Apr, 2023

基于测验的知识跟踪

PDF
TL;DR该研究提出了基于测验的知识跟踪模型（QKT），它可以通过一个系列的测验组织学生的历史互动，以准确地评估他们的知识状态，改进在线学习系统中的个性化学习源推荐服务。该模型通过邻接门、门控循环单元和自注意编码器等技术实现了短期和长期知识影响的捕捉，相比于当前方法取得了最优性能。
knowledge tracingonline learning systemsquiz-based learningshort-term knowledge influenceevolving knowledge states
发现论文，激发创造
  • 利用以问题为中心的认知表示提高深度序列知识追踪模型的可解释性

    提出一个使用深度学习技术解决知识追踪问题的解释性的、以问题为中心的预测模型 QIKT，该模型考虑了现实教育场景中问题的贡献度不同的情况，能够生成解释性的预测结果，并在三个公共数据集上显示了优异的预测性能和更好的模型可解释性

    Feb, 2023

  • 知识跟踪调查

    本文研究在线教育与智能教育服务，提出了基于知识跟踪的算法模型，分类 KT 模型及其应用场景，并开放 KT 相关数据集和模型库，最后讨论了 KT 领域未来的发展方向。

    May, 2021

  • 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

  • 基于注意力机制的 Q 矩阵知识追踪学习

    本研究提出一种基于 Q 矩阵和 Rasch 模型的新型混合嵌入方法，用于构建 Q 矩阵和学习学生知识状态，并使其适用于大规模在线教育平台上问题技能标签未能预先定义的情况，以实现知识追踪并提升数据挖掘性能。

    Apr, 2023

  • 知识查询网络：知识如何与技能互动

    本文提出了一种新的知识追踪模型 —— 知识查询网络（KQN），它使用神经网络将学生的学习活动编码为知识状态和技能向量，并使用点积模拟两种向量之间的交互。基于 KQN，引入了一种称为概率技能相似性的新概念，该概念将技能向量的配对余弦距离和欧几里得距离与相应技能的几率比相关联，使得 KQN 易于理解。实验结果表明，KQN 在预测准确性方面优于现有的所有 KT 模型，并且知识状态和技能之间的交互可以得到可视化，同时也可以使用聚类来分析技能域。

    Aug, 2019

  • 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

  • 我们对学生知识状态的理解是否充分？识别和减轻知识跟踪中的答案偏倚

    知识追踪（KT）旨在通过学生与概念相关问题的学习互动来监控他们不断变化的知识状态，并可通过预测学生在未来问题上的表现来间接评估。这篇论文观察到了存在一个普遍的答案偏差现象，即每个问题的正确和错误答案呈高度不平衡的分布。针对这个问题，作者从因果关系的角度处理了 KT 任务，提出了一种新颖的核心（CORE）框架来减轻答案偏差，并通过从总因果效应中减去直接因果效应来进行 debias 推理。该 CORE 框架适用于现有的多种 KT 模型，并在三个基准数据集上的大量实验证明了它在进行知识追踪时的有效性。

    Aug, 2023

  • RKT：关系感知自注意力用于知识追踪

    本文提出了一个新的知识追踪模型，采用基于关系的自注意力机制来综合考虑练习之间的关系和学生的遗忘行为，进一步优化在线学习体验和评估方法。实验证明该模型优于现有的知识追踪方法，认知注意机制还能可视化人类学习过程中的时间模式。

    Aug, 2020

  • qDKT：基于问题的深度知识追踪

    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

  • 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