在线教育学习者知识追踪综述

doi:10.11772/j.issn.1001-9081.2023060852

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (6): 1683-1698.DOI: 10.11772/j.issn.1001-9081.2023060852

• CCF第38届中国计算机应用大会 (CCF NCCA 2023) • 上一篇下一篇

在线教育学习者知识追踪综述

赵雅娟, 孟繁军(), 徐行健

内蒙古师范大学计算机科学技术学院，呼和浩特 010022

收稿日期:2023-07-01 修回日期:2023-10-26 接受日期:2023-10-27 发布日期:2023-11-07 出版日期:2024-06-10
通讯作者: 孟繁军
作者简介:赵雅娟（1999—），女，内蒙古呼和浩特人，硕士研究生，CCF会员，主要研究方向：教育大数据
徐行健（1988—），男，安徽蚌埠人，副教授，博士，CCF会员，主要研究方向：教育大数据、生物信息学。
基金资助:
内蒙古自然科学基金资助项目(2023LHMS06011);内蒙古师范大学基本科研业务费专项(2022JBQN105);内蒙古自治区军民融合重点科研项目及软科学研究项目(JMRKX202201)

Review of online education learner knowledge tracing

Yajuan ZHAO, Fanjun MENG(), Xingjian XU

College of Computer Science and Technology，Inner Mongolia Normal University，Hohhot Inner Mongolia 010022，China

Received:2023-07-01 Revised:2023-10-26 Accepted:2023-10-27 Online:2023-11-07 Published:2024-06-10
Contact: Fanjun MENG
About author:ZHAO Yajuan， born in 1999， M. S. candidate. Her research interests include big data in education.
XU Xingjian， born in 1988， Ph. D.， associate professor. His research interests include big data in education， bioinformatics.
Supported by:
Inner Mongolia Natural Science Foundation(2023LHMSS06011);Fundamental Research Funds for Inner Mongolia Normal University(2022JBQN105);Inner Mongolia Military-Civilian Integration Key Research Project and Soft Science Research Project(JMRKX202201)

摘要/Abstract

摘要：

知识追踪（KT）是在线教育中一项基础且具有挑战性的任务，同时也是从学习者的学习历史中建立学习者知识状态模型的任务，可以帮助学习者更好地了解自己的知识状态，使教育者更好地了解学习者的学习情况。对在线教育学习者KT研究进行综述。首先，介绍KT的主要任务和发展历程；其次，从传统KT模型和深度学习KT模型两个方面展开叙述；再次，归纳总结相关数据集和评价指标，并汇总KT的相关应用；最后，总结KT现状，讨论它们的不足和未来发展方向。

关键词: 知识追踪, 学习者, 知识状态, 在线教育, 深度学习

Abstract:

Knowledge Tracing （KT） is a fundamental and challenging task in online education， and it involves the establishment of learner knowledge state model based on the learning history； by which learners can better understand their knowledge states， while teachers can better understand the learning situation of learners. The KT research for learners of online education was summarized. Firstly， the main tasks and historical progress of KT were introduced. Subsequently， traditional KT models and deep learning KT models were explained. Furthermore， relevant datasets and evaluation metrics were summarized， alongside a compilation of the applications of KT. In conclusion， the current status of knowledge tracing was summarized， and the limitations and future prospects for KT were discussed.

Key words: Knowledge Tracing (KT), learner, knowledge state, online education, deep learning

中图分类号:

TP18

赵雅娟, 孟繁军, 徐行健. 在线教育学习者知识追踪综述[J]. 计算机应用, 2024, 44(6): 1683-1698.

Yajuan ZHAO, Fanjun MENG, Xingjian XU. Review of online education learner knowledge tracing[J]. Journal of Computer Applications, 2024, 44(6): 1683-1698.

