qq_36291847的博客

知识追踪(KT)是指根据学习者在教育应用中的过去表现预测未来学习者表现的问题。KT最近使用灵活的基于深度神经网络的模型的发展在这一任务中表现出色。然而，这些模型通常提供有限的可解释性，从而使它们不足以用于个性化学习，这需要使用可解释的反馈和可操作的建议来帮助学习者获得更好的学习结果。在本文中，我们提出了注意力知识追踪(AKT)，它将灵活的基于注意力的神经网络模型与一系列受认知和心理测量模型启发的新颖、可解释的模型组件相结合。AKT使用了一种新颖的单调注意力机制，

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，

相关论文：KSGKT将问题和技能之间的关系看做异构图嵌入方法：Metapath2vec知识追踪(knowledge tracing, KT)的目标是根据学生的学习日志，跟踪学生的知识状态，预测学生未来的学习表现。虽然很多研究都致力于挖掘输入信息，但在将学习日志作为输入时，并没有严格区分问题和所涉及的技能，从而没有充分利用技能和问题之间的内在关系，导致了性能的下降。为了解决这一问题，我们提出了一种基于元路径的内嵌预训练方法，明确考虑了领域内技能与问题之间的关系。具体来说，我们构建了一个由技能和问题组成的异

知识追踪是根据学生过去的表现来预测他们未来的表现。现有模型大多以技能为输入，忽略了问题信息，进一步限制了模型的性能。受推荐系统中项目-项目协同过滤的启发，我们提出了一种知识追踪的问题-问题协同嵌入方法来引入问题信息。具体来说，我们结合了学生与问题的互动和问题与技能的关系来捕捉问题的相似性。基于相似度，我们进一步学习问题嵌入，然后将问题嵌入到神经网络中进行预测。实验表明，CoKT在三个基准数据集上的性能明显优于基线。

知识追踪是在线学习系统中针对学习者的一种基本的个性化辅导技术。最近的KT方法采用了灵活的基于深度神经网络的模型，在这项任务中表现出色。然而，学习者练习数据的稀疏性仍然对KT的充分性提出了挑战。为了缓解稀疏性问题，大多数现有的KT研究都是在技能级别而不是问题级别上进行的，因为问题往往很多，与很少的技能相关。然而，在技能水平上，KT忽略了与问题本身及其关系相关的独特信息。在这种情况下，模型不能精确地推断学习者的知识状态，可能无法捕捉到练习序列中的长期依赖性。在知识领域，技能自然地就像一张图(边是教学概念之间的先

利用metapath2vec进行异构网络嵌入知识追溯是促进个性化教育的一个重要研究领域。近年来，深度知识追溯取得了巨大的成功。然而，学生实践数据的稀疏性仍然限制了知识追踪的表现和应用。另一个复杂的问题是，答案记录对当前知识状态的贡献在每个时间步骤中都是不同的。为了解决这些问题，我们提出了基于注意的异构信息网络嵌入知识跟踪(AKTHE)。首先，我们使用异构信息网络描述问题及其属性，并生成有意义的节点嵌入。其次，我们利用注意机制捕获历史数据与当前状态的相关性。在四个基准数据集上的实验结果验证了该方法在知识跟踪

现有的知识追踪方法主要是利用学生在评估学习资源类型(如测验、作业和练习)中的表现对他们的知识进行建模，而忽略了非评估的学习资源。然而，许多学生活动是不评估的，如看视频讲座，参加讨论论坛，阅读教科书的章节，所有这些都可能有助于学生的知识增长。在本文中，我们提出了第一个基于深度学习的知识追踪模型(DMKT)，该模型明确地模拟了学生在评估和非评估学习活动中的知识转移。通过DMKT，我们可以发现每个非评估和评估学习材料的潜在潜在概念，并更好地预测学生在未来评估学习资源中的表现。我们将我们提出的方法与四个真实数据集上

