摘要：知识追踪要求基于学习者的历史作答情况来预测未来的答题表现,并评估知识状态的变化。探索学习者知识状态的变化有助于实现个性化服务,如课程推荐和试题推荐。然而,现有的大多数知识追踪模型在建模时考虑的特征不够全面,不能综合衡量学习者知识状态的变化。针对这一问题,提出一种新的知识追踪模型——基于试题-知识点异构图和多特征融合的知识追踪模型(EKMFKT)。具体而言,从学习者的学习过程出发,研究了两种行为特征(尝试次数和提示次数)以及两种时间特征(响应时间和间隔时间)对知识状态的影响。然后,设计了学习门和遗忘门,以模拟知识的获取和遗忘,全面更新知识状态的变化。另外,对于模型的输入,设计了基于试题-知识点异构图的图嵌入方法来预训练试题表示,使得模型的输入保持试题和知识点的关联。在两个公开数据集上的实验结果表明,EKMFKT在预测性能上优于现有模型。通过引入多个特征并确保试题与知识点的关联,EKMFKT使知识状态的变化更合理,增强了模型的可解释性。

摘要：针对多数知识追踪研究在表征题目时仅利用了题目包含的概念等显性特征,未能考虑到题目中概念的考察侧重程度这一隐性特征,也未表征迁移过程中题目的迁移程度的问题,本文提出题目迁移表征的知识追踪模型。在题目侧重表征方面,采用加性注意力机制提取题目中各个概念的考察侧重程度;在题目迁移方面,利用相似性和通道注意力机制融合建模历史题目多角度的迁移程度;在迁移遗忘方面,使用门限机制建模学习迁移的遗忘过程。最终得到题目迁移表征,以此来预测学习者未来的答题表现。在实验阶段,与6种相关模型在3个真实数据集上进行对比实验,结果表明提出模型的曲线下面积(area under the curve,AUC)和准确率(accuracy,ACC)均有更好表现,尤其在ASSISTments2012数据集上表现最佳,相较于其他对比模型分别提升了3.5%~20.1%和2.3%~18.5%;在可解释性方面,使用图表可视化描述了题目迁移表征生成路径。本研究建模的学习迁移内在机制可为知识追踪模型的设计提供参考。

摘要：提出了一种基于Transformer进行知识追踪的方法,改进了互动记录的嵌入表示,设计了适用于该方法的门结构,并且优化了自注意力运算子层的输入处理以提高深度知识追踪模型的预测性能。在知识追踪的4个常用公共数据集上的实验结果表明,与传统方法相比,提出的模型能更好地反映学习者对知识点的掌握情况,并且在样本量大的数据集上有更好表现。

摘要：知识追踪是一项评估学生学习过程中知识状态演变情况的任务。现有大多数方法都致力于探索不同的知识状态评估方法。然而,答题过程中更为基础的题目表征受到的关注相对较少。因此,该文提出了一种融合通用题目表征学习的神经知识追踪框架。具体地,该文首先设计了一种通用的题目表征方法,通过知识点、难度和题目独有特征来区分题目。然后,采用现有知识追踪方法同时捕捉知识状态演变并学习题目表征。最后,利用知识状态和待回答题目表征的内积来模拟回答过程。在三个真实数据集上的实验结果表明,该文方法可以在知识追踪过程中学习精确有效的题目表征,并且显著提升了基线知识追踪方法的性能,使其能够超过现有最优方法。

摘要：在软件设计类实验课程中,过高的生师比使学生缺乏充分的教师个别指导。针对此问题,文章研究了基于深度知识追踪的个性化推荐学习方法,并应用于上机编程实训环节教学。该方法采用融合注意力机制的动态键-值记忆网络,对学生的历史编程实训答题记录进行建模;然后通过双向门控循环单元神经网络追踪学生编程能力水平随时间的变化;最后根据由多种学习属性构成的推荐度来生成个性化推荐方案。运用该方法建设的个性化推荐编程实训系统,能够为学生个体生成个性化的编程实训指导方案,支持学生独立自主地进行编程实训,尤其适用于大规模在线编程教育场景。

