【论文解读|SIGIR2021】Tracing Knowledge State with Individual Cognition and Acquisition Estimation-优快云博客

本文链接：https://blog.youkuaiyun.com/qq_36291847/article/details/128539927

文章提出了一种新的知识追踪模型IEKT，该模型针对在线教育场景，通过认知估计和知识获取敏感性估计来动态追踪学生的学习状态。IEKT在预测学生反应和更新知识状态时考虑了个体差异，提高了预测准确性。实验显示IEKT在多个基准数据集上优于11个基线方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

基于个体认知和习得估计的知识状态追踪
在这里插入图片描述

摘要

知识追踪是在线教育中的一项重要任务，它通过预测学生回答问题的表现来动态估计学生的学习状态。一种典型的知识追踪解决方案是基于循环神经网络(Recurrent Neural Networks, RNNs)，它用RNNs的隐藏状态来表示学生的知识状态。这类方法通常假设学生对同一问题具有相同的认知水平和知识获取敏感性。因此，它们(i)通过参考学生的知识状态和问题表示来预测学生的反应，(ii)根据问题表示和学生的回答来更新知识状态。上述两个过程均未考虑显式认知水平和知识获取敏感性。然而，在现实场景中，学生对同一个问题的理解是不一样的，在完成同一个问题后，他们获得的知识也是不一样的。在本文中，我们提出了一种新的个体估计知识追踪模型(IEKT)，在响应预测之前估计学生对问题的认知，在更新知识状态之前评估学生对问题的知识获取敏感性。在实验中，我们将IEKT与4个基准数据集上的11个知识跟踪基线进行了比较，结果表明IEKT达到了最先进的性能。