有关ssm的外文文献_有关DKT（深度知识追踪）外文文献

今天分享两篇外文《Deep Knowledge Tracing》和《how deep knowledge tracing？》

1.《Deep Knowledge Tracing》

综合叙述

知识追踪是模拟学生知识随时间变化的任务，以便准确预测学生在未来学习的表现，意味着可以根据学生的个人需求向他们推荐资源，并且可以跳过太简单，延迟太难的内容。知识跟踪的任务可以形式化为：给定一个学生在某一特定学习任务上的表现的观测序列x0,x1,......,xt，然后预测他们在下一次学习的表现 xt+1。

由于BKT（贝叶斯知识追踪）的一些弊端和神经网络等的发展，文章探讨了递归神经网络（RNNs）在学生学习建模中的应用。RNN模型族不需要人类领域知识的显式编码，可以捕获学生知识的更复杂表示（不需要专家标签分类）。使用神经网络可以提高预测性能。此外，学习模型还可以用于智能课程设计，并允许在学生任务中直接解释和发现结构。

模型

贝叶斯知识追踪（BKT）

贝叶斯知识跟踪（BKT）是建立学生学习时间模型最常用的方法。BKT将学习者的潜在知识状态建模为一组二元变量，每一个变量代表对单个概念的理解或不理解。当学习者正确或错误地回答给定概念的练习时，隐马尔可夫模型（HMM）被用来更新这些二元变量之间的概率。原始模型的公式假定，一旦一项技能被学习，它就永远不会被遗忘。该模型的最新扩展包括猜测和滑动估计的上下文化、估计单个学习者的先验知识和估计问题难度。

BKT的缺点：1.学生理解的二元表征可能是不现实的。2.隐藏变量的含义及其在练习上的映射可能是不明确的，很少满足模型对每个练习一个概念的期望。3.用于建模转换的二进制响应数据限制了可以建模的练习的种类。

其他动态概率模型

部分可观察的马尔可夫决策过程（pomdp）提供了一个非常灵活的框架，但它们需要探索指数级的大状态空间。当前的实现也被限制在一个离散的状态空间中，对于潜在变量有硬编码的含义。这使得他们在实践中变得棘手或不灵活，尽管他们有潜力克服这两个限制。

来自性能因素分析（PFA）框架和学习因素分析（LFA）框架的更简单的模型显示了与BKT相当的预测能力。为了获得比单独使用任何一个模型更好的预测结果，各种集成方法被用于组合BKT和PFA。由AdaBoost、随机森林、线性回归、logistic回归和前馈神经网络支持的模型组合均显示出优于BKT和PFAon的结果。比较依赖精确的专家标记。

最近的工作探索了将项目响应理论（IRT）模型与切换非线性卡尔曼滤波器以及知识跟踪相结合。但它们在函数形式受到更大的限制，而且成本很高。

循环神经网络

递归神经网络是一类随时间变化的连接人工神经元的模型。与教育中的隐马尔可夫模型相比，rnn具有高维、连续的潜在状态表示。rnn更丰富的表示形式的一个显著优势是它们能够在很晚的时间点使用来自预测输入的信息。这对于长期短期内存（LSTM）网络尤其适用，LSTM是RNN的一种流行类型。

深度知识追踪

文章采用了两种类型的RNN模型：一种是带有sigmoid单位的普通RNN模型，另一种是长-短期记忆（LSTM）模型，来预测学生根据过去活动对练习的反应。

1.模型