sereasuesue的博客

Knowledge Tracing Benchmark DatasetThere are some datasets which are suitable for this task,KDD Cup 2010 https://pslcdatashop.web.cmu.edu/KDDCup/downloads.jspASSISTments ASSISTments (google.com)OLI Engineering Statics 2011 https://pslcdatashop....

Paper ： 知识追踪相关论文下载论文和代码见reference第一个链接Deep Knowledge Tracing: 首次提出将RNN用于知识追踪，并能够基于复杂的知识联系进行建模（如构建知识图谱）Deep Knowledge Tracing and Dynamic Student Classification for Knowledge Tracing（DKT-DSC）跟第一篇论文比较相似，都用到了 LSTM，不同的是这篇论文还考虑了将学生进行分类，在进行预测的时候也有不同，...

原文链接和代码链接motivation：传统方法面临着处理稀疏数据时不能很好地泛化的问题。本文提出了一种基于自注意力机制的知识追踪模型 Self Attentive Knowledge Tracing (SAKT)。其本质是用 Transformer 的 encoder 部分来做序列任务。具体从学生过去的活动中识别出与给定的KC相关的KC，并根据所选KC相对较少的KC预测他/她的掌握情况。由于预测是基于相对较少的过去活动，它比基于RNN的方法更好地处理数据稀疏性问题。模型结构。

主要使用两种分别与学生和问题相关的因子来模拟学生的知识状态。这些方法使用学生尝试的总次数来模拟学生的学习进度，本文中，我们旨在应对以下三个主要挑战:首先，当前的因素分析模型未能突出学生最近相关实践的影响。它们主要利用学生尝试概念的总数来表示学生的历史实践行为。然而，最近的相关练习将对以下方面产生重要影响当前因素分析方法忽略了丰富的问题信息。因为学生倾向于在相似的问题上有相似的表现，问题的难度也影响学生的表现，我们认为应该考虑问题的关系和难度。

微观角度的可解释性，一个深度学习模型的可解释性是其内 在的固有性质，指模型的决策在多大程度上可以被人类预测和理解。模型的可解释性越强，代表模 型的行为对人类越透明，模型的不确定性也就越低；反之模型的可解释性越弱，模型做出预测的机 制就不能被人类所理解，它的不可控性也越大主动解释 和事后解释两大类：主动解释为模型在做出预测的过程中可以同时生成相应的解释，如注意力显著 性在网络前向传播时即可生成，自我可解释的网络会设计一些可解释单元。事后解释为在模型做出 决策之后，通过一些算法来有效地揭示模型做出预测的原因。

知识追踪是个性化教育中一个公认的问题，也是一项重要的任务。近年来，人们提出了许多现有的工作来处理知识跟踪任务，特别是基于递归神经网络的方法，如深度知识跟踪（DKT）。然而，DKT在预测输出中存在振动问题。在本文中，为了更好地理解DKT的问题，我们使用了一个名为有限状态自动机（FSA）的数学计算模型，它可以根据外部输入从一种状态转换为另一种状态，以解释接收输入时DKT的隐藏状态转换。我们发现这两个问题的根本原因是DKT不能在FSA的帮助下处理长序列输入。

背景看到网上发的很多转载的很多，都比较久了，好多现在都不是这样的了计算机应用类如何投稿,计算机类投稿须知.doc_何嵬嵬的博客-优快云博客这个虽然时间新但 这些早就改了现就个人或身边同学或官网意见进行整理，方便自己和想要投稿的同学计算机类投稿须知计算机应用与科学进度：有些慢 2022.1.25-至今还在外审。计算机应用网站：《计算机应用》唯一官方网站周期：两个月,同学从录到到用2个月（还包括过年放假） 2022-01-10; 录用日期: 2022-03中旬.

参考代码GitHub - dxywill/deepknowledgetracing: Pytorch implementation for Deep Knowledge tracing论文其他方面改进

https://edudata.readthedocs.io/en/latest/build/blitz/EdNet_KT1/EdNet_KT1.htmlhttps://edudata.readthedocs.io/en/latest/build/blitz/EdNet_KT1/EdNet_KT1.html知识追踪数据集介绍_sereasuesue的博客-优快云博客_知识追踪数据集最近准备用这个数据集进行跑数据，但发现对这个数据集不够了解，花费了很多时间，最近偶然发现了几篇介绍文章特整理 Fie

In book: Artificial Intelligence in Education (pp.252-256) 2020年6月 代码https://github.com/scott-pu-pennstate/dktt_light 论文地址(PDF) Deep Knowledge Tracing with Transformers (researchgate.net)文章创新点：改进了transformer模型1)问题的结构和2)问题步骤之间经过的时间。问题结构的使用允许模型利用问题之间的关系。

基于深度学习的知识追踪研究进展计算机研究与发展 中文核心期刊https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=JFYZ20210608001&v=8SqcXNnYzq3Od8MixO%25mmd2Bb0hnPGsfdzLN%25mmd2Byb7OHxxKZuyjdCrFsuZNA5r%25mmd2F3dkSqGtL看看之前写的课程综述，在看看别人的工作，距

https://sites.google.com/site/assistmentsdata/home/assistment-2009-2010-data描述2009~2010学年收集的ASSISTment数据。完整数据集分为两个不同的文件，一个是所有技能构建者数据，一个是所有非技能构建者数据。来自 <https://sites.google.com/site/assistmentsdata/home/assistment-2009-2010-data>技能建设者数据也称为...

Improving Knowledge Tracing via Pre-training Question Embeddings论文：Improving Knowledge Tracing via Pre-training Question Embeddings | IJCAI代码：https://github.com/lyf-1/PEBG人工智能大会IJCAI摘要知识追踪(KT)定义的任务是根据学生的历史反应预测学生是否能正确回答问题。尽管许多研究致力于开发问题信息，但问题和技能中丰.

参数结构打印TensorFlow1.12的打印结构：for var in tf.trainable_variables(): print("Listing trainable variables ... ") print(var)TensorFlow1.12的打印参数：import tensorflow as tfreader = tf.train.NewCheckpointReader('logs/pre-trained/lasted_model.ckpt')g...

记录遇到知识追踪的问题，欢迎大家进行留言交流。1.DKT中的图如何画的好像是根据这个公式但还没画出来2.GKT跑的效果很差可能原因是作者对数据的特殊处理，作者的实验数据好像不是assistment的3、数据版本从网上下载的assistment2009数据有两个版本。一个包含重复数据，一个不包含请问哪个是更新过的未完待续...

1.1 图的表示1.2 图的特性子图Subgraph连通分量Connected Component接通图Connected Graph最短路径Shortest Path图直径Diameter1.3 图中心性. Centrality特征向量中心性Eigenvector Centrality特征向量中心性的基本思想是，一个节点的中心性是相邻节点中心性的函数。也就是说，与你连接的人越重要，你也就越重要。度中心性 （Degree centrality）  度中心性...

DKVMN模型效果不是很好，但提供了很多新颖的方法思路，最近看几篇文章都重点提到了这个模型并对这个模型进行改进，回头仔细看一下这篇论文动机将KT公式化为监督序列学习问题BKT和DKT本文模型本文贡献1.利用MANN的效用可以更好地模拟学生的学习过程。2.提出了一种具有一个静态key矩阵和一个动态值矩阵的新型DKVMN模型。3.我们的模型可以自动发现概念，这是人类专家通常执行的任务，并描述了学生不断发展的知识状态。4.我们的端到端可训练模型在一个综合数据

面向个性化学习的数据挖掘方法与应用研究2EKPT模型

1.先去找本领域的综述（最新）文章刚开始可以是中文方便理解2.去找本领域硕博论文选一个高引用的去看3.选择本领域经典论文现在知网 万方等数据库都有文献推荐如下以知网为例 选择知识追踪综述改进知识追踪模型对提升学习者知识掌握预测效果的研究其他待续...

Graph-based Knowledge Tracing: Modeling Student Proficiency Using Graph Neural Network基于图形的知识跟踪：基于图神经网络的学生能力建模首次将GNN应用于知识追踪，提出了一种基于GNN的知识跟踪方法，即基于图的知识跟踪。将知识结构转换为一个图，使我们能够将知识跟踪任务转化为GNN中的时间序列节点级分类问题。由于知识图结构在大多数情况下并没有显式地提供，所以我们提出了图结构的各种实现。对两个开放数据集的实证检验表明，我

Convolutional Knowledge Tracing: Modeling Individualization in Student Learning ProcessSIGIR 2020提出背景：得益于Coursera和MOOCs等在线学习系统的技术进步和大规模应用，绝大多数学生已经或正在接受计算机辅助学习。Benifiting from the technological progress and large-scale application of online learnin

资源论文和数据集下载：深度知识追踪.rar - 蓝奏云 (lanzous.com)决策树实现：Implicit Heterogeneous Features Embedding in Deep Knowledge Tracing决策树实现 - 吴雄 - 博客园 (cnblogs.com)存在问题目前DKT模型存在两个主要问题：一是DKT模型的复杂性增加了心理解释的张力。第二，现有DKT模型的输入仅仅是通过一个热编码表示的练习标签。隐藏知识成分与学生对习题反应的相关性很大程度上依赖于DKT模型

本项目我们遵循以下工作流程。1项目概况2、数据理解3、头脑风暴4、数据清理5、探索性数据分析6、特色工程7、功能选择8、型号9、选型10、参数微调11。进一步改进项目概述目标是根据学生之前的学习经验预测学生是否能够正确回答下一个问题。数据集包含了学生以前的学习经历（观看的讲座和回答的问题）、描述和讲座的信息。这是一个时间序列预测问题。评估指标：预测概率与观测目标之间ROC曲线下的面积。数据理解3解决问题需要哪些信息？–问题是什么？–用户是否看过相关课件？–用户是否回答了相

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..

•DKT：Deep knowledge tracing. In Advances in neural information processing systems.这是一种开创性的方法，它使用单层LSTM模型来预测学生的表现。在我们的DKT实现中，我们使用规范裁剪和提前停止来提高性能，•SAKT：A Self-Attentive model for Knowledge Tracing. arXiv preprint arXiv:1907.06837该模型利用自我注意机制[37]为先前回答的练习分配权重，

背景 MOOC近年来，随着在线学习系统在教育环境中越来越普及，在线学习人数越来越多，教育者不可能追踪每一个学习者的知识状态并提供个性化的学习指导；在线学习系统中的知识需要学习者通过各种冗余信息自我查找，导致学习资源和学习路径多样化但却不一定有效。从教育研究的角度来看，在线学习系统提供了几个重要的优点，最显著的是留下学习者详细的学习轨迹，提供了调查不同轨迹下学习者行为效能的条件目的：个性化推荐为了解决上述问题，一个可以自动追踪学习者知识掌握情况的知识追踪模型对教育者和学习者都是必要的，因为它既

what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，从而得到学生当前知识状态表示的一种技术。便我们能准确地预测学生对于各个知识概念的掌握程度，以及学生在未来学习行为的表现。准确可靠的知识追踪意味着我们可以根据学生的自身的知识状态，给他们推荐合适的练习题目，比如，推荐给学生薄弱知识概念关联的题目，而过于困难或者过于简单的题目不应该被推荐，从而可以给学生进行高效的个性化教学。whenCorbett和Anderson，1995年将BKT引入智能教

目录A.项目反应理论（IRT item response theory）概述历史发展特点模型A.项目反应理论（IRT item response theory）概述IRT理论即项目反应理论(Item Response Theory, IRT)，又称题目反应理论、潜在特质理论（Item Response Theory）是一系列心理统计学模型的总称。IRT是用来分析考试成绩或者问卷调查数据的数学模型。这些模型的目标是来确定的潜在心理特征(latent trait）是否可以通过测

Deep Knowledge Tracing and Dynamic Student Classification for Knowledge Tracing（译）知识跟踪的深度知识跟踪和动态学生分类摘要在智能辅导系统（ITS）中，对学生在学习过程中的知识状态进行追踪的研究已经进行了数十年，以提供更多支持性的学习指导。在本文中，我们提出了一种新颖的知识追踪模型i）捕获学生的学习能力，并以固定的时间间隔将学生动态分配给具有相似能力的不同群体， ii）并且将这些信息与称为深度知识追踪的递归神经网

1. 知识追踪的定义、现状及挑战在上学的时候经常碰到过这样的状况，老师会经常考试，那么老师不能平白无故的给你考试，为什么要考试呢？他考试的主要目的就是为了掌握你对于某一知识的衡量水平，那么对于现在的技术水平而言呢呃，我们教育上面的一些主要模式主要是老师来出题，然后学生做题，然后老师根据学生的或者题目的反馈来衡量一个学生的水平，当然这样是有它自身的缺点，主要缺点在于老师的工作量实在是太大了，那么有没有什么方法能够改善这困境呢？那么这一道引入我们知识追踪。2. 简单知识追踪的模型——贝叶斯知识追踪 (B

目录RNN 循环/递归神经网络RNN概述RNN模型LSTM长短记忆网络使用LSTM进行情感分析RNN 循环/递归神经网络RNN概述为什么有RNN传统的神经网络,CNN(卷积神经网络), 他们的输出都是只考虑前一个输入的影响而不考虑其它时刻输入的影响, 比如简单的猫,狗,手写数字等单个物体的识别具有较好的效果. 但是, 对于一些与时间先后有关的, 比如视频的下一时刻的预测,文档前后文内容的预测等, 这些算法的表现就不尽如人意了.并且传统的网络结构是采用固定大小的输入并产

目录深度知识追踪（Deep Knowledge Tracing）ContributionsKnowledge Tracing ​MotivationRecurrent Neural Networks(RNN)Long Short Term Memory (LSTM)Previous WorkBayesian Knowledge Tracing (BKT)Learning Factors Analysis (LFA)Performance Factors ...