Jan, 2024

合成学生数据上的知识追踪分析

PDF
TL;DR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。
发现论文，激发创造
  • 知识跟踪调查

    本文研究在线教育与智能教育服务，提出了基于知识跟踪的算法模型，分类 KT 模型及其应用场景，并开放 KT 相关数据集和模型库，最后讨论了 KT 领域未来的发展方向。

    May, 2021

  • 在大规模数据集上进行知识追踪的深度学习模型实证比较

    本研究分析了大规模学生表现数据集中深度学习方法在知识追踪中的表现，证明了引入上下文信息及学生遗忘行为的对深度学习模型进行改进具有积极意义。

    Jan, 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

  • 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

  • 来自多所学校的增量知识跟踪

    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

  • 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

  • 知识追踪：一份调查报告

    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

  • 辅助任务增强深度知识追踪

    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

  • 带辅助信息的深度知识追踪

    本文探讨了在知识追踪中，除了串行信息之外，题目固有的侧面关系也是有助于提高其准确性，并提出了一种新的框架 DTKS，实验证明该框架在真实教育数据方面很有效。

    Sep, 2019

  • 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