利用技能对技能监督进行知识追踪
该论文综合系统地回顾了知识追踪 (KT) 领域的文献,涵盖了从早期尝试到使用深度学习的最新现状,强调了模型的理论方面和基准数据集的特征,阐明了相关方法之间的关键建模差异,并以易于理解的格式总结了它们。最后,我们讨论了 KT 文献中的当前研究差距和可能的未来研究和应用方向。
Jan, 2022
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
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
本研究探索在保护学习者数据隐私的前提下建立知识追踪模型的可行性,并使用多所学校的数据集进行序列学习,结果表明,使用 Self Attentive Knowledge Tracing 算法进行序列学习可以达到与汇集所有数据相似的性能。
Jan, 2022
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
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
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