《论文阅读》Deep Knowledge Tracing

最新推荐文章于 2024-05-27 09:30:03 发布
最新推荐文章于 2024-05-27 09:30:03 发布
阅读量666 收藏 2
点赞数
分类专栏： NLP 文章标签： 论文阅读 深度学习 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_44833392/article/details/127410145
版权
NLP 专栏收录该内容
89 篇文章 ¥29.90 ¥99.00
订阅专栏
论文《Deep Knowledge Tracing》探讨了如何利用循环神经网络（RNNs，特别是LSTM）来建模学生在交互式学习过程中的知识掌握情况。RNN模型在预测学生表现和理解方面表现出色，且能揭示不同练习之间的关系，为智能课程设计提供可能。此工作是首次将RNN应用于知识追踪，显著提高了预测性能，降低了对专家知识的依赖。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

《论文阅读》Deep Knowledge Tracing

期刊：NIPS/CoRR abs

时间：2015

类型：知识追踪

特点：第一次将RNN/LSTM运用于知识追踪

作者：Chris Piech, Jonathan Bassen, Jonathan Huang等

机构：Stanford University

简介

在计算机支持的教育中，知识跟踪——即在学生与课程交互时，机器对学生的知识进行建模——是一个很好的问题。虽然对学生的知识进行有效的建模会有很高的教育影响，但这项任务有许多固有的挑战。在这篇论文中，我们探索了使用循环神经网络(RNNs)来模拟学生学习的效用。与以往的方法相比，RNN模型家族具有重要的优势，它们不需要对人类领域知识进行显式编码，可以捕获更复杂的学生知识表示。使用神经网络在一系列知识追踪数据集上的预测性能有了实质性的提高。此外，学习模型可以用于智能课程设计，并允许学生在任务中直接解释和发现结构。这些结果为知识追踪提供了一个有前景的新研究方向，并为rnn提供了一个典型的应用任务。

任务介绍

知识追踪是一项随着时间推移来建模学生知识的的任务，以便我们可以在未来的交互中更加准确地预测学生的表现。意义在于模型可以根据学生个人需求将资源推荐给学生，并且可以根据内容的难易程度来决定是否跳过该知识点。

