基于Null Importance和Stacking模型的知识追踪研究

为应对基于游戏的学习平台在知识追踪应用方面的不足,本研究利用Field Day Lab提供的教育游戏用户日志进行深入分析。采用方差法和Null Importance方法对数据集进行降维处理,并结合K折交叉验证与LightGBM算法,建立了一个高效的预测模型。此外,通过集成Logistic模型,构建起Stacking模型。研究表明,该模型在验证集上的Macro-F1值显著提升至0.699,同时也在测试集上显示出优异的泛化能力。本研究为教育游戏领域的知识追踪提供了创新方法,并为游戏开发与教育实践提供了宝贵参考,支持教育游戏的开发者为学生创造更有效的学习体验。

基于本体-匹配双向扩展模型的设计知识推荐方法

针对自动扶梯桁架设计知识缺乏有效归纳与整理,知识重用性与共享性差等问题,提出了一种基于本体-匹配双向扩展模型的自动扶梯桁架设计知识推荐方法。首先,提出了自动扶梯桁架命名实体识别(ETNER)模型,进行了该领域知识特征的有效提取,为知识本体构建提供了数据基础;然后,构建了领域知识本体,对设计知识进行了规范表示,并利用本体知识之间的关联关系进行了推理;最后,设计了本体-匹配双向扩展模型,在本体推理为空的场景下,采用改进知识相似度计算与文档扩展匹配的方法,提高了对于用户知识需求的理解能力,补充了推荐结果,同时促进了自动扶梯桁架设计知识本体的更新。研究结果表明:实体识别模型提取扶梯桁架设计知识特征的F1指标达到0.863,能有效提取该领域设计知识特征;该知识推荐方法的平均倒数排名(MRR)、命中率(HR)、归一化折损累计增益(NDCG)指标分别为0.79、0.85、0.80,与传统Doc2query方法相比,其可以充分理解设计知识需求,提高了知识推荐结果的有效性;该研究结果可以为扶梯桁架设计与其他类似工程应用提供知识共享及知识重用的方法。

迁移表征的知识追踪模型

针对多数知识追踪研究在表征题目时仅利用了题目包含的概念等显性特征,未能考虑到题目中概念的考察侧重程度这一隐性特征,也未表征迁移过程中题目的迁移程度的问题,本文提出题目迁移表征的知识追踪模型。在题目侧重表征方面,采用加性注意力机制提取题目中各个概念的考察侧重程度;在题目迁移方面,利用相似性和通道注意力机制融合建模历史题目多角度的迁移程度;在迁移遗忘方面,使用门限机制建模学习迁移的遗忘过程。最终得到题目迁移表征,以此来预测学习者未来的答题表现。在实验阶段,与6种相关模型在3个真实数据集上进行对比实验,结果表明提出模型的曲线下面积(area under the curve,AUC)和准确率(accuracy,ACC)均有更好表现,尤其在ASSISTments2012数据集上表现最佳,相较于其他对比模型分别提升了3.5%~20.1%和2.3%~18.5%;在可解释性方面,使用图表可视化描述了题目迁移表征生成路径。本研究建模的学习迁移内在机制可为知识追踪模型的设计提供参考。

基于大模型知识追踪的多模态教育知识图谱构建与应用

利用知识追踪对学生的历史知识掌握情况进行建模,可以准确预测学生在未来的教学互动中将如何表现。文章基于大模型知识追踪机制构建了多模态教育知识图谱,介绍了多模态命名实体识别、关系抽取关键技术。利用融合后的多模态数据和语义信息构建多模态知识图谱的图结构,并采用图数据库来存储并查询多模态知识图谱。基于构建好的多模态教育知识图谱可以进行教育知识推理和应用下游任务,如知识点检索、教学互动、教学预警,最终达到个性化教学资源推荐与精准教学决策。

用于加速预训练知识追踪模型的深层特征提取器

通过对知识追踪进行预训练的嵌入与微调,可以显著提高知识追踪任务的准确性,但现有的微调方法通常采用全微调的方式,即调整预训练模型的所有参数,效率较低。本文提出了一种新的高效微调方法,称为快速适配训练方法,通过提取深层特征来调整模型,以适应不同的下游任务。与全微调方法相比,快速适配训练方法在ASSIST 09和EdNet数据集上能够实现5.2倍和3.6倍的训练时间加速,并且同时提高了0.49%和0.19%的预测精度。

