通过使用抽象概念的方法，建立了一个可适用于人类常识推理的抽象通识知识图谱，并通过基于语言特征的启发式规则和神经模型计算与验证其抽象知识的有效性。

Jun, 2022

通过代表难度和模型能力的 mIRT 模型，设计了一个基于问题回答学习的适应课程，应用于视觉概念学习，实验结果表明这种方法可以实现卓越的数据效率和收敛速度，仅使用 40% 的训练数据，与其他最先进的方法相比，收敛速度提高了三倍。

Jul, 2020

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

本研究提出了一种交互式框架，该框架通过接收并编码领域相关的概念和专家反馈来维护领域专家对学习的控制，从而在自动化和手动编码之间取得平衡。

May, 2023

本文提出了一个新的知识追踪模型，采用基于关系的自注意力机制来综合考虑练习之间的关系和学生的遗忘行为，进一步优化在线学习体验和评估方法。实验证明该模型优于现有的知识追踪方法，认知注意机制还能可视化人类学习过程中的时间模式。

Aug, 2020

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

本文提出了一种新的理论方法，通过智能系统实现领域知识获取。我们介绍了一种混合模型，通过一个知识图谱数据库存储和推理最小输入知识，并通过逻辑神经网络学习新信息。我们研究了该系统处理新数据的行为，并展示最终系统能够丰富当前的知识并将其扩展到新领域。

Nov, 2022

本文介绍了 Tetris 任务，它考虑更现实和更通用的设置，其中输入不仅包括目标，还包括附加的用户上下文，包括偏好和历史。为了解决这个问题，我们提出了一种新的方法，它使用两种技术来改进性能：（1）概念提示，和（2）面向脚本的对比学习，解决了步骤重复和幻觉问题。在我们的基于 WikiHow 的数据集上，我们发现两种方法都改善了性能。该数据集，代码仓库和模型将公开提供，以促进对这个新任务的进一步研究。

Aug, 2022

提出了 Qdiff 交互式注意力机制的多任务方法，用于预测学术问题的 Bloom's Taxonomy 和难度级别，并展示了该方法在难度标签数据集上的应用。

May, 2022

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