Jul, 2024

领域通用知识训练：概念聚合和基于关系的注意力

PDF
TL;DR知识追踪是在线教育系统中的关键任务，本文提出了一种领域泛化的知识追踪方法，通过利用现有教育系统中的学生互动来减轻训练数据有限性引起的性能下降问题，并设计了一个适用于任何知识追踪模型的领域泛化框架。通过实验证明，这种方法在有限的训练数据下表现出色。
knowledge tracingonline education systemsdomain generalizationstudent interactionslimited training data
发现论文，激发创造
  • RKT：关系感知自注意力用于知识追踪

    本文提出了一个新的知识追踪模型，采用基于关系的自注意力机制来综合考虑练习之间的关系和学生的遗忘行为，进一步优化在线学习体验和评估方法。实验证明该模型优于现有的知识追踪方法，认知注意机制还能可视化人类学习过程中的时间模式。

    Aug, 2020

  • 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

  • 基于图结构的合理知识追踪理解学生学习过程中的教育理论运用

    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

  • 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

  • 复杂问题解决的知识追踪：基于细粒度排名的张量分解

    本文提出了一种新的学生知识追踪方法 GRATE，该方法可动态选择可聚合的学生尝试，从而预测学生在问题中的表现和发现其中呈现的概念；与现有研究相比，该方法能够更好地预测学生表现，消除不必要的波动并发现问题中的复杂潜在概念。

    Oct, 2022

  • GIKT：一种基于图的知识追踪交互模型

    本文提出了一种基于图卷积网络的知识追踪图交互模型（GIKT），用于解决在线教育系统中知识追踪中问题信息和高阶问题 - 技能相关性的问题。实验证明，GIKT 在三个数据集上实现了最新的最高性能。

    Sep, 2020

  • 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

  • DGEKT：一种双图集成学习方法用于知识追踪

    本文提出一种新的双重图集成学习方法 (DGEKT) 用于知识追踪，该方法建立学生成绩的双重图学习结构，以捕获异构的练习 - 概念关联和交互转换，并通过在线知识蒸馏技术进行模型集成，实现更好的建模能力，实验结果表明，DGEKT 的表现优于八个基线模型，达到了最先进水平。

    Nov, 2022

  • 知识跟踪调查

    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