知识状态神经推理的知识追踪模型

针对知识追踪研究忽略知识点之间的拓扑关系,从而限制了知识点状态的表示并最终影响预测效果的问题,提出一种知识状态神经推理知识追踪模型。首先建立知识点关系图和知识点状态图;其次利用扩散模型得到关系图和状态图的投影并完成融合;然后利用逆扩散过程得到融合了知识点关系的整体知识状态表示;最后预测学习者的表现。在模型有效性方面,在若干数据集上对比四个相关模型,所提模型均取得了一定的优势。在可解释性方面,展示了知识状态进化过程与真实答题结果之间的对应关系。在实际应用方面,以该模型为基础的智慧学习环境已分别应用于一门人工智能课程和英语语法课程,并取得了优于对比模型的结果。

融合状态关系的知识追踪模型

知识追踪模型建模学习者对每个知识点的状态推断其知识总状态,预测其未来的学习表现。但现有研究在建模知识总状态时,没有融合知识点状态之间的关系,影响了最终的预测效果。针对这一问题,提出一种融合知识点状态关系的知识追踪模型。首先向量化表示数据集中的知识点,构建知识点表示图;其次将知识点表示图扩散至潜式空间以反映其内在结构和本质信息;融合当前时刻的习题与知识点作为引导向量,从知识点表示图的潜式表示中提取知识点状态图;以知识点状态图为基础,推导知识总状态,预测当前习题的表现。通过在三个数据集上对比四个相关模型的实验证明,提出的模型在AUC、ACC和表示质量方面均取得了一定的优势。其中,在ASSISTments2009数据集上表现最佳,与对比模型中的最优值和最低值比较,AUC分别提升了1.17%、10.57%,ACC分别提升了3.23%、12.17%,表示质量分别提升了1.95%、10.40%。进一步地,可视化地展示了知识点状态及其关系的内部推导过程,以及它们与真实答题结果之间的对应关系,说明模型具备一定的可解释性。同时,将该模型应用于三门课程以预测学生的表现,与相关模型对比取得了更好的结果,说明模型具备一定的实用性。

融合习题难度和作答经验的深度知识追踪模型

针对现有的深度知识追踪模型缺乏对习题和学生特征信息综合考虑的问题,文章提出融合习题难度和作答经验的深度知识追踪模型(DKT-DE)。该模型通过分析作答序列评估习题的难度和学生的作答经验来丰富模型输入层的特征信息,从而提高模型的预测性能。最后,在3个公共数据集(ASSISTments2009、ASSISTments2015、ASSISTments2017)上,对DKT-DE模型与5个基线模型(BKT、DKT、DKT+、DKVMN、SAKT模型)进行对比实验和消融实验。对比实验结果表明DKT-DE模型能够更准确地评估学生的知识掌握状态:与基线模型中表现最好的DKT+模型相比,DKT-DE模型在ASSISTments2009、ASSISTments2015、ASSISTments2017数据集上的AUC平均值分别提升了2.78%、2.44%、1.5%。而消融实验结果进一步证明习题难度和学生作答经验对提升模型预测能力都起到了积极的贡献。

小学数学教学的多维知识追踪模型的研究

针对义务教育“双减”政策要求,教师亟需在有限的课堂及课后辅导时间使用更加科学的教育方法和有效的管理工具进行教学的现象,提出小学数学教学的多维知识追踪模型。首先建立知识要素体系,厘清知识结构、突出教学难点和重点;然后采用基于层次分析法的统计分析和基于隐马尔可夫模型的机器学习方法对学生学习知识点的效果进行评估。本模型能够帮助教师掌握个体、群体的知识弱点,为教师因材施教进行个性化学习指导,提高教学成效提供有效工具,并对当前教育新形势下的教育教学具有指导作用。

