Deep Knowledge Tracing
PulseAugur coverage of Deep Knowledge Tracing — every cluster mentioning Deep Knowledge Tracing across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的PEARL框架严格测试合成教育数据的隐私和效用
一个名为PEARL的新框架已被开发出来，用于严格评估差分隐私合成教育数据。PEARL确保合成数据集不仅符合隐私标准，而且对特定的教育任务（如辍学预测或知识追踪）仍然有用。在对96种设置进行的广泛测试中，只有一小部分数据集通过了所有PEARL检查，这凸显了在生成能够平衡隐私与预测准确性和不同学生群体公平性的合成数据方面存在的重大挑战。
-
新的嵌入技术可防止知识追踪模型中的标签泄漏
研究人员开发了一种新颖的方法来增强知识追踪模型，通过防止标签泄漏和纳入近期编码。所提出的方法在输入嵌入构建过程中屏蔽了真实标签，类似于BERT的掩码语言模型，以避免无意中泄露答案。此外，一种新的近期编码技术捕获了交互之间的时间距离，更好地模拟了遗忘等学习动态。当将这些嵌入集成到现有的知识追踪模型（如DKT、DKT+、AKT和SAKT）中时，在各种基准测试中，它们已显示出预测精度的持续提高。
-
新的 DRDN 方法增强了 ViT 类增量学习
研究人员开发了一种名为解耦表示动态网络 (DRDN) 的新方法，以改进 Vision Transformer (ViT) 模型中的类增量学习 (CIL)。DRDN 通过使用掩码图像建模 (MIM) 来保留骨干网络中的通用视觉结构，并通过分层任务令牌扩展来减少任务间干扰，从而解决了跨任务混淆和欠优化的共享表示等挑战。在 CIFAR100-B0 上进行 10 个步骤的实验中，DRDN 实现了 77.19% 的平均准确率，优于 DKT 和 …
-
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。