Design and practice of intelligent tutoring algorithm based on personalized student capability perception

doi:10.11772/j.issn.1001-9081.2024101550

Journal of Computer Applications ›› 2025, Vol. 45 ›› Issue (3): 765-772.DOI: 10.11772/j.issn.1001-9081.2024101550

• Frontier research and typical applications of large models • Previous Articles Next Articles

Design and practice of intelligent tutoring algorithm based on personalized student capability perception

Yanmin DONG¹, Jiajia LIN¹, Zheng ZHANG¹, Cheng CHENG¹, Jinze WU², Shijin WANG², Zhenya HUANG¹^,³(), Qi LIU¹^,³, Enhong CHEN¹

^1.State Key Laboratory of Cognitive Intelligence （University of Science and Technology of China），Hefei Anhui 230088，China
^2.iFLYTEK AI Research，Hefei Anhui 230088，China
^3.Artificial Intelligence Research Institute of Hefei Comprehensive National Science Centre （Anhui Artificial Intelligence Laboratory），Hefei Anhui 230094，China

Received:2024-11-01 Revised:2024-12-25 Accepted:2024-12-26 Online:2025-02-07 Published:2025-03-10
Contact: Zhenya HUANG
About author:DONG Yanmin， born in 2000， M. S. candidate. His research interests include code retrieval， natural language processing， large language model.
LIN Jiajia， born in 2004. Her research interests include knowledge tracing， large language model.
ZHANG Zheng， born in 1999， Ph. D. candidate. His research interests include educational data mining， user modeling， trusted artificial intelligence.
CHENG Cheng， born in 2001， M. S. candidate. His research interests include large language model， intelligent education.
WU Jinze， born in 1997， M. S. His research interests include natural language processing， intelligent education， federated learning.
WANG Shijin， born in 1980， Ph. D. His research interests include speech processing， natural language processing， intelligent education.
LIU Qi， born in 1986， Ph. D.， professor. His research interests include data mining， machine learning， recommender system.
CHEN Enhong， born in 1968， Ph. D.， professor. His research interests include data mining， machine learning， network analysis， recommender system.
Supported by:
National Science and Technology Major Project(2022ZD0117103);Key Technologies Research and Development Program of Anhui Province(202423k09020039);Project of CIPSC-SMP-Zhipu.AI Large Model Cross-Disciplinary Fund

个性化学情感知的智慧助教算法设计与实践

董艳民¹, 林佳佳¹, 张征¹, 程程¹, 吴金泽², 王士进², 黄振亚¹^,³(), 刘淇¹^,³, 陈恩红¹

^1.认知智能全国重点实验室（中国科学技术大学），合肥 230088
^2.科大讯飞人工智能研究院，合肥 230088
^3.合肥综合性国家科学中心人工智能研究院（安徽省人工智能实验室），合肥 230094

通讯作者: 黄振亚
作者简介:董艳民（2000—），男，内蒙古赤峰人，硕士研究生，主要研究方向：代码检索、自然语言处理、大语言模型
林佳佳（2004—），女，福建三明人，主要研究方向：知识追踪、大语言模型
张征（1999—），男，湖北仙桃人，博士研究生，主要研究方向：教育数据挖掘、用户建模、可信人工智能
程程（2001—），男，安徽宿州人，硕士研究生，主要研究方向：大语言模型、智慧教育
吴金泽（1997—），男，吉林长春人，硕士，主要研究方向：自然语言处理、智能教育、联邦学习
王士进（1980—），男，安徽合肥人，博士，主要研究方向：语音处理、自然语言处理、智慧教育
刘淇（1986—），男，山东临沂人，教授，博士，主要研究方向：数据挖掘、机器学习、推荐系统
陈恩红（1968—），男，安徽宣城人，教授，博士，主要研究方向：数据挖掘、机器学习、网络分析、推荐系统。
基金资助:
新一代人工智能国家科技重大专项(2022ZD0117103);安徽省科技攻坚计划项目(202423k09020039);中国中文信息学会社会媒体处理专委会（SMP）-智谱AI大模型交叉学科基金资助项目

Abstract

Abstract:

With the rapid development of Large Language Models （LLMs）， dialogue assistants based on LLM have emerged as a new learning method for students. These assistants generate answers through interactive Q&A， helping students solve problems and improve learning efficiency. However， the existing conversational assistants ignore students’ personalized needs， failing to provide personalized answers for “tailored instruction”. To address this， a personalized conversational assistant framework based on student capability perception was proposed， which is consisted of two main modules： a capability perception module that analyzes students’ exercise records to explore the knowledge proficiency of the students， and a personalized answer generation module that creates personalized answers based on the capabilities of the students. Three implementation paradigms — instruction-based， data-driven， and agent-based ones were designed to explore the framework’s practical effects. In the instruction-based assistant， the inference capabilities of LLMs were used to explore knowledge proficiency of the students from students’ exercise records to help generate personalized answers； in the small model-driven assistant， a Deep Knowledge Tracing （DKT） model was employed to generate students’ knowledge proficiency； in the agent-based assistant， tools such as student capability perception， personalized detection， and answer correction were integrated using LLM agent method for assistance of answer generation. Comparison experiments using Chat General Language Model （ChatGLM） and GPT4o_mini demonstrate that LLMs applying all three paradigms can provide personalized answers for students， the accuracy of the agent-based paradigm is higher， indicating the superior student capability perception and personalized answer generation of this paradigm.

Key words: intelligent education, personalized conversational assistant, Large Language Model (LLM), knowledge tracing, LLM agent

摘要：

随着大语言模型（LLM）的快速发展，基于LLM的对话助手逐渐成为学生学习的新方式。通过学生的问答互动，对话助手能生成相应的解答，从而帮助学生解决问题，并提高学习效率。然而，现有的对话助手忽略了学生的个性化需求，无法为学生提供个性化的回答，实现“因材施教”。因此，提出一种基于学生能力感知的个性化对话助手框架。该框架包括2个主要模块：学生能力感知模块和个性化回答生成模块。能力感知模块通过分析学生的答题记录来挖掘学生的知识掌握程度，回答生成模块则根据学生的能力生成个性化回答。基于此框架，设计基于指令、基于小模型驱动和基于智能体Agent的3种实现范式，以深入探讨框架的实际效果。基于指令的对话助手利用LLM的推理能力，从学生的答题记录中挖掘知识掌握程度以帮助生成个性化回答；基于小模型驱动的对话助手利用深度知识追踪（DKT）模型生成学生的知识掌握程度；基于Agent的个性化对话助手采用LLM Agent的方式整合学生能力感知、个性化检测、答案修正等工具辅助答案的生成。基于ChatGLM（Chat General Language Model）、GPT4o_mini的对比实验结果表明，应用3种范式的LLM均能为学生提供个性化的回答，其中基于Agent的范式的准确度更高，表明该范式能更好地感知学生能力，并生成个性化回答。

关键词: 智慧教育, 个性化对话助手, 大语言模型, 知识追踪, LLM智能体

CLC Number:

TP301.6

Yanmin DONG, Jiajia LIN, Zheng ZHANG, Cheng CHENG, Jinze WU, Shijin WANG, Zhenya HUANG, Qi LIU, Enhong CHEN. Design and practice of intelligent tutoring algorithm based on personalized student capability perception[J]. Journal of Computer Applications, 2025, 45(3): 765-772.

董艳民, 林佳佳, 张征, 程程, 吴金泽, 王士进, 黄振亚, 刘淇, 陈恩红. 个性化学情感知的智慧助教算法设计与实践[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 765-772.

Figures/Tables 12

Fig. 1 Personalized conversational assistant for “tailored instruction”

Fig. 2 Instruction-based personalized conversational assistant

Fig. 3 Prompts of instruction-based personalized conversational assistant

Fig. 4 Small model-driven personalized conversational assistant

Fig. 5 Prompts of small model-driven personalized conversational assistant

Fig. 6 Agent-based personalized conversational assistant

Tab. 1 Experimental dataset statistics

项目	Math	MOOCRadar
用户数	31 279	14 226
习题数	875	2 513
知识点数	184	34
答题日志数	422 585	456 456
平均每道题的知识点数	1.53	1.24