知识追踪研究综述

知识追踪,旨在根据学生的历史答题记录,对学生随学习时间不断变化的知识状态进行建模,进而预测学生的答题表现,是支撑智慧教育系统的核心模块,受到越来越多研究者的关注。全面梳理了该领域的研究进展,分析了与知识追踪相关的基础理论研究,并按照研究方法的不同,将知识追踪模型分为概率模型、逻辑模型、基于深度学习的模型进行剖析,其中概率模型假设学习遵循马尔可夫过程,逻辑模型是一类基于逻辑函数的模型,而基于深度学习的知识追踪模型依赖于深度学习强大的特征提取能力成为近年来研究的热点。对基于深度学习的知识追踪模型面临的可解释性、缺少学习特征等问题提出的改进方法进行了介绍。给出了目前可供研究者们使用的公共数据集以及不同模型的性能比较。最后,对知识追踪这个快速发展起来的领域进行了总结,针对该领域研究存在的问题,提出了一些未来可能的研究方向。

面向智慧教育的知识追踪模型研究综述

知识追踪(KT)作为智慧教育领域的重点研究方向之一,利用智能辅导系统(ITS)提供的大量学习轨迹信息对学生进行建模,自动衡量学生的知识水平,为其提供个性化的学习方案,达到人工智能辅助教育的目的。全面回顾了面向智慧教育的知识追踪模型研究进展,三类具有代表性的模型分别为基于贝叶斯的知识追踪、基于Logistic模型的知识追踪以及近年来迅速发展并且表现出更好性能的深度学习知识追踪。基于贝叶斯的知识追踪分为贝叶斯知识追踪(BKT)以及结合个性化、知识相关性、节点状态与现实问题扩展的BKT模型;基于Logistic模型的知识追踪分为项目反应理论(IRT)与因子分析模型两类;基于深度学习的知识追踪分为深度知识追踪(DKT)及其改进模型以及设计网络结构与引入注意力机制。介绍了目前可供研究者们使用的国际公开教育数据集与常用的模型评估指标,比较和分析了不同类型方法的性能、特点以及应用场景,并对当前研究所存在的问题以及未来发展方向进行探讨与展望。

大数据环境下基于知识图谱的用户兴趣扩展模型研究

[目的/意义]针对大数据环境下用户兴趣数据稀疏、缺乏关联和描绘不准确等问题,利用知识图谱融合多源兴趣知识,以提高用户兴趣的全面性和准确性。[方法/过程]从兴趣之间的关联视角出发,进行兴趣建模、知识获取和知识融合,整合兴趣间的语义关联和社交网络关联,构建兴趣知识图谱;挖掘兴趣标签节点与上位词节点、百科标签节点、社交网络用户节点的关系,计算兴趣标签的语义关联度和社交网络关联度,生成复合关联权重,重构兴趣之间的衍生关系以实现用户的兴趣扩展。[结果/结论]该模型能够有效融合扩展不同类型的兴趣关联知识,相对于单一来源数据在用户兴趣的覆盖率和查准率方面均有所提升,提高了用户兴趣描绘的全面性和准确性。

基于基扩展模型的改进正则化正交匹配追踪V2X 快时变SC-FDMA信道估计

为了进一步提升车联万物(V2X)的通信性能,首先根据信道冲激响应的稀疏性建立了适用于高速移动场景的基扩展模型(BEM);其次,证明了BEM系数具有稀疏性,将信道估计问题转化为稀疏信号重构问题,进而提出基于BEM的改进正则化正交匹配追踪(iROMP)迭代稀疏信道估计算法(简称为BEM-iROMP算法)。所提算法通过iROMP获取BEM系数,利用反馈结果不断迭代以达到最优信道估计。仿真结果表明,与最小二乘法、线性最小均方误差和BEM-LS信道估计算法相比,所提算法能够有效提高V2X快时变信道下单载波频分多址系统的归一化均方误差和误码率性能。