图/表 14

参考文献 84

1	国务院. 国务院关于印发新一代人工智能发展规划的通知［EB/OL］. ［2023-04-20］. .
	Council State. Circular of the State Council on the issuance of the development plan for the new generation of artificial intelligence ［EB/OL］. ［2023-04-20］. .
2	中华人民共和国教育部. 教育部关于印发《教育信息化2.0行动计划》的通知［EB/OL］. ［2023-04-20］.
	’s Republic of China. Notice of the Ministry of Education on issuing the action plan for Education Informatization 2.0 ［EB/OL］. ［2023-04-20］.
3	国务院. 中共中央、国务院印发《中国教育现代化2035》［EB/OL］. ［2023-04-19］. ［EB/OL］. ［2023-04-19］. ）
4	CORBETT A T， ANDERSON J R. Knowledge tracing： modeling the acquisition of procedural knowledge［J］. User Modelling and User-Adapted Interaction， 1995， 4： 253-278.
5	WULF J， BLOHM I， LEIMEISTER J M， et al. Massive open online courses ［J］. Business and Information Systems Engineering， 2014， 6： 111-114.
6	ANDERSON J R， BOYLE C F， REISER B J. Intelligent tutoring systems ［J］. Science， 1985， 228（4698）： 456-462.
7	MONGKHONVANIT K， KANOPKA K， LANG D. Deep knowledge kracing and engagement with MOOCs ［C］// Proceedings of the 9th International Conference on Learning Analytics and Knowledge. New York： ACM， 2019： 340-342.
8	WANG Z， ZHU J， LI X， et al. Structured knowledge tracing models for student assessment on Coursera ［C］// Proceedings of the Third （2016） ACM Conference on Learning @ Scale. New York： ACM， 2016： 209-212.
9	PARDOS Z， BERGNER Y， SEATON D， et al. Adapting Bayesian knowledge tracing to a massive open online course in edX［C/OL］//Proceedings of the 6th International Conference on Educational Data Mining. 2013［2023-05-30］. .
10	吴昊，徐行健，孟繁军. 课程资源的融合知识图谱多任务特征推荐算法［J］. 计算机工程与应用， 2021， 57（21）： 132-139.
	WU H， XU X J， MENG F J.Knowledge graph-assisted multi-task feature-based course recommendation algorithm［J］. Computer Engineering and Applications， 2021， 57（21）： 132-139.
11	李建伟，武佳惠，姬艳丽.面向自适应学习的个性化学习路径推荐［J］.现代教育技术， 2023， 33（1）： 108-117.
	LI J W， WU J H， JI Y L.Personalized learning path recommendation oriented to adaptive learning［J］. Modern Educational Technology， 2023， 33（1）： 108-117.
12	刘放，徐行健，孟繁军，等. 大规模测评数据驱动的个性化评价模型设计与实施［J］. 计算机教育， 2022（4）： 138-144.
	LIU F， XU X J， MENG F J，et al. Design and implementation of personalized evaluation model driven by large-scale assessment data ［J］. Computer Education， 2022（4）： 138-144
13	郑佩芸. 基于深度知识追踪的大学英语智适应学习系统构建初探［J］. 外语电化教学， 2023（1）： 53-56，112.
	ZHENG P Y. A preliminary study on the construction of a smart adaptive learning system for college English using deep knowledge tracing［J］. Technology Enhanced Foreign Language Education， 2023（1）： 53-56，112.
14	LIU Q， SHEN S， HUANG Z， et al. A survey of knowledge tracing ［EB/OL］. ［2023-04-20］. .
15	BAKER R S J d， CORBETT A T， ALEVEN V. More accurate student modeling through contextual estimation of slip and guess probabilities in Bayesian knowledge tracing ［M］// Proceedings of the 9th International Conference on Intelligent Tutoring Systems. Berlin： Springer， 2008： 406-415.
16	PAVLIK JP I， CEN H， KOEDINGER K R. Performance factors analysis： a new alternative to knowledge tracing ［C］// Proceedings of the 2009 International Conference on Artificial Intelligence in Education： Building Learning Systems that Care： from Knowledge Representation to Affective Modelling. New York： ACM， 2009： 531-538.
17	CEN H， KOEDINGER K， JUNKER B. Learning factors analysis： a general method for cognitive model evaluation and improvement ［C］// Proceedings of the 8th International Conference on Intelligent Tutoring Systems.Berlin： Springer， 2006： 164-175.
18	J-J VIE， KASHIMA H. Knowledge tracing machines： factorization machines for knowledge tracing［C］// Proceedings of the 33rd AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2019： 750-757.
19	PARDOS Z A， HEFFERNAN N T. Modeling individualization in a Bayesian networks implementation of knowledge tracing［C］// Proceedings of the 18th International Conference on User Modeling， Adaptation， and Personalization. Berlin： Springer， 2010： 255-266.
20	YUDELSON M V， KOEDINGER K R， GORDON G J. Individualized Bayesian knowledge tracing models［C］//Proceedings of the 16th International Conference on Artificial Intelligence in Education.Berlin： Springer， 2013： 171-180.
