损失增强知识追踪调查

人工神经网络的训练严重依赖于对合适损失函数的谨慎选择。虽然常用的损失函数，如交叉熵和均方误差（MSE），通常足以满足广泛的任务需求，但在数据质量受限或学习过程效率不足的情况下，常会出现挑战。在这种情况下，将额外的术语整合到损失函数中可以作为解决这些挑战的手段，既增强模型性能和鲁棒性，又提升学习效率。两种突出技术，即损失正则化和对比学习，已被识别为增强人工神经网络损失函数能力的有效策略。知识追踪是一项有前景的研究领域，它利用预测性人工智能来实现对学生个性化、高效教育体验的自动化。本文提供了关于使用先进损失函数训练的深度学习知识追踪（DKT）算法的全面综述，并讨论了这些方法相对于先前技术的改进。我们讨论了对比知识追踪算法，如 Bi-CLKT、CL4KT、SP-CLKT、CoSKT 和 prediction-consistent DKT，提供了性能基准并阐述了实际部署中的挑战。本次调查以未来的研究方向为结尾，包括混合损失策略和情境感知建模。