PulseAugur
实时 12:08:08
English(EN) Disentangling Knowledge States with Ability and Proficiency Modeling for Knowledge Tracing

新的PAKT框架模拟学习阶段以提高学生表现预测

研究人员开发了一个名为“阶段感知知识追踪”(PAKT)的新框架,通过模拟学生不断变化的知识状态来提高学生表现的预测能力。PAKT区分了学习的能力构建和熟练度导向阶段,认识到学生在初步练习后通常会掌握概念。该框架利用具有类型感知读出模块的多分支Transformer来捕获特定阶段和整体知识状态。在六个公开基准上的实验表明,PAKT的性能持续优于现有方法,AUC增益最高可达1.33%。 AI

影响 这项研究通过更好地理解学生的学习进程,可能带来更具个性化和更有效的教育工具。

排序理由 详细介绍知识追踪新建模框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的PAKT框架模拟学习阶段以提高学生表现预测

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Duantengchuan Li, Yingqian Bi, Jinsong Chen, Rui Zhang, Mingwen Tong ·

    解耦知识状态与能力和熟练度建模用于知识追踪

    arXiv:2607.13103v1 Announce Type: cross Abstract: Knowledge tracing (KT) aims to predict students' future performance by modeling their evolving knowledge states from historical interactions. Existing KT methods usually treat the raw interaction sequence as a unified behavioral p…