21	PARDOS Z A， HEFFERNAN N T. KT-IDEM： introducing item difficulty to the knowledge tracing model ［C］// Proceedings of the 19th International Conference on User Modeling， Adaption and Personalization. Berlin： Springer， 2011： 243-254.
22	PIECH C， BASSEN J， HUANG J， et al. Deep knowledge tracing ［C］// Proceedings of the 28th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2015： 505-513.
23	WILLIAMS R J， ZIPSER D. A learning algorithm for continually running fully recurrent neural networks ［J］. Neural Computation， 1989， 1（2）： 270-280.
24	HOCHREITER S， SCHMIDHUBER J. Long short-term memory［J］. Neural Computation， 1997， 9（8）： 1735-1780.
25	ZHANG J， SHI X， KING I， et al. Dynamic key-value memory networks for knowledge tracing［C］// Proceedings of the 26th International Conference on World Wide Web. New York：ACM， 2017： 765-774.
26	PANDEY S， KARYPIS G. A self-attentive model for knowledge tracing ［C］// Proceedings of the 12th International Conference on Educational Data Mining. Montréal： International Educational Data Mining Society， 2019：384-389.
27	VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need ［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2017： 6000-6010.
28	WU Z， PAN S， CHEN F， et al. A comprehensive survey on graph neural networks ［J］. IEEE Transactions on Neural Networks and Learning Systems， 2021， 32（1）： 4-24.
29	SHEN S， LIU Q， CHEN E， et al. Convolutional knowledge tracing： modeling individualization in student learning process ［C］// Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2020： 1857-1860.
30	LIU Y， YANG Y， CHEN X， et al. Improving knowledge tracing via pre-training question embeddings ［C］// Proceedings of the 29th International Joint Conference on Artificial Intelligence. California： ijcai.org， 2021： 1577-1583.
31	LIU Q， HUANG Z， YIN Y， et al. EKT： exercise-aware knowledge tracing for student performance prediction［J］. IEEE Transactions on Knowledge and Data Engineering， 2021， 33（1）： 100-115.
32	LUO R， LIU F， LIANG W， et al. DAGKT： difficulty and attempts boosted graph-based knowledge tracing ［C］// Proceedings of the 29th International Conference on Neural Information Processing. Cham： Springer， 2022： 255-266.
33	LALWANI A， AGRAWAL S. What does time tell？ Tracing the forgetting curve using deep knowledge tracing ［M］// Proceedings of the 20th International Conference on Artificial Intelligence in Education. Cham： Springer， 2019： 158-162.
34	KÄSER T， KLINGLER S， SCHWING A G， et al. Dynamic Bayesian networks for student modeling ［J］. IEEE Transactions on Learning Technologies， 2017， 10（4）： 450-462.
35	LIN C， CHI M. Intervention-BKT： incorporating instructional interventions into Bayesian knowledge tracing ［C］// Proceedings of the 13th International Conference on Intelligent Tutoring Systems. Cham： Springer， 2016： 208-218.
36	VAN DER LINDEN W J， HAMBLETON R K. Item response theory： brief history， common models， and extensions ［M］// VAN DER LINDEN W J， HAMBLETON R K. Handbook of Modern Item Response Theory. New York： Springer， 1997： 1-28.
37	CEN H， KOEDINGER K， JUNKER B. Comparing two IRT models for conjunctive skills［C］// Proceedings of the 9th International Conference on Intelligent Tutoring Systems. Cham： Springer， 2008： 796-798.
38	LYU L， WANG Z， YUN H， et al. DKT-STDRL： spatial and temporal representation learning enhanced deep knowledge tracing for learning performance prediction［EB/OL］. （2023-02-15）［2023-04-20］. .
39	GRAVES A， WAYNE G， REYNOLDS M， et al. Hybrid computing using a neural network with dynamic external memory ［J］. Nature， 2016， 538（7626）： 471-476.
40	MILLER A， FISCH A， DODGE J， et al. Key-value memory networks for directly reading documents ［C］// Proceedings of the 2016 Conference on Empirical Methods in Natural Language Processing. Stroudsberg： ACL， 2016： 1400-1409.
41	SANTORO A， BARTUNOV S， BOTVINICK M， et al. Meta-learning with memory-augmented neural networks［C］// Proceedings of the 33rd International Conference on Machine Learning. New York： JMLR.org， 2016： 1842-1850.
42	ABDELRAHMAN G， WANG Q. Knowledge tracing with sequential key-value memory networks［C］// Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2019： 175-184.
