知识跟踪（KT）问题是个性化教育中极为重要的话题，该问题旨在预测学生是否可以根据他们过去的问答记录正确回答下一个问题。此任务的先前工作主要集中于根据ID或文本信息学习行为顺序。但是，这些研究通常无法捕获学生的足够行为模式，而没有对问题的丰富知识来推理 ...

知识追踪（KT）通过建模学生的历史互动来预测未来的表现，并了解学生的情感状态可以提高KT的有效性，从而提高教育质量。尽管传统的KT重视学生的认知和学习行为，但由于数据和预算约束的非影响力性质，对学生的情感状态及其在KT中的应用仍需要进一步探索。为了解决这个问题，我们提出了一种计算驱动的方法，动态影响模拟知识追踪（DASKT），以探索各种学生情感状态（例如挫败感，集中，无聊和困惑）对其知识状态的影响 ...

由于编码任务的复杂性以及学生用来解决问题的各种方法，因此在编程教育中的知识追踪（KT）提出了独特的挑战。尽管学生的问题通常包含有关他们的理解和误解的宝贵信号，但传统的KT模型经常忽略将这些问题纳入解决这些挑战的投入。本文介绍了SQKT（学生基于问题的知识跟踪），这是一种知识追踪模型，利用学生的问题并自动提取技能信息，以提高预测学生在随后的编程教育问题上的表现的准确性 ...

知识追踪（KT）旨在根据他们以前的练习和教育环境中的其他信息来预测学生的未来表演。 KT自从促进教育情况下的个性化经验以来，受到了极大的关注。同时，事实证明，对以前练习的顺序进行自回旋建模对这项任务有效 ...

AI在教育中的整合为提高学习效率提供了巨大的潜力。大型语言模型（LLM），例如Chatgpt，Gemini和Llama，允许学生查询各种各样的主题，提供前所未有的灵活性。但是，LLM面临挑战，例如处理不同的内容相关性和缺乏个性化的挑战 ...

映射到问题的知识组成部分（KCS）有助于建模学生学习，跟踪他们在细粒度技能上的精通水平，从而促进在线学习平台中的个性化学习和反馈。但是，传统上由人类领域专家执行的问题是高度劳动力密集的问题。我们提出了一条完全自动化的，基于LLM的管道，用于KC生成，并标记开放式编程问题 ...

知识追踪（KT）是智能辅导系统中用于模拟学生知识状态的变化，跟踪个性化知识掌握和预测表现的基本技术。但是，当前的KT模型面临三个主要挑战：（1）遇到新问题时，由于稀疏的相互作用记录，模型遇到了冷启动问题，这使精确的建模变得困难； （2）传统模型仅使用历史互动记录进行学生个性化建模，无法准确跟踪单个掌握水平，从而导致了不清楚的个性化建模； （3）对教育工作者的决策过程是不透明的，这使他们具备理解模型 ...

在智能辅导系统（ITS）的领域中，通过知识追踪（KT）对学生知识状态的准确评估对于个性化学习至关重要。但是，由于数据偏差，$ \ textit {即 ...