Dec, 2023

基于响应影响的反事实推理的可解释知识追踪

PDF
TL;DR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。
发现论文，激发创造
  • 可解释的知识追踪：基于因果关系的简单高效学生建模

    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

  • 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

  • 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

  • 基于图结构的合理知识追踪理解学生学习过程中的教育理论运用

    我们的研究针对目前存在的知识追踪模型的问题，分析了主流的方法并提出了一种基于图神经网络的合理知识追踪方法（GRKT），通过对知识概念之间的相互影响进行建模，更准确地表示知识掌握在学习过程中的演变，并通过三个阶段的建模过程实现了更合理的知识追踪。实验结果表明，GRKT 在三个数据集上优于其他十一个基准模型，提高了预测准确性，并生成了更合理的知识追踪结果，因此在教育领域的实际应用中具有很大的潜力。

    Jun, 2024

  • 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

  • 我们对学生知识状态的理解是否充分？识别和减轻知识跟踪中的答案偏倚

    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

  • 上下文感知的关注知识追踪

    本文提出了一种基于神经网络的注意力知识追踪模型（AKT），结合了新颖的解释性模型组件，用于个性化学习和自动化反馈，实验证明 AKT 可以优于现有的 KT 方法，并且具有良好的可解释性。

    Jul, 2020

  • RKT：关系感知自注意力用于知识追踪

    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

  • 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

  • 深度知识追踪是一种隐式的动态多维项目响应理论模型

    深度知识追踪是一种基于递归神经网络的知识追踪竞争模型，本研究提出了一种简化的解码器，比原有模型表现更好，并为未来研究方向提供了新的可能性。

    Aug, 2023