知识跟踪(Knowledge tracking, KT)是为学生定制个性化学习路径，让学生掌握自己的学习节奏的基本工具。KT的主要任务是模拟学生的学习状态，但这个过程是相当复杂的。**首先，由于现实教育数据的稀疏性，以往的KT模型忽略了问题技能中的高阶信息;**第二，在处理长期依赖时，学生互动的长序列给KT模型带来了严峻的挑战;最后，由于遗忘机制的复杂性。针对这些问题，本文提出了一种基于图的专注知识搜索模型(GASKT)。该模型将问题和技能划分为两类节点，利用R-GCN通过嵌入传播将问题和技能的相关性彻底融

知识追踪(Knowledge tracing, KT)是计算机辅助教育系统的核心任务，它的目的是根据学生的历史答题记录，预测学生是否能正确回答下一题(即问题)。近年来，基于深度神经网络的方法在KT领域得到了广泛的发展，并取得了良好的效果。近年来，一些研究通过挖掘包括练习-技能关系(E-S)、练习相似度(E-E)和技能相似度(S-S)在内的丰富关系，进一步完善了这些KT模型。然而，在许多现实世界的教育应用程序中，这些关系信息常常是缺失的，人类专家要为其贴上标签是一项劳动密集型工作。

知识追踪(KT)的目标是根据学生对相关练习的历史学习来估计他们对一个概念的掌握程度。知识追踪的好处是可以更好地组织和调整学生的学习计划，并在必要时进行干预。随着深度学习的兴起，深度知识追踪(DKT)利用循环神经网络(RNNs)成功地完成了这一任务。其他的工作尝试引入图神经网络(GNNs)，并相应地重新定义任务，以实现显著的改进。然而，这些努力至少存在以下缺点之一:1)它们过于关注节点的细节，而忽略了高级语义信息;2)难以有效建立节点的空间关联和复杂结构;3)它们只是代表概念或练习，而没有整合它们。

智能辅导系统在未来的学习环境中已变得至关重要。知识追踪是该系统的重要组成部分。它是关于推断学生的技能掌握和预测他们的表现，以相应地调整课程。与传统模型相比，基于深度学习的KT模型具有显著的预测性能。然而，从神经网络中成千上万的参数中提取与认知理论相关的有心理学意义的解释是很困难的。在学生成绩预测中，有几种方法可以达到较高的准确性，但诊断和预测推理在学习科学中更为关键。由于KT问题的可观察特征(问题ID和学生每次练习的正确性)很少，我们利用机器学习和数据挖掘技术从学生的回答数据中提取有意义的潜在特征。

知识追踪是在线学习系统中针对学习者的一种基本的个性化辅导技术。最近的KT方法采用了灵活的基于深度神经网络的模型，在这项任务中表现出色。然而，学习者练习数据的稀疏性仍然对KT的充分性提出了挑战。为了缓解稀疏性问题，大多数现有的KT研究都是在技能级别而不是问题级别上进行的，因为问题往往很多，与很少的技能相关。然而，在技能水平上，KT忽略了与问题本身及其关系相关的独特信息。在这种情况下，模型不能精确地推断学习者的知识状态，可能无法捕捉到练习序列中的长期依赖性。在知识领域，

在本文中，我们提出并提出了一种新的概念图驱动的知识追踪模型(CMKT)，该模型利用教育概念图对学习者建模。这篇文章特别解决了学习者一方不愿意练习和不规律的学习行为所导致的学习者数据稀疏的问题。CMKT将概念图作为一种新的信息源，明确地利用其固有信息来帮助估计学习者的知识状态。具体而言，概念图中的成对教育关系被表述为排序对，并用作模型构建的数学约束。利用网络嵌入技术提取拓扑信息，并将其作为模型输入。CMKT结合了概念图中的教育关系信息和拓扑信息，采用递归神经网络执行知识追踪任务。

针对教育问题的学习信息嵌入。表示)是在线学习系统的核心。目前的解决方案主要是通过问题-概念二部图学习问题嵌入。然而，学生-问题-概念的全局关系没有得到充分利用。此外，学生-问题和学生-概念互动中更细粒度的语义信息也应该进一步揭示出来。为此，本文提出了一种基于关系图的知识追踪预训练问题嵌入方法，即PERM。在两个真实数据集上进行的大量实验表明，PERM具有较高的表达能力，使知识追踪方法能够有效预测学生的学习表现。

