本论文提出了 Deep-IRT，它是一种基于深度神经网络框架的动态键值记忆网络 (DKVMN) 和项目反应理论 (IRT) 模型的综合，可用于使基于深度学习的知识追踪能够得到解释性。实验证明，Deep-IRT 模型保留了 DKVMN 模型的性能，同时提供了学生和项目的直接心理学解释。

Apr, 2019

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

本文介绍了开放式学习者建模的重要性，以及在智能教学系统和人工智能在教育中的应用方面所取得的研究成果，强调为了更好地支持人类学习和教学，对于 AI 模型的可解释性和可解释性的考虑，提供了有价值的起点。

Jun, 2018

本文提出了在深度神经网络产生的人工群众中使用生成的反应模式 (RP) 来学习 IRT 模型，并证明了这种方法在两个 NLP 任务中通过定量和定性分析学习 IRT 模型的有效性。通过训练集过滤中使用隐含的难度项参数的用例，以及人类预期和机器 RP 所估计难度不匹配的情况。

Aug, 2019

Item Response Theory (IRT) models leverage coresets for scalable learning of latent abilities and difficulty characteristics in the context of large-scale assessments and data analysis problems.

Mar, 2024

提出了 Variational Temporal IRT (VTIRT) 算法，用于快速准确地推断学习者能力的动态变化，相较于其他学习者能力模型，在预测未来的学习者表现方面持续取得改进。

Nov, 2023

本文研究了视觉问答中的开放域知识问题，并提出了一种结合隐式知识和符号知识表示的方法 KRISP，大大提高了模型的性能和泛化能力。

Dec, 2020

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

提出了一种基于整数线性规划的结构化推理系统，利用半结构化知识库来回答自然语言问题，并且在真实科学问题数据集中，性能优于以前使用 Markov 逻辑网络和 ILP 系统，同时结合非结构化推理方法可以大幅提高系统性能

Apr, 2016

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