Tab. 2 Results of comparison experiments of different models on two datasets

模型	Math		MOOCRadar
模型	ACC	MSE	ACC	MSE
Llama_8B	0.536	0.464	0.614	0.391
Llama_8B_R	0.545	0.455	0.627	0.380
Llama_8B_DKT	0.551	0.447	0.645	0.354
Llama_8B_Agent	0.554	0.441	0.653	0.340
Llama_70B	0.549	0.450	0.646	0.352
Llama_70B_R	0.567	0.441	0.656	0.338
Llama_70B_DKT	0.574	0.426	0.668	0.327
Llama_70B_Agent	0.582	0.422	0.687	0.312
Qwen	0.511	0.487	0.581	0.422
Qwen_R	0.525	0.475	0.599	0.403
Qwen_DKT	0.527	0.474	0.616	0.390
Qwen_Agent	0.534	0.463	0.622	0.384
GLM	0.558	0.449	0.643	0.351
GLM_R	0.574	0.426	0.688	0.312
GLM_DKT	0.570	0.426	0.734	0.266
GLM_Agent	0.617	0.385	0.793	0.207
GPT4o	0.586	0.420	0.661	0.333
GPT4o_R	0.587	0.419	0.680	0.320
GPT4o_DKT	0.591	0.413	0.742	0.257
GPT4o_Agent	0.595	0.410	0.769	0.231

Fig. 7 Influence of knowledge capability mastery levels on GLM_Agent

Tab. 3 Results of ablation experiments

模型	不同数据集上的ACC
模型	Math	MOOCRadar
Llama_8B_Agent	0.554	0.653
Llama_8B_Agent w/o Agent	0.551	0.645
Llama_8B_Agent w/o DKT	0.545	0.627
Llama_8B_Agent w/o Record	0.536	0.614
GPT4o_Agent	0.595	0.769
GPT4o_Agent w/o Agent	0.591	0.742
GPT4o_Agent w/o DKT	0.587	0.680
GPT4o_Agent w/o Record	0.586	0.661

Tab. 4 Model Case analysis

学生问题	模型	知识掌握程度	回答
介绍下“二次根式的性质与化简”这个知识点	GLM	—	二次根式是指像 $a$ 这样的表达式， $a$ 是非负数。它的基本性质有： $a × b = a × b$ 。化简时，把平方数提到根号外，比如 $4 = 2$ 。
	GLM_Agent	低	二次根式的性质与化简这个知识点主要是关于如何操作含有根号的数学表达式。简单来说，二次根式就是形如 $a$ 的数学表达式，其中 $a$ 是非负数。在这个知识点中，还有一些基本的性质，首先，当两个二次根式在根号下的数相同，我们可以直接对它们进行加减运算。例如， $8 + 8$ ，我们可以将它们合并为 $28$ 。但如果根号下的数不同，我们就需要进行化简，使它们变成相同的形式，然后再进行加减。化简的过程涉及将根号下的数分解成质因数的乘积，然后提取出完全平方数。比如， $27$ 可以分解为 $9 × 3$ ，由于9是一个完全平方数，我们可以将 $9$ 提取出来，得到 $33$ 。
	GLM_Agent	高	二次根式，顾名思义，就是含有平方根的式子。它的基本形式是 $a$ ，其中 $a$ 是一个非负实数。当我们遇到复杂的二次根式时，就需要运用一些性质来进行化简。首先，二次根式的乘除法则是： $a × b = a × b$ 。这意味着我们可以将两个二次根式相乘，然后将它们里面的数相乘，最后再将结果开平方根。同样，二次根式的除法也遵循类似的规则。关于化简，我们通常会用到以下方法：1.分解质因数：将根号内的数分解成质因数的乘积，然后提取出平方因子，使其变成一个更简单的形式。2.合并同类项：当有两个或多个二次根式相加或相减时，我们可以将它们合并成一个二次根式。

