基于深度学习的知识追踪研究进展

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2022-01-01

刘铁园^1,2,陈威¹,常亮¹,古天龙^1,3

¹（广西可信软件重点实验室(桂林电子科技大学) 广西桂林 541004）；²（桂林电子科技大学电子工程与自动化学院广西桂林 541004）；³（暨南大学信息科学与技术学院网络安全学院广州 510632) (yangmail2002@guet.edu.cn)

出版日期: 2022-01-01

基金资助:国家自然科学基金项目(U1811264,61966009)；广西可信软件重点实验室研究课题(KX202058)；广西研究生教育创新计划项目(YCBZ2021072) Guangxi Key Laboratory of Trusted Software (KX202058), and the Innovation Project of Guangxi Graduate Education (YCBZ2021072).

Research Advances in the Knowledge Tracing Based on Deep Learning

Liu Tieyuan^1,2, Chen Wei¹, Chang Liang¹, Gu Tianlong^1,3

¹（Guangxi Key Laboratory of Trusted Software (Guilin University of Electronic Technology), Guilin, Guangxi 541004);²(School of Electronic Engineering and Automation, Guilin University of Electronic Technology, Guilin, Guangxi 541004);³(School of Information Science and TechnologySchool of Cyber Security, Jinan University, Guangzhou 510632)

Online: 2022-01-01

Supported by:This work was supported by the National Natural Science Foundation of China (U1811264, 61966009), the Project of

摘要/Abstract

摘要： 知识追踪是教育数据挖掘领域的一个重要研究方向，其目标是通过建立学生知识状态随时间变化的模型，来判断学生对知识的掌握程度并从学生的学习轨迹中挖掘出潜在的学习规律，从而提供个性化的指导，达到人工智能辅助教育的目的.深度学习因其强大的特征提取能力，已被证明能显著提升知识追踪模型的性能而越来越受到各方重视.以最基本的深度知识追踪模型为起点，全面回顾了该研究领域的研究进展，给出了该研究领域技术改进、演化脉络图，并从针对可解释问题的改进、针对长期依赖问题的改进、针对缺少学习特征问题的改进3个主要技术改进方向做了深入阐述和比较分析，同时对该领域中的已有模型做了归类，整理了可供研究者使用的公开数据集，考察了其主要应用，最后，对基于深度学习的知识追踪的未来研究方向进行了展望.

参考文献

相关文章 15

[1]	潘璇, 徐思涵, 蔡祥睿, 温延龙, 袁晓洁. 基于深度学习的数据库自然语言接口综述[J]. 计算机研究与发展, 2021, 58(9): 1925-1950.
[2]	李志欣, 魏海洋, 张灿龙, 马慧芳, 史忠植. 图像描述生成研究进展[J]. 计算机研究与发展, 2021, 58(9): 1951-1974.
[3]	张力天, 孔嘉漪, 樊一航, 范灵俊, 包尔固德. 基于宏微观因素的概率级别的车辆事故预测[J]. 计算机研究与发展, 2021, 58(9): 2052-2061.
[4]	丁宗元, 孙权森, 王涛, 王洪元. 基于融合多尺度标记信息的深度交互式图像分割[J]. 计算机研究与发展, 2021, 58(8): 1705-1717.
[5]	陈波冯, 李靖东, 卢兴见, 沙朝锋, 王晓玲, 张吉. 基于深度学习的图异常检测技术综述[J]. 计算机研究与发展, 2021, 58(7): 1436-1455.
[6]	王慧娇, 丛鹏, 蒋华, 韦永壮. 基于深度学习的SIMON32/64安全性分析[J]. 计算机研究与发展, 2021, 58(5): 1056-1064.
[7]	潘旭东, 张谧, 颜一帆, 陆逸凡, 杨珉. 通用深度学习语言模型的隐私风险评估[J]. 计算机研究与发展, 2021, 58(5): 1092-1105.
[8]	李明慧, 江沛佩, 王骞, 沈超, 李琦. 针对深度学习模型的对抗性攻击与防御[J]. 计算机研究与发展, 2021, 58(5): 909-926.
[9]	汪嘉来, 张超, 戚旭衍, 荣易. Windows平台恶意软件智能检测综述[J]. 计算机研究与发展, 2021, 58(5): 977-994.
[10]	周纯毅, 陈大卫, 王尚, 付安民, 高艳松. 分布式深度学习隐私与安全攻击研究进展与挑战[J]. 计算机研究与发展, 2021, 58(5): 927-943.
[11]	汪烨, 陈骏武, 夏鑫, 姜波. 智能需求获取与建模研究综述[J]. 计算机研究与发展, 2021, 58(4): 683-705.
[12]	吴宗友, 白昆龙, 杨林蕊, 王仪琦, 田英杰. 电子病历文本挖掘研究综述[J]. 计算机研究与发展, 2021, 58(3): 513-527.
[13]	廖海斌, 徐斌. 基于性别和年龄因子分析的鲁棒性人脸表情识别[J]. 计算机研究与发展, 2021, 58(3): 528-538.
[14]	付章杰, 李恩露, 程旭, 黄永峰, 胡雨婷. 基于深度学习的图像隐写研究进展[J]. 计算机研究与发展, 2021, 58(3): 548-568.
[15]	古天龙, 冯旋, 李龙, 包旭光, 李云辉. 基于社会新闻数据集的伦理行为判别方法[J]. 计算机研究与发展, 2021, 58(2): 253-263.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4560