43	WANG X， MEI X， HUANG Q， et al. Fine-grained learning performance prediction via adaptive sparse self-attention networks ［J］. Information Sciences， 2021， 545： 223-240.
44	GHOSH A， HEFFERNAN N， LAN A S. Context-aware attentive knowledge tracing ［C］// Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2020： 2330-2339.
45	CHOI Y， LEE Y， CHO J， et al. Towards an appropriate query， key， and value computation for knowledge tracing［C］// Proceedings of the 7th ACM Conference on Learning @ Scale. New York： ACM， 2020： 341-344.
46	SHIN D， SHIM Y， YU H， et al. SAINT+： integrating temporal features for EdNet correctness prediction ［C］// Proceedings of the 11th International Learning Analytics and Knowledge Conference. New York：ACM， 2021： 490-496.
47	PANDEY S， SRIVASTAVA J. RKT： Relation-aware self-attention for knowledge tracing ［C］// Proceedings of the 29th ACM International Conference on Information and Knowledge Management. New York： ACM， 2020： 1205-1214.
48	NAKAGAWA H， IWASAWA Y， MATSUO Y. Graph-based knowledge tracing： modeling student proficiency using graph neural network［C］// Proceedings of the 2019 IEEE/WIC/ACM International Conference on Web Intelligence. Piscataway： IEEE， 2019： 156-163.
49	GARDNER M W， DORLING S R. Artificial neural networks （the multilayer perceptron）： a review of applications in the atmospheric sciences ［J］. Atmospheric Environment， 1998， 32（14/15）： 2627-2636.
50	CHUNG J， GULCEHRE C， CHO K H， et al. Empirical evaluation of gated recurrent neural networks on sequence modeling ［EB/OL］.（2014-12-11）［2023-04-20］..
51	YANG Y， SHEN J， QU Y， et al. GIKT： a graph-based interaction model for knowledge tracing ［C］// Proceedings of the 2020 European Conference on Machine Learning and Knowledge Discovery in Databases. Cham： Springer， 2021： 299-315.
52	TONG S， LIU Q， HUANG W， et al. Structure-based knowledge tracing： an influence propagation view ［C］// Proceedings of the 2020 IEEE International Conference on Data Mining. Piscataway： IEEE， 2020： 541-550.
53	ROYER J M. Theories of the transfer of learning ［J］. Educational Psychologist， 1979， 14（1）： 53-69.
54	SONG X， LI J， TANG Y， et al. JKT： a joint graph convolutional network based deep knowledge tracing ［J］. Information Sciences， 2021， 580： 510-523.
55	SONG X， LI J， LEI Q， et al. Bi-CLKT： bi-graph contrastive learning based knowledge tracing ［J］. Knowledge-Based Systems， 2022， 241： 108274.
56	ZHANG M， ZHU X， ZHANG C， et al. Multi-factors aware dual-attentional knowledge tracing ［C］// Proceedings of the 30th ACM International Conference on Information & Knowledge Management. New York： ACM， 2021： 2588-2597.
57	SU Y， LIU Q， LIU Q， et al. Exercise-enhanced sequential modeling for student performance prediction ［C］// Proceedings of the 32d AAAI Conference on Artificial Intelligence. Menlo Park：AAAI Press， 2018： 2435-2443.
58	TONG H， WANG Z， ZHOU Y， et al. HGKT： introducing hierarchical exercise graph for knowledge tracing ［EB/OL］. ［2023-04-20］..
59	GAN W， SUN Y， PENG X， et al. Modeling learner’s dynamic knowledge construction procedure and cognitive item difficulty for knowledge tracing［J］. Applied Intelligence， 2020， 50（11）： 3894-3912.
60	NAGATANI K， ZHANG Q， SATO M， et al. Augmenting knowledge tracing by considering forgetting behavior［C］// Proceedings of the 2019 World Wide Web Conference. New York： ACM， 2019： 3101-3107.
61	CHEN Y， LIU Q， HUANG Z， et al. Tracking knowledge proficiency of students with educational priors ［C］// Proceedings of the 2017 ACM International Conference on Information and Knowledge Management. New York： ACM， 2017： 989-998.
62	HUANG Z， LIU Q， CHEN Y， et al. Learning or forgetting？ A dynamic approach for tracking the knowledge proficiency of students ［J］. ACM Transactions on Information Systems， 2020， 38（2）： No. 19.
63	WANG C， MA W， ZHANG M， et al. Temporal cross-effects in knowledge tracing ［C］// Proceedings of the 14th ACM International Conference on Web Search and Data Mining. New York： ACM， 2021： 517-525.
64	ABDELRAHMAN G， WANG Q. Deep graph memory networks for forgetting-robust knowledge tracing［J］. IEEE Transactions on Knowledge and Data Engineering， 2023， 35（8）： 7844-7855.
