Mar, 2024

在结构化领域上进行预测性、可扩展和可解释的知识追踪

PDF
TL;DR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。
intelligent tutoring systemsknowledge tracingknowledge mappinginterpretable representationspersonalized learning
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

  • 智能辅导系统中的先决条件结构发现

    本研究探讨了知识结构和知识追踪在提高智能辅导系统中教育内容推荐的重要性，包括提出了一个将知识结构作为可学习参数的知识追踪模型，通过学习者的轨迹来发现潜在的知识结构并评估其质量。

    Jan, 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

  • 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

  • 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

  • 语言模型可进行知识追踪：将语言模型与知识追踪任务简单而有效地整合的方法

    利用语言模型集成的知识追踪方法在在线学习中提高了模型性能，并解决了冷启动问题。

    Jun, 2024

  • 利用技能对技能监督进行知识追踪

    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

  • 知识追踪的深度知识追踪与动态学生分类

    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

  • 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

  • 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