Tab. 4 Model Case analysis

学生问题	模型	知识掌握程度	回答
介绍下“二次根式的性质与化简”这个知识点	GLM	—	二次根式是指像 $a$ 这样的表达式， $a$ 是非负数。它的基本性质有： $a × b = a × b$ 。化简时，把平方数提到根号外，比如 $4 = 2$ 。
	GLM_Agent	低	二次根式的性质与化简这个知识点主要是关于如何操作含有根号的数学表达式。简单来说，二次根式就是形如 $a$ 的数学表达式，其中 $a$ 是非负数。在这个知识点中，还有一些基本的性质，首先，当两个二次根式在根号下的数相同，我们可以直接对它们进行加减运算。例如， $8 + 8$ ，我们可以将它们合并为 $28$ 。但如果根号下的数不同，我们就需要进行化简，使它们变成相同的形式，然后再进行加减。化简的过程涉及将根号下的数分解成质因数的乘积，然后提取出完全平方数。比如， $27$ 可以分解为 $9 × 3$ ，由于9是一个完全平方数，我们可以将 $9$ 提取出来，得到 $33$ 。
	GLM_Agent	高	二次根式，顾名思义，就是含有平方根的式子。它的基本形式是 $a$ ，其中 $a$ 是一个非负实数。当我们遇到复杂的二次根式时，就需要运用一些性质来进行化简。首先，二次根式的乘除法则是： $a × b = a × b$ 。这意味着我们可以将两个二次根式相乘，然后将它们里面的数相乘，最后再将结果开平方根。同样，二次根式的除法也遵循类似的规则。关于化简，我们通常会用到以下方法：1.分解质因数：将根号内的数分解成质因数的乘积，然后提取出平方因子，使其变成一个更简单的形式。2.合并同类项：当有两个或多个二次根式相加或相减时，我们可以将它们合并成一个二次根式。

