基于注意力机制的 Q 矩阵知识追踪学习
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
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
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。
Apr, 2023
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
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
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
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
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
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