知识追踪（KT）任务着重于根据历史互动来预测学习者的未来表现。知识状态在学习过程中起着关键作用。但是，考虑到知识状态受到互动过程中各种学习因素的影响，例如练习相似性，回答可靠性和学习者的学习状态 ...

新兴的知识追踪（KT）模型，尤其是深度学习和基于注意力的知识追踪，通过根据他们过去的互动来预测学生的未来表现，在实现个性化学习分析方面表现出了巨大的潜力。现有方法主要集中于过去的互动或单个概念，而没有考虑知识概念之间的依赖性（称为知识概念路线，这对于促进理解学生的学习成果至关重要。为了解决这个问题，在本文中，我们通过有效地将知识概念路线的领域知识途径纳入给定课程中提出了一种创新的基于注意力的方法  ...

知识追踪（KT）是智能辅导系统（ITS）的基本组成部分，使学生的知识状态可以预测未来的表现。深度知识追踪（DKT）的引入是第一个基于深度学习的KT（DLKT）模型，在适用性和全面性方面带来了很大的优势。但是，最近的DLKT模型（例如专注知识跟踪（AKT））经常以这些收益为代价对预测性能进行了优先排序 ...

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 ...