65	SHEN S， HUANG Z， LIU Q， et al. Assessing student’s dynamic knowledge state by exploring the question difficulty effect ［C］// Proceedings of the 45th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2022： 427-437.
66	LONG T， LIU Y， SHEN J， et al. Tracing knowledge state with individual cognition and acquisition estimation ［C］// Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2021： 173-182.
67	CHOI Y， LEE Y， SHIN D， et al. EdNet： a large-scale hierarchical dataset in education ［C］// Proceedings of the 21st International Conference on Artificial Intelligence in Education. Cham： Springer， 2020： 69-73.
68	MINN S， YU Y， DESMARAIS M C， et al. Deep knowledge tracing and dynamic student classification for knowledge tracing ［C］// Proceedings of the 2018 IEEE International Conference on Data Mining. Piscataway： IEEE， 2018： 1182-1187.
69	CAI D， ZHANG Y， DAI B. Learning path recommendation based on knowledge tracing model and reinforcement learning［C］// Proceedings of the 2019 IEEE 5th International Conference on Computer and Communications. Piscataway： IEEE， 2019： 1881-1885.
70	TIAN X， LIU F. Capacity tracing-enhanced course recommendation in MOOCs ［J］. IEEE Transactions on Learning Technologies， 2021， 14（3）： 313-321.
71	HUO Y， WONG D F， NI L M， et al. Knowledge modeling via contextualized representations for LSTM-based personalized exercise recommendation ［J］. Information Sciences， 2020， 523： 266-278.
72	班启敏，吴雯，胡文心，等. 基于学习者知识和性格的个性化课程推荐［J］. 华东师范大学学报（自然科学版）， 2022（6）： 87-101.
	BAN Q M， WU W， HU W X， et al. Personalized course recommendations based on a learner’s knowledge and personality［J］. Journal of East China Normal University （Natural Science）， 2022（6）： 87-101.
73	CHEN C M， LEE H M， CHEN Y H. Personalized e-learning system using item response theory ［J］. Computers & Education， 2005， 44（3）： 237-255.
74	WANG S， XU Y， LI Q， et al. Learning path planning algorithm based on learner behavior analysis ［C］// Proceedings of the 2021 4th International Conference on Big Data and Education. New York： ACM， 2021： 26-33.
75	邹煜. 融合学习记忆过程的知识追踪在小学数学学业评价中的应用研究［D］. 北京：中央民族大学， 2021：58.
	ZOU Y. The application of knowledge tracing model integrating learning and memory process in the evaluation of primary school mathematics ［D］. Beijing： Minzu University of China， 2021：58.
76	C-K YEUNG， D-Y YEUNG. Incorporating features learned by an enhanced deep knowledge tracing model for STEM/Non-STEM job prediction［J］. International Journal of Artificial Intelligence in Education， 2019， 29： 317-341.
77	SPAULDING S， BREAZEAL C. Affect and inference in Bayesian knowledge tracing with a robot tutor ［C］// Proceedings of the 10th Annual ACM/IEEE International Conference on Human-Robot Interaction Extended Abstracts. New York： ACM， 2015： 219-220.
78	KANTHARAJU P， ALDERFER K， ZHU J， et al. Tracing player knowledge in a parallel programming educational game［C］// Proceedings of the 14th AAAI Conference on Artificial Intelligence and Interactive Digital Entertainment. Menlo Park：AAAI Press， 2018： 173-179.
79	HOOSHYAR D， HUANG Y-M， YANG Y. GameDKT： deep knowledge tracing in educational games ［J］. Expert Systems with Applications， 2022， 196： 116670.
80	VASILYEVA E， PUURONEN S， PECHENIZKIY M， et al. Feedback adaptation in web-based learning systems［J］. International Journal of Continuing Engineering Education and Life-Long Learning， 2007， 17（4/5）： 337-357.
81	WANG M， YANG Z-K， LIU S-Y， et al. Using feedback to improve learning： differentiating between correct and erroneous examples ［C］// Proceedings of the 2015 International Symposium on Educational Technology. Piscataway： IEEE， 2015： 99-103.
82	WU J， HUANG Z， LIU Q， et al. Federated deep knowledge tracing［C］// Proceedings of the 14th ACM International Conference on Web Search and Data Mining. New York： ACM， 2021： 662-670.
83	LIU N， WANG Z， BARANIUK R， et al. Open-ended knowledge tracing for computer science education［C］// Proceedings of the 2022 Conference on Empirical Methods in Natural Language Processing. Stroudsberg： ACL， 2022： 3849-3862.
84	FISCHER G. User modeling in human-computer interaction ［J］. User Modeling and User-Adapted Interaction， 2001， 11： 65-86.

