.png){kind=icon}
返回
DKPKT: Dynamic Knowledge Perception for Temporal Knowledge Tracing
.png){kind=icon}
PRE
AI
DOI：10.1177/24056456261449419.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）是智能教育系统的核心组成部分，旨在根据学生的历史学习行为预测其未来表现。尽管深度学习带来了显著进展，但现有模型往往难以有效捕捉学生知识状态的动态演化，特别是知识获取与遗忘的交织过程。为应对这一挑战，我们提出了动态知识感知的时序知识追踪（DKPKT）模型。DKPKT整合了两个互补模块：交互感知模块采用动态注意力机制提取指示知识状态转变的关键交互特征，而知识感知模块通过融入知识遗忘与获取因素优化这些表征，从而实现对知识动态更精确的时序建模。我们在三个真实教育数据集上对DKPKT与若干主流基线模型进行了对比评估。实验结果表明，DKPKT展现出更优的预测性能，验证了其在知识状态建模及提升学生表现预测精度方面的有效性。
Keyword:
intelligent education
knowledge tracing
student behavior modeling
learning process
期刊
W
IF:
0.3
论文数:
13
被引数:
96
机构
引用论文
Addressing the assessment challenge with an online system that tutors as it assesses通过导师评估的在线系统解决评估挑战
.png){kind=icon}
PREAI
分享收藏
Automatically Learning Topics and Difficulty Levels of Problems in Online Judge Systems在线评判系统中的自动学习主题和问题的难度级别
OAAI
OAAI分享收藏PyKT: A Python Library to Benchmark Deep Learning Based Knowledge Tracing ModelsPyKT：一个用于基准测试基于深度学习的知识追踪模型的Python库
PREAI
分享收藏
查看更多内容