Sep, 2023

认知模式感知的变分表示学习框架用于知识追踪

PDF
TL;DR在个性化学习中，知识追踪任务起着至关重要的作用，它的目的是根据学生的历史学习行为序列来预测他们的回答。然而，由于数据稀疏性，知识追踪任务难以学习到适用于少量学习记录的学生的健壮表示，同时增加了模型过拟合的风险。因此，在本文中，我们提出了一种认知模式感知的变分表示学习框架（CMVF），可以直接应用于现有的知识追踪方法。我们的框架使用概率模型为每个学生生成一个分布，考虑到那些具有有限学习记录的学生的不确定性，并通过变分推断（VI）估计学生的分布。此外，我们还引入了一个认知模式感知的多项分布作为先验知识，约束后验学生分布的学习，以确保具有相似认知模式的学生具有相似的分布，避免对少量学习记录的学生过度个性化。最后，广泛的实验结果证实了 CMVF 可以有效地帮助现有的知识追踪方法学习到更健壮的学生表示。我们的代码可在此网址获取
发现论文，激发创造
  • 可解释的少样本知识追踪

    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

  • 基于动态键值内存网络的知识追踪

    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

  • 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

  • 反事实单调知识追踪评估学生对知识概念的动态掌握

    评估学生对知识概念的动态掌握是知识跟踪任务的核心，本文提出了一种基于反事实单调知识跟踪的方法来约束学生知识概念的发展，解决了无标签概念掌握挑战。

    Aug, 2023

  • 一个以问题为中心的多专家对比学习框架，用于提高深度序贯知识追踪模型的准确性和可解释性

    我们提出了一个名为 Q-MCKT 的基于问题中心的多专家对比学习框架，用于知识追踪，以解决应用深度学习技术建模知识追踪过程时面临的挑战。

    Mar, 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

  • 使用序列化键值记忆网络进行知识追踪

    本研究使用深度学习提出了一种新的知识追踪模型，名为 SKVMN，以解决现有深度学习知识追踪模型在如何追踪特定知识点以及在练习序列中捕捉长期依赖性等方面存在的局限性。实验结果表明，SKVMN 在所有数据集上优于现有的 KT 模型，能够更好地发现潜在概念和问题之间的相关性，并能跟踪学生的知识状态动态，借助练习序列中的时序依赖性提高预测准确性。

    Oct, 2019

  • 利用概率知识传递学习深度表示

    本文提出了一种新的知识迁移技术，能够训练一个学生模型，使其保持与教师模型之间相同数量的互信息，与现有的 KT 方法相比，该方法能够克服一些局限性，并提供新的 KT 应用。

    Mar, 2018

  • 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

  • 利用以问题为中心的认知表示提高深度序列知识追踪模型的可解释性

    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