.png){kind=icon}
返回
Improving Question Embeddings With Cognitive Representation Optimization for Knowledge Tracing
.png){kind=icon}
OA
AI
DOI：10.1109/TCYB.2025.3612399.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识追踪（KT）旨在根据学生的历史答题记录追踪其知识状态的变化并预测其未来的答题情况。当前KT模型的研究重点是基于现有的、未更新的学生学习交互记录来预测学生的未来表现。然而，这些方法忽略了答题过程中的干扰因素（如疏忽和猜测），并忽视了静态认知表征是临时且有限的。大多数方法假设答题过程中不存在干扰因素，且记录表征完全反映了学生对知识的理解和熟练程度。在这种情况下，可能导致原始记录中存在许多缺乏协同和协调的问题。因此，我们提出了一个针对KT的认知表征优化模型（CRO-KT），该模型利用动态规划算法优化认知表征的结构，以确保其结构与习题难度的学生认知模式相匹配。此外，我们采用协同优化算法，在考虑所有具有关联关系的习题作为一个整体目标的情况下，根据习题响应的整体情况优化子目标习题的认知表征。同时，CRO-KT模型以加权方式融合了从二部图中学习到的关系嵌入与优化的记录表征，增强了学生认知的表达。最后，我们在三个公开数据集上分别进行了实验，以验证所提出的认知表征优化模型的有效性。CRDP-KT的源代码可在https://github.com/bigdata-graph/CRO-KT获取。
Keyword:
Cognitive representation
knowledge tracing (KT)
optimal solution
optimization algorithm
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
10.5
论文数:
1.1W
被引数:
5.0W
机构
引用论文
.png){kind=icon}
Modeling Student Performance Using Feature Crosses Information for Knowledge Tracing利用特征交叉信息进行知识追踪的学生表现建模
PREAI
分享收藏Quantized Zeroth-Order Gradient Tracking Algorithm for Distributed Nonconvex Optimization Under Polyak-Lojasiewicz ConditionPolyak-lojasiewicz条件下分布非凸优化的量化零阶梯度跟踪算法
PREAI
分享收藏
AUC:: a misleading measure of the performance of predictive distribution modelsAUC:: 预测分布模型性能的误导性度量
PREAI
分享收藏
查看更多内容