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

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

本研究提出了一种基于反事实推理的知识追踪框架（RCKT），通过比较实际和构造的反事实序列的预测结果，生成响应影响，从而改善模型的性能和可信度，并对响应影响进行可靠的解释。实验结果表明，RCKT 方法在四个数据集上表现优于六个基准方法，并提供了可靠的响应影响解释。

Dec, 2023

该研究提出了一种新的知识追踪模型，叫做动态键值记忆网络（DKVMN），它可以帮助个性化练习顺序，输出每个概念的学生掌握程度，并能够发现潜在的练习概念及描绘学生的知识变化。该模型在知识追踪数据集中表现出色，优于先前的模型。

Nov, 2016

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

知识追踪旨在通过跟踪学生知识状态的发展来预测他们未来的表现。我们通过四个方面改进 KT 模型在教育系统中的应用：1）限制真实生活数据的获取，2）公共数据集的多样性不足，3）基准数据集中的噪音问题，4）利用模拟数据进行性能测试。尽管我们在额外的模拟数据上仅观察到轻微的性能提升，但我们的研究表明仅使用模拟数据进行训练可以获得与真实数据相似的性能。

Jan, 2024

本文介绍了开放式知识追踪（OKT）的概念，着重于编程教育领域中的应用。通过结合使用语言模型和学生知识追踪方法，提出并验证一种解决 OKT 问题的学生知识引导的代码生成方法，该方法利用学生的开放式回答问题表现预测其未来的表现。

Feb, 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

知识追踪旨在通过分析学生的历史学习数据并预测其未来学习表现，跟踪学生知识状态的变化。本文提出了一个概念驱动的个性化遗忘知识追踪模型（CPF），该模型整合了知识概念之间的层次关系，并结合学生个性化的认知能力，以解决现有遗忘曲线理论模型只考虑时间间隔引起的遗忘问题。实验证明，CPF 模型比基于遗忘曲线理论的方法在预测学生表现方面表现更好，通过个性化遗忘机制更好地模拟了学生知识状态的变化。

Apr, 2024