摘要：在线学习已成为学习者获取知识的重要途径,准确和及时了解在线学习者的知识状态,并提供个性化的在线学习支持服务,已成为智能教育领域的研究热点。针对现有知识追踪方法仅对学习结果进行建模,鲜有对学习过程特征挖掘建模的研究现状,首先,从Post-hoc视角利用BORUTA特征选择模型挖掘在线学习过程中的多维特征;然后,在DKVMN模型基础上构造多维特征网络,设计融合学习过程特征的深度知识追踪模型;最后,提出深度知识追踪优化方法DKVMN-BORUTA。研究结果表明:在公共数据集和实际教学环境的实验条件下,深度知识追踪优化方法在AUC评价指标上优于传统深度知识追踪方法,证明所提方法具有较好的预测和服务效果。

摘要：为提高编程题目的推荐效果与学习者学习效率,提出一种基于关联规则与知识追踪的编程题目推荐算法。结合学习者完成编程题目需经过多次尝试提交的特征与学习者遗忘特征,通过关联规则挖掘出学习者在同一知识点下同时做对或做错的题目关联特征,使用知识追踪模型与判别分析模型分析学习者对知识点的掌握状态,推荐巩固题、拔高题或下一知识点的题目。实验结果表明,该推荐算法比几种对比算法具有更高的准确率与覆盖率。

摘要：现有知识追踪研究大多使用习题蕴涵的知识点等内隐信息或历史交互数据等外显信息建模习题表示,没有注意到内外信息的异质性特征,缺乏对习题内外信息的异质融合。针对上述问题,提出了融合内外异质信息的知识追踪模型。首先,基于知识点等内隐信息,计算历史知识点与当前知识点之间的相关程度,刻画历史知识点对当前知识点的影响,建模习题的内隐表示;其次,基于交互数据等外显信息,计算历史习题与当前习题之间的相关程度,获取历史习题对当前习题的影响,建模习题的外显表示;再次,基于上述习题的内外表示,使用通道注意力机制融合得到习题的内外异质表示,从而预测学习者的作答表现。为了验证提出模型的性能和有效性,选取了四个相关的基线模型,在三个真实数据集上进行了对比实验。实验结果表明:在性能方面,提出的模型在多个评价指标上均取得较好的效果;在有效性方面,消融实验证明了提出的模型可以更好地根据内外信息建模习题表示;在应用方面,设计智慧学习环境证明了提出的模型在实际教学场景中的可用性。

摘要：知识追踪是教育数据挖掘领域中一个十分重要的问题,旨在利用可观测到的学生历史交互数据和习题包含的知识点相关信息来推断学生对知识点的掌握情况。已有方法虽在不同程度上取得了一些进展,但大多忽略了使用知识点表示习题的重要性,并且对使用诸如学习因素之类的上下文表示知识点的研究也不够充分。针对上述问题,提出基于上下文表示的知识追踪方法KTCR。首先,综合考虑影响学生学习过程的因素,并基于学生响应数据设计了知识点上下文表示方法,从而基于Q矩阵表示知识点上下文;其次,为了实现习题向量的降维,利用融合上下文信息的知识点和学生响应数据对习题向量进行重表示;最后,结合学生历史交互数据,使用长短期记忆网络对学生的知识状态进行估计。在4个真实数据集上的实验表明了本文方法对于习题嵌入表示的合理性,并且能够有效地估计学生的知识状态。

摘要：知识追踪是构建自适应教育系统的核心和关键,常被用以捕获学生的知识状态、预测学生的未来表现。以往的知识追踪模型仅根据结构信息对问题、技能进行建模,无法利用问题、技能的多模态信息构造其相互依赖关系。同时,关于学生的记忆水平仅以时间做量化,未考虑不同模态对记忆水平的影响。因此,提出了融合遗忘机制的多模态知识追踪模型。首先,对问题、技能节点,以图文匹配作为训练任务优化单模态嵌入,并通过计算多模态融合后节点间的相似度,获得问题和技能的关联权重从而计算生成问题节点的嵌入。其次,通过长短期记忆网络获取带有遗忘因素的学生知识状态,并将其融入学生的答题记录中生成学生节点的嵌入。最后,根据学生的答题次数和不同模态的有效记忆率计算学生和问题间的关联强度,通过图注意力网络进行信息传播,预测学生对不同问题的答题情况。在两个真实课堂自采数据集上进行了对比实验和消融实验,结果表明所提方法比其他基于图的知识追踪模型具有更好的预测精度,且针对多模态和遗忘机制的设计能有效提升原始模型的预测效果。同时,通过对一个具体案例的可视化分析,进一步说明了所提方法的实际应用效果。