- 博客(13)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 Deep Knowledge Tracing and Dynamic Student Classification for Knowledge Tracing-2018
本篇文献是在DKT的基础上引入了学习能力这一概念，通过对学生的不同的学习能力进行聚类，形成不同的类别，再进行DKT训练。从而提高DKT模型的表现性能。IKT中提取能力概况特征所采用的方法就是本篇文献学习能力的计算算法。
2022-09-20 18:59:59
612
1
原创 Interpretable knowledge tracing Simple and efficient student modeling with causal relations-2022
通过使用特征工程中的数据挖掘技术从学生的行为数据中提取三个有意义的潜在特征。基于这些特征的具有因果关系的 TAN 结构使得 KT 模型对学生的表现预测具有更好的性能，不需要大量的参数，也不需要复杂的结构。与深度学习模型相比，它节省了大量的计算资源，并为更好地理解有意义的特征提供了因果解释。
2022-09-15 15:41:51
575
原创 Deep-IRT Make Deep Learning Based Knowledge Tracing Explainable Using Item Response Theory
基于深度学习的知识追踪模型已被证明在不需要人工设计特征的情况下优于传统的知识追踪模型，但其参数和表示长期以来一直被批评为无法解释。在本文中，我们提出了 Deep-IRT，它是项目响应理论 (IRT) 模型和基于称为动态键值记忆网络 (DKVMN) 的深度神经网络架构的知识追踪模型的综合，用于进行深度学习基于可解释的知识追踪。具体来说，我们使用 DKVMN 模型来处理学生的学习轨迹，并随着时间的推移估计项目难度水平和学生能力。然后，我们使用 IRT 模型使用估计的学生能力和项目难度来估计学生正确回答项目的
2022-09-13 10:50:07
1262
原创 Exercise-enhanced sequential modeling for student performance prediction
文章提出了一种新颖的习题增强循环神经网络 (EERNN) 框架，通过充分利用学生的做题记录和每个习题的文本来预测学生的表现。
2022-09-09 17:25:52
842
原创 Concept-Aware Deep Knowledge Tracing and Exercise Recommendation in an Online Learning System
个性化教育系统根据学生加速学习的能力向他们推荐学习内容。本文提出了一种用于在线自主学习的个性化运动推荐系统。我们首先提高知识追踪模型的性能。现有的深度知识追踪模型，例如动态键值记忆网络（DKVMN），忽略了练习的概念标签，这些标签通常在辅导系统中可用。我们修改DKVMN，根据课程的概念列表设计其记忆结构，并在学生知识追踪过程中明确考虑练习-概念映射关系。我们在中国最大的教育集团之一好未来的五年级学生数学练习数据集上对该模型进行了评估，发现我们的模型比现有模型具有更高的性能。我们还增强了 DKVMN 模型
2022-09-07 10:47:46
722
1
原创 Deep Knowledge Tracking based on Attention Mechanism for Student Performance Prediction
将注意力机制和RNN相结合，提高预测表现
2022-09-05 14:52:45
256
原创 深度学习模型可解释性的研究进展_化盈盈
深度学习在很多人工智能应用领域中取得成功的关键原因在于, 通过复杂的深层网络模型从海量数据中学习丰富的知识。然而, 深度学习模型内部高度的复杂性常导致人们难以理解模型的决策结果, 造成深度学习模型的不可解释性, 从而限制了模型的实际部署。因此, 亟需提高深度学习模型的可解释性, 使模型透明化, 以推动人工智能领域研究的发展。本文旨在对深度学习模型可解释性的研究进展进行系统性的调研, 从可解释性原理的角度对现有方法进行分类, 并且结合可解释性方法在人工智能领域的实际应用, 分析目前可解释性研究存在的问题, 以
2022-09-01 11:02:37
1299
原创 Towards Interpretable Deep Learning Models for Knowledge Tracing
在深度学习技术快速发展的推动下，深度神经网络最近被用于设计知识追踪 (KT) 模型，以实现更好的预测性能。然而，这些模型缺乏可解释性严重阻碍了它们的实际应用，因为它们的输出和工作机制受到不透明的决策过程和复杂的内部结构的影响。因此，我们建议采用事后方法来解决基于深度学习的知识追踪（DLKT）模型的可解释性问题。具体来说，我们专注于应用逐层相关性传播 (LRP) 方法通过将相关性从模型的输出层反向传播到其输入层来解释基于 RNN 的 DLKT 模型。实验结果表明使用 LRP 方法解释 DLKT 模型的预测是可
2022-08-31 20:03:21
431
1
原创 可解释深度知识追踪模型-刘坤佳
知识追踪任务通过建模用户的习题作答序列跟踪其认知状态,进而预测其下一时刻的答题情况,实现对用户知识掌握程度的智能评估．**当前知识追踪方法多针对知识点建模,忽略了习题信息建模与用户个性化表征,并且对于预测结果缺乏可解释性**．针对以上问题,提出了一个可解释的深度知识追踪框架．首先引入习题的上下文信息挖掘习题与知识点间的隐含关系,得到更有表征能力的习题与知识点表示,缓解数据稀疏问题．接着建模用户答题序列获得其当前知识状态,并以此学习个性化注意力,进而得到当前习题基于用户知识状态的个性化表示．最后,对于预测结果
2022-08-31 11:17:01
1397
原创 Learning with Interpretable Structure from RNN
在结构学习中，输出一般是结构，作为监督信息，以达到良好的性能。考虑到深度学习模型的解释这些年来引起了广泛的关注，如果我们可以从深度学习模型中学习可解释的结构，那将是有益的。在本文中，我们专注于递归神经网络（RNN），其内部机制仍不清楚。我们发现处理顺序数据的有限状态自动机（FSA）具有更多可解释的内部机制，并且可以从 RNN 中学习作为可解释的结构。我们基于两种不同的聚类方法提出了两种从 RNN 学习 FSA 的方法。我们首先给出 FSA 的图形说明供人类遵循，它显示了可解释性。然后从 FSA 的角度分析
2022-08-30 10:49:34
505
原创 Deep Knowledge Tracing
知识追踪——机器在学生与课程作业交互时对他们的知识进行建模——在计算机支持的教育中是一个公认的问题。尽管有效地建模学生知识会产生很高的教育影响，但这项任务存在许多固有的挑战。在本文中，我们探讨了使用循环神经网络 (RNN) 对学生学习进行建模的效用。RNN 系列模型与以前的方法相比具有重要优势，因为它们不需要对人类领域知识进行显式编码，并且可以捕获更复杂的学生知识表示。使用神经网络可以显着提高一系列知识跟踪数据集的预测性能。此外，学习模型可用于智能课程设计，并允许直接解释和发现学生任务中的结构。...
2022-08-11 17:20:44
457
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人