典型文献
概念表示增强的知识追踪模型
文献摘要：
知识追踪模型以学习者的历史学习行为数据作为输入,通过概念表示来描述学习者的概念掌握状态,从而预测学习者未来的学习表现.然而在概念的外延表示方面,当前知识追踪研究的概念外延信息被限制在一阶相关的范畴内,无法表征概念的一阶以上外延信息.为了解决这一问题,提出方法首先使用图结构描述概念内涵信息及其相互关系;其次使用图神经网络的池化操作等提取概念的外延表示,这保证了概念的外延信息来源于多阶相关关系;再与概念的内涵表示进行融合;最后预测学习者未来的答题情况.为了验证该模型的有效性和效率,选取了四个主流知识追踪模型作为对比模型,在四个常用的知识追踪数据集上进行实验.结果表明,提出模型在若干评价指标上均取得了一定的优势,说明了它的有效性;在模型性能方面,提出模型达到最优评价指标所需的迭代次数最少,说明了它的效率;在实际应用方面,以该模型为基础实现了一个智能学习平台,在三门线下课程的教学过程中判断和预测学习者未来答题情况,取得了优于其他知识追踪模型的表现.
文献关键词：
知识追踪;图卷积;概念
中图分类号：
作者姓名：
张凯;刘月;覃正楚;秦心怡
作者机构：
长江大学计算机科学学院,湖北荆州434000
文献出处：
引用格式：
[1]张凯;刘月;覃正楚;秦心怡-.概念表示增强的知识追踪模型)[J].计算机应用研究,2022(11):3309-3314
A类：
B类：
概念表示,知识追踪,追踪模型,历史学习,学习行为数据,概念掌握,预测学,学习表现,前知,追踪研究,概念外延,图结构,结构描述,概念内涵,图神经网络,池化操作,信息来源,多阶,答题,对比模型,追踪数据,出模,模型性能,迭代次数,智能学习平台,三门,线下课程,他知,图卷积
AB值：
0.383601
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