非高斯噪声环境下基于扩展基追踪模型的信号去噪

经典基追踪模型中所考虑的噪声是加性的高斯白噪声,而实际应用中噪声的形式是多种多样的。因此,经典基追踪模型不能满足处理非高斯噪声环境下的信号去噪问题。基于不同的稀疏性度量函数和不同的拟合误差项形式,对经典基追踪模型进行了扩展,提出了新的基追踪扩展模型,并分析了扩展模型的统计意义。针对其中一类扩展模型,给出了其求解算法。在脉冲噪声环境下的信号去噪实验结果验证了该模型具有比经典基追踪模型更显著的去噪效果。

基于知识图谱和主题模型的短文本特征增强方法

【目的】中文短文本具有特征稀疏的问题,构建高质量的短文本特征表示将对文本的分类、推荐等处理具有重要意义。【方法】针对这一问题,本文提出了一种基于知识图谱和主题模型的短文本特征增强模型,借助知识图谱获取外部知识对短文本进行特征扩展,使用主题模型对短文本进行语义挖掘,最后通过向量拼接生成短文本特征增强向量。【结论】本文将提出的方法应用到中文短文本分类任务中,并进行了对比实验,实验结果证明本文提出的方法能够更好地对短文本进行特征表示。

基于知识序列的知识追踪模型及其应用研究

提出基于知识点序列的知识状态追踪模型,将其应用于指导学生的课程学习。自动评价其对当前知识点、相关知识点以及未来知识点的掌握状态的基础上,动态地确定学生的下一步学习内容。实验表明在在线教学中应用此模型可以较好地提高学习通过率。

多知识点知识追踪模型与可视化研究

知识追踪模型(简称KT模型)是从学生的答题表现序列来推断其内在掌握知识情况的隐马尔科夫模型,它在智能辅导系统广泛使用。传统的KT模型通常只适用于对单个知识点能力的建模,且不能对题目难度和分辨度进行推断。但在现今智慧教育环境中,题目序列往往包含多个知识点,需要利用这些知识点对学生能力变化进行综合的评估和分析。为此,文章使用Logistic回归方法扩展KT模型的参数,提出三个面向多知识点的KT模型的改进模型:KTLR-GS模型、KTLR-LFID模型和KTLR-FP模型,分别把猜对概率、犯错概率、题目难度、观测参数和状态转移参数等作为特征引入,从而实现了在多知识点背景下对学生学习能力和综合能力的准确评价,超过了传统KT模型的分析性能。同时,文章还开发了基于xAPI的学习行为分析与可视化系统,集学习行为采集、存储、分析和可视化为一体,利用面向多知识点的KT模型分析学生答题序列中的知识掌握动态变化,并利用可视化的技术帮助教师对每个学生的学习情况进行及时判断。

基于“态度”的知识追踪模型及集成技术

知识追踪模型(knowledge tracing model)被广泛地应用在教育系统(intelligent tutoring system)中以预测学生做题的表现.当学生做题时,教育系统采用该模型持续对学生的知识掌握情况作出评估并根据对每个学生的评估给出针对性的题目.通过对该模型预测精度的研究,提出了改进的知识追踪模型,并采用在线教育系统的数据集对两个模型的预测精度进行了对比.最后采用集成技术(ensemble)综合了所有模型,提高了预测精度.

扩展的DSS中的模型和知识

本文主要提出了扩展的DSS中模型的一种表示形式和扩展的DSS中的知识库系统,进而提出了在这样的DSS中,是如何运用知识自动选择模型对问题作出解答的。

基于双流结构和多知识点映射结构改进的深度知识追踪模型

目前,知识追踪已成为自适应个性化辅助学习的研究热点,而基于循环神经网络的深度知识追踪(Deep Knowledge Tracing,DKT)模型在知识追踪领域已取得了较好的效果。但是,DKT模型在融合领域特征时仍存在特征消减和知识点关联关系遗忘等问题,其精准性有待提高。为此,文章在梳理DKT模型融合领域特征相关研究现状的基础上,提出了一种基于双流结构和多知识点映射结构改进的深度知识追踪模型,并通过实验验证了此模型的精准性相较于原始DKT模型及其相关的改进模型有明显提升,并指出其在智慧学习环境下学生认知结构刻画和学习服务精准推荐方面具有的广阔应用前景。通过研究,文章旨在提升深度知识追踪的精准性并进一步助力自适应个性化学习的实现。