基于深度学习的知识追踪研究进展
计算机研究与发展 中文核心期刊
/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=JFYZ0608001&v=8SqcXNnYzq3Od8MixO%25mmd2Bb0hnPGsfdzLN%25mmd2Byb7OHxxKZuyjdCrFsuZNA5r%25mmd2F3dkSqGtL
看看之前写的课程综述，在看看别人的工作，距离还是很远啊，拆解拆解他们工作做的不错
基于深度学习的知识追踪（deep learning based knowledge tracing，DLKT)
本文常用符号定义
DLKT 领域开创性模型DKT
DKT以循环神经网络（recurrent neuralnetwork，RNN）为基础结构.RNN 是一种具有记忆性
的序列模型，序列结构使其符合学习中的近因效应并保留了学习轨迹信息[17].这种特性使RNN（包括长短期记忆网络[18]（long short term memory，LSTM）和门控循环网络[19]（gated recurrent unit，GRU）等变体）成为了DLKT 领域使用最广泛的模型.
DKT 以学生的学习交互记录为输入，通过one-hot 编码或压缩感知[20]（compress sensing）， 被转化为向量输入模型.在DKT 中，RNN 的隐藏状态被解释为学生的知识状态， 被进一步通过一个Sigmoid 激活的线性层得到预测结果.的长度等于题目数量，其每个元素代表学生正确回答对应问题的预测概率.具体的计算过程如下所示：
相对于以BKT 为代表的传统机器学习模型，DKT不需要人工标注的数据就有更好的表现（AUC
提高了20%[21]），且能够捕捉并利用更深层次的学生知识表征[22-23]，这使其非常适合以学习为中心的教学评估系统
2 DKT 的改进方法
可解释性差、长期依赖问题和学习特征少是DKT模型最显著的3 个问题，许多研究许多研究者致力于对其进行扩展和改进，以解决这些问题.我们将各种改进方法梳理为下图
下表总结了各种模型所属的改进方向类别和其主要的改进方式
表 2 DLKT 领域公开数据集简述、下载链接及使用其的模型
表4 总结了使用公开数据集的DLKT 模型的性能表现（以大多数论文都采用了的
AUC 指标为基准），表中的数据皆来自于模型初始论文，取最大值.需要指出的是，深度学习模型受参数设置影响较大，且同一个模型在不同论文中的表现也存在较大
未来展望
1）现有DLKT 模型大多使用二元变量来表示题目的回答情况，这种建模方式不适合分数值分布连续的主观题.Wang 等人[86]和Swamy 等人[89]在处理学生的编程数据时，使用了学习者回答的连续快照作为回答情况的指示器，这提供了一种对主观题目建模的方式.而其他的对主观题目的建模方法仍有很大的研究前景.
2）目前DLKT 主要应用于在线教育平台，如何利用好在线平台所提供的大量学习轨迹信息，是研究的难点之一.Mongkhonvanit 等人[95]提供了一种对教学视频观看行为建模的方法，Huan 等人[96]则利用了鼠标轨迹信息.而其他学习特征信息的提取、建模亟需更多的研究.与此同时，特征的添加也是一大难点.对于以RNN 为基础的DLKT 模型来说，输入向量的长度会显著影响模型的训练速度.这就需要使用降维方法减小向量的长度，或者采用其他的嵌入方式（如LSTMCQ）融合更多特征而不增加向量长度.总而言之，学习特征信息的提取、建模、添加将会是DLKT实际应用中的重点研究方向.
3）DLKT 的优秀性能使利用其验证经典教育理论成为可能.如Lalwani 等人[90]验证改进的布鲁姆分
类与遗忘曲线.同时，已提出的教育理论也可以为建模提供指导，如Gan 等人[80]结合了学习与遗忘理论.经典教育理论在DLKT 领域的应用值得更多的研究者加以关注.
4）利用DLKT 模型构建知识图谱.DLKT 模型可以用来发现知识点之间的相互关系，构建出知识点关系图，这可以看作是简化的知识图谱.知识图谱作为当前人工智能时代最为主要的知识表现形式，如何扩展模型的知识结构发现能力，将知识点关系图扩展为知识图谱将会是未来的重点研究方向.
5）目前的DLKT 模型中仍存在许多不确定因素，现有的理论推断并不足以解释DLKT 模型的训练过程.在基于Transformer 的模型中，掩码机制被用来屏蔽后面时间的权重，这是为了防止未答的题目影响已答的题目.而Xu 等人[97]使用双向LSTM 以融合过去和未来的上下文序列信息.两者所依据的原理是相悖的，但都获得了性能提升.如何深入研究，以完整解释DLKT 模型的训练过程，将会是未来的重点研究方向.
6）目前DLKT 主要使用RNN 模型，许多研究已经证明了RNN 的优越性.同时，Transformer 模型，GNN 模型也在知识追踪领域有着优秀的表现.而其他更多模型的应用仍亟需深度研究，对其他深度学习模型的应用将会是重要研究方向.
7）Transformer 相对于RNN 的一大优势就是没有长期依赖问题，但目前基于Transformer 的DLKT
模型却并没有利用好这个优势，如SAKT 和SAINT，它们都将序列长度设置为100，这个长度并没有超过LSTM 的序列学习容量（200）.同时，实验显示，位置编码的有无对最终的结果影响并不大.这似乎说明长期依赖与序列关系对KT 任务的影响没有目前所认为的那么大，以此类推，各种学习特征对于KT 任务的影响值得进一步研究.
其他的内容可以看文章本身。写的很不错，向其学习
