深度知识追踪

知识追踪——即机器在学生与课程作业互动过程中对其知识状态进行建模——是计算机辅助教育中一个已经确立的问题。尽管有效地建模学生知识将对教育产生重大影响，但这一任务本身具有许多固有的挑战。本文探讨了使用循环神经网络（RNNs）来建模学生学习的有效性。RNN模型家族相比以往的方法具有重要优势，它们不需要显式编码人类领域的知识，并且能够捕捉到更复杂的学生知识表示。利用神经网络在一系列知识追踪数据集上显著提高了预测性能。此外，所学模型可用于智能课程设计，并允许对学生任务中的结构进行直观解释和发现。这些结果表明，知识追踪研究领域出现了一条有前景的新研究方向，同时也为RNN的应用提供了一个典范的任务示例。