参数	描述
P（L₀）	第一次使用解决问题的技能之前，知识概念已经掌握的概率
P（T）	在每次使用该技能时掌握知识概念的概率
P（G）	如果知识概念未知，学习者猜测正确的概率
P（S）	如果知识概念已知，学习者出错的概率

参数	描述
P（L₀）	第一次使用解决问题的技能之前，知识概念已经掌握的概率
P（T）	在每次使用该技能时掌握知识概念的概率
P（G）	如果知识概念未知，学习者猜测正确的概率
P（S）	如果知识概念已知，学习者出错的概率

KT模型	主要技术	特点	局限性
BKT^［4］	贝叶斯网络	可解释性较强	无法处理学习者在学习过程中的非线性变化
IRT^［36］	Logistic函数	适用于小数据集和稀疏数据集	依赖专家标记知识点与练习之间的映射关系
AFM^［37］	Logistic函数	处理较小的数据集时具有高效性	只能考虑单个知识点的学习过程
PFA^［16］	Logistic函数	考虑了知识水平、认知能力的影响	需要人工构造大量特征
KTM^［18］	Logistic函数	考虑了相关特征之间的相互作用	存在冷启动问题，需要大量训练数据，可解释性弱
DKT^［22］	RNN/LSTM	不需要手动提取特征	处理稀疏数据时存在无法泛化
DKVMN^［25］	记忆网络	记忆矩阵存储学习者的历史信息，能够有效地捕捉学习者知识状态的动态变化	存储空间的需求较高
SKVMN^［42］	LSTM、记忆网络	能自适应地选择重要的知识点和历史信息	对于一些比较简单的知识点或者不连续的知识点，模型可能表现不佳
SAKT^［26］	前馈网络、多头注意力机制	能自适应地对学习者的答题序列进行加权	对题目的先验知识依赖较强
AKT^［44］	前馈网络、多头注意力机制	考虑了不同知识点之间的相互影响	如果学习者提供的背景信息不准确或不完整，模型的性能可能会受到影响
SAINT^［45］	前馈网络、ED、多头注意力机制	更好地考虑学习者的答题历史和答题习惯等因素	需要大量数据训练和调整，可能不太适用数据量较小的场景
SAINT+^［46］	前馈网络、ED、多头注意力机制	可以灵活地处理不同类型的题目和答案，具有一定的通用性	依赖大量的训练数据，对数据量较小的应用场景可能表现不佳
RKT^［47］	前馈网络、多头注意力机	可以自动捕获相关知识点之间的依赖关系，避免了人工定义先验知识的问题	对数据质量的要求较高
GKT^［48］	GNN	可以处理多个知识点之间的依赖关系	构建合适的知识关系图需要一定的专业知识和经验
GIKT^［51］	GNN/RNN	可以捕捉学习者与知识点之间的交互关系，动态调整知识点之间的关联度	如果领域知识较复杂，图结构的构建和优化可能存在一定困难
SKT^［52］	GNN	用于多个学科领域，具有一定的通用性	对于不同学习者的知识结构，需要进行适当的个性化处理
JKT^［54］	GCN	可以捕捉学习者、知识和题目之间的关系	依赖先前构建的知识图谱，如果知识点的关系发生变化，需要重新构建
Bi-CLKT^［55］	GCN	采用对比学习的方式可以减少需要标记的数据量	依赖先前构建的知识图谱，如果知识点的关系发生变化，需要重新构建
EERNN^［57］	RNN/LSTM	可自适应地学习每个学习者的特征和知识水平	复杂度较高，需要较大的计算资源，对数据的依赖较强
EKT^［31］	注意力机制、LSTM	根据学习者的情况自适应地调整对不同知识点的关注程度	对学习的状态建模相对简单，无法考虑学习者的情感、兴趣等因素对学习的影响
KPT^［66］	因子分解机	能建模学习者的个体认知和习得特点	泛化能力较弱，可能难以适应不同学科、年级和类型的学习者
HawkesKT^［63］	因子分解机	能建模稀疏的学习者行为	多个学习任务交错进行的情况可能会表现不佳
DGMN^［64］	GCN、记忆网络	能处理复杂知识结构	计算复杂度较高，数据需求较大
DKT-STDRL^［38］	CNN、双向LSTM	同时提取学习者练习序列的时间和空间特征	可解释性方面存在一定的局限性

