Bayesian Knowledge Tracing
Bayesian knowledge tracing (BKT) is a model that estimates, after each problem a student attempts, the probability that the student has mastered the underlying skill. Introduced by Corbett and Anderson for intelligent tutoring systems, it is a two-state hidden Markov model: the latent variable is whether the skill is learned or not, and observed correct/incorrect responses update that latent state through Bayesian inference. With just four parameters — initial knowledge, learning, slip, and guess — BKT drives the mastery decisions that tell a tutor when a student can move on.
Avota reģistrs
Atsauces kopētas tieši no metodes avota reģistra. Tās nenozīmē nekādu apgalvojumu līmeņa verifikāciju.
- 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
- Baker, R. S. J. d., Corbett, A. T., & Aleven, V. (2008). More accurate student modeling through contextual estimation of slip and guess probabilities in Bayesian knowledge tracing. In Intelligent Tutoring Systems (ITS 2008), LNCS 5091, 406–415. · DOI 10.1007/978-3-540-69132-7_44
Kurēti apgalvojumi
Apgalvojumi saglabāti pierādījumu reģistrā, katram ar savu novērtējumu.
Šis skatījums neizgudro apgalvojumu novērtējumu, ja reģistrā tā nav.
Saistītās metodes
Ģenerēts no metodes grafika un parādīts kā mašīnas ieteiktas attiecības — netiek izvirzīts neviens pierādījumu apgalvojums.