识图嵌入（KGE）中的个别链接预测，并通过训练替代 KGE 模型识别重要的训练三元组，从而提供对于黑盒模型忠实的解释。

    Oct, 2023

  • 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