KT模型	主要技术	特点	局限性
BKT^［4］	贝叶斯网络	可解释性较强	无法处理学习者在学习过程中的非线性变化
IRT^［36］	Logistic函数	适用于小数据集和稀疏数据集	依赖专家标记知识点与练习之间的映射关系
AFM^［37］	Logistic函数	处理较小的数据集时具有高效性	只能考虑单个知识点的学习过程
PFA^［16］	Logistic函数	考虑了知识水平、认知能力的影响	需要人工构造大量特征
KTM^［18］	Logistic函数	考虑了相关特征之间的相互作用	存在冷启动问题，需要大量训练数据，可解释性弱
DKT^［22］	RNN/LSTM	不需要手动提取特征	处理稀疏数据时存在无法泛化
DKVMN^［25］	记忆网络	记忆矩阵存储学习者的历史信息，能够有效地捕捉学习者知识状态的动态变化	存储空间的需求较高
SKVMN^［42］	LSTM、记忆网络	能自适应地选择重要的知识点和历史信息	对于一些比较简单的知识点或者不连续的知识点，模型可能表现不佳
SAKT^［26］	前馈网络、多头注意力机制	能自适应地对学习者的答题序列进行加权	对题目的先验知识依赖较强
AKT^［44］	前馈网络、多头注意力机制	考虑了不同知识点之间的相互影响	如果学习者提供的背景信息不准确或不完整，模型的性能可能会受到影响
SAINT^［45］	前馈网络、ED、多头注意力机制	更好地考虑学习者的答题历史和答题习惯等因素	需要大量数据训练和调整，可能不太适用数据量较小的场景
SAINT+^［46］	前馈网络、ED、多头注意力机制	可以灵活地处理不同类型的题目和答案，具有一定的通用性	依赖大量的训练数据，对数据量较小的应用场景可能表现不佳
RKT^［47］	前馈网络、多头注意力机	可以自动捕获相关知识点之间的依赖关系，避免了人工定义先验知识的问题	对数据质量的要求较高
GKT^［48］	GNN	可以处理多个知识点之间的依赖关系	构建合适的知识关系图需要一定的专业知识和经验
GIKT^［51］	GNN/RNN	可以捕捉学习者与知识点之间的交互关系，动态调整知识点之间的关联度	如果领域知识较复杂，图结构的构建和优化可能存在一定困难
SKT^［52］	GNN	用于多个学科领域，具有一定的通用性	对于不同学习者的知识结构，需要进行适当的个性化处理
JKT^［54］	GCN	可以捕捉学习者、知识和题目之间的关系	依赖先前构建的知识图谱，如果知识点的关系发生变化，需要重新构建
Bi-CLKT^［55］	GCN	采用对比学习的方式可以减少需要标记的数据量	依赖先前构建的知识图谱，如果知识点的关系发生变化，需要重新构建
EERNN^［57］	RNN/LSTM	可自适应地学习每个学习者的特征和知识水平	复杂度较高，需要较大的计算资源，对数据的依赖较强
EKT^［31］	注意力机制、LSTM	根据学习者的情况自适应地调整对不同知识点的关注程度	对学习的状态建模相对简单，无法考虑学习者的情感、兴趣等因素对学习的影响
KPT^［66］	因子分解机	能建模学习者的个体认知和习得特点	泛化能力较弱，可能难以适应不同学科、年级和类型的学习者
HawkesKT^［63］	因子分解机	能建模稀疏的学习者行为	多个学习任务交错进行的情况可能会表现不佳
DGMN^［64］	GCN、记忆网络	能处理复杂知识结构	计算复杂度较高，数据需求较大
DKT-STDRL^［38］	CNN、双向LSTM	同时提取学习者练习序列的时间和空间特征	可解释性方面存在一定的局限性

数据集	数据集子集	问题数	知识概念数	学习者数	练习记录数	下载链接
ASSISTments	ASSISTments2009	26 688	123	4 217	346 860	https：//sites.google.com/site/assistmentsdata/home/ 2009-2010-assistment-data
	ASSISTments2012	17 999	265	46 674	6 123 270	https：//sites.google.com/site/assistmentsdata/datasets/ 2012-13-school-data-with-affect
	ASSISTments2015	85	100	19 917	708 631	https：//sites.google.com/site/assistmentsdata/datasets/ 2015-assistments-skill-builder-data
	ASSISTments2017	3 162	102	1 709	942 816	https：//sites.google.com/view/assistmentsdatamining
STATICS		1 224		335	361 092	https：//pslcdatashop.web.cmu.edu/DatasetInfo？datasetId=507
Junyi Academy		722	41	247 606	25 925 992	https：//www.kaggle.com/datasets/junyiacademy/ learning-activity-public-dataset-by-junyi-academy
Simulated-5 （Synthetic）		50	5	4 000	200 000	https：//github.com/chrispiech/DeepKnowledgeTracing/tree/ master/data/synthetic
KDDCup	Algebra 2005-2006	1 084	112	575	813 661	https：//pslcdatashop.web.cmu.edu/KDDCup/
	Algebra 2006-2007	90 831	523	1 840	2 289 726
	Bridge to Algebra	19 258	493	1 146	3 686 871
EdNet	KT1	13 169	188	784 309	95 293 926	https：//drive.google.com/file/d/ 1AmGcOs5U31wIIqvthn9ARqJMrMTFTcaw/view
	KT2	13 169	188	297 444	56 360 602	https：//drive.google.com/file/d/ 1qQQshbzyULW5RjMi7u-IhUr2dT_6uMXA/view
	KT3	13 169	293	297 915	89 270 654	https：//drive.google.com/file/d/ 1TVyGIWU1Mn3UCjjeD6bcZ57YspByUV7-/view
	KT4	13 169	293	297 915	131 441 538	https：//drive.google.com/file/d/ 1HHZwpeqMSowWhgEu0URBQQ3FizR9o9mT/view
NeurIPS 2020 Education Challenge	Tasks 1&2	27 613		118 971	15 867 850	https：//eedi.com/projects/neurips-education-challenge
NeurIPS 2020 Education Challenge	Tasks 3&4	948		4 918	1 382 727	https：//eedi.com/projects/neurips-education-challenge