了解本专栏 订阅专栏 解锁全文
Deep Knowledge Tracing (深度知识追踪)
且视他人之疑目如盏盏鬼火,大胆地去走你的夜路
03-15 3561
boss又让我看这块的内容了，刚开学，还不太适应实验室的学习生活，假期闲散惯了操。 1、概述 知识追踪（knowledge tracing）是根据学生过去的答题情况对学生的知识掌握情况进行建模，以便我们能精确预测学生对于知识点的掌握程度，以及学生在下一次的表现。而且精确的知识追踪能让我们抓住学生当前的需求，并进行精准推题，即难易适宜。 早期的知识追踪模型都是依赖于一阶马尔科夫模型，例如贝叶斯知识追踪（Bayesian Knowledge Tracing，BKT）。在本文中引入灵活的循环神经网络（RNN）.
Deep-IRT Make Deep Learning Based Knowledge Tracing Explainable Using Item Response Theory
weixin_45774904的博客
09-13 1564
基于深度学习的知识追踪模型已被证明在不需要人工设计特征的情况下优于传统的知识追踪模型，但其参数和表示长期以来一直被批评为无法解释。在本文中，我们提出了 Deep-IRT，它是项目响应理论 (IRT) 模型和基于称为动态键值记忆网络 (DKVMN) 的深度神经网络架构的知识追踪模型的综合，用于进行深度学习基于可解释的知识追踪。具体来说，我们使用 DKVMN 模型来处理学生的学习轨迹，并随着时间的推移估计项目难度水平和学生能力。然后，我们使用 IRT 模型使用估计的学生能力和项目难度来估计学生正确回答项目的
Deep Knowledge Tracing
Highlight_Jin的博客
05-21 1389
主要内容第一部分 论文内容介绍第二部分 写作积累AbstractIntroductionRelated WorkDeep Knowledge TracingEducational ApplicationsDatasetsResultsDiscussion 第一部分 论文内容介绍 第二部分 写作积累 Abstract Knowledge tracing 知识追踪 XXX is a well established problem in computer supported education. xxx问题在
深度知识追踪（Deep Knowledge Tracing）
热门推荐
Zoe_Su的博客
11-26 1万+
Knowledge Tracing 知识追踪是基于学生行为序列进行建模，预测学生对知识的掌握程度。知识追踪是构建自适应教育系统的核心和关键。在自适应的教育系统中，无论是做精准推送，学生学习的路径规划或知识图谱的构建，第一步都是能够精准预测学生对知识的掌握程度。 知识追踪问题可以描述为： 给定一学生的观测序列x0,……,xtx _ { 0 } , \ldots \ldots , x _ { t }...
DKT—Going Deeper with Deep Knowledge Tracing
ronghwa_lu
10-25 697
复现的作者代码，使用TensorFlow0.12.1，cpu运行太慢了，19分钟一个epoch。 然后想用gpu，在google colab上使用TensorFlow1.15.2 gpu，40秒一个epoch。 看源码应该用了不止一天，虽然代码不长，就跟最基础的神经风格迁移代码长度差不多，which我只用了一个上午。 1）使用原始的TensorFlow，处理矩阵异常难懂。各种tf.函数 2）刚开始接触RNN。循环神经网络都要查阅 3）对模型的输入输出不是把握很准。 转换TensorFlow版本0.12到1.
Deep-IRT: Make Deep Learning Based Knowledge Tracing Explainable Using Item Response Theory
Pengwill's Blog
01-22 1350
Deep-IRT: Make Deep Learning Based Knowledge Tracing Explainable Using Item Response Theory Student Ability and Difficulty Networks DKVMN\text{DKVMN}DKVMN的模型架构可以被很容易的增强，进一步提供其他的有意义的信息。首先，每个潜在知识点的状态可以被...
【论文解读|EDM2021】Learning from Non-Assessed Resources: Deep Multi-Type Knowledge Tracing
qq_36291847的博客
12-03 558
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
探索智能教育的新篇章：DeepKnowledgeTracing
最新发布
gitblog_00004的博客
05-27 430
探索智能教育的新篇章：DeepKnowledgeTracing 去发现同类优质开源项目:https://gitcode.com/ 1、项目介绍 DeepKnowledgeTracing 是一个开源的机器学习模型，其灵感来源于《Deep Knowledge Tracing》这篇研究论文。这个项目的主要目标是利用深度学习技术来理解学生在在线学习过程中的知识掌握情况，并能预测他们在未来问题上的表现。目前...
深度知识追踪的研究（deep knowledge tracing)
算法探索之路
05-11 6101
v 2019年一些新的知识追踪算法不完全整理" 教育挖掘 tag: 知识追踪 content {:toc} 面临实习转正，需要接触到知识追踪方面的学习（毕竟是自适应学习的第一步），网上资料挺少。GitHub代码极少，相较于发展火热的推荐，违约预测，cv，nlp，教育挖掘模型实在不多，GitHub代码非常少，所以除了传统IRT，BKT，DKT之外，特意看了看比较新的知识追踪paper，期望他们的...
pyBKT：贝叶斯知识跟踪和扩展的Python实现
02-11
