大规模数据集上知识追踪深度学习模型的实证比较
广义相对论与量子宇宙学
2021-01-19 v1
摘要
知识追踪（KT）是在学生参与一系列学习活动过程中对其知识点（KCs）掌握程度建模的问题。它是助力为学习者提供个性化反馈与材料的活跃研究领域。多种深度学习技术已被提出用于解决 KT。近期大规模学生表现数据集 \cite{choi2019ednet} 的发布促使对已提出的深度学习 KT 方法性能进行分析。我们的分析有助于理解在可获得大规模学生表现数据时采用何种方法。我们还表明，融入练习间关系与学生的遗忘行为等上下文信息可进一步提升深度学习模型性能。
引用
@article{arxiv.2101.06372,
title = {Thermodynamic Behavior of Time-Dependent Wormholes in Palatini $f(R)$ Gravity},
author = {Hamidreza Saiedi},
journal= {arXiv preprint arXiv:2101.06372},
year = {2021}
}