可解释的少样本知识追踪
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
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
我们的研究针对目前存在的知识追踪模型的问题,分析了主流的方法并提出了一种基于图神经网络的合理知识追踪方法(GRKT),通过对知识概念之间的相互影响进行建模,更准确地表示知识掌握在学习过程中的演变,并通过三个阶段的建模过程实现了更合理的知识追踪。实验结果表明,GRKT 在三个数据集上优于其他十一个基准模型,提高了预测准确性,并生成了更合理的知识追踪结果,因此在教育领域的实际应用中具有很大的潜力。
Jun, 2024
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
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
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。
Jan, 2024
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
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