题目+作者信息 |
问题 |
解决方法(摘要) |
Wangzhihui Mei 伍伦贡 华中师范大学 Research on High School Math Exercise Recommendation Based on Graph Neural Network |
基于知识追踪的高中数学 习题推荐模型 设计一个基于知识点标注、知识追踪和资源推荐技术的习题推荐系统,从而推出一个在习题推荐方面的智能自适应学习的解决方案 |
|
基于学生答题序列的深度知识追踪研究 赵艾琦 西北农林大学 |
针对现有深度知识追踪方法没有考虑到做题过程中存在失误和猜测的情的问题,提出一种结合失误率和猜测率的深度知识追踪模型(DKT-GS)。该模型首对失误率和猜测率进行定义并计算,然后将其融入深度知识追踪模型的隐藏层,对学生真实学习状态进行建模,使其能够更好的预测学生在下一道题上的表现。该模型ASSISTments09 和ASSISTents15 数据集上分别获得了85.11%和79.17%的AUC值,该结果均优于现有先进的知识追踪模型 |
|
王蔚 基于深度学习的知识追踪方法研究 桂林电子科技大学 |
。然而,大多数现有的基于深度学习的知识追踪方法依然存在着建模能力较为薄弱的问题,例如基于卷积神经网络的知识追踪方法可以对局部特征进行良好的建模,然而长期依赖的建模能力则仍然需要提高;而基于循环神经网络的知识追踪方法有着优秀的对习题序列进行长期依赖关系建模能力,但是局部特征建模能力较弱的问题则需要解决。 |
|
李标 2019 武汉大学 在线学习平台中知识追踪机制研究 liboia |
尽管目前已经出现了许多知识追踪模型,但是这些模型在处理真实在线教育环境中的知识追踪问题时 仍然存在以下不足:
|
|
基于图嵌入和注意力的知识追踪模型研究 华东师范大学 王梦旦 |
现实中教育数据的稀疏性 学习交互的长序列问题 及人脑复杂的遗忘机制, |
|
基于图嵌入和双端注意力机制的知识追踪及学习路径推荐 华东师范大学 |
1)在线教育平台题库中的问题由于高维性与稀疏性无法进行有效的特征表示,如果仅使用知识点特征又会造成信息丢失。(2)现有的知识追踪方法缺乏对学习者状态进行分析与表示的能力以及对于注意力机制的应用。(3)传统推荐方法更加考量学习者的兴趣,缺少对切实提升学习者的知识掌握水平与能力的考量。 |
|
基于自注意力机制的深度知识追踪模型研究_陈威 |
首先,Transformer 中使用的相对位置编码无法反映学习过程中的遗忘行为,而遗忘行为对学习有十分重要的影响。缺少遗忘行为的建模,模型的预测值就无法准确的反映学习者的知识状态 其次,现有的大部分模型仅使用了(题目,回答)形式的交互对作为输入,对数据集中提供的其他特征信息(如题目类型、答题时间、尝试次数等)没有很好的利用,这在一定程度上影响了模型的性能 |
|
基于注意力机制的知识追踪方法研究 张楠 其他论文Attention-Based Knowledge Tracing with Heterogeneous Information Network Embedding |
存在问题: 学习数据往往是稀疏的。此外,许多现有的知识追踪模型没有合理利用题目的文本特征 |
基于语义理解的练习题表征方法 |
基于注意力机制的深度知识追踪研究 河北师范大学代 欢欢 Deep Knowledge Tracking based on Attention Mechanism for Student Performance Prediction 感觉 |
。深度知识追踪模型仅利用了在线辅导系统中学生练习记录的学生编号、题目编号和回答正误信息,但是仅仅依靠习题回答正误信息进行网络建模容易丢失重要信息并且没有实际理论上的可解释性, |
|
基于注意力的智慧育动态认知诊断方法研究 辽宁大学 刘聪捷 导师:李晓光 |
