利用 PSI-KT 方法,通过显式建模个人认知特性和知识先决结构对学习动态的影响,实现可解释性的多步骤预测准确性、可扩展推理和个性化学习,为有效的个性化学习奠定了关键基础。
Mar, 2024
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
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
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
本文通过专家指导下的技能关系构建知识追踪模型,在限制数据情况下进行了广泛实验,并发现该模型在冷启动情况下性能表现更佳。
Jun, 2023
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
本文提出了一种新的知识追踪模型,它能够捕捉学生的学习能力并将学生动态分配到具有类似能力的不同组中,在常规时间间隔内将这些信息与被称为深度知识追踪的递归神经网络结构相结合,实验结果表明,该模型明显优于用于学生建模的已知先进技术。
Sep, 2018
本研究提出了一种层次图知识追踪模型,使用问题模式构建层次化的练习图以探索练习之间的关系,并使用两种注意机制强调学习者的重要历史状态,通过提出的 K&S 诊断矩阵跟踪知识和问题模式的掌握转换,取得了实验效果良好的结果。
Jun, 2020
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