大规模在线开放课程(mooc)为大量用户提供了大规模的在线开放学习，在现代教育中为学生和专业人员发挥着重要作用。为了保持用户对mooc的兴趣，研究并部署了推荐系统来推荐用户可能感兴趣的课程或视频。但是，推荐的课程和视频通常涵盖了广泛的知识概念，并没有考虑到用户对某些特定概念的兴趣和学习需求。本文研究的重点是向用户推荐感兴趣的知识概念，这是一项具有挑战性的任务，因为大量的概念存在，用户概念交互的稀疏性。...

【论文链接】Attentional Graph Convolutional Networks for Knowledge Concept Recommendation in MOOCs in a Heterogeneous View大规模在线开放课程(mooc)正在成为一种时尚的教育方式，它为学生提供了大规模、开放的学习机会，以掌握知识。为吸引学生的兴趣，mooc提供商采用推荐系统向学生推荐课程。但是，由于一门课程通常由大量的视频讲座组成，每次视频讲座都涉及到一些特定的知识概念，直接推荐课程忽略了学生对某

文章目录摘要1 引言2 相关工作摘要知识追踪是指通过学生过去对问题的回答来评估每个学生的知识组成/技能掌握水平的一系列方法。大多数现有的知识追踪方法的一个关键限制是，由于它们只分析学生回答的正确性(通常是二进制值)，所以只能估计学生每个知识成分/技能的整体知识水平。因此，很难用它们来诊断学生的具体错误。在本文中，我们将现有的知识追踪方法从正确性预测扩展到预测学生在多项选择题中选择的准确选项。我们定量评估了我们的选项跟踪方法在两个大规模学生响应数据集上的性能。我们还定性地评估他们识别学生常见错误的能力，即

没有任务落后:多任务学习的知识跟踪和选项跟踪更好的学生评估文章目录摘要摘要学生评价是人工智能教育(AIEd)领域最基本的任务之一。最常见的学生评估方法之一是知识追踪(KT)，它通过预测学生是否会正确回答给定的问题来评估学生的知识状态。然而，在选择题(多选题)的情况下，传统的KT方法有局限性，它们只考虑二元(二分)的正确性标签(即正确或错误)，而忽略学生选择的具体选项。与此同时，选项跟踪(OT)试图通过预测学生在给定的问题上会选择哪个选项来建模，但忽略了正确性信息。在本文中，我们提出了一种结合KT和OT

文章目录摘要1 引言摘要认知诊断是智能教育的一个基本问题，其目的是发现学生对特定知识概念的熟练程度。现有的方法通常通过手工设计的函数(如logistic函数)来挖掘学生练习过程的线性交互，这不足以捕捉学生与练习之间的复杂关系。在本文中，我们提出了一个通用的神经认知诊断(NeuralCD)框架，该框架包含了神经网络学习复杂的运动交互，以获得准确和可解释的诊断结果。具体来说，我们计划学生和练习因子向量和利用多神经层为它们的交互建模，其中单调假设被应用，以确保两个因素的可解释性。此外，我们通过对每个练习所需.

文章目录摘要摘要知识追踪是预测学习者知识掌握情况的一种方法，在计算机辅助教育系统中起着重要的作用。近年来，许多深度学习模型被应用于处理KT任务，取得了很好的效果。然而，限制仍然存在。现有的方法大多将练习记录简化为知识序列，不能充分挖掘练习中存在的丰富信息。现有的知识追踪诊断结果由于忽略了练习之间的先验关系而缺乏说服力。为了解决上述问题，我们提出了层次图知识跟踪模型HGKT，以探索练习之间潜在的层次关系。具体地说，我们引入问题模式的概念来构建一个层次练习图，可以模拟练习学习的依赖关系。此外，我们采用两种.

