Bayesian Knowledge Tracing
PulseAugur coverage of Bayesian Knowledge Tracing — every cluster mentioning Bayesian Knowledge Tracing across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
BKT vs. DKT：学生知识追踪中的准确性 vs. 可解释性
一项研究比较了两种知识追踪模型——贝叶斯知识追踪（BKT）和深度知识追踪（DKT）——在预测数学学习中学生表现方面的准确性和可解释性。虽然 DKT 在预测正确性方面表现出更高的准确性，但 BKT 通过利用可理解的参数来解释学生掌握概率，提供了更强的可解释性。该研究使用了 ASSISTments 2017 学生数据集，将其分为训练集和测试集来评估两个模型。
-
知识追踪模型需要为辅导系统量身定制掌握阈值
一篇新的研究论文探讨了掌握阈值在教育辅导系统中的有效性，发现单一阈值并不普遍适用于不同的知识追踪（KT）模型。该研究在公开教育数据集上分析了六种KT模型和十二种阈值，结果显示与神经网络模型相比，贝叶斯知识追踪（BKT）对阈值变化的敏感度较低。随着阈值的增加，神经网络模型变得更具选择性，部分原因是它们的输出预测了下一个正确响应的概率，而不是潜在的掌握概率。研究强调，更严格的阈值可能会不成比例地限制先前表现较弱的学生的进步，并强调需要根据…
-
多智能体LLM架构在游戏中隐蔽评估金融素养
研究人员开发了一种新颖的多智能体LLM架构，称为Agentic BKT pipeline，用于在严肃游戏中隐蔽评估金融素养。该系统处理玩家决策，使用LLM对行动进行分类，然后采用四个专门的智能体来推理风险缓解、投资、消费和信用管理。这些智能体输入到贝叶斯知识追踪模型以估算掌握程度，然后综合成一个总体分数。对K-12参与者的评估表明，该pipeline的掌握程度估算与学习收益和后测分数显著相关，优于单一LLM基线。
-
新系统LearnOpt映射考试认知结构
研究人员开发了LearnOpt系统，该系统利用知识图谱和约束优化来揭示标准化考试中的潜在认知结构。通过分析历史试卷，LearnOpt能够识别测试技能中的稳定模式，这些模式会随着课程变化而转移。该系统基于这些已识别的结构生成个性化学习计划，与基于频率的主题推荐相比，取得了适度但真实的改进。