May, 2023

知识追踪中端到端因果发现的概念模型

PDF
TL;DR本篇研究提出了一种深度知识追踪模型中的新型因果门循环单元（ GRU）模块，使用学习排列矩阵及以可选学习下三角矩阵的方式，解决了技能之间的因果关系问题，该解决方案在教育领域中有着重要的应用价值。
causal discoveryknowledge tracingskill relationshipsgru moduleeducation
发现论文，激发创造
  • 利用技能对技能监督进行知识追踪

    本文通过专家指导下的技能关系构建知识追踪模型，在限制数据情况下进行了广泛实验，并发现该模型在冷启动情况下性能表现更佳。

    Jun, 2023

  • 深度知识追踪

    本文研究使用递归神经网络（RNN）对学生学习过程中的知识建模，结果显示神经网络能够提高预测性能，可用于智能课程设计和发现学生任务结构的解释与发现。

    Jun, 2015

  • 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

  • 一种跟踪多知识概念掌握概率的概率生成模型

    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。

    Feb, 2023

  • 拥抱黑箱：走向基于时间序列数据的因果发现基础模型

    Causal Pretraining explores supervised learning to discover causal relationships from time series data, demonstrating that performance increases with data and model size and suggesting the potential for a foundation model for causal discovery.

    Feb, 2024

  • 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

  • 知识关系排名增强的异构学习交互建模用于神经图遗忘知识追踪

    本研究提出了一个名为 NGFKT 的知识追踪模型，通过校准技能关系矩阵和 Q - 矩阵，以及应用图卷积网络对学生、练习和技能之间的异构交互进行建模，来降低主观标注的影响。研究结果表明，该模型在 AUC、ACC 和 Performance Stability（PS）等方面优于基线模型。

    Apr, 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

  • 来自视频中物理系统的因果关系发现

    本文提出了一种基于视频无监督学习的因果发现方法，结合感知、推理和动力学模块，能够从短序列的关键点信息中高效地发现物体、环境变量之间的相互作用，并做出反事实推理和未来预测。

    Jul, 2020

  • 领域通用知识训练：概念聚合和基于关系的注意力

    知识追踪是在线教育系统中的关键任务，本文提出了一种领域泛化的知识追踪方法，通过利用现有教育系统中的学生互动来减轻训练数据有限性引起的性能下降问题，并设计了一个适用于任何知识追踪模型的领域泛化框架。通过实验证明，这种方法在有限的训练数据下表现出色。

    Jul, 2024