文章目录摘要摘要随着网络教育的快速发展，知识追踪已经成为一个跟踪学生知识状况、预测学生新问题表现的基本问题。在线教育系统中的问题通常很多，而且总是与较少的技能相关。然而，以往的文献并没有将问题信息与高阶问题-技能关联结合起来，这主要受到数据稀疏性和多技能问题的限制。从模型的角度来看，以往的模型很难捕捉到学生练习历史的长期依赖性，也不能以一致的方式对学生问题和学生技能之间的互动进行建模。本文提出了一种基于图的知识追踪交互模型(GIKT)来解决上述问题。更具体地说，GIKT利用了图卷积网络(GCN)，通过嵌

文章目录摘要1 引言2 相关工作2.1 知识追踪2.2 异构图嵌入5 结论摘要最近，随着在线辅导系统的发展，对知识追踪(Knowledge Tracing)的研究有所增加。知识追踪可以预测学生在一段时间内的作业表现。以往的研究，如贝叶斯知识追踪(Bayesian Knowledge Tracing)、深度知识追踪(Deep Knowledge Tracing, DKT)和深度知识追踪(qDKT)，主要集中在技能水平和问题水平。因此，这些方法没有考虑到问题与技能的相关性。受异构图嵌入(HGE)的启发，我们

这里写目录标题摘要1引言摘要知识追踪(KT)定义了一项任务，即根据学生过去的回答来预测他们是否能正确回答问题。虽然人们对问题信息的开发研究很多，但问题和技能之间的大量高级信息并没有很好地提取出来，这使得以往的工作难以充分发挥作用。在本文中，我们证明了通过对每个问题丰富的隐含信息进行预训练嵌入可以在KT上获得巨大增益，然后在获得的嵌入上训练深度KT模型。隐含信息包括问题难度和问题与技能之间的三种关系，这三种关系包含在一个二部图中。为了预训练问题嵌入，我们提出使用基于乘积的神经网络来恢复隐含信息。因此，在现

这里写目录标题摘要摘要在计算机支持的智能教育中，为学生提供主动的服务(如个性化的练习推荐)，其基本任务之一是预测学生在未来练习中的表现(如分数)，其中有必要跟踪每个学生在锻炼活动中知识获取的变化。遗憾的是，据我们所知，现有的方法只能挖掘学生的练习记录，而材料中存在着提取丰富信息(如知识概念、练习内容)的练习，以实现更精确的预测学生的表现和更可解释的分析的知识获取仍然有待探索。为此，本文提出了一个学生成绩预测的整体研究。为了直接实现成绩预测的主要目标，我们首先通过研究学生的练习记录和相应练习的文本内容，提

文章目录摘要1 引言从心理测量学到机器学习摘要认知诊断是一种评估，通过观察个体的行为，自动衡量个体的能力概况，如量化考生对特定知识概念/技能的掌握程度。认知诊断模型作为智能教育等领域的基础研究课题之一，在过去的几十年里发展了许多认知诊断模型。尽管这些解决方案通常是基于心理测量理论设计的，但它们仍然受到手工诊断功能能力的限制，特别是在处理异构数据时。在这篇文章中，我将分享我个人对认知诊断的理解，并主要从机器学习的角度回顾我们最近的CDMs发展。同时，我将展示认知诊断的广泛应用。1 引言众所周知，每个.

文章目录摘要二级目录三级目录摘要认知诊断（CD）是智能教育中的一个基本问题，其目的是发现学生对不同知识概念的掌握程度。一般而言，以往的研究大多将其视为一个层间交互建模问题，如IRT中的学生-练习交互或DINA中的学生-概念交互，而概念之间的教育相互依存等内层结构关系仍未得到充分的探讨。此外，在CD系统中，学生-练习-概念层次关系缺乏全面的建模。为此，本文提出了一个新的关系图驱动的认知诊断框架(RCD），通过一个多层的学生-练习-概念关系图统一建模交互的结构关系。具体来说，我们首先将学生、练习和概念表示.