Apr, 2024

个性化的遗忘机制与概念驱动的知识追踪

PDF
TL;DR知识追踪旨在通过分析学生的历史学习数据并预测其未来学习表现，跟踪学生知识状态的变化。本文提出了一个概念驱动的个性化遗忘知识追踪模型（CPF），该模型整合了知识概念之间的层次关系，并结合学生个性化的认知能力，以解决现有遗忘曲线理论模型只考虑时间间隔引起的遗忘问题。实验证明，CPF 模型比基于遗忘曲线理论的方法在预测学生表现方面表现更好，通过个性化遗忘机制更好地模拟了学生知识状态的变化。
knowledge tracingforgettingpersonalizedconcept-drivencognitive abilities
发现论文，激发创造
  • 记忆感知线性偏差对于专注式知识追踪的效果

    这篇论文提出了一种简单而有效的解决方案，即遗忘感知线性偏差（FoLiBi），以反映遗忘行为作为线性偏差，并通过有效地解耦问题之间的相关性与遗忘行为，FoLiBi 与几种知识追踪模型相结合，在四个基准数据集上一致改善了最高 2.58％的 AUC。

    Sep, 2023

  • 一种用于知识追踪的自注意力模型

    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

  • 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

  • 一种跟踪多知识概念掌握概率的概率生成模型

    我们提出了一种名为 TRACED 的模型，借助基于 markov chain 的 knowledge tracing 来跟踪学生各项知识点的理解概率，通过 LSTM 解决了 explanatory away 问题，同时采用了一个新的三元交互策略来提高对学生习题情况的建模精度，试验表明 TRACED 能在学生成绩预测和自动反馈方面优于现有的知识追踪方法。

    Feb, 2023

  • 基于动态键值内存网络的知识追踪

    该研究提出了一种新的知识追踪模型，叫做动态键值记忆网络（DKVMN），它可以帮助个性化练习顺序，输出每个概念的学生掌握程度，并能够发现潜在的练习概念及描绘学生的知识变化。该模型在知识追踪数据集中表现出色，优于先前的模型。

    Nov, 2016

  • 基于测验的知识跟踪

    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

  • 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

  • 连续学习中实现遗忘预防和知识迁移

    本文提出了一种名为 CTR 的模型，通过使用预训练模型解决了连续学习中的灾难性遗忘和知识迁移的问题。实验结果表明 CTR 模型是有效的。

    Dec, 2021

  • 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

  • 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