知识追踪挑战:学生优化活动顺序
本研究探索在保护学习者数据隐私的前提下建立知识追踪模型的可行性,并使用多所学校的数据集进行序列学习,结果表明,使用 Self Attentive Knowledge Tracing 算法进行序列学习可以达到与汇集所有数据相似的性能。
Jan, 2022
该论文综合系统地回顾了知识追踪 (KT) 领域的文献,涵盖了从早期尝试到使用深度学习的最新现状,强调了模型的理论方面和基准数据集的特征,阐明了相关方法之间的关键建模差异,并以易于理解的格式总结了它们。最后,我们讨论了 KT 文献中的当前研究差距和可能的未来研究和应用方向。
Jan, 2022
该研究提出了基于测验的知识跟踪模型(QKT),它可以通过一个系列的测验组织学生的历史互动,以准确地评估他们的知识状态,改进在线学习系统中的个性化学习源推荐服务。该模型通过邻接门、门控循环单元和自注意编码器等技术实现了短期和长期知识影响的捕捉,相比于当前方法取得了最优性能。
Apr, 2023
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
本文提出了一种超越二元分类的知识追踪方法 —— 选项追踪法,可以准确预测学生在选择多项选择题时选择的选项,不仅可以诊断学生整体能力,还可以诊断学生的具体错误。在两个大型学生响应数据集上进行了有效性测试并获得了较好的结果。
Apr, 2021
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
本文提出了一种多环境知识追踪模型(TAMKOT),它可以同时对学生所处的学习环境和学生的知识状态建模,并能表示不同学习材料之间的知识转移。在真实世界的数据集上验证实验表明,TAMKOT 能够很好地预测学生的表现并建模知识转移。
Jan, 2023
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