学习者知识追踪研究进展综述

被引：26

作者：

张暖 ^{[1
]}

江波 ^{[2
]}

机构：

[1] 浙江工业大学教育科学与技术学院

[2] 华东师范大学教育信息与技术学系(上海数字化教育装备工程技术研究中心)

来源：

计算机科学 | 2021年 / 48卷 / 04期

关键词：

自适应学习系统; 知识追踪; 贝叶斯知识追踪; 可加性因素模型; 深度知识追踪; 知识空间理论;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

学习者建模是自适应学习系统的支撑技术之一,其中以知识追踪为代表的学习者知识状态建模研究最为广泛。3种代表性的知识追踪技术分别为基于隐马尔可夫模型的贝叶斯知识追踪、基于逻辑回归模型的可加性因素模型、基于循环神经网络的深度知识追踪。通过综述发现,贝叶斯知识追踪模型适用于含单一知识点的学习任务的知识追踪,可加性因素模型和深度知识追踪模型适用于含多知识点的学习任务的知识追踪,但深度知识追踪模型的教学可解释性不佳。在综述现有研究的基础上,受到知识空间理论的启发,将知识点之间的先决关系融入到知识追踪模型是未来的一个重要研究方向,并初步提出了一种融合知识点先决关系的可加因素模型。

引用

页码：213 / 222

页数：10

共 22 条

[1] 知识追踪模型融入遗忘和数据量因素对预测精度的影响 [J].

叶艳伟 ;

李菲茗 ;

刘倩倩 ;

林丽娟 .

中国远程教育, 2019, (08) :20-26

[2] 多知识点知识追踪模型与可视化研究 [J].

徐墨客 ;

吴文峻 ;

周萱 ;

蒲彦均 .

电化教育研究, 2018, 39 (10) :53-59

[3] 基于贝叶斯知识跟踪模型的慕课学生评价 [J].

王卓 ;

张铭 .

中国科技论文, 2015, 10 (02) :241-246

[4] 自适应学习系统中学习者特征模型及建模方法述评 [J].

张舸 ;

周东岱 ;

葛情情 .

现代教育技术 , 2012, (05) :77-82

[5]

CS-BKT: introducing item relationship to the Bayesian knowledge tracing model[J] . Meng Lingling,Zhang Mingxin,Zhang Wanxue,Chu Yu.Interactive Learning Environments . 2019

[6] A Data-Based Simulation Study of Reliability for an Adaptive Assessment Based on Knowledge Space Theory [J].

Doble, Christopher ;

Matayoshi, Jeffrey ;

Cosyn, Eric ;

Uzun, Hasan ;

Karami, Arash .

INTERNATIONAL JOURNAL OF ARTIFICIAL INTELLIGENCE IN EDUCATION, 2019, 29 (02) :258-282

[7]

Deep-IRT: Make Deep Learning Based Knowledge Tracing Explainable Using Item Response Theory[J] . Chun-Kit Yeung.CoRR . 2019

[8] Degree of error in Bayesian knowledge tracing estimates from differences in sample sizes [J].

Slater S. ;

Baker R.S. .

Behaviormetrika, 2018, 45 (2) :475-493

[9]

Learning meets assessment:On the relation between item response theory and Bayesian knowledge tracing[J] . Deonovic Benjamin,Yudelson Michael,Bolsinova Maria,Attali Meirav,Maris Gunter.Behaviormetrika . 2018 (2)

[10]

A three learning states Bayesian knowledge tracing model[J] . Kai Zhang,Yiyu Yao.Knowledge-Based Systems . 2018

← 1 2 3 →