Fig. 8 Intelligent tutoring system interface

References 36

1	“人工智能+”助推教育高质量发展——第六届智能教育论坛暨第二届全国教育技术学科青年学者论坛召开［J］. 现代教育技术， 2024， 34（10）：1.
	“Artificial Intelligence Plus” boosts the high-quality development of education — the 6th Intelligent Education Forum and the second National Forum for Young Scholars in Educational Technology Discipline convene ［J］. Modern Educational Technology， 2024， 34（10）：1.
2	钟柏昌，刘晓凡. 生成式人工智能何以、以何生成教育［J］. 电化教育研究， 2024， 45（10）：12-18.
	ZHONG B C， LIU X F. Why and how generative artificial intelligence generates education ［J］. e-Education Research， 2024， 45（10）：12-18.
3	Google. PaLM 2 technical report ［R/OL］. ［2024-10-02］. .
4	OpenAI. GPT-4 technical report ［R/OL］. ［2024-08-14］. .
5	TOUVRON H， LAVRIL T， IZACARD G， et al. LLaMA： open and efficient foundation language models ［EB/OL］. ［2024-09-23］..
6	ZENG A， LIU X， DU Z， et al. GLM-130B： an open bilingual pre-trained model ［EB/OL］. ［2024-09-12］. .
7	OUYANG L， WU J， JIANG X， et al. Training language models to follow instructions with human feedback ［C］// Proceedings of the 36th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2022： 27730-27744.
8	ROZIÈRE B， GEHRING J， GLOEEKLE F， et al. Code LLaMA： open foundation models for code ［EB/OL］. ［2024-07-09］. .
9	STIENNON N， OUYANG L， WU J， et al. Learning to summarize with human feedback ［C］// Proceedings of the 34th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2020： 3008-3021.
10	张晓文，赵雨晴，徐永坡. 基于因材施教的教育家精神历史溯源、价值判定及培育策略［J］. 教育科学论坛， 2024， 29：3-8.
	ZHANG X W， ZHAO Y Q， XU Y P. Historical traceability， value determination and cultivation strategy of educator’s spirit based on teaching according to students’ talents ［J］. Education Sciences Forum， 2024， 29：3-8.
11	LIU J， SHEN D， ZHANG Y， et al. What makes good in-context examples for GPT-3？［C］// Proceedings of Deep Learning Inside Out： the 3rd Workshop on Knowledge Extraction and Integration for Deep Learning Architectures. Stroudsburg： ACL， 2022： 100-114.
12	ZHAO T Z， WALLACE E， FENG S， et al. Calibrate before use： improving few-shot performance of language models ［C］// Proceedings of the 38th International Conference on Machine Learning. New York： JMLR.org， 2021： 12697-12706.
13	PIECH C， BASSEN J， HUANG J， et al. Deep knowledge tracing［C］// Proceedings of the 29th International Conference on Neural Information Processing Systems — Volume 1. Cambridge： MIT Press， 2015： 505-513.
14	ZHAO A， HUANG D， XU Q， et al. ExpeL： LLM agents are experiential learners ［C］// Proceedings of the 38th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2024： 19632-19642.
15	WEIZENBAUM J. ELIZA — a computer program for the study of natural language communication between man and machine ［J］. Communications of the ACM， 1966， 9（1）： 36-45.
16	徐春，吉双焱，马欢，等. 基于知识图谱和对话结构的问诊推荐方法［J/OL］. 计算机应用［2024-10-27］..
	XU C， JI S Y， MA H， et al. Consultation recommendation method based on knowledge graph and dialogue structure ［J/OL］. Journal of Computer Applications ［2024-10-27］. .
17	GODDEAU D， MENG H， POLIFRONI J， et al. A form-based dialogue manager for spoken language applications ［C］// Proceeding of 4th International Conference on Spoken Language Processing — Volume 2. Piscataway： IEEE， 1996： 701-704.
18	王宇，王澈，于丹. 生成式和检索式对话机器人的算法设计与实现综述［J］. 软件工程， 2021， 24（2）：9-13.
	WANG Y， WANG C， YU D. Overview of algorithm design and implementation of generative and retrieving chatbots ［J］. Software Engineering， 2021， 24（2）：9-13.
19	ZHAO T， ESKENZI M. Towards end-to-end learning for dialog state tracking and management using deep reinforcement learning［C］// Proceedings of the 17th Annual Meeting of the Special Interest Group on Discourse and Dialogue. Stroudsburg： ACL， 2016： 1-10.
20	MA W， CUI Y， SHAO N， et al. TripleNet： triple attention network for multi-turn response selection in retrieval-based chatbots ［C］// Proceedings of the 23rd Conference on Computational Natural Language Learning. Stroudsburg： ACL， 2019： 737-746.
21	WEN T H， VANDYKE D， MRKŠIĆ N， et al. A network-based end-to-end trainable task-oriented dialogue system ［C］// Proceedings of the 15th Conference of the European Chapter of the Association for Computational Linguistics： Volume 1， Long Papers. Stroudsburg： ACL， 2017： 438-449.
22	DEVLIN J， CHANG M W， LEE K， et al. BERT： pre-training of deep bidirectional Transformers for language understanding ［C］// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies， Volume 1 （Long and Short Papers）. Stroudsburg： ACL， 2019： 4171-4186.
23	AI-RFOU R， CHOE D， CONSTANT N， et al. Character-level language modeling with deeper self-attention ［C］// Proceedings of the 33rd AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2019： 3159-3166.
24	LI Y， SU H， SHEN X， et al. DailyDialog： a manually labelled multi-turn dialogue dataset ［C］// Proceedings of the 8th International Joint Conference on Natural Language Processing （Volume 1： Long Papers）. Stroudsburg： ACL， 2017： 986-995.
25	吴永和，姜元昊，陈圆圆，等. 大语言模型支持的多智能体：技术路径、教育应用与未来展望［J］. 开放教育研究， 2024， 30（5）：63-75.
	WU Y H， JIANG Y H， CHEN Y Y， et al. Multi-agent systems supported by large language models： technical pathways， educational applications， and future prospects［J］. Open Education Research， 2024， 30（5）：63-75.
26	LOCK S. What is AI chatbot phenomenon ChatGPT and could it replace humans ［N/OL］. The Guardian， 2022-12-05 ［2024-05-13］. .
27	SU Y， WANG Y， CAI D， et al. PROTOTYPE-TO-STYLE： dialogue generation with style-aware editing on retrieval memory［J］. IEEE/ACM Transactions on Audio， Speech， and Language Processing， 2021， 29： 2152-2161.
28	BAEK J， CHANDRASEKARAN N， CUCERZAN S， et al. Knowledge-augmented large language models for personalized contextual query suggestion ［C］// Proceedings of the ACM Web Conference 2024. New York： ACM， 2024： 3355-3366.
29	DU Z， QIAN Y， LIU X， et al. GLM： general language model pretraining with autoregressive blank infilling ［C］// Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics （Volume 1： Long Papers）. Stroudsburg： ACL， 2022： 320-335.
30	DAO T， FU D Y， ERMON S， et al. FlashAttention： fast and memory-efficient exact attention with IO-awareness ［C］// Proceedings of the 36th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2022： 16344-16359.
31	SHI W， NIE Z， SHI Y. Research on the design and implementation of intelligent tutoring system based on AI big model［C］// Proceedings of the 2023 IEEE International Conference on Unmanned Systems. Piscataway： IEEE， 2023： 1-6.
32	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.
	ZHAO Y J， MENG F J， XU X J. Review of online education learner knowledge tracing ［J］. Journal of Computer Applications， 2024， 44（6）：1683-1698.
33	索晋贤，张丽萍，闫盛，等. 可解释的深度知识追踪方法综述［J/OL］. 计算机应用［2024-10-24］. .
	SUO J X， ZHANG L P， YAN S， et al. Review of interpretable deep knowledge tracing methods ［J/OL］. Journal of Computer Applications ［2024-10-24］. .
34	SHERSTINSKY A. Fundamentals of Recurrent Neural Network （RNN） and Long Short-Term Memory （LSTM） network ［J］. Physica D： Nonlinear Phenomena， 2020， 404： No.132306.
35	WANG F， LIU Q， CHEN E， et al. NeuralCD： a general framework for cognitive diagnosis ［J］. IEEE Transactions on Knowledge and Data Engineering， 2023， 35（8）： 8312-8327.
36	YU J， LU M， ZHONG Q， et al. MOOCRadar： a fine-grained and multi-aspect knowledge repository for improving cognitive student modeling in MOOCs ［C］// Proceedings of the 46th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2022： 2924-2934.

