.png){kind=icon}
返回
BPSKT: Knowledge Tracing with Bidirectional Encoder Representation Model Pre-Training and Sparse Attention
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14030458.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）是智能教育系统中的一个核心任务。它旨在追踪学生在练习过程中知识状态的变化，并进一步预测其在下一轮练习中答题的准确率。当前的知识追踪模型通常专注于解决短序列问题，而在处理长序列问题时仍存在显著局限性。此外，现有模型在稀疏数据集上的实验性能仍有较大的提升空间。本文提出了一种结合BERT预训练和稀疏注意力机制的BPSKT知识追踪模型。该模型通过两层GCN提取长序列节点信息特征，随后利用稀疏注意力BERT对预训练数据进行微调，以适应下游任务。最后，通过一系列验证实验，逐步验证了BPSKT的逻辑一致性和结构有效性。
Keyword:
knowledge tracing
BERT
long sequences
graph convolutional networks
sparse attention
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
引用论文
分享收藏Context-Aware Attentive Knowledge Tracing.png)
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏
查看更多内容