ICLRFeb, 2023

simpleKT：一个简单但难以超越的知识追踪基准

PDF
TL;DR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。
knowledge tracingdeep neural networksstandardized evaluation protocolrasch modeldot-product attention function
发现论文，激发创造
  • 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

  • 基于代码的编程任务知识追踪模型 - Code-DKT

    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

  • 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

  • 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

  • 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

  • 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

  • 通过对抗训练增强知识追踪

    本文探讨深度神经网络在知识追踪模型上可能出现的过拟合问题，提出了基于对抗训练的知识追踪模型 (ATKT)，其中应用了注意力机制以提高模型的精度和泛化性能，针对四个公共基准数据集进行了大量实验，获得了新的最佳表现。

    Aug, 2021

  • 合成学生数据上的知识追踪分析

    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