本论文提出了一种结合贝叶斯方法和约束方法的算法，用于解决从有限数据集进行因果推断的准确性和稳健性问题。

Oct, 2012

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

本文考虑深度知识追踪（DKT）在预测学生学习表现时的优越性及其与贝叶斯知识追踪（BKT）模型的比较，提出了 BKT 模型的拓展方案，最终指出虽然 DKT 是一种实用的学生学习模型，但其对数据的优化不在于发现新的表现形式。

Mar, 2016

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

通过引入一个通用掩码框架来解决知识追踪模型的两个问题，并提出了一个开源的基准库（KTbench），旨在确保这项工作的可复制性和解决模型在不同序列长度下进行比较的问题。

Mar, 2024

本文提出了一个基于二阶可观测矩的无监督估计潜变量模型的方法，包括概率主题模型和潜线性贝叶斯网络等广泛的模型，且不需要对潜变量的分布做出任何假设，可以处理主题或潜因子之间的任意相关性，并且提出了一个可行的学习方法通过 L1 优化在数值实验中进行了研究。

Sep, 2012

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

提出了一种名为 AT-DKT 的基于多任务学习的知识追踪方法，它使用问题标记任务和个性化先前知识预测任务来改进原始的深度知识追踪模型，以更好地捕捉学生的历史表现，并在三个真实的教育数据集上得到比所有序列模型更好的 AUC 结果。

Feb, 2023

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。

Dec, 2023

本研究提出了基于代码的深度知识追踪（Code-DKT）模型，该模型使用注意力机制自动提取和选择特定于领域的代码特征，以扩展深度知识追踪。研究结果显示，Code-DKT 在解决 5 个入门编程作业的过程中，相对于最新的领域通用 KT 模型，比 DKT 提高了 3.07-4.00％的性能。通过一组案例研究，分析了问题特定性能，展示了代码特征如何提高 Code-DKT 的预测能力。

Jun, 2022