.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
知识追踪（KT）是教育领域的一种技术，主要任务是通过分析学生的学习历史数据来预测学生对特定知识概念的掌握程度。尽管近期研究采用了各种深度神经网络架构来解决KT问题，但现有的KT方法未能有效利用难度-能力交互效应，而这对于评估学生的知识状态至关重要。本文聚焦于难度-能力交互效应对知识状态评估的影响，提出了难度-能力匹配知识追踪（DAMKT）模型。具体而言，我们首先引入难度编码器和能力编码器，分别获取题目难度嵌入和学生能力嵌入。然后，为了在学习过程中建立学生的知识状态、题目难度和学生能力之间的关系，我们设计了一个自适应神经网络，该网络分为三个模块：（1）个人难度感知；（2）个性化知识获取；（3）差异化知识遗忘。最后，我们在四个真实数据集上进行了广泛实验，结果表明DAMKT优于其他基线模型。
Keyword:
Knowledge tracing
difficulty-ability interaction effect
student modeling
deep learning
期刊
W
IF:
0
论文数:
32
被引数:
0
机构
引用论文
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏分享收藏分享收藏
查看更多内容