Los puntos clave no están disponibles para este artículo en este momento.
El Rastreo del Conocimiento (KT) evalúa el dominio que tienen los estudiantes de conceptos específicos de conocimiento y predice sus habilidades para resolver problemas analizando sus interacciones con sistemas de tutoría inteligente. Aunque en los últimos años la precisión del rastreo ha mejorado significativamente con la introducción de técnicas de aprendizaje profundo y redes neuronales de grafos, la investigación existente no se ha centrado lo suficiente en el impacto de la dificultad en el estado del conocimiento. La dificultad de comprensión del texto y la dificultad del concepto de conocimiento de los problemas de programación son cruciales para las respuestas de los estudiantes; por lo tanto, evaluar con precisión estos dos tipos de dificultad y aplicarlos a la predicción del estado del conocimiento es un desafío clave. Para abordar este desafío, proponemos un Rastreo del Conocimiento en Programación Consciente de la Dificultad mediante Grandes Modelos de Lenguaje (DPKT) para extraer la dificultad de comprensión del texto y la dificultad del concepto de conocimiento de los problemas de programación. Específicamente, analizamos la relación entre la dificultad del concepto de conocimiento y la dificultad de comprensión del texto usando un mecanismo de atención, lo que permite actualizaciones dinámicas de los estados de los estudiantes. Este modelo combina un mecanismo de puerta de actualización con una red de atención de grafos, mejorando significativamente la precisión en la evaluación de la dificultad de los problemas de programación y la capacidad de reflejar el estado del conocimiento en el espacio-tiempo. Los resultados experimentales demuestran que este modelo tiene un rendimiento excelente en diversos conjuntos de datos de lenguaje, validando su valor de aplicación en la educación en programación. Este modelo ofrece una solución innovadora para el rastreo del conocimiento en programación y proporciona a los educadores una herramienta poderosa para promover el aprendizaje personalizado.
Building similarity graph...
Analyzing shared references across papers
Loading...
Lina Yang
Xinjie Sun
Hui Li
Scientific Reports
Liupanshui Normal University
Building similarity graph...
Analyzing shared references across papers
Loading...
Yang et al. (Thu,) estudiaron esta cuestión.
www.synapsesocial.com/papers/6a08047d686e45fdbcfe113c — DOI: https://doi.org/10.1038/s41598-025-96540-3
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: