.png){kind=icon}
返回
A prompt-driven framework for multi-domain knowledge tracing
.png){kind=icon}
PRE
AI
DOI：10.1007/s10994-024-06660-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识追踪（KT）通过建模学生的知识状态，基于历史交互来预测未来表现。由于数据隐私顾虑和预算限制，不同领域的高质量学生数据可用性存在差异，因此有效利用多领域KT数据至关重要。本研究提出了一种新颖的提示增强范式，即promptKT，用于利用多领域学生数据同时提升KT性能。具体而言，首先使用所有KT领域的数据预训练一个统一的Transformer基础模型，以捕捉跨领域的共性。然后，我们设计了一个新颖的软领域提示模块，用于捕捉不同领域和用户间的差异。我们在六个公开的真实教育数据集上评估了promptKT。结果表明，在AUC和准确率方面，我们的方法优于大多数现有KT模型。此外，实证分析显示promptKT在多个KT领域间具有良好的迁移性和适应性。为促进可复现研究，我们已将数据和代码公开在https://github.com/pykt-team/pykt-toolkit。
Keyword:
Knowledge tracing
Pre-training
Prompt learning
期刊
IF:
2.9
论文数:
2.7K
被引数:
3.4W
机构
引用论文
.png){kind=icon}
Response speed enhanced fine-grained knowledge tracing: A multi-task learning perspective响应速度增强的细粒度知识追踪: 多任务学习视角
PREAI
分享收藏HHSKT: A learner-question interactions based heterogeneous graph neural network model for knowledge tracingHHSKT: 一种基于学习者-问题交互的异构图神经网络知识追踪模型
PREAI
分享收藏
查看更多内容