Feb, 2023

一种跟踪多知识概念掌握概率的概率生成模型

PDF
TL;DR我们提出了一种名为 TRACED 的模型，借助基于 markov chain 的 knowledge tracing 来跟踪学生各项知识点的理解概率，通过 LSTM 解决了 explanatory away 问题，同时采用了一个新的三元交互策略来提高对学生习题情况的建模精度，试验表明 TRACED 能在学生成绩预测和自动反馈方面优于现有的知识追踪方法。
发现论文，激发创造
  • 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

  • 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

  • 反事实单调知识追踪评估学生对知识概念的动态掌握

    评估学生对知识概念的动态掌握是知识跟踪任务的核心，本文提出了一种基于反事实单调知识跟踪的方法来约束学生知识概念的发展，解决了无标签概念掌握挑战。

    Aug, 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 使用序列化键值记忆网络进行知识追踪

    本研究使用深度学习提出了一种新的知识追踪模型，名为 SKVMN，以解决现有深度学习知识追踪模型在如何追踪特定知识点以及在练习序列中捕捉长期依赖性等方面存在的局限性。实验结果表明，SKVMN 在所有数据集上优于现有的 KT 模型，能够更好地发现潜在概念和问题之间的相关性，并能跟踪学生的知识状态动态，借助练习序列中的时序依赖性提高预测准确性。

    Oct, 2019