Recientemente, estoy haciendo un seguimiento del conocimiento. Leí dos reseñas en chino y resumí el contexto del seguimiento del conocimiento. Después de eso, leeré principalmente artículos sobre el seguimiento cognitivo basado en el aprendizaje profundo. Todos son bienvenidos a discutir. Continuaré actualizando los artículos y pensamientos sobre el seguimiento del conocimiento en profundidad más adelante...
1. Progreso de la investigación de 2020 sobre modelos de seguimiento cognitivo en macrodatos educativos_Hu Xuegang
P: ¿Cómo extraer y analizar datos educativos masivos?
R: Progreso de seguimiento cognitivo. En primer lugar, se presentan dos métodos de seguimiento cognitivo del progreso, combinados con el análisis de escenarios de aplicación y, por último, se analizan las ventajas y desventajas de los dos modelos y se discuten las direcciones de investigación futuras.
Con base en los datos de los estudiantes que responden ejercicios durante el proceso de aprendizaje, realice un seguimiento del cambio en el dominio de los puntos de conocimiento de los estudiantes a lo largo del tiempo y prediga el desempeño de los estudiantes en los ejercicios de respuesta en el futuro.
- Modelo de Seguimiento Cognitivo Basado en el Método Bayesiano-BKT
Se conoce la relación entre las variables observadas y los puntos de conocimiento, y los puntos de conocimiento asociados con los ejercicios se agrupan para formar una secuencia.
Hipótesis: Cada ejercicio se relaciona solo con un conocimiento, los factores de olvido se ignoran y la probabilidad de transición permanece sin cambios.
Algoritmo: De la situación de respuesta en el tiempo t --> la situación de dominio en t-1 (condiciones) --> la situación de dominio en t.
Expansión: características de los datos educativos (preguntas de prueba similares)
Características: tiene una gran capacidad de interpretación, pero pierde las características de los datos de los estudiantes y la capacidad de predicción es promedio
HMM de primer orden
- Modelo de seguimiento cognitivo-DKT basado en el método de aprendizaje profundo
Cree un modelo para todos los puntos de conocimiento, la relación entre las observaciones y los puntos de conocimiento es desconocida, y un estudiante responde todos los puntos de conocimiento como una secuencia
RNNentrada, capa oculta, salida
Notación one-hot, por qué Q+q,
Extensión: características de los datos educativos (curva de olvido, agrupación de estudiantes)
Características: fuerte capacidad expresiva y desempeño predictivo, incapaz de obtener explícitamente el estado cognitivo de los estudiantes para cada punto de conocimiento específico, interpretabilidad general
-
Análisis y Perspectivas
Optimización de parámetros bayesianos, el compromiso entre precisión e interpretabilidad, y la inconsistencia con problemas reales
2. Progreso de la investigación de 2021 sobre el seguimiento del conocimiento basado en el aprendizaje profundo_Liu Tieyuan
Seguimiento del conocimiento: al establecer un modelo del estado del conocimiento de los estudiantes a lo largo del tiempo, puede juzgar el grado de dominio del conocimiento de los estudiantes y extraer posibles reglas de aprendizaje de la trayectoria de aprendizaje, a fin de brindar orientación personalizada y realizar educación asistida por inteligencia artificial.
DLKT: El modelo DKT se basa en RNN
Tres problemas principales de mejora técnica:
- Mejoras en los problemas de interpretabilidad
- Ante-hoc: Insuficiente resolución, tanto el mecanismo de atención como el modelo autoexplicativo saben mejorar la interpretabilidad de una determinada parte
- Post-hoc: altos requisitos para algunas condiciones (LRP requiere un alto gradiente de la función de predicción)
- dependencia a largo plazo
- Modelo extendido basado en LSTM: la extensión de la longitud del aprendizaje de secuencias RNN no se ha resuelto fundamentalmente
- Modelo basado en el mecanismo de autoatención: el modelo de transformador no se basa en RNN, que resuelve el problema de dependencia a largo plazo, pero pierde la capacidad de RNN para modelar secuencias.
- Problema de función de aprendizaje faltante
- Método de incrustación: agregue funciones de aprendizaje al vector de incrustación de entrada del modelo, o intégrelo en el proceso de cálculo como un factor de cálculo adicional
- Restricción de la función de pérdida: la forma de codificar características aprendidas adicionales en la función de pérdida como una restricción
- Nueva estructura: Usando una nueva estructura de modelo, la forma de incorporar características adicionales aprendidas en el proceso de cálculo del modelo.
Aplicación del modelo DLKT:
- Clasificación topológica para temas de descubrimiento
- para preguntas subjetivas
- Validación de la teoría educativa
- Ruta de aprendizaje recomendada
- pronóstico de carrera
- generar papel de prueba