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

该研究提出了一种基于正则化的改进深度知识追踪模型，可以有效提高预测的一致性，同时没有降低原始任务表现。

Jun, 2018

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

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

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

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

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

本研究介绍了一种基于生成性人工智能模型的知识追踪方法，通过生成合成的教育记录以增强个性化自适应学习在预测学生未来表现方面的性能。实验证明，由 TabDDPM 生成的人工智能数据显著提升了 Deep Knowledge Tracing 在训练数据稀缺和测试数据丰富的场景下的性能。

Apr, 2024

本文提出了一种新的知识追踪模型，它能够捕捉学生的学习能力并将学生动态分配到具有类似能力的不同组中，在常规时间间隔内将这些信息与被称为深度知识追踪的递归神经网络结构相结合，实验结果表明，该模型明显优于用于学生建模的已知先进技术。

Sep, 2018

我们提出了一种名为 TKD 的新框架，利用深度神经网络基于的模型所选择的视频帧（瞬间的感知）来蒸馏轻量级模型中的时间知识，通过进行两个新的步骤：1）基于 LSTM 的关键帧选择方法；2）新的教师束缚损失设计。使用不同的目标检测方法，在多个数据集上进行了全面的经验评估，包括 Youtube-Objects 和 Hollywood 场景数据集。我们的结果显示，与其他现代对象识别方法相比，我们在动态场景的帧上的目标检测准确度 - 速度平衡方面有着一致的提高。

Mar, 2019