本论文提出了 Deep-IRT，它是一种基于深度神经网络框架的动态键值记忆网络 (DKVMN) 和项目反应理论 (IRT) 模型的综合，可用于使基于深度学习的知识追踪能够得到解释性。实验证明，Deep-IRT 模型保留了 DKVMN 模型的性能，同时提供了学生和项目的直接心理学解释。

Apr, 2019

本文研究比较了基于 IRT 的多个熟练度估计方法和基于 RNN 的 Deep Knowledge Tracing 在学生行为预测方面的表现，在多个数据集中发现 IRT 性能优于 DKT，并通过贝叶斯概率模型的应用提供更好的可解释性和保证性。

Apr, 2016

我们开发了 T-SKIRT：一种基于时间，结构化知识，基于 IRT 的方法，用于预测学生在线响应。通过明确考虑学生学习并采用结构化，多维度的学生能力表示，该模型在实际响应预测任务中胜过标准的 IRT 方法，可以应用于与多样化教育内容互动的学生收集的真实响应。

Feb, 2017

Item Response Theory (IRT) models leverage coresets for scalable learning of latent abilities and difficulty characteristics in the context of large-scale assessments and data analysis problems.

Mar, 2024

通过在 Item Response Theory 中引入 amortised experimental design 和 Deep Reinforcement Learning 方法，能够高效地提取学生能力和测试题目特征，以及在实时中考虑实验历史和结果的情况下为学生推荐下一个测试题目。

Jul, 2023

在本文中，我们提出了一个基于修改过的 IRT 模型的框架，用于评估算法组合在数据集存储库中的性能，同时揭示算法性能的重要方面，例如一致性和异常性。我们测试了这个框架在广泛应用的算法组合上，展示了这种方法作为一种具有洞察力的算法评估工具的广泛适用性，并且 IRT 参数的可解释性提供了对算法组合的更深入理解。

Jul, 2023

本文提出了在深度神经网络产生的人工群众中使用生成的反应模式 (RP) 来学习 IRT 模型，并证明了这种方法在两个 NLP 任务中通过定量和定性分析学习 IRT 模型的有效性。通过训练集过滤中使用隐含的难度项参数的用例，以及人类预期和机器 RP 所估计难度不匹配的情况。

Aug, 2019

本文提出一种基于心理度量学中的项目反应理论（IRT）的替代手段，用于生成金标准测试集和 NLP 系统的评估，通过实验证明 IRT 方法能提供更为全面的系统性能评估，并能更好地说明系统性能。

May, 2016

利用生成式大型语言模型的最新进展，我们通过引入 InfoOIRT 模型（一种信息正则化的开放性项目反应理论模型）对潜在的学生知识表示进行解释，以生成学生编写的开放性编程问题代码。通过在实际编程教育数据集上的实验，我们展示了 InfoOIRT 既能准确生成学生代码，又能产生可解释的学生知识表示。

May, 2024

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