Machine learningLearning analytics
지식 추적
지식 추적(KT)은 학습자가 목표 지식 구성요소를 숙달했을 확률을 매 순간 추정하는 학생 모델링 기법입니다. 1994년 Corbett과 Anderson이 도입한 고전적인 베이지안 지식 추적(BKT) 모델은 기술 습득을 사전 지식, 학습률, 실수(slip), 추측(guess)이라는 네 가지 해석 가능한 매개변수에 의해 구동되는 두 가지 상태의 은닉 마르코프 모델로 취급합니다. 이후 딥 변형(DKT, DKVMN, AKT)은 HMM을 순환 및 트랜스포머 아키텍처로 대체했습니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Corbett, A. T., & Anderson, J. R. (1994). Knowledge tracing: Modeling the acquisition of procedural knowledge. User Modeling and User-Adapted Interaction, 4(4), 253–278. DOI: 10.1007/BF01099821 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 2). Knowledge Tracing (Bayesian / Deep). ScholarGate. https://scholargate.app/ko/education-analytics/knowledge-tracing
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
Compare side by side →