实体
Deep Knowledge Tracing
Deep Knowledge Tracing
PulseAugur coverage of Deep Knowledge Tracing — every cluster mentioning Deep Knowledge Tracing across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
研究发现PKT模型性能提升可能因实验缺陷而夸大
一项新研究重新评估了用于编程知识追踪（PKT）的注意力增强模型，发现其报告的性能提升高度依赖于实验设计选择。研究强调了注意力维度设置以及因学生尝试顺序不当而违反时间因果关系的问题。通过实施受控的评估协议，该研究表明复杂的注意力增强模型与标准的深度知识追踪（DKT）模型之间的性能差距显著缩小，这表明增加架构复杂性并不总是能带来更好的结果。
-
研究人员为知识追踪模型开发选择性预测
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。