摘要:知识追踪是一种重要的认知诊断方法，往往被用于在线学习平台、智能辅导系统等信息化教学平台中.知识追踪模型通过分析学生与课程作业的交互数据，即时模拟学生对课程知识点的掌握水平，模拟的结果可以用来预测学生未来的学习表现，并帮助他们规划个性化的学习路径.在过去20多年中，知识追踪模型的构建通常基于统计学和认知科学的相关理论.随着教育大数据的开放和应用，基于深度神经网络的模型（以下简称“深度知识追踪模型”）以其简单的理论基础和优越的预测性能，逐渐取代了传统模型，成为知识追踪领域新的研究热点.根据所使用的神经网络结构，阐述近年来代表性深度知识追踪模型的算法细节，并在5个公开数据集上对这些模型的性能进行全面比较.最后讨论了深度知识追踪的应用案例和若干未来研究方向.

摘要:知识追踪任务是根据学生历史答题记录追踪学生知识状态的变化, 预测学生未来的答题情况. 近年来, 基于注意力机制的知识追踪模型在灵活性和预测性能上都明显优于传统知识追踪模型. 但是现有深度模型大多只考虑了单一知识点题目的情况, 无法直接处理多知识点题目, 而智能教育系统中存在着大量的多知识点题目. 此外, 如何提高可解释性是深度知识追踪模型的关键挑战之一. 为了解决这些问题, 提出一种多知识点融合嵌入的深度知识追踪模型. 所提模型考虑涉及多知识点的题目中知识点之间的关系, 提出两种新颖的多知识点嵌入方式, 并且结合教育心理学模型和遗忘因素提升预测性能和可解释性. 实验表明所提模型在大规模真实数据集上预测性能上优于现有模型, 并验证各个模块的有效性.

摘要:知识追踪任务旨在根据学生历史学习行为实时追踪学生知识水平变化，并且预测学生在未来学习表现.在学生学习过程中，学习行为与遗忘行为相互交织，学生的遗忘行为对知识追踪影响很大.为了准确建模知识追踪中学习与遗忘行为，提出一种兼顾学习与遗忘行为的深度知识追踪模型LFKT （learning and forgetting behavior modeling for knowledge tracing）.LFKT模型综合考虑了4个影响知识遗忘因素，包括学生重复学习知识点的间隔时间、重复学习知识点的次数、顺序学习间隔时间以及学生对于知识点的掌握程度.结合遗忘因素，LFKT采用深度神经网络，利用学生答题结果作为知识追踪过程中知识掌握程度的间接反馈，建模融合学习与遗忘行为的知识追踪模型.通过在真实在线教育数据集上的实验，与当前知识追踪模型相比，LFKT可以更好地追踪学生知识掌握状态，并具有较好的预测性能.