基于习题代表性和信息量的知识图增强智能辅导系统
本文提出了一种基于深度学习的学生成绩预测模型,利用Exercise-Enhanced Recurrent Neural Network和Exercise-aware Knowledge Tracing等方法,探索了学生知识获取情况和习题内容等因素,实现了精确的学生成绩预测,并提高了可解释性。
Jun, 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
本研究提出了一种层次图知识追踪模型,使用问题模式构建层次化的练习图以探索练习之间的关系,并使用两种注意机制强调学习者的重要历史状态,通过提出的 K&S 诊断矩阵跟踪知识和问题模式的掌握转换,取得了实验效果良好的结果。
Jun, 2020
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
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
本研究探讨了知识结构和知识追踪在提高智能辅导系统中教育内容推荐的重要性,包括提出了一个将知识结构作为可学习参数的知识追踪模型,通过学习者的轨迹来发现潜在的知识结构并评估其质量。
Jan, 2024
通过引入学生-习题二分图信息,我们提出了一种自适应语义感知图神经网络层并应用于认知诊断模型(ASG-CD),以解决其研究中的限制,并在三个真实数据集上进行了广泛实验证明了ASG-CD的有效性。
Feb, 2024
为快速检测新学生的掌握水平,提出了一种基于归纳式认知诊断模型的新型学生中心图方法,该方法相对于传统的对特定学生嵌入进行更新的方法更加高效,而且在推理性能上也具有竞争力。
Apr, 2024
提出了一种新的DisKCD框架来诊断未测试的知识概念,通过构建异构关系图网络并利用层次异构消息传递机制,融合实体的细粒度关系到嵌入中,最终将嵌入应用于多个现有的认知诊断模型,以推断学生对未测试知识概念的熟练程度。
May, 2024