- ClickTree: 基于点击流数据的预测数学学生表现的基于树的方法
基于学生点击流数据开发了一种树状方法（ClickTree）来预测数学作业中学生的表现，该方法利用了问题级别、任务级别和学生级别的特征，并在教育数据挖掘杯 2023 比赛中取得了 0.78844 的 AUC，排名第二。结果表明，学生在选定特定 - 个性化学生学习的因果发现与反事实解释
通过因果发现技术，本研究着重于确定学生表现的原因，以提供个性化的改进方法；通过识别因果预测因素并应用对照分析来提供个性化建议；在教育背景中使用因果推断的挑战、益处和限制得到了详细描述。
- AAAICLGT: 协作学习中学生表现预测的图转换器
基于学生活动构建交互图的协作学习图形转换器框架（CLGT）用于评估和预测学生的表现，该框架超越基准模型，区分协作学习中表现差的学生并提供及时的教师干预。
- 用大型语言模型（GPT）自动化编程作业反馈
本实验研究使用 OpenAI 的 GPT-3.5 模型在一个自动化的评估平台上生成学生编程作业的个性化提示，实验小组依赖平台反馈较少但在启用 GPT 提示时表现得更好。
- 元学习的自适应多教师知识蒸馏
本文提出了自适应多教师知识蒸馏与元学习，以指导学生从量身定制的集成教师中获得适当的知识。通过元权重网络的辅助，将输出层和中间层中多样但兼容的教师知识联合利用，以增强学生的表现。在多个基准数据集上进行的广泛实验验证了本方法的有效性和灵活性。
- 使用机器学习算法的预测模型，鉴别学生通过学期课程的概率
本研究旨在建立一个可预测学生是否能在学期初始阶段通过其所选课程的模型。使用数据挖掘技术和决策树算法的分类方法，我们发现这个预测模型具有高可接受性、准确性和精度，对于学生学业表现的推进和教育体系的改善有重要意义。
- 多粒度基于时间的 Transformer 知识追踪
本文提出了一种用于预测学生标准化考试成绩的 Transformer 架构，通过学生历史数据来创建个性化模型，并采用多种时间特征进行解码以显著提高模型性能，取得了比 LightGBM 方法更好的效果，为 AI 教育领域提供了一种可扩展的准确预 - 预训练语言模型的梯度知识蒸馏
本文提出了一种新的知识蒸馏方法（GKD），通过引入梯度对齐这一重要的知识源，以提高预训练语言模型的学生模型的性能和可解释性。实验结果表明，使用 GKD 比先前的知识蒸馏方法效果更好。
- EMNLP基于 GPT 的开放式知识追踪
本文介绍了开放式知识追踪（OKT）的概念，着重于编程教育领域中的应用。通过结合使用语言模型和学生知识追踪方法，提出并验证一种解决 OKT 问题的学生知识引导的代码生成方法，该方法利用学生的开放式回答问题表现预测其未来的表现。
- AI 辅助教育中任务难度的揭示
本文旨在研究揭示任务难度对学生表现、动力、自我效能和主观任务价值的影响。研究者以火柴棒命题解决问题的实验为基础，讨论了如何通过 AI 系统预测和决定何时揭示任务难度等方法优化学生学习体验。
- 置信度感知的多教师知识蒸馏
该研究提出了一种自适应分配逐样本可靠度的方法，以每个教师的预测可信度来稳定知识转移过程，并结合中间层来提高学生成绩，在不同的教师 - 学生架构下，优于所有其他现有方法。
- AAAI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。
- ICLR深度学习预测学生结果
本篇论文研究了基于领域自适应框架的实时在线课程学生表现预测问题，提出了一种 GritNet 模型和一种无监督的领域自适应方法，通过在前一个课程上训练过的 GritNet 模型，预测不同课程中的学生表现，并取得了良好的预测效果。
- 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。