研究人员开发了一种方法，通过使知识追踪（KT）模型能够识别不确定的预测来提高其负责任的部署。通过集成使用蒙特卡洛 Dropout 的选择性预测层，模型可以推迟可能不正确的预测。这种方法在不重新训练的情况下显著提高了准确性和 AUC，同时还确保了不同学生能力和问题难度的公平性。研究发现，模型得出的不确定性信号比传统的心理测量方法更有效地用于推迟。 AI
影响 通过使模型能够识别和推迟不确定的预测来增强负责任的 AI 部署，提高准确性和公平性。
排序理由 介绍知识追踪模型新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2509.21514v3 Announce Type: replace Abstract: Research on Knowledge Tracing (KT) models traditionally focuses on improving predictive accuracy. However, responsible real-world deployment requires models to know when to defer uncertain predictions to a human teacher. We intr…