注意：有关将在我们即将举行的“学习分析和知识会议”研讨会中使用的代码库，请参见以下仓库： : pyBKT 贝叶斯知识跟踪算法及其变体的Python实现，可从解决问题的顺序中估计学生的认知能力。 pip install pyBKT 基于Zachary A. Pardos（ ）和Matthew J. Johnson（ ）@ 。 Cristian Garay（ ）提供的Python增强适应性。 Anirudhan Badrinath（ ）提供的全平台python自适应和优化。 有关公式和技术实施的详细信息，请参阅Xu，Johnson，＆Pardos（2015）ICML研讨会4.3节。 pyBKT示例可以在回购中找到。 要求 Python> = 3.5 支持的操作系统：所有平台！ （是的，Windows也是如此） Libboost> = 1.58（可选-如果安装，将启用
深度知识跟踪
02-07
知识追踪是对学生的知识基于时间建模，以便我们能精确预测学生对于知识点的掌握程度，以及学生在下一次的表现。而且精确的知识追踪能让我们抓住学生当前的需求，并进行精准推题。然而人类的学习过程中受到人类自身知识和大脑两者的复杂的影响的，也导致知识追踪是非常困难的。
DeepKnowledgeTracing论文源码
01-05
DeepKnowledgeTracing论文中复现的源码，包含数据集
Deep Knowledge Tracing and Dynamic Student Classification for Knowledge Tracing
hning1009的博客
04-10 715
Deep Knowledge Tracing and Dynamic Student Classification for Knowledge Tracing abstract 提出新模型： 1.捕获学生学习能力，定期动态分配相似能力的学生去不同的组 2.用dkt结合这些信息 introduction DKT-DSC：每个时间间隔，模型把有相似能力的学生 ...
深度知识追踪(Deep Knowledge Tracing)·论文学习归纳
zjlwdqca的博客
01-05 6161
深度知识追踪(Deep Knowledge Tracing) 0 摘要 在计算机支持的教育中，知识追踪(机器在学生与课程作业交互时对学生的知识进行建模)是一个公认的问题。虽然有效地对学生知识进行建模会产生很高的教育影响，但这项任务存在许多内在的挑战。在这篇文章中，我们探索使用递归神经网络(RNNs)来模拟学生的学习。与以前的方法相比，RNN模型家族具有重要的优势，因为它们不需要对人类领域知识进行显式编码，并且可以捕获更复杂的学生知识表示。使用神经网络可以显著提高对一系列知识跟踪数据集的预测性能。此外，学习的
深度知识追踪（Deep Knowledge Tracing）论文学习（简要归纳）
sereasuesue的博客
09-19 3130
目录 深度知识追踪（Deep Knowledge Tracing） Contributions Knowledge Tracing ​Motivation Recurrent Neural Networks(RNN) Long Short Term Memory (LSTM) Previous Work Bayesian Knowledge Tracing (BKT) Learning Factors Analysis (LFA) Performance Factors ...
《Deep Knowledge Tracing》DKT阅读笔记
weixin_43470849的博客
09-01 1825
学生在回答了第1道题后，模型对学生答对第2道题的概率进行了预测，第1个小块表示对下一题答对线形图直观的概率，第2个小块表示对下一题答对直线的斜率的概率，……对RNNs的进一步的调查可以将其他特征作为输入(如花费的时间)，探索其他教育影响(如提示生成，辍学预测)，并验证教育文献中提出的假设(如间隔重复，学生遗忘)。但是我们发现，从44题开始，在答错几道绘制线性方程的题目后，前4个知识点（线形图直观、直线的斜率、求y轴截距、求x截距）的概率也下降了，这就意味了，绘制线性方程与这4个知识点是有联系的。
Deep Knowledge Tracing(DKT)具体实现
sereasuesue的博客
11-21 3592
问题陈述 传统的评价方法，如考试和考试，只允许在考试结束后对学生进行评价。因此，这些方法不允许在课程开始时对学生应具备或在课程中学习的所有预期能力进行完整的预先评估。 另一方面，预测模型能够根据历史数据预测未来的信息。从学习管理系统（LMS）收集的数据可以作为训练模型的基础，该模型能够预测学生是否有足够的知识来回答尚未发现的问题，这一问题被称为知识跟踪（KT）。 因此，可以训练LSTM网络，以找出数据集中已解决问题之间的依赖关系，并用它来预测学生正确回答他尚未看到的考试问题的概率。 综上所述，解决选择..
《Deep Knowledge Tracing》 论文阅读笔记
qq_38364794的博客
12-26 1108
Deep Knowledge Tracing 论文阅读笔记 参考文献： Piech C , Spencer J , Huang J , et al. Deep Knowledge Tracing[J]. Computer Science, 2015, 3(3):págs. 19-23 . 1 Introduction Knowledge Tracing（知识追寻）的任务是**学生的知识在随着时间的推移的变化，通过生成模型去精确预测学生将来的表现。**根据预测表现，基于每位学生的需求，去提供个性化的学习
deep knowledge tracing
03-16
深度知识追踪（Deep Knowledge Tracing）是一种利用机器学习技术来预测学生在学习过程中的知识掌握情况的方法。它可以通过分析学生的学习行为和答题情况，来预测学生在未来的学习中可能遇到的困难，并提供相应的教学建议和支持。深度知识追踪技术在教育领域中具有广泛的应用前景，可以帮助教师更好地了解学生的学习情况，提高教学效果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

365JHWZGo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值