[1]	Yuemei XU, Yuqi YE, Xueyi HE. Bias challenges of large language models： identification， evaluation， and mitigation [J]. Journal of Computer Applications, 2025, 45(3): 697-708.
[2]	Peng CAO, Guangqi WEN, Jinzhu YANG, Gang CHEN, Xinyi LIU, Xuechun JI. Efficient fine-tuning method of large language models for test case generation [J]. Journal of Computer Applications, 2025, 45(3): 725-731.
[3]	Xiaolin QIN, Xu GU, Dicheng LI, Haiwen XU. Survey and prospect of large language models [J]. Journal of Computer Applications, 2025, 45(3): 685-696.
[4]	Chengzhe YUAN, Guohua CHEN, Dingding LI, Yuan ZHU, Ronghua LIN, Hao ZHONG, Yong TANG. ScholatGPT： a large language model for academic social networks and its intelligent applications [J]. Journal of Computer Applications, 2025, 45(3): 755-764.
[5]	Jing HE, Yang SHEN, Runfeng XIE. Recognition and optimization of hallucination phenomena in large language models [J]. Journal of Computer Applications, 2025, 45(3): 709-714.
[6]	Yajuan ZHAO, Fanjun MENG, Xingjian XU. Review of online education learner knowledge tracing [J]. Journal of Computer Applications, 2024, 44(6): 1683-1698.
[7]	Yuemei XU, Ling HU, Jiayi ZHAO, Wanze DU, Wenqing WANG. Technology application prospects and risk challenges of large language models [J]. Journal of Computer Applications, 2024, 44(6): 1655-1662.
[8]	Linhao LI, Xiaoqian ZHANG, Yao DONG, Xu WANG, Yongfeng DONG. Knowledge tracing based on personalized learning and deep refinement [J]. Journal of Computer Applications, 2024, 44(10): 3039-3046.
[9]	Yushan JIANG, Yangsen ZHANG. Large language model-driven stance-aware fact-checking [J]. Journal of Computer Applications, 2024, 44(10): 3067-3073.
[10]	Haodong ZHENG, Hua MA, Yingchao XIE, Wensheng TANG. Knowledge tracing model based on graph neural network blending with forgetting factors and memory gate [J]. Journal of Computer Applications, 2023, 43(9): 2747-2752.
[11]	Yongfeng DONG, Yacong WANG, Yao DONG, Yahan DENG. Survey of online learning resource recommendation [J]. Journal of Computer Applications, 2023, 43(6): 1655-1663.
[12]	Kai ZHANG, Zhengchu QIN, Yue LIU, Xinyi QIN. Multi-learning behavior collaborated knowledge tracing model [J]. Journal of Computer Applications, 2023, 43(5): 1422-1429.
[13]	Xiaomeng SHAO, Meng ZHANG. Temporal convolutional knowledge tracing model with attention mechanism [J]. Journal of Computer Applications, 2023, 43(2): 343-348.
[14]	ZHANG Junjie, SUN Guangmin, ZHENG Kun. Review of gaze tracking and its application in intelligent education [J]. Journal of Computer Applications, 2020, 40(11): 3346-3356.

Design and practice of intelligent tutoring algorithm based on personalized student capability perception

个性化学情感知的智慧助教算法设计与实践

RichHTML

PDF

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 12

References 36

Related Articles 14

Recommended Articles

Metrics