A Survey of Knowledge Tracing 总结

一，KT任务定义和KT模型的分类 

      KT任务定义： 给定在线学习系统中的学习交互序列，知识跟踪旨在监测学生在学习过程中的知识状态演变，并预测他们在未来练习中的表现（既要考虑学生成绩预测，也要考虑学生的知识状态）

     KT模型：

           1.概率模型

           2.逻辑模型

           3.基于深度学习的模型

变体：1.学习前的个性化建模     2.在学习过程中结合参与和利用辅助信息    3.考虑学习后的遗忘

二，概率模型

       1.原始贝叶斯知识追踪（BKT）

           BKT是隐马尔可夫模型（含有转移概率和发射概率）

           在BKT中，过渡概率有两个学习参数定义：P（T）：从未学习状态过渡到学习状态的过程

                                                                               P（F）：遗忘先前掌握知识的概率

                             发射概率的两个性能参数决定：P（G）：即学生在不精通的情况下猜对的概率

                                                                               P（S）：学生在掌握知识后犯的错误概率   

        P(Ln)是在第n次学习交互中掌握KC的概率，P(Cn+1)是下一次学习交互中正确答案的概率。          P(Ln)是两个概率的和:(1)KC已经被掌握的概率;(2)知识状态转化为掌握状态的概率

 2.动态贝叶斯知识追踪（DBKT）（KC之间并不是完全独立的，而是层次性的、密切相关的）

三，逻辑模型

    使用学生学习互动中的不同因素来计算学生和KC参数的估计，然后利用逻辑函数将该估计转换为掌握概率的预测

  1.学习因素分析

   初始知识状态:参数α估计每个学生的初始知识状态;

   KCs的容易程度:参数β捕获不同KCs的容易程度;

   KCs的学习率:参数γ表示KCs的学习率。

             其中σ是sigmoid函数，Si是学生i的协变量，Tj表示KC j上相互作用次数的协变量，Kj是KC j的协变量，p(θ)是正确答案的概率估计。 

2.性能因素分析

       先前失败:参数f是学生KC的先前失败;

       以前的成功:参数s表示学生的KC以前的成功;

       KCs的容易程度:参数β表示不同KCs的容易程度，与LFA模型相同