将学生通过学习过程积累知识提高知识掌握度的过程划分为“学生 试题因素嵌入层”和“学生试题因素互动层”两个主要部分。 |
|
叶艳伟 改进知识追踪模型对提升学习者知识掌握预测效果的研究 |
基于贝叶斯模型 |
|
智慧教育的深度知识追踪模型 吕丽婷 华中师范大学 |
目前DKT的单一表征能力不足以准确判断学生的知识状态; 其次,学生知识状态的变化过程应该是较为稳定的,而目前DKT模型的预测结果容易出现波动现象; 最后,为了进一步提高模型预测的准确性,如何通过强化深层次特征提取能力来使特征表达的更充分也是DKT的一个重要研究问题。 |
方法一 ckt+dkt+attention结合时空 |
任中杰 华中师范大学 初中数学知识追踪 |
1.. 神经网络的复杂性导致输出的预测结果很大程度上无法被合理地解释; 2. 在知识点实际可被持续掌握的时间范围内,DKT 模型在相同知识点上的预测结果出现了不成趋势反复波动的情况; 3. 通常情况下,DKT 模型无法对数据量较小的训练集也产生较为出色的预测结果。 |
首先,最初的DKT模型只考虑了问题标签和结果标签特征的输入,没有考虑学习者的其他表现特征或问题集的其他知识特征。在学习者的实际学习过程中,它往往比原始DKT模型的模拟过程复杂得多。因此,为了提高模型的性能,首先选择原始数据集中的其他几个学习特征,它们是技能标签、正确性、响应时间、回答时间和帮助动作。这些获取的数据集首先被转换为具有实际数值意义的分类数据,然后这些分类数据被进行一次热编码以转换为稀疏矩阵。为了将各种特征输入到基于RNN的DKT模型中,关键点是这些转换的数据需要组合以形成特征交叉。该过程引入了高维输入,并采用了自动编码器的结构,将模型的输入减少到原始输入的一半。 为了解决在分析原始模型的预测数据之后获得的模型的预测结果反复波动的问题,针对原始模型对相同知识点的掌握不连续且一致的问题,试图通过优化模型的目标函数来改变它。通过引入L1正则化和L2正则化来优化模型的训练策略,以减少上述情况的发生。同时,当引入特征交叉时,模型的预测精度将尽可能不受影响。 为了改善这种情况,本文试图利用贝叶斯网络的固有优势引入先验知识,然后将其与DKT模型相结合,利用注意力机制形成融合模型。在小数据集上的实验表明,与原始DKT的精度相比,融合模型可以显著提高数据集提供的任何特征的预测性能。 |
融合试题表征与学习者能力的知识追踪模型与方法 梁梦怡 华中师范大学 |
(1)现有的知识追踪模型大多只用到了学习者做题的交互序列来进行结果预测,却忽略了试题本身所具有的特征会对结果产生的影响。 (2)现有的知识追踪模型大多忽略了学习者自身的能力特征,与个性化教学的目标相违背。 (3)尽管一些知识追踪模型考虑到了试题的特征或学习者特征,但却很少有将所有因素综合考虑入内的,并且获取特征的方式也有待改 |
|
EN 基于深度特征表示的学生成绩预测 华中师范大学的 |
:(1)现有研究主要基于学生的学习行为特征进行成绩预测,但是缺少考虑行为特征之间的关联性; (2)一些传统的模型在建模时往往采用人工手段进行特征工程,依赖工程师的专业知识来筛选相关的特征, 影响了预测的准确性,模型的可解释性较差,不能很好的反映出学生的知识水平; (3)现有模型对于学生个性化的因素考虑较少,对于同一个学生来说不同的因素对其成绩的影响可能是不同的, 同一个因素对于不同的学生也会有不同程度的影响,因此对于学生的知识水平和成绩难以做到个性化的分析和预测 (4)传统的协同过滤推荐方法,难以根据学生的个性化学习需求和目前的知识水平进行有针对性的推荐, 难以解释向学生推荐某一道试题的原因,难以保证试题推荐结果的合理性。 |
知识追踪硕士论文略读
猜你喜欢
转载自blog.csdn.net/sereasuesue/article/details/129896938
今日推荐
周排行