文献类型：期刊文章

作　　者：曾凡智[1] 许露倩[1] 周燕[1] 周月霞[1] 廖俊玮[1]

ZENG Fanzhi;XU Luqian;ZHOU Yan;ZHOU Yuexia;LIAO Junwei(Department of Computer Science,Foshan University,Foshan,Guangdong 528000,China)

机构地区：[1]佛山科学技术学院计算机系,广东佛山528000

出　　处：《计算机科学与探索》

基　　金：国家自然科学基金(61972091);广东省自然科学基金(2022A1515010101,2021A1515012639);广东省普通高校重点研究项目(2019KZDXM007,2020ZDZX3049);佛山市科技创新项目(2020001003285)。

年　　份：2022

卷　　号：16

期　　号：8

起止页码：1742-1763

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、DOAJ、IC、JST、ZGKJHX、核心刊

摘　　要：知识追踪(KT)作为智慧教育领域的重点研究方向之一,利用智能辅导系统(ITS)提供的大量学习轨迹信息对学生进行建模,自动衡量学生的知识水平,为其提供个性化的学习方案,达到人工智能辅助教育的目的。全面回顾了面向智慧教育的知识追踪模型研究进展,三类具有代表性的模型分别为基于贝叶斯的知识追踪、基于Logistic模型的知识追踪以及近年来迅速发展并且表现出更好性能的深度学习知识追踪。基于贝叶斯的知识追踪分为贝叶斯知识追踪(BKT)以及结合个性化、知识相关性、节点状态与现实问题扩展的BKT模型;基于Logistic模型的知识追踪分为项目反应理论(IRT)与因子分析模型两类;基于深度学习的知识追踪分为深度知识追踪(DKT)及其改进模型以及设计网络结构与引入注意力机制。介绍了目前可供研究者们使用的国际公开教育数据集与常用的模型评估指标,比较和分析了不同类型方法的性能、特点以及应用场景,并对当前研究所存在的问题以及未来发展方向进行探讨与展望。

关 键 词：知识追踪(KT)  智慧教育 贝叶斯网络 LOGISTIC模型 深度学习  

分 类 号：TP391]