在线教育学习者知识追踪综述

Review of online education learner knowledge tracing

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 84

相关文章 15

编辑推荐

Metrics

模型	数据集
	ASSISTments			STATICS	Junyi	Synthetic	KDDCup		EdNet
	2009	2012	2015				2005—2006	2006—2007
BKT^［68］	0.651 0	0.623 0	0.611 0				0.642 0
IRT^［68］	0.751 0	0.743 0	0.672 0				0.806 0
AFM^［59］		0.610 0					0.707 0	0.706 0
PFA^［68］	0.703 0	0.670 0	0.689 0				0.706 0
KTM^［18］	0.818 6
DKT^［22］	0.860 0				0.850 0
DKVMN^［25］	0.815 7		0.726 8	0.828 4		0.827 3
SKVMN^［42］	0.836 3		0.748 4	0.848 5	0.826 7	0.840 0
SAKT^［26］	0.848 0		0.854 0	0.853 0		0.832 0
AKT^［44］	0.834 6		0.782 8
SAINT^［45］									0.781 1
SAINT+^［46］									0.791 4
RKT^［47］		0.793 0			0.860 0
GKT^［48］	0.723 0							0.769 0
GIKT^［51］	0.789 6	0.775 4							0.752 3
SKT^［52］			0.746 0		0.908 0
JKT^［54］	0.798 0		0.765 0			0.856 0
Bi-CLKT^［55］	0.857 0		0.765 0			0.865 0
PEBG^［30］	0.830 0	0.770 0
EKT^［31］		0.773 2							0.802 4
HawkesKT^［63］	0.763 0	0.768 0
DGMN^［64］	0.861 0			0.864 0	0.859 0		0.834 0
DKT-STDRL^［38］	0.959 1		0.999 6	0.949 9		0.948 2

[1]	邴雅星, 王阳萍, 雍玖, 白浩谋. 基于筛选学习网络的六自由度目标位姿估计算法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1920-1926.
[2]	刘源泂, 何茂征, 黄益斌, 钱程. 基于ResNet50和改进注意力机制的船舶识别模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1935-1941.
[3]	吴锦富, 柳毅. 基于随机噪声和自适应步长的快速对抗训练方法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1807-1815.
[4]	王晓路, 千王菲. 基于双支路卷积网络的步态识别方法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1965-1971.
[5]	郭琳, 刘坤虎, 马晨阳, 来佑雪, 徐映芬. 基于感受野扩展残差注意力网络的图像超分辨率重建[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1579-1587.
[6]	盖彦辛, 闫涛, 张江峰, 郭小英, 陈斌. 基于时空注意力的空间关联三维形貌重建[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1570-1578.
[7]	李鑫, 孟乔, 皇甫俊逸, 孟令辰. 基于分离式标签协同学习的YOLOv5多属性分类[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1619-1628.
[8]	时旺军, 王晶, 宁晓军, 林友芳. 小样本场景下的元迁移学习睡眠分期模型[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1445-1451.
[9]	孙子文, 钱立志, 杨传栋, 高一博, 陆庆阳, 袁广林. 基于Transformer的视觉目标跟踪方法综述[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1644-1654.
[10]	杨先凤, 汤依磊, 李自强. 基于交替注意力机制和图卷积网络的方面级情感分析模型[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1058-1064.
[11]	王铂越, 李英祥, 钟剑丹. 基于改进Res-UNet的昼夜地基云图分割网络[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1310-1316.
[12]	万泽轩, 谢春丽, 吕泉润, 梁瑶. 基于依赖增强的分层抽象语法树的代码克隆检测[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1259-1268.
[13]	唐睿, 岳士博, 张睿智, 刘川, 庞川林. UAV协助下非正交多址接入使能的数据采集系统中能效优化机制[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1209-1218.
[14]	孙祥杰, 魏强, 王奕森, 杜江. 代码相似性检测技术综述[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1248-1258.
[15]	张鹏飞, 韩李涛, 冯恒健, 李洪梅. 基于注意力机制和全局特征优化的点云语义分割[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1086-1092.